CN115856628A - 一种基于pso-svm检测模型的微特电机声学质量检测方法 - Google Patents
一种基于pso-svm检测模型的微特电机声学质量检测方法 Download PDFInfo
- Publication number
- CN115856628A CN115856628A CN202310171575.9A CN202310171575A CN115856628A CN 115856628 A CN115856628 A CN 115856628A CN 202310171575 A CN202310171575 A CN 202310171575A CN 115856628 A CN115856628 A CN 115856628A
- Authority
- CN
- China
- Prior art keywords
- micro
- special motor
- vibration acceleration
- vibration
- 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
Links
Images
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于PSO‑SVM检测模型的微特电机声学质量检测方法,包括:待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑;构建机器学习数据样本;对数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型;检测模型与微特电机声学质量检测系统的配置;微特电机声学质量检测系统采集待检测微特电机振动加速度信号,提取微特电机振动加速度特征向量,并将微特电机振动加速度特征向量输入到检测模型中进行检测;微特电机声学质量检测系统自动输出检测结果判定微特电机声学质量是否合格;本发明能够在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练并部署产线应用。
Description
技术领域
本发明属于微特电机声学检测技术领域,更具体地,涉及一种基于PSO-SVM检测模型的微特电机声学质量检测方法。
背景技术
微特电机广泛应用于汽车、白色家电以及电动工具等行业,且我国已经成为全球最大的微特电机生产制造国,据不完全统计,我国目前有上千家微特电机生产企业。为了确保微特电机生产质量,企业在生产线上建立了全面的质检工艺流程,其不仅需要对电机电气性能进行检测,还需要通过人工对其运行过程中的声音进行听音质检,一旦出现异音异响,则表明电机质量存在缺陷。尽管如此,上述人工听音方式检测效率低下、一致性差,且检测结果受人为主观因素影响较大,不利于企业产品质量检测与把控。
围绕企业电机声学质检的需求,不少学者开展了诸多研究,其概括起来主要包括两种途径:一是基于噪声物理模型的异音识别,该方法在静音箱环境下直接测量电机运行过程中的声音信号,通过计算声压级或者心理声学参数等指标,以便建立符合人耳听觉的物理模型评价标准,但是考虑到微特电机通常为低噪音电机,其测量过程中极易受到生产线偶发噪声的干扰,且人耳听觉是非常复杂的系统,上述指标也很难直接建立客观、合理的异音异响质检方法和标准。二是基于噪声数据模型的异音识别,该方法通过测量电机运行过程中的声音信号信号,结合人工智能技术,用大数据模型构建有效、合理的异音质检标准,上述方法技术原理可行,但是通常情况下弱化了电机声学特征的提取工作,需要庞大规模的数据样本才能获取比较准确的数据模型,且存在模型泛化和鲁棒性不佳等问题,落地应用和推广周期较长。
另外,微特电机噪声测量也存在一定的问题;考虑到异音异响本质为声音信号,因此通过传声器采集微特电机运行过程中声音信号,是理所当然的。但是,微特电机运行过程中噪声比较低,远远小于生产线上的其他工位噪声。为了满足测量过程中信噪比要求,通常需要在生产线上增加静音箱来构建电机噪声测量的有效环境,从而屏蔽外界噪声的干扰,具体如图1所示(图中,数字1为麦克风,2为微特电机,3为静音箱);尽管如此,上述通过噪声测量方式来完成微特电机声学信号测量存在以下问题:(1)容易受到车间内部偶发噪声干扰。通常而言,微特电机生产车间内部存在冲压、气动吹除等工位,其偶发噪声能量较大,静音箱内也会明显能够探测到,势必对微特电机噪声测量带来影响,进而引起异音异响误判。(2)容易影响产线的质检节拍。企业质检过程中都有明确的节拍要求,从而与整个生产线生产节拍匹配。但是由于静音箱的存在,不可避免存在微特电机进出静音箱动作以及静音箱进出料门开启和关闭的动作,因此势必增加微特电机的质检时间,从而影响了产线的质检节拍。
随着人工智能技术在智能制造中逐步应用,可通过采集微特电机振动信号来采集微特电机声学信号,进而采用人工智能方法进行缺陷检测;但是,目前研究工作中,大多从微特电机振动时域统计、频域统计、小波包能量等简单维度入手进行分析,并未将微特电机振动信号特征与异音异响等建立深度关联和映射;另外,在获取多维微特电机振动信号特征基础上,需要借助机器学习技术建立微特电机声学质量检测判定模型。通常情况下,大多选用有监督机器学习算法进行模型训练,其要求正负样本比例尽量均衡且需要庞大的数据规模,但是对于微特电机而言,其正常样本可以在产线上直接获取或者拿发货前装箱的产品,而异常样本则只能等待质检人员听音打标签之后才能获取,样本数量少且不同类型的样本数量不平衡。在这种情况下,很难通过有监督机器学习模型获取良好的判断模型,若通过逐步搜集不合格样本来实现数据获取,则上述工作的开展需要花费大量时间精力,势必影响系统的部署和应用。
因此,急需一种能够在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练,且能够快速部署应用判定微特电机声学质量是否合格的微特电机声学质量检测方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种基于PSO-SVM检测模型的微特电机声学质量检测方法,通过测量微特电机运行过程中径向振动加速度信号的方法替代现有技术在静音箱内采集微特电机噪声信号,从而保证测量结果的有效性和准确性,不仅能够屏蔽生产线外界的干扰,还能够实现高效自动化测量;提出了PSO-SVM机器学习模型训练方法,选用PSO算法对SVM分类模型中需要优化的参数进行优化调整,获得SVM分类模型参数的最优解,提升SVM分类模型的分类效果;确保在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练,且能够快速部署应用,判定微特电机声学质量是否合格。
为了实现上述目的,本发明提供一种基于PSO-SVM检测模型的微特电机声学质量检测方法,包括如下步骤:
