CN110954826A - 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法 - Google Patents

基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法 Download PDF

Info

Publication number
CN110954826A
CN110954826A CN201911297449.8A CN201911297449A CN110954826A CN 110954826 A CN110954826 A CN 110954826A CN 201911297449 A CN201911297449 A CN 201911297449A CN 110954826 A CN110954826 A CN 110954826A
Authority
CN
China
Prior art keywords
screw motor
stepping screw
noise
defect
sound
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911297449.8A
Other languages
English (en)
Other versions
CN110954826B (zh
Inventor
方夏
方涵
李勇
朱群馨
邹子丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Awa Seimitsu Electric Co ltd
Sichuan University
Original Assignee
Sichuan Awa Seimitsu Electric Co ltd
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Awa Seimitsu Electric Co ltd, Sichuan University filed Critical Sichuan Awa Seimitsu Electric Co ltd
Priority to CN201911297449.8A priority Critical patent/CN110954826B/zh
Publication of CN110954826A publication Critical patent/CN110954826A/zh
Application granted granted Critical
Publication of CN110954826B publication Critical patent/CN110954826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G01H1/14—Frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法，该诊断装置包括用于安装待测试步进丝杆马达的测试治具、用于驱动步进丝杆马达运行的驱动板、位于步进丝杆马达旁侧的音频采集机构、计算机以及隔音箱；该缺陷识别方法是基于计算机对接收到的音频信号进行处理得到三分之一倍频分贝谱和Mel频谱，并根据设定标准辨认步进丝杆马达是否存在缺陷及缺陷类型。本发明提供的基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法，可同时实现对步进丝杆马达各个方面缺陷(噪音、声音过大、异音等)的高速无损检测，检测精度高、效率高。

Description

基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法
技术领域
本发明属于马达检测技术领域，涉及基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法。
背景技术
步进丝杆马达作为一种将转动转化为直线运动的装置，具有定位精准、速度可控、精度高等优点，应用范围主要是精密校准、精密位置移动等领域。智能手机升降摄像头大多采用其作为动力源。就步进丝杆马达而言，产品出厂时存在很多的噪音缺陷，这严重影响着电机运行的稳定性、使用寿命以及用户体验。为改善这种局面，提高企业的生产效率和马达本身的工作特性，对于步进丝杆马达的故障检测具有重要的意义。
目前，步进丝杆马达无损检测技术主要有运行振动检测、电压检测和红外检测等。日本基恩士公司发明了一种根据电机运行过程中产生的振动信号检测电机损伤的装置，由于振动信号的杂糅性，该装置误判率很高，只能识别较简单的故障种类。杭州华橙网络科技有限公司提出了一种基于其采用模块输出的反电动势作为判别量进行步进电机故障判别的检测装置，但该装置的识别效率依然不高。维沃移动通信有限公司开发了步进丝杆马达的相电压检测系统，识别步进丝杆马达运行过程中电机两相电压与所设阈值的关系来判断其是否存在故障，但是和振动检测一样，其无法判别用户使用的舒适性。
另外一种较为成熟的电机无损检测技术为音频检测，主要用于检测音频信号中的暂态故障，虽然步进丝杆马达有足够的暂态信号，但由于暂态分析所需信号数据是从一段时间内提取的，一般很难满足实时性，该检测方法对步进丝杆马达的检测速度较低。
综上所述，现有的步进丝杆马达无损检测技术或是不能达到高的检测速度，或是不能实现各个方面性能的同时检测。随着触觉反馈设备的发展，亟待研究开发出一种能实现与生产速度同步的、对步进丝杆电机马达各个方面性能(例如齿轮组磨损、丝杆磨损引起的振动故障等)进行无损检测的技术，实现确保产能的检测速度和用户使用的安全与舒适性。
发明内容
针对目前步进丝杆马达无损检测技术中存在的检测速度慢、无法同时实现对步进丝杆马达各方面性能全面检测的问题，本发明的目的旨在提供一种基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法，可同时实现对步进丝杆马达由于齿轮组磨损、丝杆磨损、外壳变形、润滑油过少等故障引起的噪音、声音过大及异音等缺陷高速无损检测。
音频检测研究发现，人耳对声音的敏感强度是不均匀分布的，当声音振动系统引起的控制震颤频率在3000-4000Hz之间发生变换时，人耳会有很强的毛刺杂音感。而当步进丝杆马达产品中存在缺陷时，其产品的频带能量与正常件相比会有很大不同。根据不同声音频带在人耳Mel频谱分布情况，将采集的音频信号换算到Mel频谱，并通过PCA成分贡献度系数确定重要监控频带，并设定整定阈值，建立阈值模型后，进一步实现对步进丝杆马达缺陷检测。
