CN110044472B - 一种线上产品异音异响智能检测系统 - Google Patents

Abstract

本发明公开了一种线上产品异音异响智能检测系统，包括传感器单元、数据采集单元和显控终端；传感器单元用于采集产品运行过程中产生的声学信号；数据采集单元与传感器单元电连接，用于获取传感器单元采集的声学信号；显控终端用于显示从数据采集单元获取的多组声学信号并对其中的异常样本进行标记；采用标记后的声学信号对机器学习模型进行训练，待准确率大于等于预设值时即可将训练后的机器学习模型进行部署；在线采集产品声学数据，输入至部署后的机器学习模型，即可对声学信号进行自动判定；本发明基于工业大数据和机器学习模型的检测手段，不仅能够实现异音异响的自动识别，检测效率高，而且排除了人为不稳定因素，提高了检测的准确性。

Description

一种线上产品异音异响智能检测系统

技术领域

本发明属于异音异响检测技术领域，更具体地，涉及一种线上产品异音异响智能检测系统。

背景技术

异音异响检测是市场上诸多产品出厂前不可或缺的环节，一旦产品运行过程中产生了异音异响，表明产品零部件或装配缺陷。这些不合格产品出厂后将导致客户投诉和退货，影响生产厂家的根本利益，因此在产品出厂前有必要对每个产品进行异音异响检测。

目前线上产品异音异响检测大多采用人工听诊的方法，这种检测方式不仅效率低下，而且由于工人熟练程度和听力疲劳程度的不同，容易主观臆断，存在误判率高、效率低下的问题；另外，由于用工成本日益增加，采用人工检测的方式也不利于企业压缩生成成本，不符合企业的根本利益。

针对上述问题，开发一种线上产品异音异响智能检测系统，取代人工听诊方式来实现异音异响的自动识别与检测，是目前急需解决的问题。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种线上产品异音异响智能检测系统，其利用声学传感器在线采集被测对象的多种信号，通过机器学习技术实现各种异音异响信号的快速准确的检测与分类，其目的在于解决传统人耳听诊检测对异音异响判定能力不足、误判率高、效率低下的问题。

为实现上述目的，按照本发明的一个方面，提供了一种线上产品异音异响智能检测系统，包括传感器单元、数据采集单元和显控终端；

所述传感器单元用于采集产品运行过程中产生的声学信号；所述声学信号包括噪声信号、振动信号和电压电流信号；

所述数据采集单元与传感器单元电连接，用于获取传感器单元采集的声学信号；

所述显控终端与数据采集单元连接，用于显示从数据采集单元获取的多组声学信号并对其中的异常样本进行标记，并采用标记后的声学信号对机器学习模型进行训练；还用于获取待测产品的声学数据并将其输入至准确率大于等于预设值的机器学习模型中，对所述声学数据中的异音异响进行自动判定。

优选的，上述线上产品异音异响智能检测系统，其显控终端包括信号采集与标记模块、训练模块和检测模块；

所述信号采集与标记模块用于显示获取的多组声学信号，并对其中的异常样本进行标记；

所述训练模块用于采用标记后的声学信号对机器学习模型进行训练，直至该机器学习模型的准确率大于等于预设值；

所述检测模块用于获取待测产品的声学数据并将其输入到训练好的机器学习模型中，对声学数据进行自动判定并输出测试结果。

优选的，上述线上产品异音异响智能检测系统，其训练模块包括数据预处理子模块、特征提取子模块和模型训练子模块；

所述数据预处理子模块用于对标记后的声学信号进行滤波增强和回波消除，以消除声学信号中的噪音；

所述特征提取子模块用于从预处理后的声学信号中提取出特征参数；所述特征参数包括时域特征、频域特征、MFCC参数和小波包能量中的一种或多种。

所述模型训练子模块用于通过提取出的特征参数对采用不同的机器学习算法的机器学习模型进行训练，并对模型准确率进行评估，当准确率大于等于预设值时即可将训练后的机器学习模型进行部署；所述机器学习算法包括朴素贝叶斯、决策树、支持向量机以及神经网络。

优选的，上述线上产品异音异响智能检测系统，其信号采集与标记模块还用于根据异常原因对标记后的异常样本进行分类；所述检测模块还用于对异常的声学信号进行分类并输出异常原因。

