CN111076960B

CN111076960B - 一种基于人工智能算法的声纹质量检测方法

Info

Publication number: CN111076960B
Application number: CN201911154683.5A
Authority: CN
Inventors: 胡东明
Original assignee: Cosen Technology Shanghai Co ltd
Current assignee: Cosen Technology Shanghai Co ltd
Priority date: 2019-11-22
Filing date: 2019-11-22
Publication date: 2022-08-16
Anticipated expiration: 2039-11-22
Also published as: CN111076960A

Abstract

一种基于人工智能算法的声纹质量检测方法，包括PC机内的声纹储存模块、标记模块；实现方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，并将这些数据按照一定比例分为训练集和测试集；第二步：针对空调声纹的特征设计适合的人工智能深度学习类型；第三步：用标注过的声纹数据对模型进行训练；第四步：用测试集对实证模型进行测试其是否正确；第五步：将待检测声纹输入模型中，模型给出检测声纹的数据；第六步：对实证模型进行持续优化。本发明在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。

Description

一种基于人工智能算法的声纹质量检测方法

技术领域

本发明涉及检测技术领域，特别是一种基于人工智能算法的声纹质量检测方法。

背景技术

空调等由于具有包括压缩机等在内的运动部件，工作中，受到其制造工艺影响，如果零部件有质量问题或零部件装配不到位，会导致工作时产生异响，给使用者的使用带来影响，同时影响空调等的使用寿命。因此为了保证空调等出厂后的质量，需要生产厂家对生产后空调等的内外机质量进行检测，其中有一项重要的检测项目就是对空调等工作时产生的声音进行检测。目前现有的对空调等工作声音进行检测，主要依靠一线检测员工通过“听声”进行判断(具体检测中，检测人员靠近空调内外机壳体外侧大约20cm的距离，主要听前面板、侧板和后侧板三个方向声音，如果出现某台空调的声音一致性较差或者存在明显异常声音，则判定不合格，再送到实验室进行进一步的检测)，这种检测方式能够检测出大部分声音较大的缺陷产品，在声音较小时，检测人员往往不能有效判别；特别是人工“听声”检测受到人为因素的影响，在检测人员经验不足时，更加达不到好的检测效果。基于上述，提供一种基于人工智能，能尽可能识别空调等的工作声音，并能分析出产品是否合格的检测方法显得尤为必要。

发明内容

为了克服现有对空调等设备，人工听声检测中存在的如背景技术所述弊端，本发明提供了用声纹识别作为基础，引入人工智能的深度学习方法，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调风叶碰响、气流声(夜流声)、管道碰撞、异响主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力的一种基于人工智能算法的声纹质量检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于人工智能算法的声纹质量检测方法，其特征在于包括PC机内的声纹储存模块、标记模块；实现方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，同时配上与故障数据一比一对应的合格产品的声纹数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对空调声纹的特征设计适合的人工智能深度学习类型；第三步：用标注过的声纹数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上跑出来实证模型进行测试其是否正确；第五步：测试空调具体待检声纹数据时，将待检测声纹输入模型中，模型能给出检测声纹的数据，从而检测人员根据所得数据判断检测的空调声纹数据是否合格；第六步：对实证模型进行持续优化，形成基于工业声成像的故障、定位、品质评价等感知认知N种模型。

所述声纹储存模块内储存有大量空调已知故障的声纹特征数据以及和故障一比一对应合格空调产品的声纹数据。

所述第一步中，将空调已知故障的声纹特征经标记模块进行数据标注中，故障数据累积的愈多愈好。

所述第一步中，训练集和测试集同时兼具故障数据和合格数据。

所述第三步中，声纹数据是第一步中的训练集。

本发明有益效果是：本发明用于空调故障声纹检测时，检测系统可分离目标声源6个以上、故障声定位精度±1cm、故障识别N种以上、故障与品质判断时间小于1s、故障检出率≥99.99％、故障辨识准确率≥95％；根据背景噪音强度70dB～90dB范围情况下，故障检出率100％，产品一致性合格率达到95％。本发明用声纹识别作为基础，引入人工智能的深度学习方法，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调风叶碰响、气流声(夜流声)、管道碰撞、异响主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。本发明的AI声纹质量检测是对蕴含待测物体的状态、尺寸、工艺，特别是缺陷等信息的声音信号进行采集分析，然后利用人工智能的算法来快速准确地实现故障辨识的无损检测方式，可以适用于除了空调生产质量检测之外的大量工业场景，如发动机、机台、机床、大型汽轮机等，以及高污染、高辐射、高危等等人类不便工作的场景进行产品故障辨识与定位的质量检测，拥有可观的市场前景。基于上述，所以本发明具有好的应用前景。