基于上述发明思路，本发明提供的基于音频分析的步进丝杆马达缺陷诊断装置，包括用于安装待测试步进丝杆马达的测试治具、用于驱动步进丝杆马达运行的驱动板、位于步进丝杆马达旁侧的音频采集机构以及计算机；所述测试治具包括载物台和用于将步进丝杆马达压紧固定于载物台上的压紧机构，所述载物台上设置有与步进丝杆马达外型匹配的容纳空间，所述压紧机构包括压板和锁紧机构，所述压板宽度与载物台宽度相匹配，其一侧与载物台相应侧面转动连接，另一侧通过锁紧机构与载物台连接，将步进丝杆马达压紧；所述压板上还设置有与步进丝杆马达接电口对应的插针以及与插针相连接的电极，所述驱动板与电极相连接；所述音频采集机构包括固定支架和通过柔性约束安装于支架内的声音传感器，声音传感器的声音收纳端对准步进丝杆马达，所述计算机与声音传感器连接，用于对接收到的声音信号进行处理得到倍频程分贝谱和Mel频谱首先依据Mel频谱，首先依据Mel频谱判断步进丝杆马达是否存在杂音，再根据设定标准，结合倍频程分贝值，辨认步进丝杆马达(15)是否存在缺陷及缺陷类型；
步进丝杆马达存在缺陷的设定标准为：分贝值超过阈值且伴随杂音为噪音件；分贝值超过阈值且无杂音为声音大件；分贝值不超过阈值且伴随杂音为异音件；分贝值不超过阈值且无杂音为良品件。
上述基于音频分析的步进丝杆马达缺陷诊断装置，所述锁紧机构主要由在压板和载物台侧面相对位置配套设置的转轴和压板卡扣组成，压板卡扣通过转轴固定于载物台侧面。
上述基于音频分析的步进丝杆马达缺陷诊断装置，进一步还包括负载牵引机构，所述负载牵引机构包括沿步进丝杆上驱动螺母移动方向布设于载物台上的滑轨、与滑轨滑动连接的滑块、固定于滑轨尾部的滑轮以及负载，所述滑块与驱动螺母连接，所述负载经跨接于滑轮上的绳索与滑块连接，使步进丝杆马达进行带负载运行测试。更进一步地，作为优选的实施方式，该诊断装置还包括设置于载物台上的隔音箱，所述测试治具、驱动板以及音频采集机构均设置于隔音箱内。隔音箱主要用于隔离外部噪音，使得声音传感器采集更为真实的马达音频信号。
对于一个音频信号测试系统而言，需要消除整个系统的共振影响，而整个系统刚性结构越单一，传递的振动信号离散化越弱，同时，也会产生越少的共振峰。基于上述分析，本发明对于待测试步进丝杆马达的固定采用下端刚性固定、上端柔性固定的方式。
下端刚性固定是通过用于安装待测试步进丝杆马达的载物台来实现。载物台为一体式结构，包括由下至上依次固定连接的底板、立板、固定板，固定板上有用于定位安装的定位柱，选用单一刚性结构。底板、立板、固定板构成振动系统。底板与防振动平台刚性连接保持整个防振系统的稳定性；立板用于提升整个测试治具高度，便于测试方便；固定板主要用于步进丝杆马达的定位与固定，保证其每次运行时不发生晃动。单一刚性结构能够吸收振动系统的振动信号且不产生较大共振。刚性结构优选采用高硬度材料制备，如钢、硅钢片或铁氧体材料等。当刚性结构底板进一步作防震处理后，被隔绝的刚性单一系统由较好的信号拘束性。上端柔性固定是通过压紧机构来实现。在待测试步进丝杆马达安装在固定板上之后，压紧机构之一的压板将步进丝杆马达压紧，压板上有与驱动板相连的四相电极使得步进丝杆马达上电，并配合压板卡扣合理调整压紧程度，同时可以紧固步进丝杆马达和滑块之间的配合，使得步进丝杆马达运行平稳。
待测试步进丝杆马达的驱动螺母在驱动板的带动下做往复直线运动，振动系统(载物台)与步进丝杆马达共同发出足以通过音频采集机构的声音传感器接收到的音频信号。所述音频采集机构优选为两组，分别设置在两个相互垂直的方向，一组用于检测分贝值，另一组用于缺陷检测。所述声音传感器的声音采收端位于以步进丝杆马达中心位置为中心形成的音强包络面上。声音传感器利用固定支架保持柔性防震连接，以保证声音传感器接收音频信号不收干扰。所述固定支架优选为鼠笼式支架，声音传感器通过固定在鼠笼式支架两端箍架上由条形橡胶搭接成的固定结构安装在鼠笼式支架内。所述音频采集机构还设计有防止声音漫反射的环形罩，环形罩通过固定在固定支架上的支撑杆悬置在声音传感器前端。
本发明进一步提供了一种使用上述诊断装置对步进丝杆马达缺陷进行识别的方法，待测试的步进丝杆马达由压紧机构压紧固定在载物台上之后，驱动板上电，步进丝杆马达启动使驱动螺母做往复直线运动并与两端极限位置发生碰撞，马达正常运行过程和碰撞时产生的音频信号由音频采集机构采集，并传输给计算机。计算机对接受的音频信号换算至人耳敏感的频带区域，得到Mel频谱，将各频带能量值通过PCA成分分析，根据成分贡献度系数的排序得到各频带上的方差贡献度分布信息，选择贡献度高的频带的Mel频谱能量值作为优质特征，设立阈值，建立模型，实现对步进丝杆马达的缺陷检测。
上述步进丝杆马达缺陷识别方法具体包括以下步骤：
(1)将待测试步进丝杆马达通过定位柱固定于载物台上，使用压紧机构将步进丝杆马达压紧；
(2)启动步进丝杆马达使驱动螺母做往复直线运动；
(3)音频采集机构的声音传感器采集音频信号，将采集的音频信号传输至计算机；
(4)计算机(22)对接收到的音频信号进行处理得到倍频程分贝谱和Mel频谱，首先依据Mel频谱判断步进丝杆马达是否存在杂音，再根据设定标准，结合倍频程分贝值，辨认步进丝杆马达是否存在缺陷及缺陷类型；
步进丝杆马达存在缺陷的设定标准为：分贝值超过阈值且伴随杂音为噪音件；分贝值超过阈值且无杂音为声音大件；分贝值不超过阈值且伴随杂音为异音件；分贝值不超过阈值且无杂音为良品件。
上述步进丝杆马达缺陷识别方法，所述步骤(4)进一步包括以下分步骤：
(41)对采集的音频信号经预加重、离散快速傅里叶变换FFT，获得与音频信号对应的频谱信息；
(42)将步骤(41)得到的频谱信息采用三分之一倍频带通滤波器组进行处理，得到三分之一倍频程分贝谱，根据得到的三分之一倍频程分贝谱，设定整定值43.5dB，初步分析声音正常件与声音非正常件；
(43)将步骤(41)得到的频谱信息采用三角带通滤波器组进行处理，获得Mel频谱，；
(44)采用PCA算法计算得到与Mel频谱各频带对应的PCA成分贡献度系数并按高低排序，提取其中部分PCA成分贡献度系数较高对应的频带作为特征频带；
(45)将提取的特征频带与标准的Mel频谱对应位置的频带整体进行比较，判断是否还有杂音，再结合步骤(42)的判断结果确定步进丝杆马达是否存在缺陷以及缺陷类型。
上述步进丝杆马达缺陷识别方法，所述步骤(44)包括以下分步骤：
(441)将步骤(43)获得的各Mel频谱各频带能量值作为样本数据，将其构建成一个样本矩阵；
(442)对样本数据进行标准化处理；
(443)计算标准化后的样本矩阵的协方差矩阵；
(444)计算协方差矩阵A的特征值与对应的特征向量，以及特征向量的方差贡献率和累计贡献率；
(445)并根据特征向量的累计贡献率选取前数个特征值所对应的特征向量作为主成分方向，构成特征向量矩阵；
(446)根据特征值和步骤(455)构建的特征向量矩阵计算成分贡献度系数，提取其中多个PCA成分贡献度系数较高对应的频带作为特征频带。
通过本发明提供的基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法，将采集的音频信号换算到人耳Mel频谱，通过不同Mel频谱频带上的敏感度分布信息(即不同频带的方差贡献度)，确定出关键的多个频谱频带，再利用选择的多个频带与标准的Mel频谱对应位置的频带整体进行比较，实现对步进丝杆马达的缺陷检测。从安装待测试样品到缺陷识别完成，检测时间不超过3s，极大缩短检测时间，提高了检测效率。本发明还可通过调节声音传感器的测试包络距离、步进丝杆马达的运行速度以及马达缺陷种类，来调节得到的各频带特征权重配比；进而改变每个特征频带采集到的音频能量，便于程序准确地判别步进丝杆马达的工作状况。