S1:分别进行待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑;
S2:对合格微特电机和不同类型异音微特电机进行振动加速度信号采集和分类,构建机器学习数据样本;
S3:对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型;
S4:将所述检测模型与微特电机声学质量检测系统进行配置;
S5:通过微特电机声学质量检测系统采集待检测微特电机振动加速度信号,自动提取微特电机振动加速度特征向量,自动加载检测模型,并将微特电机振动加速度特征向量输入到所述检测模型中进行检测;
S6:微特电机声学质量检测系统自动输出检测结果,从而判定微特电机声学质量是否合格。
进一步地,步骤S3中对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型包括如下步骤:
S31:从所述数据样本中截取微特电机稳态振动信号;
S32:分别同时提取微特电机稳态振动信号的振动加速度有效值、振动加速度幅值调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真特征值,获得微特电机振动加速度信号的特征向量;
S33:将微特电机振动加速度信号的特征向量输入SVM分类模型进行机器学习模型训练,并选用PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整,获得符合客户既定检测要求的PSO-SVM分类模型,即得到符合客户既定检测要求的检测模型。
进一步地,步骤S32中微特电机稳态振动信号的振动加速度有效值特征向量的提取包括如下步骤:对于时域离散的微特电机振动加速度信号进行10Hz~10kHz的带通滤波,并计算振动加速度有效值。
进一步地,步骤S32中微特电机稳态振动信号的振动加速度幅值调制特征向量的提取包括如下步骤:
对微特电机振动加速度信号进行A计权网络滤波;
设定单位时间内固定时间步长作为一帧,计算微特电机在所述时间步长内的振动加速度有效值随时间的变化;
计算单位时间内各个时间步长下微特电机振动加速度有效值,并选取其中的最大值和最小值;
计算单位时间内微特电机稳态振动信号的振动加速度幅值调制因子;
计算整个时间历程内所有微特电机稳态振动信号的振动加速度幅值调制因子的平均值;
进一步地,步骤S32中微特电机稳态振动信号的振动加速度波峰因子特征向量的提取包括如下步骤:
对于时域离散的微特电机振动加速度信号进行10Hz~10kHz的带通滤波;
通过公式(3)计算振动加速度波峰因子,表示如下:
进一步地,步骤S32中微特电机稳态振动信号的振动加速度频率调制计算包括如下步骤:
通过软件计数法借助振动加速度信号获微特电机瞬时转速;
设定单位时间内固定时间步长作为一帧,计算微特电机在时间步长内转速平均值;
计算单位时间内各时间步长下微特电机转速平均值的最大值和最小值;
计算单位时间内的振动加速度频率调制因子;
计算整个时间历程内所有振动加速度频率调制因子的平均值。
进一步地,单位时间内的振动加速度频率调制因子通过式(4)计算:
进一步地,步骤S32中振动加速度谐波失真计算包括如下步骤:
截取各微特电机稳态运行过程中的振动加速度信号;
对各微特电机稳态运行过程中的振动信号进行分帧处理获得多组分帧信号;
计算各组分帧信号的自功率谱,并获取各组分帧信号基频及倍频幅值;
计算各组分帧信号基频及倍频幅值的平均值;
计算振动加速度信号的谐波失真;
其中,振动加速度信号的谐波失真通过公式(5)计算:
进一步地,步骤S33中SVM分类模型中需要优化的参数为惩罚因子和径向基函数半径。
进一步地,所述微特电机声学质量检测系统包括硬件模块和与所述硬件模块通信连接的软件模块;其中,
所述硬件模块用于采集微特电机振动信号,包括设于微特电机上的振动加速度传感器和数据采集板卡;所述数据采集板卡用于完成线上微特电机产品振动加速度信号的采集;
所述振动加速度传感器通过磁力座垂直吸附安装在微特电机表面,用于测量电机运行过程中径向的振动加速度;所述振动加速度传感器选用单轴振动加速度传感器;
所述软件模块包括产品列表模块、数据标记模块、智能检测模块以及数据导航模块;
所述产品列表模块用于完成不同待检微特电机的数据采集设置和检测机器学习模型的自定义配置;所述数据标记模块用于对所述硬件模块采集的数据样本进行预先标注,实现正常样品和异音样品的区分;所述智能检测模块用于对被检测微特电机各项性能参数及分析曲线结果进行显示,同时对微特电机产品是否合格进行判定;所述数据导航模块用于离线查看所述硬件模块采集的数据样本及所述数据标记模块的标记情况。
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.本发明的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,提出测量微特电机运行过程中径向振动加速度信号的方法,替代现有技术在静音箱内采集微特电机噪声信号,从而保证测量结果的有效性和准确性,不仅能够屏蔽生产线外界的干扰,还能够实现高效自动化测量。
2.本发明的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,将微特电机异音与振动故障进行分类,提出微特电机振动加速度多维特征,包括了有效值、幅值调制、峰值因子、频率调制及谐波失真等,选用振动加速度有效值特征映射微特电机的高噪声状态,选用振动加速度幅值调制映射微特电机声音起伏波动,选用振动加速度波峰因子特征映射电机瞬态高噪声,选用振动加速度频率调制特征映射电机音调变化,选用振动加速度谐波失真特征映射电机音色变化,与人耳听诊时响度、音色、音调等维度建立了深度关联。
3.本发明的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,提出了PSO-SVM机器学习模型训练方法,具体地,从机器学习数据样本中截取微特电机稳态振动信号,提取微特电机振动加速度信号特征值,获得微特电机振动加速度信号的特征向量;将微特电机振动信号的特征向量输入SVM分类模型进行机器学习模型训练,选用PSO算法对SVM分类模型中需要优化的参数进行优化调整,获得SVM分类模型参数的最优解,提升SVM分类模型的分类效果;确保在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练,且能够快速部署应用。