优选的，上述线上产品异音异响智能检测系统，其信号采集与标记模块还用于对数据采集单元的信号灵敏度、采样频率、触发方式进行配置。

优选的，上述线上产品异音异响智能检测系统，其传感器单元包括振动加速度传感器、拾音器和电信号变送器；

所述振动加速度传感器放置于待测产品表面，用于采集产品运行过程中的振动信号；

所述拾音器放置于待测产品近端，用于采集产品运行过程中的噪声信号；

所述电信号变送器与待测产品的电源组件相连接，用于采集产品的交流或直流电压、电流信号并将其转换为数据采集单元允许幅度范围内的直流电压、电流信号。

优选的，上述线上产品异音异响智能检测系统，其数据采集单元包括动态信号采集模块和模拟输入模块；

所述动态信号采集模块与振动加速度传感器、拾音器相连，用于对振动加速度传感器采集的振动信号、拾音器采集的噪声信号进行采样；

所述模拟输入模块与电信号变送器相连，用于从电信号变送器中采集直流电压、电流信号。

优选的，上述线上产品异音异响智能检测系统，其数据采集单元还包括数字输入输出模块；

所述数字输入输出模块与待测产品的开关组件相连，用于采集待测产品的开关量信号；并根据所述开关量信号的变化控制动态信号采集模块和模拟输入模块执行采样动作，实现自动触发采样。

优选的，上述线上产品异音异响智能检测系统，其数据采集单元还包括以太网机箱；动态信号采集模块、模拟输入模块和数字输入输出模块均放置在所述以太网机箱内部。

优选的，上述线上产品异音异响智能检测系统，其模型训练子模块通过混淆矩阵对机器学习模型的准确率进行评估。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的一种线上产品异音异响智能检测系统，首先对产品运行过程中声学信号的高质量采集与标记，以标记后的声学信号作为样本数据对机器学习模型进行训练，待准确率大于等于预设值时即可将训练后的机器学习模型进行部署；在线采集产品声学数据，输入至部署后的机器学习模型中，即可对声学信号中的异音异响进行自动判定；相比现有的检测手段，本发明通过基于工业大数据和机器学习模型的检测手段，不仅能够实现自动识别，而且检测效率高，排除了人为不稳定因素，提高了检测的准确性；

(2)本发明提供的一种线上产品异音异响智能检测系统，通过采集相关开关量自动触发实现产品运行过程中振动噪声及其他物理量的采集和数据保存；通过这种自动触发采样的方式来替代传统的人工控制，有利于实现整个检测过程的自动化和智能化；

(3)本发明提供的一种线上产品异音异响智能检测系统，通过在训练过程中对异常样本的产生原因进行分类标记，使训练好的及其检测模型除了能够自动识别异常样本，还可以将异常原因进行分类，输出的检测结果中直观呈现出了导致异常的原因，无需人工进行分析，检测过程更加智能化和自动化，检测结果更加准确。

(4)本发明提供的一种线上产品异音异响智能检测系统，通过信号预处理、特征提取以及机器学习算法，能够快捷完成机器学习模型的训练、验证以及参数调节与优化，提高了机器学习模型的测试准确率和部署效率。

附图说明

图1是本发明实施例提供的一种线上产品异音异响智能检测系统的逻辑框图；

图2是本发明实施例提供的一种产品检测结果示意图；

图3是本发明实施例提供的另一种产品检测结果示意图图.

图4是本发明实施例提供的混淆矩阵的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本实施例提供的一种线上产品异音异响智能检测系统，包括传感器单元、数据采集单元和显控终端；

传感器单元用于采集产品运行过程中产生的噪声、振动和电压电流等信号；该传感器单元包括振动加速度传感器、麦克风和电信号变送器；

振动加速度传感器放置于待测产品表面，用于采集产品运行过程中的振动信号；本实施例选用B&K三向振动加速度传感器，根据实际需要可替换为其他同类型振动加速度传感器。

麦克风通过支架安装在待测产品近端，用于采集产品运行过程中的噪声信号；本实施例选用PCB型号半自由场用麦克风，根据实际需要可替换为其他同类型麦克风；附属支架主要用于麦克风的固定和安装。

电信号变送器与待测产品的电源组件相连接，用于采集产品的交流或直流电压、电流信号并将其转换为数据采集单元允许幅度范围内的直流电压、电流信号，从而便于数据采集系统拾取。