与现有技术相比，本发明提供的基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法具有以下有益效果：
1、本发明首先利用阻尼压紧机构将步进丝杆马达固定于产品固定板内，形成下端刚性、上端柔性的固定方式，然后由音频采集机构的声音传感器采集音频信号，再由计算机进行处理，将采集的音频信号转换到人耳Mel频谱和倍频程分贝谱，由Mel频谱各频带能量的PCA成分贡献度系数确认出多个关键频带，并将获取的多个关键频带能量值与倍频程分贝值相结合辨认步进丝杆马达存在的缺陷，实现对步进丝杆马达缺陷的无损、实时、高精度检测；
2、本发明中测试治具和步进丝杆马达共同组成的整个系统发出足以通过音频传感器记录的声音频谱分布信息，因此能够实现对步进丝杆马达的缺陷检测，填补了步进丝杆马达检测技术的空白，在无损检测技术领域具有很大的应用前景；
3、本发明由载物台构成下端刚性固定，阻尼压紧机构构成上端柔性固定，能够极大减少因装置共振产生的能量耗散，使振动信号耗散能量远小于声音传感器吸收的音频信号能量，从而为音频信号分析提供有效数据，提高了对步进丝杆马达缺陷检测的检测精度；
4、本发明由于是基于人耳敏感的频带区域对采集的音频信号分析，因此能够提高人体使用虚拟触觉反馈的舒适度，并可有利于步进丝杆马达振动发生品质控制的标准化；
5、本发明可实现对步进丝杆马达各个方面缺陷检测(噪音、声音过大、异音等)，极其适用于步进丝杆马达的高度无损检测与标准定制的工作环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，以下将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1为测试治具结构示意图；其中，(a)为设置压板的测试治具结构示意图，(b)为去掉压板后的测试治具结构示意图。
图2为测试治具无压板局部放大示意图；
图3基于音频分析的步进丝杆马达缺陷诊断装置整体俯视图；
图4基于音频分析的步进丝杆马达缺陷诊断装置整体示意图；
图5为音频采集机构部分部件示意图；
图6为预加重处理前后的音频信号图，其中(a)为采集的X,Y两通道原始音频信号，图(b)为X方向预加重处理后的音频信号；
图7为X方向信号快速傅里叶变换后的功率谱图；
图8为线性频谱与Mel频谱的变换关系，其中三角形面积等于三角带通滤波器的通频带范围，进而等于Mel频谱的长度；
图9为步进丝杆马达运转过程中采集的音频信号转化得到的Mel各频带能量图。
附图标记说明：1、底板；2、立板；3、固定板；4、压板；5、压板卡扣；6、滑块；7、联接凸点；8、定位柱；9、滑轮；10、滑轨；11、音频采集机构；12、测试治具；13、驱动板；14、电极；15、步进丝杆马达；21、工作台；22、计算机；23、隔音箱；31、支架立柱；32、固定支架；33、支撑杆；34、声音传感器；35、环形罩。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
下面先介绍PCA算法的主要工作原理过程，以便于对实施例的理解。
1、PCA主要工作原理
1.1、PCA概念
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1、2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，经研究发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。
1.2计算协方差和协方差矩阵
原始数据中方差最大的方向可以通过求取协方差矩阵对应的特征值和特征向量来获得，特征值越大，表明该特征向量方向的方差越大。协方差可按以下公式计算：
Figure BDA0002320914400000071
其中，X、Y为两个随机变量，X＝[x1，x2，x3，…，xn]，Y＝[y1，y2，y3，…，yn]，Cov(X，Y)为随机变量X与Y之间的协方差，E[X]为变量X的期望，E[Y]为变量Y的期望，
Figure BDA0002320914400000072
为随机变量X的平均值，
Figure BDA0002320914400000073
为随机变量Y的平均值。
当样本是n维数据时，它们的协方差实际上是协方差矩阵，以三维数据为例：
Figure BDA0002320914400000074
其中，X、Y、Z为三个随机变量，X＝[x1，x2，x3，…，xn]，Y＝[y1，y2，y3，…，yn]，Z＝[z1，z2，z3，…，zn]，Cov(X，Y，Z)为随机变量X、Y、Z之间的协方差矩阵，对角线上Cov(x，x)、Cov(y，y)、Cov(z，z)分别为随机变量X、Y、Z的方差，Cov(x，y)＝Cov(y，x)为随机变量X与Y之间的协方差，Cov(x，z)＝Cov(y，x)为随机变量X与Z之间的协方差，Cov(y，z)＝Cov(z，y)为随机变量Y与Z之间的协方差。
1.3计算协方差矩阵的特征向量和特征值
(1)特征值与特征向量
如果一个向量v是矩阵A的特征向量，将一定可以表示成下面的形式：
Av＝λv
其中，v是矩阵A的特征向量，λ是特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。
(2)特征值分解矩阵
对于矩阵A，有一组特征向量v，将这组向量进行正交化单位化，就能得到一组正交单位向量。特征值分解，就是将矩阵A分解为如下式：
A＝Q∑Q-1 (3)
其中，Q是矩阵A的特征向量组成的矩阵，∑则是一个对角阵，对角线上的元素就是特征值。
由于协方差矩阵为方阵，对其进行特征值分解即可得到特征值及对应的特征向量，利用原始数据矩阵与特征向量矩阵相乘对数据进行降维。
1.4确定主成分个数
最终要选择的主成分数量，是通过方差累计贡献率来确定的，一般取贡献率大于85％就能足够反映原始数据。
Figure BDA0002320914400000081
其中，G(k)是方差累积贡献率，λi是特征值，k即为最终确定的主成分数量。
实施例1基于音频分析的步进丝杆马达缺陷诊断装置
本实施例提供的基于音频分析的步进丝杆马达缺陷诊断装置，如图1-5所示，包括用于安装待测试步进丝杆马达15的测试治具12、用于驱动步进丝杆马达15运行的驱动板13、位于步进丝杆马达15旁侧的音频采集机构11、用于辅助步进丝杆马达15运行及加载测试的负载牵引机构、用于隔离外部噪音的隔音箱23以及分析音频信号的计算机22。隔音箱23和计算机22均安装于防振工作台21上，计算机22位于隔音箱23外侧。
如图1-2所示，测试治具12包括载物台、用于将步进丝杆马达15压紧固定于载物台上的压紧机构。载物台为一体式结构，包括底板1、立板2、固定板3。底板1与隔音箱23底面刚性联接，立板2的底部与底板1螺栓联接，立板2顶部与固定板3螺栓联接。固定板3上设置有三个与步进丝杆马达15外型相匹配的定位柱8，用于步进丝杆马达15的定位装夹。三个定位柱8分别位于待测试步进丝杆马达15的左侧、右侧以及近螺杆的一端侧。底板1、立板2、固定板3构成振动系统。底板1与防振动平台刚性连接保持整个防振系统的稳定性；立板2用于提升整个测试治具12高度，便于测试方便；固定板3主要用于步进丝杆马达15的定位与固定，保证其每次运行时不发生晃动。