4.本发明的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,提出了适用于实现微特电机声学质量检测方法的微特电机声学质量检测系统,通过产品列表模块完成振动加速度传感器和数据采集卡设置,进而自动采集微特电机运行过程中的振动数据,形成检测文件,并将检测文件传送给电脑进行记录和存储;通过数据导航模块将记录和存储的振动数据检测文件生成生产数据库;数据标记模块对生产数据库中的数据根据实际需要进行标注,生成训练数据库;对训练数据库中的数据样本进行振动加速度信号特征提取,开展PSO-SVM模型训练后形成进行模型输出形成符合客户既定检测要求的机器学习检测模型,将机器学习检测模型封装输出的文件配置加载在该型微特电机待测产品列表中的检测标准选项中,从而完成检测模型的配置;进入智能检测模块,对后续待检测微特电机进行振动加速度信号进行采集,并自动加载检测模型,根据检测模型输出检测结果,即当完成其振动加速度信号后,系统会自动提取其振动特征向量,之后输入到PSO-SVM分类器,系统会自动输出检测结果,从而判定微特电机声学质量是否合格。本发明构建的硬件模块选型和软件功能设计,为后续微特电机声学质量检测系统建设核心模块的研发提供了指导。
附图说明
图1为通过噪声测量方式来完成微特电机声学信号测量的结构示意图;
图2为微特电机噪声和振动的频谱图;
图3为微特电机振动与噪声的频域相关性示意图;
图4为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法涉及的微特电机声学质量检测系统软件模块的结构示意图;
图5为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的振动加速度传感器的安装位置示意图;
图6为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的流程示意图;
图7为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动加速度有效值计算流程示意图;
图8为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动幅值调制计算示意图;
图9为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动加速度幅值调制计算流程示意图;
图10为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动加速度波峰因子的计算流程示意图;
图11为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动频率调制计算示意图;
图12为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动加速度频率调制计算流程示意图;
图13为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的微特电机振动加速度谐波失真计算流程示意图;
图14为本发明实施例一种基于PSO-SVM检测模型的微特电机声学质量检测方法的PSO-SVM检测模型训练的流程示意图。
在所有附图中,同样的附图标记表示相同的技术特征,具体为:1-麦克风、2-微特电机、3-静音箱、4-磁力座、5-振动加速度传感器。
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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,当元件被称为“固定于”、“设置于”或“设于”另一个元件,它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至该另一个元件上;术语“安装”、“相连”、“连接”、“设有”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,术语“第一”、“第二”......仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
众所周知,微特电机主要由电刷换向组件、定子和转子三大部件组成。电刷部件一端连接电机后端盖的电源接线柱,另一端交替的与转子上的换向片接触,使得电机保持单向旋转;定子部分包括电机外壳和用于励磁的永磁体,用于支撑和固定电机转子是电机的传动部件,当电机通电运行后,转子便连续运转。微特电机在正常运行的过程中不可避免的会产生振动,这些振动会产生不同频率的声音,也即是电机噪声的主要来源。一旦微特电机出现故障或者问题,微特电机的振动噪声会变得非常明显,微特电机的振动特性也会因此而受到影响。
微特电机振动与噪音信号的相关性如下图2和图3所示,其中图2为微特电机噪声和振动的频谱图,图3为微特电机振动与噪声的频域相关性。可以看出,二者关联性非常高。因此,微特电机的运转情况如何,振动和噪声均可以客观地反映。
然而,在实际工程中,机械振动的测量比噪声的测量往往要简单,本发明直接在微特电机本体布设振动加速度传感器测量其振动信号,不仅能够有效屏蔽生产线上其他工位带来的噪声干扰,而且不用额外增加静音箱,不影响微特电机质检节拍,本发明将对噪声的测量转化为对振动的测量,达到复杂问题简单化的目的。
基于上述理由,本发明的一个方面提供一种微特电机声学质量检测系统,包括硬件模块和与所述硬件模块通信连接的软件模块;所述硬件模块用于采集微特电机振动信号,包括设于微特电机上的振动加速度传感器和数据采集板卡;所述振动加速度传感器通过磁力座垂直吸附安装在电机表面,用于测量电机运行过程中径向的振动加速度,所述振动加速度传感器选用单轴振动加速度传感器;所述数据采集板卡用于完成线上微特电机产品振动加速度信号的采集,通过所述数据采集板卡记录并存储所述振动加速度传感器采集的微特电机振动信号;如图4所示,所述软件模块的软件架构分为检测层、数据层以及模型层;所述软件模块的功能模块分为产品列表模块、数据标记模块、智能检测模块以及数据导航模块;所述产品列表模块用于完成不同待检微特电机的数据采集设置和检测机器学习模型的自定义配置;所述数据标记模块用于对所述硬件模块采集的数据样本进行预先标注,实现正常样品和异音样品的区分;所述智能检测模块用于对被检测微特电机各项性能参数及分析曲线结果进行显示,同时对微特电机产品是否合格进行判定;所述数据导航模块用于离线查看前期所述硬件模块采集的数据样本及所述数据标记模块的标记情况。
进一步地,为了准确测量微特电机振动,并便于实现自动化检测,本发明选用单轴振动加速度传感器,通过磁力座垂直吸附安装在电机表面,从而测量微特电机运行过程中径向的振动加速度;具体如图5所示(图中数字2为微特电机,4为磁力座,5为振动加速度传感器),值得说明的是:(1)电机径向振动(Z向或者Y向)通常大于轴向振动,因此采用单轴振动加速度传感器直接垂直安装在微特电机正上方即可;(2)通过微特电机工装夹具设计及气缸配合,可以实现振动加速度传感器自动安装和拆卸,从而可以实现微特电机振动信号自动采集;本发明将对微特电机噪声的测量转化为对微特电机振动的测量,达到复杂问题简单化的目的。