附图说明

以下结合附图和实施例将本发明做进一步说明。

图1是本发明应用方法流程示意图。

具体实施方式

图1中所示，一种基于人工智能算法的声纹质量检测方法，包括PC机内的声纹储存模块、标记模块，声纹储存模块内储存有大量空调已知故障的声纹特征数据以及和故障一比一对应合格空调产品的声纹数据；实现方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，同时配上与故障数据一比一对应的合格产品的声纹数据，并将这些数据按照一定比例分为训练集和测试集；将空调已知故障的声纹特征经标记模块进行数据标注中，故障数据累积的愈多愈好，训练集和测试集同时兼具故障数据和合格数据；第二步：基于人工智能深度学习技术，针对空调声纹的特征设计出适合的人工智能深度学习类型；第三步：用标注过的声纹数据对模型(类人脑里解决问题的思维方式或记忆)进行训练，声纹数据就是第一步中所分的训练集；第四步：用测试集对基于人工智能深度学习的人工智能平台上跑出来实证模型进行测试其是否正确(理解为已经有效的解决问题的方式，数学表达上就是一套由算法组成的系统)；第五步：测试空调具体待检声纹数据时，将待检测声纹数据输入模型中，模型能给出检测声纹的数据，从而检测人员根据所得数据判断检测的空调声纹数据是否合格；第六步：对实证模型进行持续优化，形成基于工业声成像的故障、定位、品质评价等感知认知N种模型。

图1中所示，本发明用于空调故障声纹检测时，检测系统可分离目标声源6个以上、故障声定位精度±1cm、故障识别N种以上、故障与品质判断时间小于1s、故障检出率≥99.99％、故障辨识准确率≥95％；根据背景噪音强度70dB～90dB范围情况下，故障检出率100％，产品一致性合格率达到95％。本发明用声纹识别作为基础，引入人工智能的深度学习方法，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调风叶碰响、气流声(夜流声)、管道碰撞、异响主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。

图1中所示，声纹储存模块储存的空调故障分类，也就是对空调对应的声纹进行分类，就目前已有的数据，故障大类共分为风叶碰响、气流声(夜流声)、管道碰撞、异响四大类，细分共计37小类，其具体细类及故障原因划分如下表格。

本发明的AI声纹质量检测是对蕴含待测物体的状态、尺寸、工艺，特别是缺陷等信息的声音信号进行采集分析，然后利用人工智能的算法来快速准确地实现故障辨识的无损检测方式，可以适用于除了空调生产质量检测之外的大量工业场景，如发动机、机台、机床、大型汽轮机等，以及高污染、高辐射、高危等等人类不便工作的场景进行产品故障辨识与定位的质量检测，拥有可观的市场前景。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然本发明限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims

1.一种基于人工智能算法的声纹质量检测方法，其特征在于，基于PC机内的声纹储存模块和标记模块；所述基于人工智能算法的声纹质量检测方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，同时配上与故障数据一比一对应的合格产品的声纹数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对空调的声纹特征设计适合的人工智能深度学习模型；第三步：用标注过的声纹数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上跑出来的实证模型进行测试，判断其是否正确；第五步：测试空调具体待检测声纹数据时，将待检测声纹输入模型中，模型能给出待检测声纹的数据，从而检测人员根据所得数据判断检测的空调声纹数据是否合格；第六步：对实证模型进行持续优化，形成基于工业声成像的故障、定位、品质评价的感知认知模型；声纹储存模块内储存有大量空调已知故障的声纹特征数据以及和故障一比一对应合格空调产品的声纹数据；第一步中，将空调已知故障的声纹特征经标记模块进行数据标注中，故障数据累积的愈多愈好；第一步中，训练集和测试集同时兼具故障数据和合格数据；第三步中，声纹数据是第一步中的训练集；声纹储存模块储存的空调故障大类共分为风叶碰响、气流声、管路碰响、异响四大类；风叶碰响涉及贯流风叶碰底壳、轴流风叶碰外罩、贯流风叶碰蒸发器、贯流风叶轴承响、贯流风叶碰轴承端、轴流风叶碰导流圈、贯流风叶钢轴脱出轴承、贯流风叶碰接水盘、贯流风叶碰蒸发器左支架、离心风叶碰蜗壳；气流声涉及蒸发器、毛细管组件、蒸发器配管、冷凝器、单向阀、管路折及扁；管路碰响涉及管路之间相碰、吸气管碰压缩机、毛细管碰侧板异响、电磁阀碰管路异响、吸气管碰中间隔板、吸气管碰前侧板、毛细管部件碰后侧板、排气管碰压缩机、毛细管部件碰压缩机、管路碰中间隔板、毛细管碰分气管异响、冷凝器进液管碰侧板、电机出线口碰蜗壳、排气管碰中间隔板、毛细管之间碰；异响涉及导风、扫风叶片振动及拍打响，海绵松脱、外罩响、网罩振动、风叶毛刺、机内异物；所述基于人工智能算法的声纹质量检测方法用于空调故障声纹检测时，可分离目标声源6个以上、故障声定位精度±1cm、故障与品质判断时间小于1s、故障检出率≥99.99％、故障辨识准确率 ≥95％；在背景噪音强度70dB～90dB范围情况下，故障检出率100％，产品一致性合格率达到95％。