负载牵引机构包括滑块6、滑轮9以及滑轨10。固定板上设计有凹槽，滑轨10安装于凹槽内，为滑块6提供运行轨道，滑块6与滑轨10滑动连接。滑块6上设置有连接凸点，连接凸点与步进丝杆马达15驱动螺母上的定位孔相连接，辅助步进丝杆马达15往复直线运动。滑轮9固定于滑轨尾部，位于固定板侧边。负载经跨接于滑轮9上的绳索与滑块6连接，使步进丝杆马达15进行带负载运行测试。
压紧机构为阻尼性组合压紧机构，包括压板4和锁紧机构。所述压板4宽度与固定板3宽度相匹配，其一侧与固定板3相应侧面转动连接，另一侧通过锁紧机构与固定板3连接，将步进丝杆马达15压紧。压板4上还设置有与马达接电口对应的插针以及与插针相连接的电极14，电极14与驱动板13连接使得步进丝杆马达15上电。锁紧机构主要由在压板4和载物台侧面相对位置配套设置的转轴和压板卡扣5组成，压板卡扣5通过转轴固定于载物台侧面。压板卡扣5呈Y型结构，Y型结构的一上端分支设置有与转轴尺寸相适应的通孔。压板卡扣5经通孔套接于转轴上，Y型结构的上端“V”型空处卡入压板4上的压紧轴。压板卡扣5通过压紧轴对压板4施压。在待测试步进丝杆马达15安装在固定板3上之后，压板4将步进丝杆马达15压紧，并配合压板卡扣5合理调整压紧程度，同时可以紧固步进丝杆马达15和滑块6之间的配合，使得步进丝杆马达15运行平稳。
如图3和图5所示，音频采集机构11包括固定支架32、通过柔性约束安装于固定支架32内的声音传感器34和防止声音漫反射的环形罩35。固定支架32为鼠笼式支架，由鼠笼式支架本体和支架立柱31构成。支架立柱31固定在隔音箱23底板上。声音传感器34的灵敏度为50mV/Pa，参考声压值为2×10-6Pa，经换算声音传感器34的有效工作区间为35dB～110dB。声音传感器34通过固定在鼠笼式支架两端箍架上由条形橡胶搭接成的固定结构安装在鼠笼式支架内。环形罩35通过固定于固定支架32上的支撑杆33悬置在声音传感器34前端。为了提高音频采集效果，声音传感器34的声音采收端对准步进丝杆马达15，且声音传感器34的声音采收端位于以测试马达15中心位置为中心形成的音强包络面上。本实施例中，音频采集机构11为两组。如图3所示，以固定板3上设置的定位柱8为基准体，以步进丝杆马达15中心位置为中心，音强信号包络面的半径为10cm，因此，声音传感器34布置于距离步进丝杆马达15中心位置10cm的X、Y方向两个测点位置，X方向用于缺陷检测，Y方向用于检测分贝值。需要说明的是，音频采集机构11的数量无特殊限制，一组以上均可，只在X方向或Y方向上设置一个音频采集机构11，也可以完成步进丝杆马达15测试在X和Y方向上同时设置音频采集机构11，多方位进行采集，更有利于测试结果的准确性。
计算机22与声音传感器34连接，声音传感器34将接受到的音频信号传输给计算机22，计算机22对接收到的声音信号进行处理得到倍频程分贝谱和Mel频谱，采用PCA算法获取与Mel频谱各频带能量值对应的PCA成分贡献度系数，提取其中部分PCA成分贡献度系数较高对应的频带作为特征频带，并根据设定标准，结合特征频带能量值和倍频程分贝值，辨认步进丝杆马达15是否存在缺陷及缺陷类型。
经过ANSYS软件分析，由于整个系统的共振峰固定，因此根据能量守恒定理，可以选择共振峰远离步进丝杆马达15运转产生的主频带的材料制作整个测试治具12。本实施例中的治具由45号钢制备而成，激励共振峰远离步进丝杆马达15运转产生的主频带(1200Hz左右)，从而避免其对步进丝杆马达15缺陷检测的干扰。
本实施例通过步进丝杆马达15采用下端刚性固定、上端柔性固定的固定方式，使步进丝杆马达15与测试治具12所组成的振动系统不会产生较大共振，并保证振动信号耗散的能量远小于声音传感器34吸收的音频信号能量，确保用于步进丝杆马达15缺陷分析的音频信号数据有效性。
实施例2基于音频分析的步进丝杆马达缺陷识别
本实施例中，是结合分贝值和杂音对步进丝杆马达的缺陷进行分类的，步进丝杆马达15存在缺陷的设定标准为：分贝值超过阈值且伴随杂音为噪音件；分贝值超过阈值且无杂音为声音大件；分贝值不超过阈值且伴随杂音为异音件；分贝值不超过阈值且无杂音为良品件。
本实施例先通过正交试验确定分贝值阈值和杂音判断标准。
1、正交试验
选取若干具有各种不同类型缺陷(噪音、声音过大、异音和良品(即没有缺陷))的步进丝杆马达15标准工件(包括没有缺陷的正常工件)，然后按照以下步骤对选取的步进丝杆马达15进行正交试验，确定步进丝杆马达15存在缺陷的标准：
(1)将待测试步进丝杆马达15通过定位柱8固定于载物台上，使用压紧机构将步进丝杆马达15压紧。
将步进丝杆马达15放置于固定板上，利用定位柱8使得步进丝杆马达15位置固定，并将滑块6上的联接凸点7与步进丝杆马达15驱动螺母上的小孔配合辅助马达15正常运行，压紧机构将步进丝杆马达15压紧。
本实施例采用的负载为400g的砝码，通过负载机构，将负载加载到步进丝杆马上，测试分析步进丝杆马达在带负载下的缺陷情况。
(2)启动步进丝杆马达15使驱动螺母带负载做往复直线运行。
通过驱动板13向步进丝杆马达15通电，步进丝杆马达15的驱动螺母带负载左右往复直线运动，并与两极限位置端发生碰撞，步进丝杆马达15与整个测试治具12构成音频振动系统，外界环境噪音由隔音箱23隔离。
(3)声音传感器34对步进丝杆马达15和测试治具12构成的音频振动系统产生的音频信号进行提取，并将音频信号传输给计算机22。
(4)计算机22对接收到的音频信号进行处理得到三分之一倍频程分贝谱和Mel频谱，采用PCA算法获取与Mel频谱各频带能量值对应的PCA成分贡献度系数，提取其中多个PCA成分贡献度系数较高对应的频带作为特征频带，并构建步进丝杆马达杂音标准库。
上述步骤(4)具体包括以下分步骤：
(41)对采集的音频信号经预加重、离散快速傅里叶变换FFT，获得与音频信号对应的频谱信息。
随着信号的连续采集，声音传感器34采集到稳定的电机运转特征信号。步进丝杆马达15本身为人机交互，其大量信号集中在中高频部分，为了对音频信号的高频部分进行加重，去除由于振动系统共振引起的较大的低频能量的影响，增加识别的高频分辨率，本实施例首先对采集的音频信号进行A计权预加重，即对低频信号作一个衰减、然后离散快速傅里叶变换FFT，以获得与音频信号对应的频谱信息。
对采集的原始音频信号通过一阶FIR高通数字滤波器(见以下公式(1))进行处理，得到预加重的音频信号。
y(t)＝x(t)-ax(t-1) (1)
式中，x(t)代表t时刻的音频信号采样值，x(t-1)代表t-1时刻的音频信号采样值，y(t)代表预加重处理后的t时刻音频信号，a为预加重系数，0.9<a<1.0。本实施例中取A计权方式，a＝0.94。
原始音频信号如图6(a)所示，通过快速A计权后的音频信号如图6(b)所示。