进一步地,工作时,首先进入产品列表模块,完成待检微特电机数据采集设置;接着,在进入数据标记模块,完成微特电机不同类型异音标签的定义与编辑,之后要求企业提供一定数量合格微特电机及不同类型异音的微特电机,并完成所有电机振动加速度信号的采集;在采集过程中,将振动加速度信号进行同步播放,从而借助人工听音方式明确电机合格或者异音类型,通过点击前期对应的标签,确保在完成所有电机振动加速度信号样本采集的基础上,完成采集信号样本的分类;接着,将上述数据样本进行信号处理、特征提取和模型训练,直至模型分类准确率或召回率达到企业质检要求,在此基础上将训练模型封装输出成对应文件;接着,进入产品列表模块,将机器学习模型封装输出的文件配置加载在该型微特电机待测产品列表中的检测标准选项中,从而完成检测模型的配置;接着,进入智能检测模块,对后续待检测微特电机进行振动加速度信号的采集,并自动加载检测模型,根据检测模型输出检测结果,即当完成其振动加速度信号后,系统会自动提取其振动特征向量,之后输入到PSO-SVM分类器,系统会自动输出检测结果,从而判定微特电机声学质量是否合格。数据导航模块用于主要用于离线查看前期测试数据样本及人工标记情况。
进一步地,数据样本的信号处理、特征提取和模型训练包括如下步骤:
首先完成微特电机稳态振动信号的截取,之后分别同时提取振动加速度有效值、振动加速度幅值调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真等特征值,构成该微特电机样本的特征向量;遍历所有电机振动信号,即获得了所有微特电机振动信号的特征向量,包括正样本和负样本特征向量;
以微特电机振动特征向量为输入,采用SVM方法进行机器学习模型训练,并选用PSO算法对SVM模型中需要优化的惩罚因子C和径向基函数半径σ进行优化调整,从而提升SVM模型的分类效果;
当PSO-SVM模型分类效果达到客户既定检测要求后,在此基础上将训练模型封装输出成对应文件。
进一步地,所述数据标记模块用于实现两个功能:一是采集过程中实现振动信号的同步音频播放(用电脑播放),并通过耳机将声音传递至人耳,从而确保人工能够同步判定该产品发出的声音是正常还是异响,即实现数据分类和标记功能,人工在听音过程中可在工业平板电脑上进行按钮点击操作;二是采集过程中实现振动信号的同步保存,确保将原始时域信号进行有效保存,确保后续可以用于机器学习模型训练。因此,通过所述数据标记模块完成信号采集与标记,不仅能够实时显示各通道信号波形,而且通过人机触屏操作,完成信号的分类与标记。
本发明的一种微特电机声学质量检测系统的工作原理:通过所述产品列表模块完成振动加速度传感器和数据采集卡设置,进而自动采集微特电机运行过程中的振动数据,并将检测文件传送给电脑进行记录和存储;通过数据导航模块将记录和存储的振动数据检测文件生成生产数据库;所述数据标记模块对生产数据库中的数据根据实际需要进行标注,生成训练数据库;对训练数据库中的数据样本进行振动加速度信号特征提取,开展PSO-SVM模型训练后形成进行模型输出形成符合客户既定检测要求的机器学习检测模型,将机器学习检测模型封装输出的文件配置加载在该型微特电机待测产品列表中的检测标准选项中,从而完成检测模型的配置;接着,进入智能检测模块,对后续待检测微特电机进行振动加速度信号进行采集,并自动加载检测模型,根据检测模型输出检测结果,即当完成其振动加速度信号后,系统会自动提取其振动特征向量,之后输入到PSO-SVM分类器,系统会自动输出检测结果,从而判定微特电机声学质量是否合格。
如图6所示,本发明的另一个方面提供一种基于PSO-SVM检测模型的微特电机声学质量检测方法,应用上述微特电机声学质量检测系统实现,包括如下步骤:
S1:在微特电机声学质量检测系统分别进行待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑;
S2:并对合格微特电机和不同类型异音微特电机进行振动加速度信号采集和分类,构建机器学习数据样本;
S3:对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型;
S4:将所述检测模型与微特电机声学质量检测系统进行配置;
S5:通过微特电机声学质量检测系统采集待检测微特电机振动加速度信号,自动提取微特电机振动加速度特征向量,自动加载检测模型并将微特电机振动加速度特征向量输入到所述检测模型中进行检测;
S6:微特电机声学质量检测系统自动输出检测结果,从而判定微特电机声学质量是否合格。
进一步地,在本发明的实施例中,步骤S1中待检微特电机振动加速度信号数据采集设置在微特电机声学质量检测系统的产品列表模块进行;不同类型微特电机异音标签的定义编辑在微特电机声学质量检测系统的数据标记模块进行;
进一步地,在本发明的实施例中,步骤S2在进行微特电机不同类型异音标签的定义与编辑后,要求企业提供一定数量合格微特电机及不同类型异音的微特电机,并完成所有电机振动加速度信号的采集;在采集过程中,将振动加速度信号进行同步播放,从而借助人工听音方式明确电机合格或者异音类型,通过点击前期对应的标签,确保在完成所有电机振动加速度信号样本采集的基础上,完成采集信号样本的分类;所述数据样本包括正样本和负样本。
进一步地,由于人耳是从响度、音色、音调三个维度来感知声音的,当电机出现故障时声音会出现异常,人工听音检测故障也是从这三个特征对声音做出辨识;基于上述理由,本发明将微特电机异音与振动故障进行如下分类:
一是,微特电机异常振动与声音响度的关系
响度是对应的是人耳对于声音强弱的感觉,是最直观的感受,工人通过听电微特机声音大小变化初步判断是否存在故障。当微特电机机械结构加工、装配过程中出现问题时,其异常振动便会引起声音的变化。声音变化分为三种,第一种是持续性的电机长时间处于高噪声的状态,该故障主要是由于转子不平衡或内部松动引起碰撞及摩擦等产生;第二种是微特电机运行过程中声音起伏波动,该故障主要是电机转速不稳定或轴承磨合不良导致;第三种是电机瞬时声音变大,该故障主要是由于转子内部混入异物后产生,具有偶发性和随机性。
二是,微特电机异常振动与音色的关系
音色由声音信号中的谐波分量成分决定。电机声音是由于转子转动引起空气振动发声,因此,当微特电机电路绕组、磁路及气息不均匀时,电机振动的基频及倍频成分会明显增多,尽管其声音响度与正常微特电机差别不大,但是其声音音色会有明显差异。
三是,微特电机异常振动与音调的关系
音调与微特电机转动的频率直接相关,即当微特电机在额定转速上下波动时候,由于旋转机械的固有特性,其振动频率同样会存在对应波动,当频率偏差大于2Hz左右时候,此时声音中的音调会有明显不同。
