CN112233683A - 一种汽车电动后视镜异响检测方法及检测系统 - Google Patents

一种汽车电动后视镜异响检测方法及检测系统 Download PDF

Info

Publication number
CN112233683A
CN112233683A CN202010989097.9A CN202010989097A CN112233683A CN 112233683 A CN112233683 A CN 112233683A CN 202010989097 A CN202010989097 A CN 202010989097A CN 112233683 A CN112233683 A CN 112233683A
Authority
CN
China
Prior art keywords
sound
rearview mirror
sample
fault
motor
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
CN202010989097.9A
Other languages
English (en)
Other versions
CN112233683B (zh
Inventor
罗石
高丰
朱少成
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202010989097.9A priority Critical patent/CN112233683B/zh
Publication of CN112233683A publication Critical patent/CN112233683A/zh
Application granted granted Critical
Publication of CN112233683B publication Critical patent/CN112233683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/0212—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders using orthogonal transformation
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种汽车电动后视镜异响检测方法及检测系统，通过采集标准故障电动后视镜样本的工作声音，对异常样本进行短时傅里叶变换，得到故障声音样本的频谱图；对频谱图像进行二值化处理；将二值化频谱图分成P×Q块，记故障样本的二值化分块频谱图的表达式为Gpq；对待测声音样本采取上述相同的操作，记录待测信号的二值化分块频谱图表达式为Hpq。将Gpq和Hpq进行逻辑与操作，并记录运算结果为Rpq。建立支持向量机分类模型，使用含有异响片段的声音样本与不含异响片段的样本对其进行训练。在实际测试中，将待测信号进行特征提取，将运算结果输入训练好的支持向量机分类器中，即可得到待测电机声音信号的检测结果。