然后对预加重后的音频信号采用离散快速傅里叶变换FFT处理(见以下公式(2))，这里FFT采用汉明窗口，取窗口时长为15ms。
Y(ω)＝FFT[y(t)] (2)
其中y(t)为预加重后的音频信号，FFT[·]为快速傅里叶变换，Y(ω)为经快速傅里叶变换到频域的频谱信息。预加重后的音频信号经快速傅里叶变换后的频谱信息如图7所示。
(42)对步骤(41)得到的频谱信息通过三分之一倍频带通滤波器组转换得到三分之一倍频分贝能量谱，并计算出倍频程分贝值，对声音过大和噪音缺陷类型的倍频程分贝值进行统计，取其最小值作为分贝整定值，即作为分贝值阈值。
本实施例中，检测到的最小倍频程分贝值为43.5dB，超过该分贝值就判定为声音过大。
(43)将步骤(41)得到的频谱信息通过Mel滤波器组(即三角带通滤波器组)得到Mel频谱；(通过Mel频谱，将线形的自然频谱linearFrequency转换为体现人类听觉特性的Mel频谱melFrequency)
melFrequency＝2595*log(1+linearFrequency/700) (3)
其中linearFrequency表示FFT后的频谱，linearFrequency与melFrequency的变换关系如图8所示。
对步骤(41)快速傅里叶变换得到的频谱信息采用Mel滤波器组进行处理得到的Mel频谱如图9所示。
选取若干具有各种类型缺陷(噪音、声音过大、异音和良品)的步进丝杆马达和合格步进丝杆马达作为标准件，对选取的标准件重复步骤(1)-(4)，得到各种类型缺陷步进丝杆马达对应的Mel频谱，。
(44)获取不同类型缺陷下(包括没有缺陷的良品)的Mel频谱各频带能量值PCA成分贡献度系数，并构建步进丝杆马达标准库。
依据步骤(43)得到的Mel频谱各频带能量值，采用主成分分析法进行降维处理，得到协方差矩阵，并依据协方差矩阵计算协方差矩阵的特征值、方差贡献率以及方差累计贡献率，根据方差累计贡献率(85％)选取前k个特征值所对应的特征向量作为主成分方向，构成特征向量矩阵，由特征向量矩阵计算获取PCA成分贡献度系数，根据PCA成分贡献度系数排序提取系数高的频带作为特征频带，并对特征频带能量设置整定值。所有类型缺陷步进丝杆马达及合格步进丝杆马达的PCA成分贡献度系数标记的Mel频谱频带及各频带的能量整定值构建成步进丝杆马达标准库。
以下以某一类型缺陷的某一标准工件为例，选取一段运行时间内的200个样本采样点作为该类型缺陷步进丝杆马达的数据样本，获取该类型缺陷的Mel频谱各频带能量值PCA成分贡献度系数，具体步骤如下：
(441)将步骤(43)获得的该类型缺陷马达的各Mel频谱各频带能量值作为样本数据，将其构建成一个200*21样本矩阵，限于篇幅，表1仅列出了部分样本数据。
表1样本矩阵
Figure BDA0002320914400000121
(442)对样本数据进行标准化处理，本发明采取的计算方式如公式(7)所示：
Figure BDA0002320914400000122
其中，Z为标准化后的变量值；X为实际变量值(这里是各频带能量值)；μ为所有样本数据的均值，σ为所有样本数据的标准差。标准化后的样本矩阵见表2所示。
表2标准化后的样本矩阵
Figure BDA0002320914400000131
(443)根据以下表达式(8)计算标准化后样本矩阵的协方差矩阵A，如表3所示：
Figure BDA0002320914400000132
其中，cov(ci，cj)为频带i(i＝1-21)和频带j(j＝1-21)的协方差。
表3协方差矩阵
Figure BDA0002320914400000133
(444)对协方差矩阵进行特征值分解，得到其特征值λm和特征向量，将特征值按照从大到小顺序排列。根据公式(9)计算特征向量各分量(即主成分)的方差贡献率。将各主成分按其贡献率降序排列，并按照以下公式(10)计算特征向量的方差累计贡献率。特征值、方差贡献率及累计贡献率计算结果如表4所示。
Figure BDA0002320914400000141
Figure BDA0002320914400000142
其中，G(m)为第m个主成分的方差贡献率，m＝1～21，G(k)为前k个主成分累计贡献率。
表4特征值、方差贡献率及累计贡献率
Figure BDA0002320914400000143
(445)根据特征向量的方差累计贡献率大于85％，选取前5个特征值所对应的特征向量作为主成分方向，构成一个21*5维的特征向量矩阵B，如表5所示。
表5特征向量矩阵B
Figure BDA0002320914400000144
Figure BDA0002320914400000151
(446)根据特征值和步骤(445)构建的特征向量矩阵B计算成分贡献度系数，提取其中部分PCA成分贡献度系数较高对应的频带作为特征频带，根据以下公式计算成分贡献度：
clj＝λlalj l＝1，2，3，4，5j＝1，2，3…21 (12)
其中，alj为提取的特征向量矩阵B对应的特征向量元素，λl为对应维度处的特征值。计算得到的成分贡献度矩阵C如下表6所示：
表6成分贡献度矩阵C
Figure BDA0002320914400000152
Figure BDA0002320914400000161
由于第一主成分拥有最大方差贡献率，其对整个数据样本的影响最大，故选择第一主成分的成分贡献度系数作为整个数据样本的标准。依据成分贡献度系数排序，选取成分贡献度系数高的前五个频带作为该缺陷类型的特征频带。特别说明，特征频带的数量并没有特殊的限制，可视情况适量增减。
(447)构建步进丝杆马达标准库
按照上述方法可以得到所有标准工件(包含良品和缺陷)的Mel频谱各频带能量值对应的成分贡献度系数，并根据PCA成分贡献度系数排序对相应频带进行标记。标记即为提取第一主成分的前数个频带作为特征频带。
对于步进丝杆马达的噪音缺陷和异音缺陷都涉及到杂音，而声音大和良品标准工件不涉及杂音，因此现将四种缺陷类型的步进丝杆马达标准工件对应的成分贡献度系数标记的Mel频谱分为两组：无杂音组和有杂音组。由于杂音包含不同频段的信号，即杂音组会有几种特征频带选取，而无杂音组特征频带基本稳定。对杂音组进一步按照特征谱带位置进行分组，将特征频带位置相同的一组标准工件各Mel频谱相同位置的特征频带能量最大值取平均，以该平均值作为该组步进丝杆马达相应频带能量整定值，依次类推，可以得到无杂音的标准Mel频谱特征频带和各频带能量整定值以及有杂音的多组标准Mel频谱特征频带和各频带能量整定值，并将其构建成步进丝杆马达杂音标准库，对于无杂音组，其特征频带为频带10，9，14，19，21，计算该类型各特征频带的能量整定值为35.5dB，30.1dB，31.4dB，34.1dB，37.1dB；对于有杂音组，其中一组特征频带为15，16，18，17，13，计算得到该类型各特征频带的能量整定值为29.7dB，31.2dB，29.1dB，35.1dB，30.2dB。
2、对步进丝杆马达15进行缺陷检测
本实施例采用实施例1提供的诊断装置对步进丝杆马达15缺陷进行识别，具体包括以下步骤：