基于上述理由,在本发明的实施例中,选用振动加速度有效值特征映射微特电机的高噪声状态,选用振动加速度幅值调制映射微特电机声音起伏波动,选用振动加速度波峰因子特征映射电机瞬态高噪声,选用振动加速度频率调制特征映射电机音调变化,选用振动加速度谐波失真特征映射电机音色变化。
基于上述理由,在本发明的实施例中,步骤S3中对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型包括如下步骤(如图14所示):
S21:从所述数据样本中截取微特电机稳态振动信号;
S22:分别同时提取微特电机稳态振动信号的振动加速度有效值、振动加速度幅值调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真特征值,获得微特电机振动加速度信号的特征向量;
S23:将微特电机振动加速度信号的特征向量输入SVM分类模型进行机器学习模型训练,并选用PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整,获得符合客户既定检测要求的PSO-SVM分类模型,即得到符合客户既定检测要求的检测模型;
进一步地,图7为微特电机振动加速度有效值计算流程示意图;步骤S22中微特电机稳态振动信号的振动加速度有效值特征向量的提取包括如下步骤:对于时域离散的微特电机振动加速度信号进行10Hz~10kHz的带通滤波,接着通过公式(1)计算振动加速度有效值,表示如下:
进一步地,图8为微特电机振动幅值调制计算示意图;图9为微特电机振动加速度幅值调制计算流程示意图;步骤S22中微特电机稳态振动信号的振动加速度幅值调制特征向量的提取包括如下步骤:
对微特电机振动加速度信号进行A计权网络滤波;
设定单位时间内(每秒钟)固定时间步长作为一帧(通常小于250ms),计算微特电机在所述时间步长内的振动加速度有效值随时间的变化;在本发明的一个实施例中,一帧时间步长为125ms;
根据公式(2)计算单位时间内的微特电机稳态振动信号的振动加速度幅值调制因子:
计算整个时间历程内所有微特电机稳态振动信号的振动加速度幅值调制因子的平均值,即可得到微特电机稳态振动信号的振动加速度幅值调制参数。
进一步地,图10为微特电机振动加速度峭度计算流程示意图;步骤S22中微特电机稳态振动信号的振动加速度波峰因子特征向量的提取包括如下步骤:
对于时域离散的微特电机振动加速度信号进行10Hz~10kHz的带通滤波;
通过公式(3)计算振动加速度波峰因子,表示如下:
进一步地,图11为微特电机振动频率调制计算流程示意图;图12为微特电机振动加速度频率调制计算流程示意图;振动加速度频率调制通过直接测量的电机瞬时转速计算,或者通过振动加速度信号间接获取瞬时转速信号后进行计算,步骤S22中微特电机稳态振动信号的振动加速度频率调制包括如下步骤:
通过软件计数法借助振动加速度信号获微特电机瞬时转速;
根据公式(4)计算单位时间内(每秒钟)的振动加速度频率调制因子:
计算整个时间历程内所有振动加速度频率调制因子的平均值,即可得到振动加速度频率调制参数。
进一步地,图13为微特电机振动加速度谐波失真THD的计算流程示意图;微特电机在既定转速运行时,其通常会存在基频振动信号,当微特电机电路绕组、磁路及气息不均匀时,电机振动倍频成分会明显增多,此时通过计算振动加速度谐波失真,便可以映射电机音色变化;值得说明的是,最高次谐波成份不能超过振动加速度分析带宽上限(10kHz),同时若电机自身附带传动结构如齿轮、蜗杆等结构,需要根据传动链参数视情去除传动链振动频率,仅保留其对应谐波成份;
步骤S22中振动加速度谐波失真计算包括如下步骤:
步骤一、截取各微特电机稳态运行过程中的振动加速度信号;
步骤二、对各微特电机稳态运行过程中的振动信号进行分帧处理获得多组分帧信号;其中频率分辨率不低于1Hz;
步骤三、计算各组分帧信号的自功率谱,并获取各组分帧信号基频及倍频幅值,即,各组分帧信号基频及谐波成份下的幅值;
步骤四、计算各组分帧信号基频及倍频幅值的平均值,即各组分帧信号基频及谐波成份幅值的平均值:
步骤五、根据公式(5)计算振动加速度信号的谐波失真;
进一步地,在获取多维微特电机振动信号特征基础上,需要借助机器学习技术建立微特电机声学质量检测判定模型。通常情况下,大多选用有监督机器学习算法进行模型训练,其要求正负样本比例尽量均衡且需要庞大的数据规模,但是对于微特电机而言,其正常样本可以在产线上直接获取或者拿发货前装箱的产品,而异常样本则只能等待质检人员听音打标签之后才能获取,样本数量少且不同类型的样本数量不平衡。在这种情况下,很难通过有监督机器学习模型获取良好的判断模型,若通过逐步搜集不合格样本来实现数据评审,则上述工作的开展需要花费大量时间精力,势必影响系统的部署和应用。
而支持向量机(SVM分类模型)是一种小样本的机器学习理论,它建立在坚实的数学和理论基础上,小样本情况下能够得到现有信息的最优解,而不仅是样本趋于无穷大是的最优解,在解决小样本的学习问题中表现出了许多的独特优势。因此,支持向量机可以在样本不趋近于无穷大的条件下,完成整个结构的风险最小化,在小样本的情况下能够很好的完成分类识别。此外,由于神经网络解决高维问题时,容易收敛在局部极值附近,而支持向量机在训练过程中使用了大间隔因子,能够很好的控制学习机器,使其选择的分类间隔是最大的,这个就是分类超平面,又叫最优超平面(若不可分,由松弛因子来控制经验风险),从而支持向量机能够完成分类的同时也具有非常好的推广能力。同时,支持向量机通过引入一些具有特殊性质的核函数,将实际问题通过非线性变换转换到高维特征空间,在高维空间中构造线性决策函数来实现原有空间中的非线性决策函数,使得求解支持向量机的过程只和训练样本的数目有关,与样本维数无关,即算法复杂度与样本维数无关,从而巧妙而有效的解决了传统学习机器不好解决的高维问题。
其中,步骤S23中SVM分类模型的搭建包括:
假设可分类的数据集
求解该超平面问题可以转化为以下优化问题:
定义SVM分类模型的分类函数:
进一步地,为了取得较好的故障预测效果,本发明采用粒子群优化算法(PSO)对SVM分类模型参数进行寻优。需要指出的是,SVM分类模型中需要优化的参数主要为惩罚因子和径向基函数半径/>。利用PSO来优化SVM分类模型参数能极大提升SVM的分类效果。PSO算法优化模型参数时,具有参数少、收敛快、全局搜索能力强的优点,常用来优化SVM分类模型中的参数。粒子群优化算法(PSO算法)是常用的优化算法,其思想来源于模仿动物种群的集群行为。
则,整个粒子群中搜索的最优解为:
进一步地,步骤S23中通过PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整,包括如下步骤:
按照速度更新粒子群,按照设定的迭代次数,不断更新最优解;