数据采集单元与传感器单元电连接，用于获取传感器单元采集的声学信号；该数据采集单元包括动态信号采集模块和模拟输入模块；

其中，动态信号采集模块与振动加速度传感器、麦克风相连，用于对振动加速度传感器采集的振动信号、麦克风采集的噪声信号进行采样；

模拟输入模块与电信号变送器相连，用于从电信号变送器中采集直流电压、电流信号。

作为本实施例的一个优选，该数据采集单元还包括数字输入输出模块；数字输入输出模块与待测产品的开关组件相连，用于采集待测产品的开关量信号；然后根据开关量信号的变化控制动态信号采集模块和模拟输入模块执行采样动作，实现自动触发采样。例如：当开关量信号由0变为1时，表明待测产品开机运行，此时数字输入输出模块发出控制信号以触发动态信号采集模块从振动加速度传感器、麦克风中采集振动信号和噪声信号，同时触发模拟输入模块从电信号变送器中采集电压、电流信号；通过这种自动触发采样的方式来替代传统的人工控制，有利于实现整个检测过程的自动化和智能化。

该数据采集单元还包括以太网机箱；动态信号采集模块、模拟输入模块和数字输入输出模块均放置在以太网机箱内部。

显控终端与数据采集单元连接，用于从数据采集单元获取多组声学信号并对其中的异常样本进行标记；采用标记后的声学信号对机器学习模型进行训练，待机器学习模型的准确率大于等于预设值时即可将训练后的机器学习模型进行部署；在线采集产品的声学数据，输入至部署后的机器学习模型中，即可对声学信号中的异音异响进行自动判定。本实施例中，显控终端选用研华PPC-6120型号的工业平板电脑，其支持触屏操作，整个硬件配置适用于工业场所的显示和控制。

显控终端包括信号采集与标记模块、训练模块和检测模块；有监督的机器学习技术需要大量高质量且已经标记过(来自正常还是异常的产品)的样本数据作为支撑进行模型训练，从而保证系统判定结果的准确性；该信号采集与标记模块用于显示获取的多组声学信号，并对其中的异常样本对应的声学信号进行标记；作为优选的，该信号采集与标记模块还可用于根据不同的异常原因对标记后的异常样本进行分类；例如：将由抖动产生的异常声学信号分为一类，将由刮蹭产生的异常声学信号分为一类，由焊渣产生的异常声学信号分为一类；在训练过程中对异常样本的产生原因进行分类标记，便于后续异常信号识别的同时对异常原因进行判定。另外，该信号采集与标记模块还用于对数据采集单元的信号灵敏度、采样频率、触发方式进行配置；同时对系统保存文件夹进行设置，并可以灵活设置采集保存的数据格式(txt/wav格式等)，并将数据文件单独存储为振动、噪声及电流等独立信号。

训练模块用于采用标记后的声学数据对机器学习模型进行训练，直至得到的准确率大于等于预设值，表明该机器学习模型可以作为训练好的模型进行异音异响的自动检测与识别；针对实际使用模型训练过程中容易出现的样本不平衡问题，训练模块不仅能够采用常规机器学习中的不平衡样本处理方法，包括重采样技术和算法集成技术等；同时还支持采用机器学习+深度学习的融合技术，即将专家特征提取与深度学习算法结合，从而在有效降低数据样本规模的情况下，快速准确实现异音异响检测。

该训练模块包括数据预处理子模块、特征提取子模块和模型训练子模块；

数据预处理子模块用于对声学信号进行滤波增强和回波消除，以消除声学信号中的噪音；针对工业生产环境的实际情况，本实施例采用了声学信号滤波增强以及回波消除等前端预处理算法，形成了适用于不同环境的声学信号前端处理技术。实际采集到的声学信号通常会有一定强度的背景噪声，当背景噪声强度较大时，会对进行噪声抑制是很有必要的。除了常规的频域滤波和小波域滤波处理外，模块中还涵盖了自适应滤波降噪以及波束形成法降噪等专业方法；在声学上延迟时间达到约50ms以上的反射波称为回声，其余的反射波产生的效应称为混响，上述信号同样会对声学数据的质量产生影响。针对上述问题，数据预处理子模块涵盖了基于波束形成方法、基于逆滤波方法、基于语音增强方法、基于加权预测误差的混响消除方法等，确保其能够同时适用于单通道和多通道的数据采集前端。

特征提取子模块用于从预处理后的声学信号中提取出特征参数并将该特征参数输入至机器学习模型中；该特征参数包括时域特征、频域特征、MFCC参数和小波包能量。本实施例从声学信号中提取了包括均值、方差；均方根、峰值、峰值因数在内的19维度的时域信号特征，以及包括重心频率、均方频率、频率方差、标准频率差在内的13维度的频域信号特征；选用梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficients，MFCC)对声学信号进行预加重、分帧、加窗、滤波、对数运算等处理，从声学信号中提取13维度的特征向量；选定小波函数对声学信号进行多层分解；对小波包分解系数重构，基于小波包分解系数从分解后的声学信号中提取各频带范围的信号；计算各频带信号的能量并进行归一化处理，得到多个分解尺度上的信号能量特征向量。