(1)将待测试步进丝杆马达15通过定位柱8固定于载物台上，使用压紧机构将步进丝杆马达15压紧。
(2)启动步进丝杆马达15使驱动螺母带负载做往复直线运行。
(3)声音传感器34对步进丝杆马达15和测试治具12构成的音频振动系统产生的音频信号进行提取，并将音频信号传输给计算机22。
(4)计算机22对接收到的音频信号进行处理得到三分之一倍频程分贝谱和Mel频谱，采用PCA算法获取与Mel频谱各频带能量值对应的PCA成分贡献度系数，提取其中多个PCA成分贡献度系数较高对应的频带作为特征频带，并根据设定标准，结合特征频带能量值和倍频程分贝值，辨认步进丝杆马达15是否存在缺陷及缺陷类型。
步骤(1)-(3)与正交试验中的步骤(1)-(3)相同，这里不再赘述。
对于步骤(4)，包括以下步骤：
(41)对采集的音频信号经预加重、离散快速傅里叶变换FFT，获得与音频信号对应的频谱信息。
(42)对步骤(41)得到的频谱信息通过三分之一倍频带通滤波器组转换得到倍频程分贝值，根据设定的分贝值阈值，初步分析声音是否超出分贝值阈值。
(43)将步骤(41)得到的频谱信息通过Mel滤波器组得到Mel频谱。
(44采用PCA算法计算得到与Mel频谱各频带能量值对应的PCA成分贡献度系数，并提取其中成分贡献度系数较高的频带作为特征频带。
(45)将提取的特征频带与标准的Mel频谱对应位置的频带整体进行比较，判断是否还有杂音，再结合步骤(42)的判断结果确定步进丝杆马达15是否存在缺陷以及缺陷类型。
步骤(41)-(42)与正交试验中的步骤(41)-(42)相同，这里不再赘述。
例如，按照步骤(41)-(42)，测出一个待测步进丝杆马达的倍频分贝值为44.2dB，超过前面设定的分贝值阈值43.5dB，因此可以判定该待测步进丝杆马达为声音大件或噪音件，需要通过以下步骤进一步分析其是否存在杂音。
对于步骤(44)，包括以下分步骤：
(441)将步骤(43)获得的Mel频谱各频带能量值作为样本数据，将其构建成一个样本矩阵；
(442)对样本数据进行标准化处理；
(443)计算标准化后的样本矩阵的协方差矩阵；
(444)计算协方差矩阵A的特征值与对应的特征向量，以及特征向量的方差贡献率和累计贡献率；
(445)并根据特征向量的累计贡献率选取前数个特征值所对应的特征向量作为主成分方向，构成特征向量矩阵；
(446)根据特征值和步骤(445)构建的特征向量矩阵计算成分贡献度系数，提取其中多个PCA成分贡献度系数较高对应的频带作为特征频带。
步骤(441)-(446)与正交试验中的步骤(441)-(446)相同，这里不再赘述。根据步骤(43)得到该待测工件Mel频谱各频带能量值对应的成分贡献度系数，并依据得到的待测工件Mel频带对应的成分贡献度系数，按照从大到小的顺序，从中提取多个(本实施例提取的是五个)成分贡献度系数对应的频带作为特征频带。
对于步骤(45)，将提取的特征频带与步进丝杆马达杂音标准库中各组标准Mel频谱频带整体进行比较，判断是否存在杂音，并结合步骤(42)的判断结果，确定步进丝杆马达15是否存在缺陷以及缺陷种类。
本实施例中，根据待测工件的成分贡献度系数，便可确定提取的五个特征频带的位置，然后将提取的五个特征频带的能量分别与步进丝杆马达15标准库中相同特征频带对应频带的能量整定值进行比较，取这五个特征频带能量偏差均在10％以内的能量整定值对应的杂音情况作为判断结果。
将前面判定出倍频分贝值超出分贝值阈值的待测步进丝杆马达按照步骤(43)-(45)分析得出，其存在杂音，因此该待测步进丝杆马达为噪音件。
此外，根据前面的分析可以看出，对于杂音不同或者没有杂音的步进丝杆马达15，其成分贡献度系数分布是不同的，因此，根据从待测工件Mel频谱提取的五个频带的位置分布(也即成分贡献度系数分布)，可以从步进丝杆马达标准库中直接找到与之频带位置分布相同的无/有杂音分组，然而为了提高缺陷识别准确度，仍需要将提取的五个频带的能量与找到的组别的相应频带的能量整定值进行比较，只有当同时满足与这五个频带能量偏差均在10％以内时，才能确定待测工件的杂音情况，进一步在结合倍频分贝值情况，对步进丝杆马达存在的缺陷进行诊断。
本发明模拟人耳频谱，将收集到的信息做自相关运算降低突变信号，再通过PCA算法筛选主要特征能量带，最后得到步进丝杆马达15运行过程中的特定信息，对步进丝杆马达15缺陷进行识别。
本发明步进丝杆马达15工作时与整个测试治具12组成的系统经过ANSYS软件分析，共振峰固定。根据能量守恒定理，可以设计让治具与步进丝杆马达15构成的振动系统的共振峰远离步进丝杆马达15振动的频带，音频传输较大能量。
本发明首先在具有各种类型缺陷的步进丝杆马达15工作时进行正交试验，得到各种类型缺陷下的Mel频谱各频带成分贡献度系数。然后在正交试验基础上，根据PCA算法优化特征频带，并将其与对应的正交实验缺陷音频标记，最终用作步进丝杆马达15缺陷判别。
采用该方法工件安装和测试，在3s内便可完成，因此能快速准确的实现各个工况下步进丝杆马达15的缺陷识别，以及提高使用舒适性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：包括用于安装待测试步进丝杆马达(15)的测试治具(12)、用于驱动步进丝杆马达(15)运行的驱动板(13)、位于步进丝杆马达(15)旁侧的音频采集机构(11)以及计算机(22)；
所述测试治具(12)包括载物台和用于将步进丝杆马达(15)压紧固定于载物台上的压紧机构，所述载物台上设置有与步进丝杆马达(15)外型匹配的容纳空间，所述压紧机构包括压板(4)和锁紧机构，所述压板(4)宽度与载物台宽度相匹配，其一侧与载物台相应侧面转动连接，另一侧通过锁紧机构与载物台连接，将步进丝杆马达(15)压紧；所述压板(4)上还设置有与步进丝杆马达(15)接电口对应的插针以及与插针相连接的电极(14)，所述驱动板(13)与电极(14)相连接；
所述音频采集机构(11)包括固定支架(32)和通过柔性约束安装于支架内的声音传感器(34)，声音传感器(34)的声音收纳端对准步进丝杆马达(15)，所述计算机(22)与声音传感器(34)连接，用于对接收到的声音信号进行处理得到倍频程分贝谱和Mel频谱，首先依据Mel频谱判断步进丝杆马达是否存在杂音，再根据设定标准，结合倍频程分贝值，辨认步进丝杆马达(15)是否存在缺陷及缺陷类型；
步进丝杆马达(15)存在缺陷的设定标准为：分贝值超过阈值且伴随杂音为噪音件；分贝值超过阈值且无杂音为声音大件；分贝值不超过阈值且伴随杂音为异音件；分贝值不超过阈值且无杂音为良品件。
2.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：所述锁紧机构主要由在压板(4)和载物台侧面相对位置配套设置的转轴和压板卡扣(5)组成，压板卡扣通过转轴固定于载物台侧面。
3.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：该诊断装置还包括负载牵引机构，所述负载牵引机构包括沿步进丝杆上驱动螺母移动方向布设于载物台上的滑轨(10)、与滑轨(10)滑动连接的滑块(6)、固定于滑轨(10)尾部的滑轮(9)以及负载，所述滑块(6)与驱动螺母连接，所述负载经跨接于滑轮(9)上的绳索与滑块(6)连接，使步进丝杆马达(15)进行带负载运行测试。