其中,对粒子速度和位置的更新迭代通过下式表示:
进一步地,步骤S4中将所述检测模型与微特电机声学质量检测系统进行配置包括如下步骤:
进入微特电机声学质量检测系统的产品列表模块,将机器学习模型封装输出文件配置加载在该型微特电机待测产品列表中的检测标准选项中,从而完成检测模型的配置;
进一步地,步骤S5中采集待检测微特电机振动加速度信号,自动提取微特电机振动加速度特征向量,自动加载检测模型并将微特电机振动加速度特征向量输入到所述检测模型中进行检测是通过微特电机声学质量检测系统的智能检测模块实现;具体地,通过智能检测模块对后续待检测微特电机进行振动加速度信号的采集,并自动加载检测模型,根据检测模型输出检测结果,即当完成其振动加速度信号后,系统会自动提取其振动特征向量,之后输入到PSO-SVM分类模型,系统会自动输出检测结果,从而判定微特电机声学质量是否合格。
本发明提供的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,提出测量微特电机运行过程中径向振动加速度信号的方法,不仅能够屏蔽生产线外界的干扰,还能够实现高效自动化测量;将微特电机异音与振动故障进行分类,提出微特电机振动加速度多维特征,并与人耳听诊时响度、音色、音调等维度建立了深度关联;提出了PSO-SVM机器学习模型训练方法,确保在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练,且能够快速部署应用;提出了适用于实现微特电机声学质量检测方法的微特电机声学质量检测系统,其构建的硬件模块选型和软件功能设计,为后续微特电机声学质量检测系统建设核心模块的研发提供了指导。
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,并不用于限制本发明,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 (10)
1.一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于,包括如下步骤:
S1:分别进行待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑;
S2:对合格微特电机和不同类型异音微特电机进行振动加速度信号采集和分类,构建机器学习数据样本;
S3:对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型;
S4:将所述检测模型与微特电机声学质量检测系统进行配置;
S5:通过微特电机声学质量检测系统采集待检测微特电机振动加速度信号,自动提取微特电机振动加速度特征向量,自动加载检测模型,并将微特电机振动加速度特征向量输入到所述检测模型中进行检测;
S6:微特电机声学质量检测系统自动输出检测结果,从而判定微特电机声学质量是否合格。
2.根据权利要求1所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于:步骤S3中对所述数据样本进行信号处理、特征提取和模型训练,获得符合客户既定检测要求的检测模型包括如下步骤:
S31:从所述数据样本中截取微特电机稳态振动信号;
S32:分别同时提取微特电机稳态振动信号的振动加速度有效值、振动加速度幅值调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真特征值,获得微特电机振动加速度信号的特征向量;
S33:将微特电机振动加速度信号的特征向量输入SVM分类模型进行机器学习模型训练,并选用PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整,获得符合客户既定检测要求的PSO-SVM分类模型,即得到符合客户既定检测要求的检测模型。
3.根据权利要求2所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于:步骤S32中微特电机稳态振动信号的振动加速度有效值特征向量的提取包括如下步骤:对时域离散的微特电机振动加速度信号进行10Hz~10kHz的带通滤波,并计算振动加速度有效值。
4.根据权利要求3所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于:步骤S32中微特电机稳态振动信号的振动加速度幅值调制特征向量的提取包括如下步骤:
对微特电机振动加速度信号进行A计权网络滤波;
设定单位时间内固定时间步长作为一帧,计算微特电机在所述时间步长内的振动加速度有效值随时间的变化;
计算单位时间内各个时间步长下微特电机振动加速度有效值,并选取其中的最大值和最小值;
计算单位时间内微特电机稳态振动信号的振动加速度幅值调制因子;
计算整个时间历程内所有微特电机稳态振动信号的振动加速度幅值调制因子的平均值;
6.根据权利要求5所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于:步骤S32中微特电机稳态振动信号的振动加速度频率调制计算包括如下步骤:
通过软件计数法借助振动加速度信号获微特电机瞬时转速;
设定单位时间内固定时间步长作为一帧,计算微特电机在时间步长内转速平均值;
计算单位时间内各时间步长下微特电机转速平均值的最大值和最小值;
计算单位时间内的振动加速度频率调制因子;
计算整个时间历程内所有振动加速度频率调制因子的平均值。
8.根据权利要求7所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于,步骤S32中振动加速度谐波失真计算包括如下步骤:
截取各微特电机稳态运行过程中的振动加速度信号;
对各微特电机稳态运行过程中的振动信号进行分帧处理获得多组分帧信号;
计算各组分帧信号的自功率谱,并获取各组分帧信号基频及倍频幅值;
计算各组分帧信号基频及倍频幅值的平均值;
计算振动加速度信号的谐波失真;
其中,振动加速度信号的谐波失真通过公式(5)计算:
9.根据权利要求8所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于,步骤S33中SVM分类模型中需要优化的参数为惩罚因子和径向基函数半径。
10.根据权利要求1-9中任一项所述的一种基于PSO-SVM检测模型的微特电机声学质量检测方法,其特征在于:所述微特电机声学质量检测系统包括硬件模块和与所述硬件模块通信连接的软件模块;其中,
所述硬件模块用于采集微特电机振动信号,包括设于微特电机上的振动加速度传感器和数据采集板卡;所述数据采集板卡用于完成线上微特电机产品振动加速度信号的采集;
所述振动加速度传感器通过磁力座垂直吸附安装在微特电机表面,用于测量电机运行过程中径向的振动加速度;所述振动加速度传感器选用单轴振动加速度传感器;
所述软件模块包括产品列表模块、数据标记模块、智能检测模块以及数据导航模块;
所述产品列表模块用于完成不同待检微特电机的数据采集设置和检测机器学习模型的自定义配置;所述数据标记模块用于对所述硬件模块采集的数据样本进行预先标注,实现正常样品和异音样品的区分;所述智能检测模块用于对被检测微特电机各项性能参数及分析曲线结果进行显示,同时对微特电机产品是否合格进行判定;所述数据导航模块用于离线查看所述硬件模块采集的数据样本及所述数据标记模块的标记情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171575.9A CN115856628B (zh) | 2023-02-28 | 2023-02-28 | 一种基于pso-svm检测模型的微特电机声学质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171575.9A CN115856628B (zh) | 2023-02-28 | 2023-02-28 | 一种基于pso-svm检测模型的微特电机声学质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115856628A true CN115856628A (zh) | 2023-03-28 |
CN115856628B CN115856628B (zh) | 2023-06-27 |
Family
ID=85659199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310171575.9A Active CN115856628B (zh) | 2023-02-28 | 2023-02-28 | 一种基于pso-svm检测模型的微特电机声学质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856628B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3012773A1 (de) * | 1980-04-02 | 1981-10-08 | Eckhard Dipl.-Ing. 2820 Bremen Roeder | Verfahren zur qualitaetspruefung von verfahrensprozessen und bauteilen |
JPH06300826A (ja) * | 1993-04-14 | 1994-10-28 | Hitachi Ltd | 電動機の検査装置 |
JP2005315595A (ja) * | 2004-04-27 | 2005-11-10 | Nissan Motor Co Ltd | 異音発生源特定装置及び異音発生源特定方法 |
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 |
CN109946055A (zh) * | 2019-03-22 | 2019-06-28 | 武汉源海博创科技有限公司 | 一种汽车座椅滑轨异响检测方法及系统 |
EP3631205A1 (en) * | 2017-06-01 | 2020-04-08 | General Electric Company | Wind turbine fault detection using acoustic, vibration, and electrical signals |
JP2020112493A (ja) * | 2019-01-15 | 2020-07-27 | 株式会社スカイディスク | 検査システム、異常特定方法 |
US20200251127A1 (en) * | 2019-02-06 | 2020-08-06 | Hitachi, Ltd. | Abnormal sound detection device and abnormal sound detection method |
CN112289329A (zh) * | 2020-10-22 | 2021-01-29 | 国网青海省电力公司海西供电公司 | 一种基于gwo-kfcm的高压断路器故障诊断方法 |
US20210118467A1 (en) * | 2019-10-22 | 2021-04-22 | British Cayman Islands Intelligo Technology Inc. | Apparatus and method for voice event detection |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
CN114358078A (zh) * | 2021-12-31 | 2022-04-15 | 上海泛德声学工程有限公司 | 一种电机振动的深度学习检测方法 |
CN115474897A (zh) * | 2021-06-15 | 2022-12-16 | 北京朗兰兹科技有限责任公司 | 可穿戴的音频与非音频振动体征的智能监测及识别系统 |
CN115604643A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司(Cn) | 一种手机充电器生产不良自动检测定位方法 |
-
2023
- 2023-02-28 CN CN202310171575.9A patent/CN115856628B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3012773A1 (de) * | 1980-04-02 | 1981-10-08 | Eckhard Dipl.-Ing. 2820 Bremen Roeder | Verfahren zur qualitaetspruefung von verfahrensprozessen und bauteilen |
JPH06300826A (ja) * | 1993-04-14 | 1994-10-28 | Hitachi Ltd | 電動機の検査装置 |
JP2005315595A (ja) * | 2004-04-27 | 2005-11-10 | Nissan Motor Co Ltd | 異音発生源特定装置及び異音発生源特定方法 |
EP3631205A1 (en) * | 2017-06-01 | 2020-04-08 | General Electric Company | Wind turbine fault detection using acoustic, vibration, and electrical signals |