模型训练子模块用于通过提取出的特征参数对采用不同的机器学习算法的机器学习模型进行训练，并对模型准确率进行评估，待准确率大于等于预设值时即可将训练后的机器学习模型进行部署；该机器学习算法包括但不局限于朴素贝叶斯、决策树、支持向量机以及神经网络等。本实施例优选采用混淆矩阵来表示机器学习模型的准确率。

检测模块用于获取待测产品的声学信号并将其输入到训练好的机器学习模型中，对声学信号进行自动判定并输出测试结果。同时，根据前期模型训练结果，检测模块还可以实现异响原因的初步判定，输出异常原因。图2和图3是本实施例提供的产品检测结果示意图，从图2、3可以看出，检测模块除了能够自动识别异常样本，还可以将异常原因进行分类，输出的检测结果中直观呈现出了导致异常的原因，无需人工进行分析，检测过程更加智能化和自动化，检测结果更加准确。

作为本实施例的一个优选，对作为训练样本的声学信号进行预处理和特征提取后，模型训练子模块会将该声学信号自动划分为训练数据集、验证数据集和测试数据集，其中训练数据集用来训练机器学习模型，验证数据集用来确定网络结构或者控制模型复杂程度的参数，而测试数据集用于对最终选择的机器学习模型的性能进行检验，三个数据集对应的输出结果分别为训练混淆矩阵、验证混淆矩阵和测试混淆矩阵，三者累积即为总体混淆矩阵。当总体混淆矩阵的准确率大于等于预设值时，表明该机器学习模型已经满足使用需求，可直接进行异音异响检测，当总体混淆矩阵的测试准确率小于预设值时，表明该机器学习模型还不满足使用需求，需要对机器模型进行参数调节及优化，采用训练数据集再次对调节后的机器学习模型进行训练，直至总体混淆矩阵的测试准确率大于等于预设值。图4所示是本实施例提供的混淆矩阵的示意图；以训练混淆矩阵为例进行说明，其中，训练数据集中的样本总数为1196+46+39+802＝2083个，A(1,1)表示机器学习模型将正常样本识别为正常样本的个数为1196个，概率为57.4％；A(1,2)表示机器学习模型将正常样本识别为异常样本的个数为46个，概率为2.2％；A(2,1)表示机器学习模型将异常样本识别为正常样本的根数为39个，概率为1.9％；A(2,2)表示机器学习模型将异常样本识别为异常样本的个数为802个，概率为57.4％；根据A(1,1)、A(1,2)、A(2,1)和A(2,2)的统计结果，A(3,3)表示机器学习模型的测试准确率为95.9％，错误率为4.1％；验证混淆矩阵和测试混淆矩阵的含义与训练混淆矩阵相同，不再赘述；根据训练混淆矩阵、验证混淆矩阵和测试混淆矩阵的统计结果得到总体混合矩阵，该总体混合矩阵中的A(3,3)表示机器学习模型的平均测试准确率为95.5％，错误率为4.5％；测试准确率高于预设值95％，表明该机器学习模型以训练完成，可以直接用于异音异响的检测识别。

相比现有的线上产品异音异响检测方法，本发明提供的一种线上产品异音异响智能检测系统，首先对产品运行过程中声学信号的高质量采集与标记，以标记后的声学信号作为样本数据对机器学习模型进行训练，待准确率大于等于预设值时即可将训练后的机器学习模型进行部署；在线采集产品声学数据，输入至部署后的机器学习模型中，即可对声学信号中的异音异响进行自动判定；相比现有的检测手段，本发明通过基于工业大数据和机器学习模型的检测手段，不仅能够实现自动识别，而且检测效率高，排除了人为不稳定因素，提高了检测的准确性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种线上产品异音异响智能检测系统，其特征在于，包括传感器单元、数据采集单元和显控终端；

所述传感器单元用于采集产品运行过程中产生的声学信号；所述声学信号包括噪声信号、振动信号和电压电流信号；

所述数据采集单元与传感器单元电连接，用于获取传感器单元采集的声学信号；

所述显控终端与数据采集单元连接，用于显示从数据采集单元获取的多组声学信号并对其中的异常样本进行标记，并采用标记后的声学信号对机器学习模型进行训练；还用于获取待测产品的声学数据并将其输入至准确率大于等于预设值的机器学习模型中，对所述声学数据中的异音异响进行自动判定；

训练模块包括数据预处理子模块、特征提取子模块和模型训练子模块；

所述模型训练子模块用于通过提取出的特征参数对采用不同的机器学习算法的机器学习模型进行训练，并对模型准确率进行评估，当准确率大于等于预设值时即可将训练后的机器学习模型进行部署；所述机器学习算法包括朴素贝叶斯、决策树、支持向量机以及神经网络；

所述模型训练子模块通过混淆矩阵对机器学习模型的准确率进行评估；训练数据集中的样本总数为1196+46+39+802＝2083个，训练混淆矩阵的第一行一列元素为机器学习模型将正常样本识别为正常样本的个数为1196个，概率为57.4％；训练混淆矩阵的第一行二列元素为机器学习模型将正常样本识别为异常样本的个数为46个，概率为2.2％；训练混淆矩阵的第二行一列元素为机器学习模型将异常样本识别为正常样本的根数为39个，概率为1.9％；训练混淆矩阵的第二行二列元素为机器学习模型将异常样本识别为异常样本的个数为802个，概率为38.5％；训练混淆矩阵的第三行三列为机器学习模型的测试准确率为95.9％，错误率为4.1％；验证混淆矩阵和测试混淆矩阵的含义与训练混淆矩阵相同；根据训练混淆矩阵、验证混淆矩阵和测试混淆矩阵的统计结果得到总体混合矩阵，总体混合矩阵中的第三行三列元素表示机器学习模型的平均测试准确率为95.5％，错误率为4.5％；测试准确率高于预设值95％；

所述显控终端包括信号采集与标记模块、训练模块和检测模块；

所述信号采集与标记模块用于显示获取的多组声学信号，并对其中的异常样本进行标记；

所述训练模块用于采用标记后的声学信号对机器学习模型进行训练，直至该机器学习模型的准确率大于等于预设值；

所述检测模块用于获取待测产品的声学数据并将其输入到训练好的机器学习模型中，对声学数据进行自动判定并输出测试结果；

所述数据预处理子模块用于对标记后的声学信号进行滤波增强和回波消除，以消除声学信号中的噪音；

所述特征提取子模块用于从预处理后的声学信号中提取出特征参数；所述特征参数包括时域特征、频域特征、MFCC参数和小波包能量中的一种或多种。

2.如权利要求1所述的线上产品异音异响智能检测系统，其特征在于，所述信号采集与标记模块还用于根据异常原因对标记后的异常样本进行分类；所述检测模块还用于对异常的声学信号进行分类并输出异常原因。

3.如权利要求2所述的线上产品异音异响智能检测系统，其特征在于，所述信号采集与标记模块还用于对数据采集单元的信号灵敏度、采样频率、触发方式进行配置。

4.如权利要求1或3所述的线上产品异音异响智能检测系统，其特征在于，所述传感器单元包括振动加速度传感器、拾音器和电信号变送器；

所述振动加速度传感器放置于待测产品表面，用于采集产品运行过程中的振动信号；

所述拾音器放置于待测产品近端，用于采集产品运行过程中的噪声信号；

所述电信号变送器与待测产品的电源组件相连接，用于采集产品的交流或直流电压、电流信号并将其转换为数据采集单元允许幅度范围内的直流电压、电流信号。

5.如权利要求4所述的线上产品异音异响智能检测系统，其特征在于，所述数据采集单元包括动态信号采集模块和模拟输入模块；

所述动态信号采集模块与振动加速度传感器、拾音器相连，用于对振动加速度传感器采集的振动信号、拾音器采集的噪声信号进行采样；

所述模拟输入模块与电信号变送器相连，用于从电信号变送器中采集直流电压、电流信号。

6.如权利要求5所述的线上产品异音异响智能检测系统，其特征在于，所述数据采集单元还包括数字输入输出模块；

所述数字输入输出模块与待测产品的开关组件相连，用于采集待测产品的开关量信号；并根据所述开关量信号的变化控制动态信号采集模块和模拟输入模块执行采样动作，实现自动触发采样。

7.如权利要求6所述的线上产品异音异响智能检测系统，其特征在于，所述数据采集单元还包括以太网机箱；动态信号采集模块、模拟输入模块和数字输入输出模块均放置在所述以太网机箱内部。

Images