4.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：该诊断装置还包括设置于载物台上的隔音箱(23)，所述测试治具(12)、驱动板(13)以及音频采集机构(11)均设置于隔音箱(23)内。
5.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：所述音频采集机构(11)为两组，分别设置在两个相互垂直的方向，一组用于检测分贝值，另一组用于缺陷检测。
6.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：所述声音传感器(34)的声音采收端位于以步进丝杆马达(15)中心位置为中心形成的音强包络面上。
7.根据权利要求1所述的基于音频分析的步进丝杆马达缺陷诊断装置，其特征在于：所述音频采集机构(11)还设计有防止声音漫反射的环形罩，环形罩通过固定在支架上的支撑杆(33)悬置在声音传感器(34)前端。
8.一种使用权利要求1-8任一所述诊断装置对步进丝杆马达缺陷进行识别的方法，其特征在于：包括以下步骤：
(1)将待测试步进丝杆马达(15)通过定位柱(8)固定于载物台上，使用压紧机构将步进丝杆马达(15)压紧；
(2)启动步进丝杆马达(15)使驱动螺母做往复直线运动；
(3)音频采集机构(11)的声音传感器(34)采集音频信号，将采集的音频信号传输至计算机(22)；
(4)计算机(22)对接收到的音频信号进行处理得到倍频程分贝谱和Mel频谱，首先依据Mel频谱判断步进丝杆马达是否存在杂音，再根据设定标准，结合倍频程分贝值，辨认步进丝杆马达(15)是否存在缺陷及缺陷类型；
步进丝杆马达(15)存在缺陷的设定标准为：分贝值超过阈值且伴随杂音为噪音件；分贝值超过阈值且无杂音为声音大件；分贝值不超过阈值且伴随杂音为异音件；分贝值不超过阈值且无杂音为良品件。
9.根据权利要求8所述步进丝杆马达缺陷识别方法，其特征在于：所述步骤(4)包括以下分步骤：
(41)对采集的音频信号经预加重、离散快速傅里叶变换FFT，获得与音频信号对应的频谱信息；
(42)将步骤(41)得到的频谱信息采用三分之一倍频带通滤波器组进行处理，得到三分之一倍频程分贝谱，根据得到的三分之一倍频程分贝谱，设定整定值，初步分析声音正常件与声音非正常件；
(43)将步骤(41)得到的频谱信息采用三角带通滤波器组进行处理，获得Mel频谱；
(44)采用PCA算法计算得到与Mel频谱各频带能量值对应的PCA成分贡献度系数并按高低排序，提取其中部分PCA成分贡献度系数较高对应的频带作为特征频带；
(45)将提取的特征频带与标准的Mel频谱对应位置的频带整体进行比较，判断是否还有杂音，再结合步骤(42)的判断结果确定步进丝杆马达(15)是否存在缺陷以及缺陷类型。
10.根据权利要求8所述步进丝杆马达缺陷识别方法，其特征在于：所述步骤(44)包括以下分步骤：
(441)将步骤(43)获得的各Mel频谱各频带能量值作为样本数据，将其构建成一个样本矩阵；
(442)对样本数据进行标准化处理；
(443)计算标准化后的样本矩阵的协方差矩阵；
(444)计算协方差矩阵A的特征值与对应的特征向量，以及特征向量的方差贡献率和累计贡献率；
(445)并根据特征向量的累计贡献率选取前数个特征值所对应的特征向量作为主成分方向，构成特征向量矩阵；
(446)根据特征值和步骤(455)构建的特征向量矩阵计算成分贡献度系数，提取其中多个PCA成分贡献度系数较高对应的频带作为特征频带。
CN201911297449.8A 2019-12-17 2019-12-17 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法 Active CN110954826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911297449.8A CN110954826B (zh) 2019-12-17 2019-12-17 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911297449.8A CN110954826B (zh) 2019-12-17 2019-12-17 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法

Publications (2)

Publication Number Publication Date
CN110954826A true CN110954826A (zh) 2020-04-03
CN110954826B CN110954826B (zh) 2022-01-07

Family

ID=69982081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911297449.8A Active CN110954826B (zh) 2019-12-17 2019-12-17 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法

Country Status (1)

Country Link
CN (1) CN110954826B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783616A (zh) * 2020-06-28 2020-10-16 北京瓦特曼科技有限公司 一种基于数据驱动自学习的无损检测方法
CN113483884A (zh) * 2021-06-21 2021-10-08 深圳市优瑞特检测技术有限公司 一种包装检测用振动异响测试装置及其检测方法
CN114414038A (zh) * 2022-01-26 2022-04-29 歌尔科技有限公司 马达模组的转动异音检测方法、装置、设备及介质
CN115616082A (zh) * 2022-12-14 2023-01-17 杭州兆华电子股份有限公司 一种基于杂音检测的键盘缺陷分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010017527A1 (en) * 1997-06-16 2001-08-30 Ghislain Lambert Rotating electric motor system capable of vibrating and method for operating a rotating electric motor capable of vibrating
CN104992714A (zh) * 2015-05-22 2015-10-21 株洲联诚集团有限责任公司 一种电机异音的检测方法