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 |
JP2020112493A (ja) * | 2019-01-15 | 2020-07-27 | 株式会社スカイディスク | 検査システム、異常特定方法 |
US20200251127A1 (en) * | 2019-02-06 | 2020-08-06 | Hitachi, Ltd. | Abnormal sound detection device and abnormal sound detection method |
CN109946055A (zh) * | 2019-03-22 | 2019-06-28 | 武汉源海博创科技有限公司 | 一种汽车座椅滑轨异响检测方法及系统 |
US20210118467A1 (en) * | 2019-10-22 | 2021-04-22 | British Cayman Islands Intelligo Technology Inc. | Apparatus and method for voice event detection |
CN112289329A (zh) * | 2020-10-22 | 2021-01-29 | 国网青海省电力公司海西供电公司 | 一种基于gwo-kfcm的高压断路器故障诊断方法 |
CN115474897A (zh) * | 2021-06-15 | 2022-12-16 | 北京朗兰兹科技有限责任公司 | 可穿戴的音频与非音频振动体征的智能监测及识别系统 |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
CN114358078A (zh) * | 2021-12-31 | 2022-04-15 | 上海泛德声学工程有限公司 | 一种电机振动的深度学习检测方法 |
CN115604643A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司(Cn) | 一种手机充电器生产不良自动检测定位方法 |
Non-Patent Citations (2)
Title |
---|
DENG W: "Study on a novel fault diagnosis method based on integrating EMD,fuzzy rntropy improved pso and svm", 《JOURNAL OF VIBROENGINEERING》 * |
郭庆 等: "基于心理声学及支持向量机的扬声器异常音检测算法", 《东华大学学报(自然科学版)》, vol. 46, no. 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN115856628B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delgado-Arredondo et al. | Methodology for fault detection in induction motors via sound and vibration signals | |
US20200233397A1 (en) | System, method and computer-accessible medium for machine condition monitoring | |
Scanlon et al. | Residual life prediction of rotating machines using acoustic noise signals | |
CN110472587B (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 | |
CN107345857A (zh) | 一种电主轴状态监测与故障诊断系统及其监测诊断方法 | |
Vaimann et al. | Induction machine fault detection using smartphone recorded audible noise | |
RU2494364C2 (ru) | Способ и устройство для распознавания состояния исследуемой создающей шумы машины | |
CN107748314A (zh) | 基于声波震荡检测的变压器故障分析系统 | |
CN102072144A (zh) | 涡旋压缩机在线振动、噪声监测及故障诊断系统 | |
CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
CN201403203Y (zh) | 麦克风电声测试系统 | |
CN101718582B (zh) | 风力发电机组音调测试方法 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
Yaman et al. | A fault detection method based on embedded feature extraction and SVM classification for UAV motors | |
CN107367676A (zh) | 基于音频智能识别的局放指示器 | |
Li et al. | Self-supervised metalearning generative adversarial network for few-shot fault diagnosis of hoisting system with limited data | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
CN115856628B (zh) | 一种基于pso-svm检测模型的微特电机声学质量检测方法 | |
CN111076960B (zh) | 一种基于人工智能算法的声纹质量检测方法 | |
Pandarakone et al. | Fault classification of outer-race bearing damage in low-voltage induction motor with aid of fourier analysis and SVM | |
CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 |
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 |