Description

一种汽车电动后视镜异响检测方法及检测系统
技术领域
本发明属于机械故障识别领域，尤其涉及一种汽车电动后视镜异响检测方法及其检测系统。
背景技术
近年来，随着国家汽车工业的发展与经济水平的提高，我国汽车保有量正逐步上升。汽车的零部件也不停地换代更新。汽车外后视镜的主要功能是反映汽车两侧及后方的视野情况，是驾驶员获得车辆外部视野的重要工具。目前，国内外有较多款式的轿车已经安装了电动后视镜，具有调节方便、操作简单的特点。但是电动后视镜也有其局限性，与传统汽车后视镜相比，由于电动后视镜引入了电动元件，增加了电动后视镜的故障概率与故障种类。如果在电动后视镜电机中出现了断齿，摩擦振动等机械故障，将会导致后视镜调节功能受到损害，无法调整至目标角度。驾驶员若缺少了部分外部视野，则无法判断周围行车环境时候安全，带来了非常大的安全隐患。
该汽车电动后视镜异响检测方法的方法是一种非接触式的汽车后视镜电机检测方法，仅仅通过对电机工作时的声音信号进行分析，即可得到待检测电机的故障状态。该方法能保证在测试结束后仍然能够在汽车上安全使用。相比较，传统的检测方法需要将汽车后视镜电机拆开，再将其通电检测，对于汽车后视镜电机的机械外壳是一种致命的破坏性损伤，在拆解电动后视镜的机械外壳时，也忽略了可能检出的外壳摩擦故障。因此，该接触式的电动后视镜检测方法相比于传统的检测方法有了较大的提升与改善。
同时，在汽车电动后视镜质量检测的过程中，该方法提出了细化的二分类支持向量机的参数，可用于替代人工检测，减少质检人员听音检测时主观判断带来的不确定性，提高检测的准确度，大幅减少员工与噪声的直接接触，保护员工身心健康。节约经济成本的同时也提倡了安全生产。
目前常用的非接触式诊断方法主要包含热成像法、振动测试方法等，热成像方法成本较高，针对堵转，电机电流异常引起的热量辐射检测效果较好；振动测试方法针对大型机械振动有较好效果；电动后视镜振动幅度较小，在使用振动方法测试时信噪比较低，需要根据信号选取合理的降噪算法，才能有效检测出故障。该发明提出将声音频谱信号进行二值化处理后，则可以根据故障信号样本来检测待测电机声音信号中是否包含该故障样本片段。
发明内容
本发明根据现有生产技术，提出了一种汽车电动后视镜异响检测方法及检测系统，该方法将故障电机声音样本的二值化频谱图与待测电机声音信号的二值化频谱图进行逻辑运算，将运算结果输入支持向量机二分类器进行分类，来识别待检测后视镜电机中是否含有故障样本片段，并将输出结果通过下位机输出到设备的控制面板上。
本发明所采用的技术方案如下：
一种汽车电动后视镜电机的检测方法，包括以下步骤：
S1，使用声音采集设备采集标准故障的汽车后视镜电机的工作声音；
S2，对故障声音样本进行离散短时傅里叶变换，其表达式为：
Figure BDA0002690233880000021
其中，j为虚数单位、z[n]为信号序列，ω[m]为窗函数，m为点数序数，L为窗函数长度。STFT(n，ω)为离散短时傅里叶变换的结果，n表示时间序列坐标，ω表示信号频谱频率。通过对故障声音样本进行短时傅里叶变换后，绘制故障声音样本信号的频谱图像；
S3，针对生成的频谱图像，根据最大类间方差生成图像二值化分类阈值TH；
S4，对频谱图像进行二值化处理；
S5，对二值化处理后的频谱图像进行分块操作。把原先的频谱图像分成P×Q大小，其中，P表示时间块坐标，Q表示频率块坐标，分块后故障声音片段的灰度值记为Gpq；
S6，对待检测电机声音样本信号进行上述S1～S5的操作，记录待检测电机声音片段的灰度值为Hpq，将Gpq和Hpq进行逻辑与操作，并记录运算结果为Rpq；
S7，建立并训练支持向量机分类器，将特征向量Rpq输入训练好的支持向量机二分类器中，得到待测试电机的故障状态yi，若yi＝+1，表示该待测电机中不包含故障样本片段，若yi＝-1则表示该待测电机中包含故障样本片段。
进一步，根据最大类间方差生成图像二值化阈值TH，最大类间方差的搜寻依据为：
Figure BDA0002690233880000022
Figure BDA0002690233880000023
其中，P0为灰度值低于二值化阈值TH的像素灰度值总和，Pi为标号为i的像素块灰度值，P1为灰度值高于二值化阈值TH的像素灰度值总和，μ0为灰度值低于二值化阈值TH的像素灰度值均值，μ1为灰度值高于二值化阈值TH的像素灰度值均值，n为图像像素点个数，
Figure BDA0002690233880000031
为最大类间方差。遍历TH的所有值，找到使得
Figure BDA0002690233880000032
最大时候的阈值TH，即可使得频谱图像的前景和背景与平均灰度的差别最大。
进一步，二值化处理的方法为：
Figure BDA0002690233880000033
即超过二值化阈值TH的像素格将其灰度值置为255，未超过二值化阈值TG的像素格将其灰度置为0。
进一步，S7中建立并训练支持向量机分类器的方法为：将故障声音片段的灰度值{Gpq，yi}作为训练样本集，Gpq由P×Q个数据构成，yi∈{+1，-1},yi＝+1表示该待测电机不包含故障状态的样本片段，yi＝-1表示待测电机含有故障的样本片段；将训练集的样本数据代入至分类器表达式，反推出能够将Gpq分成两类的超平面参数，随着样本量增多的同时，不断优化所得超平面的系数，即a与b。经过大量训练集的输入，最终能够找到一个使得两类数据分隔最大的超平面，该分类函数表达式为yi＝aTGpq+b,其中，a为分类函数的系数，其维度大小为P×Q，b为常数项偏置参数，两者共同构成了该分类器。
一种汽车电动后视镜异响检测系统，包括后视镜电机夹具组、声音采集单元、输出单元和控制单元；后视镜电机夹具组包括3根夹棒用于夹持待测电动后视镜电机；声音采集单元为拾音设备，所述拾音设备设置在后视镜电机夹具组旁边，且拾音设备通过信号线连接数据采集卡；
输出单元包括显示器和故障状态指示灯模组，所述显示器和故障状态指示灯模组均通过信号线连接计算机，将将检测结果进行输出；
控制单元为计算机，在计算机中对采集到的后视镜声音信号进行频谱二值化阈值生成、二值化处理，与故障样本片段的频谱进行逻辑与操作得到逻辑运算结果；在计算机中进行支持向量机二分类器进行分类运算，并将分类结果输送到输出单元；
进一步，由计算机与数据采集卡信号连接，设置数据采集卡的采样频率、控制时间、采样设置等参数，数据采集卡与电动后视镜电机的驱动电路连接，并控制待测电动后视镜电机进行X轴、Y轴的转动，分别采集3段X轴，3段Y轴转动的声音信号。
本发明的有益效果：
本发明所提出了一种汽车电动后视镜异响检测方法与检测系统，首先将故障片段样本信号进行特征提取，对其进行离散短时傅里叶变换，频谱图像二值化阈值生成，频谱图像二值化处理，频谱图像分块处理，生成标准的故障信号样本的二值化频谱图，为后期识别待测电机中是否含有故障信号提供重要运算材料与依据。
对待测后视镜电机进行相同的操作，得到待测后视镜电机的信号二值化频谱。在与故障信号样本的二值化频谱图进行逻辑运算后，再通过支持向量机的分类操作，对待测电动后视镜电机进行状态分类。
将故障声音片段的灰度值Gpq和待检测电机声音片段的灰度值Hpq进行逻辑与操作，是为了检测待测后视镜电机工作声音中是否含有相同的故障片段，如果待测后视镜电机样本声音信号中也含有同样的故障，则通过该逻辑与操作能够使得最终的二值化频谱中保留故障的特征；若待测后视镜电机样本声音信号中不包含标准故障样本信号的特征，经过该逻辑与操作后，则运算结果的二值化频谱中不会保留故障的特征，该逻辑与操作能将待测电机是否含故障片段用数据表达出来，便于后期支持向量机对数据进行分类。
利用故障声音片段的灰度值Gpq构建支持向量机分类器，获得最优解进而确定分类器，可以这一步操作使得支持向量机学习了故障的特征，表现在分类器的超平面参数a与b中。训练过程中，如果训练集样本更多，则该分类器具有更强的鲁棒特性，分类效果也更佳。在训练完成后，能够对待测电机样本信号进行识别。若输入的数据与故障信号类似，则会得出yi＝+1的输出；若输入的数据未包含明显的故障特征，该分类器则输出yi＝-1。
本发明所设计的汽车电动后视镜异响检测系统，结构简单操作方便，通过快速采集汽车电动后视镜的声音片段，并通过内置的分析方法输出检测结果。可用于替代人工检测，减少质检人员听音检测时主观判断带来的不确定性，提高检测的准确度。
附图说明
图1是汽车电动后视镜异响检测方法的系统框图；
图2是标准故障样本信号特征提取流程图；
图3是检测待测电动后视镜电机状态流程图；
图4是汽车电动后视镜异响检测装置示意图；
图5表示故障声音片段样本二值化频谱；
图6表示某待检测电机的样本信号二值化频谱；
图7表示故障声音片段与待检测电机声音二值化频谱逻辑和结果；
图中，101、计算机，102、数据采集卡，103、显示器，104、状态指示灯模组，105、后视镜电机夹具，106、待测电动后视镜电机，107、汽车电动后视镜异响检测系统，108、拾音设备。
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用于解释本发明，并不用于限定本发明。
如图4所示的汽车电动后视镜异响检测系统107包括后视镜电机夹具组105、声音采集单元、输出单元和控制单元；后视镜电机夹具组105包括3根夹棒用于夹持待测电动后视镜电机106；3根夹棒可以是能够调节的转盘设计，通过3根夹棒夹持待测电动后视镜电机106，保持每次采集声音时待测电动后视镜电机106的固定位置，不会对采集的声音造成影响。声音采集单元为拾音设备108，所述拾音设备108设置在后视镜电机夹具组105旁边，且拾音设备108通过信号线连接数据采集卡102，数据采集卡102读取声音片段，且数据采集卡102通过数据线连接控制单元，将所采集的电机工作的声音片段输入控制单元进行处理。
输出单元包括显示器103和故障状态指示灯模组104，所述显示器103和故障状态指示灯模组104均通过信号线连接计算机101，将将检测结果进行输出。
控制单元为计算机101，在计算机101中对采集到的后视镜声音信号进行频谱二值化阈值生成、二值化处理，与故障样本片段的频谱进行逻辑与操作得到逻辑运算结果；在计算机101中进行支持向量机二分类器进行分类运算，并将分类结果输送到输出单元。
由计算机101与数据采集卡102信号连接，设置数据采集卡102的采样频率、控制时间、采样设置等参数，数据采集卡102与电动后视镜电机的驱动电路连接，并控制待测电动后视镜电机进行X轴、Y轴的转动，分别采集3段X轴，3段Y轴转动的声音信号。
基于上述汽车电动后视镜异响检测系统，本发明还提出了如图1所示的汽车电动后视镜异响检测方法，包括如下步骤：
S1，由计算机101发送控制时序信号至数据采集卡102，待测后视镜电机106受到控制信号后进行X轴与Y轴的运动；由信号采集设备108进行声音录制工作，记录的声音序列记为z[n]；本实施例中，采样率设置为50000Hz。
S2，对故障声音样本进行离散短时傅里叶变换，记录变换后的声音频谱数据为STFT(n，ω)：
Figure BDA0002690233880000061
其中，j为虚数单位、z[n]为信号序列，ω[m]为窗函数。STFT(n，ω)为离散短时傅里叶变换的结果，n表示时间序列坐标，ω表示信号频谱频率。通过短时傅里叶变换后，可以绘制样本信号的频谱图像；本发明中对记录的声音数据通过离散短时傅里叶变换的方法将一维度信号转换为二维图像信号。
S3，针对生成的频谱图像，根据最大类间方差生成图像二值化阈值TH；具体过程为：最大类间方差的搜寻依据为：
Figure BDA0002690233880000062
Figure BDA0002690233880000063
其中，P0为灰度值低于二值化阈值TH的像素灰度值总和，Pi为标号为i的像素块灰度值，P1为灰度值高于二值化阈值TH的像素灰度值总和，μ0为灰度值低于二值化阈值TH的像素灰度值均值，μ1为灰度值高于二值化阈值TH的像素灰度值均值，n为图像像素点个数，
Figure BDA0002690233880000064
为最大类间方差。遍历TH的所有值，找到使得
Figure BDA0002690233880000065
最大时候的阈值TH，即可使得频谱图像的前景和背景与平均灰度的差别最大。在故障声音样本片段的二值化频谱图中，前景表示故障电机样本片段的可视化描述，背景表示声音的底噪。
S4，对频谱图像进行二值化处理，超过二值化阈值TH的像素格将其灰度值置为255，未超过二值化阈值TH的像素格将其灰度置为0；表示为：
Figure BDA0002690233880000066
二值化后的频谱图像既能够保持频谱图像的主要信息，又能够合理抑制背景噪声的干扰。
S5，对二值化频谱图像进行分块操作。把原先的频谱图像分成P×Q大小，其中P表示时间块坐标，Q表示频率块坐标，分块后故障声音片段的灰度值记为Gpq；该分块操作允许故障样本片段可以在小范围时间与频率中波动，能够保证对于同一种故障类型在受到偶然的干扰与波动中仍然能够检测出，提高识别的准确率。
S6，在消音环境中，使用声音采集设备录制待检测电机的声音样本信号，对待检测电机声音样本信号进行上述S1-6的操作，记录待检测电机声音片段的灰度值为Hpq，将Gpq和Hpq进行逻辑与操作，并记录运算结果为Rpq；
S7，将待测试电机与故障电机样本二值化频谱的逻辑和运算结果Rpq，输入到支持向量机二分类器中yi＝ωTRpq+b，得到待测试电机的故障状态yi，若yi＝+1，表示该待测电机中不包含故障样本片段，若yi＝-1则表示该待测电机中包含故障样本片段。得到待测电机的状态值后，通过状态指示灯模组表达；不包含故障片段则绿色指示灯亮，包含故障片段则红色指示灯亮。
附图中，图5表示故障声音片段样本二值化频谱，从图中可以看出，该片段存在较多的冲击部分，是一个典型的故障样本；图6表示某待检测电机的样本信号二值化频谱，从图中可以看出，该片段存在很少部分冲击，待测电机状态较好；图7表示故障声音片段与待检测电机声音二值化频谱逻辑和结果，从图中可以看出逻辑运算后的二值化频谱几乎不好含冲击成分。再经过分块操作后输入支持向量机分类器中则可以输出待测电机为正常非故障电机的结果。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (6)

1.一种汽车电动后视镜电机的检测方法，其特征在于，包括以下步骤：
S1，采集标准故障的汽车后视镜电机的工作声音；
S2，对故障声音样本进行离散短时傅里叶变换，并绘制故障声音样本信号的频谱图像；
S3，针对生成的频谱图像，根据最大类间方差生成图像二值化分类阈值TH；
S4，基于二值化分类阈值TH，对频谱图像进行二值化处理；
S5，对二值化处理后的频谱图像进行分块操作，分块后故障声音片段的灰度值记为Gpq；
S6，对待检测电机声音样本信号进行上述S1～S5的操作，记录待检测电机声音片段的灰度值为Hpq，将Gpq和Hpq进行逻辑与操作，并记录运算结果为Rpq；
S7，建立并利用故障声音片段的灰度值训练支持向量机分类器，将特征向量Rpq输入训练好的支持向量机二分类器中进行分类，完成对汽车电动后视镜电机的检测。
2.根据权利要求1所述的一种汽车电动后视镜电机的检测方法，其特征在于，根据最大类间方差生成图像二值化阈值TH，最大类间方差的搜寻依据为：
Figure FDA0002690233870000011
Figure FDA0002690233870000012
其中，P0为灰度值低于二值化阈值TH的像素灰度值总和，Pi为标号为i的像素块灰度值，P1为灰度值高于二值化阈值TH的像素灰度值总和，μ0为灰度值低于二值化阈值TH的像素灰度值均值，μ1为灰度值高于二值化阈值TH的像素灰度值均值，n为图像像素点个数，
Figure FDA0002690233870000013
为最大类间方差；找到使得
Figure FDA0002690233870000014
最大时候的阈值TH，即可使得频谱图像的前景和背景与平均灰度的差别最大。
3.根据权利要求1所述的一种汽车电动后视镜电机的检测方法，其特征在于，二值化处理的方法为：
Figure FDA0002690233870000015
即超过二值化阈值TH的像素格将其灰度值置为255，未超过二值化阈值TH的像素格将其灰度置为0。
4.根据权利要求1所述的一种汽车电动后视镜电机的检测方法，其特征在于，S7中建立并训练支持向量机分类器的方法为：将故障声音片段的灰度值{Gpq，yi}作为训练样本集，Gpq由P×Q个数据构成，yi∈{+1，-1},yi＝+1表示该待测电机不包含故障状态的样本片段，yi＝-1表示待测电机含有故障的样本片段；将训练集的样本数据代入分类器表达式，反推出能够将Gpq分成两类的超平面参数，随着样本量增多的同时，不断优化所得超平面的系数；经过大量训练集的输入，最终能够找到一个使得两类数据分隔最大的超平面，该分类函数表达式为yi＝aTGpq+b,其中，a为分类函数的系数，其维度大小为P×Q，b为常数项偏置参数。
5.一种汽车电动后视镜异响检测系统，其特征在于，包括后视镜电机夹具组(105)、声音采集单元、输出单元和控制单元；后视镜电机夹具组(105)包括3根夹棒用于夹持待测电动后视镜电机(106)；声音采集单元为拾音设备(108)，所述拾音设备(108)设置在后视镜电机夹具组(105)旁边，且拾音设备(108)通过信号线连接数据采集卡(102)；
输出单元包括显示器(103)和故障状态指示灯模组(104)，所述显示器(103)和故障状态指示灯模组(104)均通过信号线连接计算机(101)，将将检测结果进行输出；
控制单元为计算机(101)，在计算机(101)中对采集到的后视镜声音信号进行频谱二值化阈值生成、二值化处理，与故障样本片段的频谱进行逻辑与操作得到逻辑运算结果；在计算机(101)中进行支持向量机二分类器进行分类运算，并将分类结果输送到输出单元。
6.根据权利要求5所述的一种汽车电动后视镜异响检测系统，其特征在于，由计算机(101)与数据采集卡(102)信号连接，设置数据采集卡(102)的采样频率、控制时间、采样设置等参数，数据采集卡(102)与电动后视镜电机的驱动电路连接，并控制待测电动后视镜电机进行X轴、Y轴的转动，分别采集3段X轴、3段Y轴转动的声音信号。
CN202010989097.9A 2020-09-18 2020-09-18 一种汽车电动后视镜异响检测方法及检测系统 Active CN112233683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010989097.9A CN112233683B (zh) 2020-09-18 2020-09-18 一种汽车电动后视镜异响检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010989097.9A CN112233683B (zh) 2020-09-18 2020-09-18 一种汽车电动后视镜异响检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN112233683A true CN112233683A (zh) 2021-01-15
CN112233683B CN112233683B (zh) 2023-10-13

Family

ID=74108259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010989097.9A Active CN112233683B (zh) 2020-09-18 2020-09-18 一种汽车电动后视镜异响检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN112233683B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112857767A (zh) * 2021-01-18 2021-05-28 中国长江三峡集团有限公司 基于卷积神经网络的水轮发电机组转子故障声学判别方法
CN115602195A (zh) * 2022-12-12 2023-01-13 杭州兆华电子股份有限公司（Cn） 一种汽车后视镜电机转动异响测试的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030024497A (ko) * 2001-09-18 2003-03-26 기아자동차주식회사 자동차의 모터류 고장 확인 장치
US20060269086A1 (en) * 2005-05-09 2006-11-30 Page Jason A Audio processing
JP2011096216A (ja) * 2009-09-29 2011-05-12 Panasonic Corp ステレオ画像処理を用いた車両検出装置
CN105205728A (zh) * 2015-08-26 2015-12-30 国家电网公司 一种面向电力机房监控的音视频融合检测方法
CN105841797A (zh) * 2016-03-15 2016-08-10 中南大学 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置
CN108847252A (zh) * 2018-04-26 2018-11-20 杭州电子科技大学 基于声信号语谱图纹理分布的声特征提取方法
CN109030025A (zh) * 2018-08-16 2018-12-18 杭州容大智造科技有限公司 一种检测车辆外后视镜的设备及方法
CN109375105A (zh) * 2018-11-01 2019-02-22 湖南工程学院 一种新能源汽车电机运行检测系统及检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030024497A (ko) * 2001-09-18 2003-03-26 기아자동차주식회사 자동차의 모터류 고장 확인 장치
US20060269086A1 (en) * 2005-05-09 2006-11-30 Page Jason A Audio processing
JP2011096216A (ja) * 2009-09-29 2011-05-12 Panasonic Corp ステレオ画像処理を用いた車両検出装置
CN105205728A (zh) * 2015-08-26 2015-12-30 国家电网公司 一种面向电力机房监控的音视频融合检测方法
CN105841797A (zh) * 2016-03-15 2016-08-10 中南大学 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置
CN108847252A (zh) * 2018-04-26 2018-11-20 杭州电子科技大学 基于声信号语谱图纹理分布的声特征提取方法
CN109030025A (zh) * 2018-08-16 2018-12-18 杭州容大智造科技有限公司 一种检测车辆外后视镜的设备及方法
CN109375105A (zh) * 2018-11-01 2019-02-22 湖南工程学院 一种新能源汽车电机运行检测系统及检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAOHONG DENG: "Fault Diagnosis for Rotating Machinery: A Method based on Image Processing", 《PLOS ONE》, pages 1 - 22 *
陈景琳: "电机故障识别装置设计", 《中国设备工程》, pages 103 - 104 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112857767A (zh) * 2021-01-18 2021-05-28 中国长江三峡集团有限公司 基于卷积神经网络的水轮发电机组转子故障声学判别方法
CN112857767B (zh) * 2021-01-18 2022-03-11 中国长江三峡集团有限公司 基于卷积神经网络的水轮发电机组转子故障声学判别方法
CN115602195A (zh) * 2022-12-12 2023-01-13 杭州兆华电子股份有限公司（Cn） 一种汽车后视镜电机转动异响测试的方法

Also Published As

Publication number Publication date
CN112233683B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111650204A (zh) 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN112233683A (zh) 一种汽车电动后视镜异响检测方法及检测系统
CN107665348B (zh) 一种变电站数字仪表的数字识别方法和装置
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
CN103413150A (zh) 基于可见光影像对电力线路缺陷进行诊断的方法
CN102628854A (zh) 汽车仪表板检测系统及方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN106959397B (zh) 一种用于高铁逆变器的微小故障诊断系统的设计方法
CN117350967B (zh) 一种基于光学检测晶圆外观缺陷检测系统及其方法
CN116109635B (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
CN116012380B (zh) 一种绝缘子缺陷检测方法、装置、设备及介质
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN111862073A (zh) 一种电力设备的温度采集方法和装置
CN112819784A (zh) 一种配电线路导线断股散股检测方法及系统
CN117455843A (zh) 一种电缆头缺陷智能化检测系统
CN114820626A (zh) 一种汽车前脸零件配置智能检测方法
CN115753809A (zh) 一种绝缘子污损检测方法、装置、设备及存储介质
CN117825393A (zh) 偏光片自动生产线的在线监控系统及方法
CN115078912A (zh) 车顶高压电缆接头异常实时检测方法、系统及列车
CN112420074A (zh) 一种汽车后视镜电机异响声音的诊断方法
CN113376175A (zh) 一种基于图像特征的涡流纺断纱检测方法
CN112330633A (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN110533644B (zh) 一种基于图像识别的绝缘子检测方法
CN115438698A (zh) 一种基于图像处理的电力设备声音识别方法及系统

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