CN206593860U (zh) * 2017-04-05 2017-10-27 惠州市精诚电子科技有限公司 一种手机振动马达自动测试装置
CN110082107A (zh) * 2019-04-08 2019-08-02 四川安和精密电子电器有限公司 基于音频分析的微型振动马达缺陷诊断装置及缺陷识别方法
CN110132600A (zh) * 2019-05-17 2019-08-16 哈尔滨理工大学 一种基于音频的电机故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010017527A1 (en) * 1997-06-16 2001-08-30 Ghislain Lambert Rotating electric motor system capable of vibrating and method for operating a rotating electric motor capable of vibrating
CN104992714A (zh) * 2015-05-22 2015-10-21 株洲联诚集团有限责任公司 一种电机异音的检测方法
CN206593860U (zh) * 2017-04-05 2017-10-27 惠州市精诚电子科技有限公司 一种手机振动马达自动测试装置
CN110082107A (zh) * 2019-04-08 2019-08-02 四川安和精密电子电器有限公司 基于音频分析的微型振动马达缺陷诊断装置及缺陷识别方法
CN110132600A (zh) * 2019-05-17 2019-08-16 哈尔滨理工大学 一种基于音频的电机故障预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783616A (zh) * 2020-06-28 2020-10-16 北京瓦特曼科技有限公司 一种基于数据驱动自学习的无损检测方法
CN111783616B (zh) * 2020-06-28 2024-03-26 北京瓦特曼科技有限公司 一种基于数据驱动自学习的无损检测方法
CN113483884A (zh) * 2021-06-21 2021-10-08 深圳市优瑞特检测技术有限公司 一种包装检测用振动异响测试装置及其检测方法
CN113483884B (zh) * 2021-06-21 2023-09-26 深圳市优瑞特检测技术有限公司 一种包装检测用振动异响测试装置及其检测方法
CN114414038A (zh) * 2022-01-26 2022-04-29 歌尔科技有限公司 马达模组的转动异音检测方法、装置、设备及介质
CN115616082A (zh) * 2022-12-14 2023-01-17 杭州兆华电子股份有限公司 一种基于杂音检测的键盘缺陷分析方法

Also Published As

Publication number Publication date
CN110954826B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN110954826B (zh) 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法
CN110082107B (zh) 基于音频分析的微型振动马达缺陷诊断装置及缺陷识别方法
Nelwamondo et al. Early classifications of bearing faults using hidden Markov models, Gaussian mixture models, mel-frequency cepstral coefficients and fractals
CN105841797B (zh) 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置
CN103558029B (zh) 一种发动机异响故障在线诊断系统和诊断方法
Mechefske et al. Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra
CN112201260B (zh) 一种基于声纹识别的变压器运行状态在线检测方法
CN111354366B (zh) 一种异常声音检测方法及异常声音检测装置
CN112611956B (zh) 一种新能源汽车集成电路芯片测试系统
CN108490349B (zh) 基于Mel频率倒谱系数的电机异音检测方法
CN110472587A (zh) 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置
CN111985788A (zh) 汽车电器件声品质测试评价方法
CN108629864B (zh) 一种基于振动的电主轴径向精度表征方法及其系统
CN109605128B (zh) 一种基于功率谱熵差的铣削颤振在线检测方法
CN109060371A (zh) 一种汽车零部件异响检测装置
CN113345399A (zh) 一种强噪声环境下的机器设备声音监测方法
Zheng et al. Localized damage detection of structures subject to multiple ambient excitations using two distance measures for autoregressive models
CN112207631A (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Brancheriau et al. Use of the partial least squares method with acoustic vibration spectra as a new grading technique for structural timber
CN112052712A (zh) 一种电力设备状态监测与故障识别方法及系统
CN114137410A (zh) 一种基于声纹检测技术的液压机构断路器故障识别方法
Astapov et al. Production machinery utilization monitoring based on acoustic and vibration signal analysis
Hazra et al. Gearbox fault detection using synchro-squeezing transform
CN114310483B (zh) 一种数控加工尺寸误差预测方法
Vinaya et al. Detection Of Pump Faults Based On Sound Signals Using Non Negative Matrix Factorization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant