CN113155271A - 声振检测方法、系统、终端及介质 - Google Patents

声振检测方法、系统、终端及介质 Download PDF

Info

Publication number
CN113155271A
CN113155271A CN202010076191.5A CN202010076191A CN113155271A CN 113155271 A CN113155271 A CN 113155271A CN 202010076191 A CN202010076191 A CN 202010076191A CN 113155271 A CN113155271 A CN 113155271A
Authority
CN
China
Prior art keywords
noise
data
sound
human ear
feature
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
CN202010076191.5A
Other languages
English (en)
Other versions
CN113155271B (zh
Inventor
徐海卿
曹骏
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.)
Shanghai Qingdong Information Technology Co ltd
Original Assignee
Shanghai Qingdong Information Technology Co ltd
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 Shanghai Qingdong Information Technology Co ltd filed Critical Shanghai Qingdong Information Technology Co ltd
Priority to CN202010076191.5A priority Critical patent/CN113155271B/zh
Publication of CN113155271A publication Critical patent/CN113155271A/zh
Application granted granted Critical
Publication of CN113155271B publication Critical patent/CN113155271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供一种声振检测方法、系统、终端及介质，包括：以人耳听检结果数据为输入数据，来训练机器听觉模型；其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。解决了现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题。本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。

Description

声振检测方法、系统、终端及介质
技术领域
本申请涉及一种智能制造领域，特别是涉及一种声振检测方法、系统、终端及介质。
背景技术、
传统的对于产品噪音水平的衡量往往通过测量少量的物理量来表征。比如，通过测量电机运转时产生的声压级(dB)来衡量电机的噪声水平是否达标。这一类方法往往无法使检测结果与人的主观感受相一致。换言之，即便各单一量均达标的产品仍然会呈现主观感受差的情况。究其原因，这是由于人对于声音的主观感受是由多个声音和振动指标共同作用的结果，单一的指标无法表达出人类对声音的主观感受。因此，为了能更好的获得与人类主观感受相一致的声品质评价，我们需要测量采集更多的物理量来进行评估。
因此，目前常见的做法是电机制造商在电机装配完成后安排人工听检工序对电机运转时的噪音水平进行检查和评估。为了能更好的评估电机的声品质，电机制造商利用各种参考样本(典型的合格品以及各类典型故障件)对听检员进行培训，强化他们对于各种参考样本声音特征的记忆。随后由听检员对下线的电机进行听检。经过长期的训练，听检员可以满足产线下线听检的要求。但是，这种方法高度依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约。
另一种常见的做法是通过测量电机运转时产生的振动信号来判断电机的装配质量和声音品质。由于收到振动采集点数量的限制，这种做法不能等效的反映出用户实际听到的声音情况，因此无法替代听检员完成声品质评价工作。
申请内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种声振检测方法、系统、终端及介质，用于解决现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题。
为实现上述目的及其他相关目的，本申请提供一种声振检测方法，包括：以人耳听检结果数据为输入数据，来训练机器听觉模型；其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。
于本申请的一实施例中，耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。
于本申请的一实施例中，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。
于本申请的一实施例中，所述方法还包括：将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。
于本申请的一实施例中，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。
于本申请的一实施例中，所述主机柜设有操控面板；其中，所述操控面板设有：总开关、充电口、通信接口中的一种或多种组合。
于本申请的一实施例中，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。
为实现上述目的及其他相关目的，本申请提供一种声振检测系统，包括：模型训练模块，用于以人耳听检结果数据为输入，来训练机器听觉模型；处理模块，用于利用训练后的所述机器听觉模型检测来自声振检测设备的电机声振信号。
于本申请的一实施例中，人耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。
于本申请的一实施例中，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。
于本申请的一实施例中，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。
为实现上述目的及其他相关目的，本申请提供一种声振检测终端，包括：存储器，用于存储计算机程序；处理器，用于运行所述计算机程序，以执行所述的声振检测方法。
为实现上述目的及其他相关目的，本申请提供一种计算机存储介质，存储有计算机程序，所述计算机程序运行时实现所述的声振检测方法。
如上所述，本申请的声振检测方法、系统、终端及介质，具有以下有益效果：本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。
附图说明
图1显示为本申请一实施例中的实施方案示意图。
图2显示为本申请一实施例中的声振检测方法的流程示意图。
图3显示为本申请一实施例中的敲击噪声检测方法的的实施方案示意图。
图4显示为本申请一实施例中的声振检测系统的结构示意图。
图5显示为本申请一实施例中的声振检测终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在通篇说明书中，当说某部分与另一部分“耦接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成份、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成份、区域、层或段区别于其它部分、成份、区域、层或段。因此，以下叙述的第一部分、成份、区域、层或段在不超出本申请范围的范围内，可以言及到第二部分、成份、区域、层或段。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
目前常见的评估电机声品质的做法是电机制造商在电机装配完成后安排人工听检工序对电机运转时的噪音水平进行检查和评估。但是，这种方法高度依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约。另一种常见的做法是通过测量电机运转时产生的振动信号来判断电机的装配质量和声音品质。由于收到振动采集点数量的限制，这种做法不能等效的反映出用户实际听到的声音情况，因此无法替代听检员完成声品质评价工作。
因此，本申请提供一种声振检测方法，用于解决现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题，本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。
如图1所述，展示本申请实施例中的实施方案示意图。
样品电机11发出的声振样品信号数据通过人耳12听检得到人耳结果数据，将人耳结果数据作为输入数据训练机器听觉模型13。
将声振检测设备14采集到的电机声振信号输入经训练机器听觉模型13进行检测可以得到听检结果。
所述声振检测方法包括：
以人耳听检结果数据为输入，来训练机器听觉模型；
其中，训练后的机器听觉模型用于检测来自声振检测设备的电机声振信号。
下面以附图2为参考，针对本申请得实施例进行详细说明，以便本申请所述技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现，并不限于此处说明的实施例。
如图2所示，为本申请实施例中的一种声振检测方法的流程示意图，所述方法可应用于例如图1实施例中的方案。
所述方法包括：
S21：以人耳听检结果数据为输入，来训练机器听觉模型；其中，其中训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。
可选的，所述利用输入的人耳听检结果来训练机器听觉模型；将来自所述声振检测设备采集的电机声振信号输入至训练后的机器听觉模型以得到听检结果。
可选的，所述人耳听检结果数据包括声振样品信号数据以及与其对应的人耳听检噪音类型信息。
可选的，根据所述声振样品信号数据可以提取与所述声振信号相对应的声振样品信号特征，根据所述声振样品信号特征对应属于该特征的人耳听检噪声类型，进而得到所述人耳听检噪音类型数据。
可选的，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。
可选的，对所述噪声类型分类样本数据进行机器学习和迁移学习得到所述人耳听检噪音类型数据，将包括所述人耳听检噪音数据的人耳听检结果数据作为输入数据，经过迁移学习的所述机器听觉模型可以更准确的识别噪声分类问题。
所述迁移学习步骤包括：特征选择、特征映射以及将深度学习与迁移学习结合；其中所述特征选择是找出源领域与目标领域之间共同的特征表示，所述特征映射将源领域和目标领域的数据从原始特征空间映射到新的特征空间中去。
可选的，所述声振样品信号数据为用于迁移学习的噪声信号，根据所述迁移学习的噪声信号得到与所述噪声信号对应的噪声信号特征，再根据所述噪声信号特征对应属于该特征的经过迁移学习的噪声类型分类样本数据。
将所述用于迁移学习的噪声信号、与所述信号相对应的噪声信号特征以及迁移学习的噪声类型分类样本数据作为训练数据训练所述机器听觉模型。
其中，将所述声振样品信号输入所述机器听觉模型，即可以得到对应的经过迁移学习的噪声类型。
可选的，所述方法还包括：将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。
可选的，所述方法还包括：令所述人耳听检结果数据中的人耳听检噪音类型数据中的一或多个样本作为标杆样本数据，将经过检测后的电机声振信号与所述标杆样品数据进行相似度计算，并通过调节之间的相似度阈值来调节所述电机声振信号，以使所述电机声振信号更准确。
可选的，所述相似度计算的方式：包括利用相似度算法来计算，常用的相似度算法包括利用欧式距离算法、余弦相似算法、皮尔逊相似度算法以及IUF相似度算法等算法；选取其中一个例子进行说明：采用余弦相似算法进行计算相似度：是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。
可选的，所述人耳听检结果根据声振样品信号数据经过人耳噪音分类得到与所述声振样品信号数据对应的人耳听检噪音类型信息。
可选的，接收来自声振检测设备采集的电机声振信号，利用训练后的机器听觉模型检测得到与所述电机声振信号相对应的噪音类型信息。
可选的，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。所述电磁噪声可以为由电源频率倍数产生的倍频噪音，也可以为由定、转子偏心、槽配合不当，转子不平衡引起的噪音，还可以是风叶与轴配合不牢引起的滑差噪音等和电磁相关的噪声，在本申请中不作限定。所述风道噪声可以为由风扇像旋转使气体周期脉动及气流碰撞固体物产生单调声的笛鸣噪声，也可以是风扇页面转动时周围气体产生的涡流声的涡流噪声等噪声，在本申请中不作限定。所述机械噪声是由机械造成的噪声类型。举例来说，噪声类型为机械噪声中的敲击声。
可选的，所述声振样品信号数据经过人工听检噪音类型分类后，按照人耳听检噪音类型数据的滤波检测特征进行相应类型的滤波。
可选的，所述人工听检噪音类型分类是对声振样品信号数据噪声类型以及噪声周期频率进行分类；举例来说，所述噪声类型为敲击声，再针对敲击声分类为周期敲击声以及非周期敲击声。
可选的，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。
根据所述的声振检测方法，具体举例实际应用中的实施例。
实施例1：敲击噪声检测方法，请参照图3为敲击噪声检测方法的实施方案图。
声振样品信号数据经过人耳听检得到声振样品信号数据以及与声振样品对应的噪声类型为敲击声，其中敲击声为周期敲击声或者为非周期敲击声；将为周期敲击声或者非周期敲击声的声振样品信号数据根据该周期敲击声的毛刺特征、本底特征、滤波特征以及时间特征进行滤波，得到滤波的声振样品信号数据。将所述声振样品信号数据与所述相对应的噪声类型作为输入来训练机器听觉模型。
将来自声振检测设备采集的电机声振信输入经训练的机械听觉模型，得到与所述电机声振相对应的检测结果。
与上述实施例原理相似的是，本申请提供一种声振检测系统，所述系统包括：
模型训练模块，用于以人耳听检结果数据为输入，来训练机器听觉模型；
处理模块，用于利用训练后的所述机器听觉模型检测来自声振检测设备的电机声振信号。
以下结合附图提供具体实施例：
如图4所示展示本申请实施例中的一种声振检测系统的结构示意图。
所述系统包括：
模型训练模块41，用于以人耳听检结果数据为输入，来训练机器听觉模型；
处理模块42，用于利用训练后的所述机器听觉模型检测来自声振检测设备的电机声振信号。
可选的，所述模型训练模块41利用输入的人耳听检结果来训练机器听觉模型；将来自所述声振检测设备采集的电机声振信号输入至训练后的机器听觉模型以得到听检结果。
可选的，所述人耳听检结果包括声振样品信号数据以及与其对应的人耳听检噪音类型信息。
可选的，根据所述声振样品信号数据可以提取与所述声振信号相对应的声振样品信号特征，根据所述声振样品信号特征对应属于该特征的人耳听检噪声类型，进而得到所述人耳听检噪音类型数据。
可选的，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。
可选的，所述模型训练模块41对所述噪声类型分类样本数据进行机器学习和迁移学习得到所述人耳听检噪音类型数据，将包括所述人耳听检噪音数据的人耳听检结果数据作为输入数据，经过迁移学习的所述机器听觉模型可以更准确的识别噪声分类问题。
所述迁移学习步骤包括：特征选择、特征映射以及将深度学习与迁移学习结合；其中所述特征选择是找出源领域与目标领域之间共同的特征表示，所述特征映射将源领域和目标领域的数据从原始特征空间映射到新的特征空间中去。
可选的，所述声振样品信号数据为用于迁移学习的噪声信号，根据所述迁移学习的噪声信号得到与所述噪声信号对应的噪声信号特征，再根据所述噪声信号特征对应属于该特征的经过迁移学习的噪声类型分类样本数据。
将所述用于迁移学习的噪声信号、与所述信号相对应的噪声信号特征以及迁移学习的噪声类型分类样本数据作为训练数据训练所述机器听觉模型。
其中，将所述声振样品信号输入所述机器听觉模型，即可以得到对应的经过迁移学习的噪声类型。
可选的，所述处理模块42还用于将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。
可选的，所述处理模块42还用于所述人耳听检结果数据中的人耳听检噪音类型数据中的一或多个样本作为标杆样本数据，将经过检测后的电机声振信号与所述标杆样品数据进行相似度计算，并通过调节之间的相似度阈值来调节所述电机声振信号，以使所述电机声振信号更准确。
可选的，所述相似度计算的方式：包括利用相似度算法来计算，常用的相似度算法包括利用欧式距离算法、余弦相似算法、皮尔逊相似度算法以及IUF相似度算法等算法；选取其中一个例子进行说明：采用余弦相似算法进行计算相似度：是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。
可选的，所述人耳听检结果根据声振样品信号数据经过人耳噪音分类得到与所述声振样品信号数据对应的人耳听检噪音类型信息。
可选的，所述处理模块42接收来自声振检测设备采集的电机声振信号，利用训练后的机器听觉模型检测得到与所述电机声振信号相对应的噪音类型信息。
可选的，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。所述电磁噪声可以为由电源频率倍数产生的倍频噪音，也可以为由定、转子偏心、槽配合不当，转子不平衡引起的噪音，还可以是风叶与轴配合不牢引起的滑差噪音等和电磁相关的噪声，在本申请中不作限定。所述风道噪声可以为由风扇像旋转使气体周期脉动及气流碰撞固体物产生单调声的笛鸣噪声，也可以是风扇页面转动时周围气体产生的涡流声的涡流噪声等噪声，在本申请中不作限定。所述机械噪声是由机械造成的噪声类型。举例来说，噪声类型为机械噪声中的敲击声。
可选的，所述模型训练模块41在所述声振样品信号数据经过人工听检噪音类型分类后，按照人耳听检噪音类型数据的滤波检测特征进行相应类型的滤波。
可选的，所述人工听检噪音类型分类是对声振样品信号数据噪声类型以及噪声周期频率进行分类；举例来说，所述噪声类型为敲击声，再针对敲击声分类为周期敲击声以及非周期敲击声。
可选的，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。
如图5所示，展示本申请实施例中的声振检测终端50的结构示意图。
所述声振检测终端50包括：存储器51及处理器52所述存储器51用于存储计算机程序；所述处理器52运行计算机程序实现如图2所述的声振检测方法。
可选的，所述存储器51的数量均可以是一或多个，所述处理器52的数量均可以是一或多个，而图5中均以一个为例。
可选的，所述声振检测终端50中的处理器52会按照如图2所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器51中，并由处理器52来运行存储在存储器51中的应用程序，从而实现如图2所述声振检测方法中的各种功能。
可选的，所述存储器51，可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备；所述处理器52，可能包括但不限于中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选的，所述处理器52可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供计算机可读存储介质，存储有计算机程序序，所述计算机程序运行时实现如图2所示的声振检测方法；所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。
综上所述，本申请声振检测方法、系统、终端及介质，解决了现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题。本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种声振检测方法，其特征在于，包括：
以人耳听检结果数据为输入数据，来训练机器听觉模型；
其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。
2.根据权利要求1所述的声振检测方法，其特征在于，人耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。
3.根据权利要求2所述的声振检测方法，其特征在于，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。
4.根据权利要求1所述的声振检测方法，其特征在于，所述方法还包括：将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。
5.根据权利要求2所述的声振检测方法，其特征在于，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。
6.根据权利要求1所述的声振检测方法，其特征在于，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。
7.一种声振检测系统，其特征在于，包括：
模型训练模块，用于以人耳听检结果数据为输入，来训练机器听觉模型；
处理模块，用于利用训练后的所述机器听觉模型检测来自声振检测设备的电机声振信号。
8.根据权利要求7所述的声振检测系统，其特征在于，人耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。
9.一种声振检测终端，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于运行所述计算机程序，以执行如权利要求1至4中任一项所述的声振检测方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，其中，所述计算机程序运行时实现如权利要求1至4中任一项所述的声振检测方法。
CN202010076191.5A 2020-01-23 2020-01-23 声振检测方法、系统、终端及介质 Active CN113155271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010076191.5A CN113155271B (zh) 2020-01-23 2020-01-23 声振检测方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076191.5A CN113155271B (zh) 2020-01-23 2020-01-23 声振检测方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN113155271A true CN113155271A (zh) 2021-07-23
CN113155271B CN113155271B (zh) 2023-08-22

Family

ID=76881899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076191.5A Active CN113155271B (zh) 2020-01-23 2020-01-23 声振检测方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN113155271B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945264A (zh) * 2021-10-14 2022-01-18 科博达(重庆)智控技术有限公司 汽车执行器噪音的估计方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004294444A (ja) * 2004-05-06 2004-10-21 Kobe Univ 音響評価方法およびそのシステム
JP2005283227A (ja) * 2004-03-29 2005-10-13 Matsushita Electric Ind Co Ltd 異音検査方法およびその装置
WO2008041730A1 (en) * 2006-09-29 2008-04-10 Panasonic Corporation Method and system for detecting wind noise
CN103471709A (zh) * 2013-09-17 2013-12-25 吉林大学 乘用车车内噪声声品质预测方法
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
CN108073856A (zh) * 2016-11-14 2018-05-25 华为技术有限公司 噪音信号的识别方法及装置
CN108731923A (zh) * 2018-03-28 2018-11-02 中控技术（西安）有限公司 一种旋转机械设备的故障检测方法及装置
CN109060114A (zh) * 2018-06-28 2018-12-21 中科声相（天津）科技有限公司 一种模拟人耳听觉效应声相仪检测方法
CN109115330A (zh) * 2018-08-20 2019-01-01 南京林业大学 一种汽车调光电机装置的异音识别方法
CN109580268A (zh) * 2018-12-22 2019-04-05 西安瑞联工业智能技术有限公司 一种产品异响、异音智能检测方法
CN109668626A (zh) * 2018-12-25 2019-04-23 东莞材料基因高等理工研究院 一种基于人机交互界面的噪声声品质评价方法
CN110044472A (zh) * 2019-03-22 2019-07-23 武汉源海博创科技有限公司 一种线上产品异音异响智能检测系统
CN110136746A (zh) * 2019-03-26 2019-08-16 宁波大学 一种基于融合特征的加性噪声环境下手机来源识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283227A (ja) * 2004-03-29 2005-10-13 Matsushita Electric Ind Co Ltd 異音検査方法およびその装置
JP2004294444A (ja) * 2004-05-06 2004-10-21 Kobe Univ 音響評価方法およびそのシステム
WO2008041730A1 (en) * 2006-09-29 2008-04-10 Panasonic Corporation Method and system for detecting wind noise
CN103471709A (zh) * 2013-09-17 2013-12-25 吉林大学 乘用车车内噪声声品质预测方法
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
CN108073856A (zh) * 2016-11-14 2018-05-25 华为技术有限公司 噪音信号的识别方法及装置
CN108731923A (zh) * 2018-03-28 2018-11-02 中控技术（西安）有限公司 一种旋转机械设备的故障检测方法及装置
CN109060114A (zh) * 2018-06-28 2018-12-21 中科声相（天津）科技有限公司 一种模拟人耳听觉效应声相仪检测方法
CN109115330A (zh) * 2018-08-20 2019-01-01 南京林业大学 一种汽车调光电机装置的异音识别方法
CN109580268A (zh) * 2018-12-22 2019-04-05 西安瑞联工业智能技术有限公司 一种产品异响、异音智能检测方法
CN109668626A (zh) * 2018-12-25 2019-04-23 东莞材料基因高等理工研究院 一种基于人机交互界面的噪声声品质评价方法
CN110044472A (zh) * 2019-03-22 2019-07-23 武汉源海博创科技有限公司 一种线上产品异音异响智能检测系统
CN110136746A (zh) * 2019-03-26 2019-08-16 宁波大学 一种基于融合特征的加性噪声环境下手机来源识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐洁磐: "《人工智能导论》", 31 July 2019, pages: 106 - 108 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945264A (zh) * 2021-10-14 2022-01-18 科博达(重庆)智控技术有限公司 汽车执行器噪音的估计方法
CN113945264B (zh) * 2021-10-14 2024-05-28 科博达(重庆)智控技术有限公司 汽车执行器噪音的估计方法

Also Published As

Publication number Publication date
CN113155271B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN107228766B (zh) 基于改进多尺度模糊熵的滚动轴承故障诊断方法
CN107036817B (zh) 基于磷虾群算法的svr滚动轴承性能衰退预测方法
CN110160765A (zh) 一种基于声音或振动信号的冲击特征识别方法及系统
JP2020095258A (ja) 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法
CN110057583A (zh) 一种轴承故障识别方法、装置及计算机设备
CN113125135A (zh) 旋转机械的故障诊断方法、存储介质及电子设备
CN108920854A (zh) 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统
WO2022244378A1 (ja) 電池状態判定方法および電池状態判定装置
CN113838480B (zh) 一种洗衣机异音检测方法、装置及电子设备
CN108470570B (zh) 电机异音检测方法
CN113155271A (zh) 声振检测方法、系统、终端及介质
CN108444715A (zh) 轴承状态诊断方法、装置、存储介质及电子设备
CN112487865A (zh) 一种基于机器学习的扬声器自动分类方法
CN113569990A (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及系统
CN107123427A (zh) 一种确定噪声声品质的方法及装置
CN113259832B (zh) 麦克风阵列的检测方法、装置、电子设备及存储介质
CN112798102B (zh) 一种声品质评价方法、装置、系统及介质
CN117630800A (zh) 一种电能表自动检定装置故障诊断方法及系统
EP2572356A1 (en) Method and arrangement for processing of speech quality estimate
Baek et al. A cost effective on-site fault diagnosis method for home appliance rotor failures
CN104977466B (zh) 一种步进马达脉冲频率的测试方法、系统及其设备
CN106175822A (zh) 一种基于声音传感器的肠电图检测系统
CN115618217A (zh) 一种驱动电机系统声品质客观评价特征提取方法
CN110763493A (zh) 一种故障类型的确定方法及装置

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