CN116895283A - 基于人工智能的噪声预测方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的噪声预测方法，包括：获取空气质量指数；获取振动信号和噪声信号；划分时间窗口；获取空气质量指数初值差分序列；获取空气质量指数异质性系数；获取空气质量指数差异离散性系数；获取基于时间窗口的空气质量指数修正序列；获取修正序列的随机项；获取空气质量指数的噪声贡献序列；采用相同的步骤，根据振动信号划分时间窗口，截取振动信号初值差分序列；将振动信号初值差分序列转换到频域信号；获取振动信号的噪声贡献序列；获取噪声贡献序列；将得到的参数输入到神经网络中，实现噪声预测。该噪声预测方法针对环境因素具备较高的鲁棒性，具有更加全面的预测效果。

Description

基于人工智能的噪声预测方法

技术领域

本发明涉及人工智能技术领域，具体为基于人工智能的噪声预测方法。

背景技术

空气净化器是一种用于改善室内空气质量的设备，能够去除空气中的颗粒物、有害气体、异味等污染物，提供更清洁健康的生活办公环境。噪声是空气净化器质量检测的重要指标，需要在不降低工作效率的前提下，降低设备的噪音水平，提供更舒适的生活办公环境。空气净化器的噪声主要来源于风扇速度、滤网种类、设计和隔音材料等，预测并降低空气净化器的噪声有助于改善产品设计，提升产品竞争力。

目前对于空气净化器的噪声预测主要依赖于对设备噪声的检测，通过获取在一定时间段内的噪声信号，输入到神经网络中进行学习，最终预测将来时刻的噪声值大小。由于空气净化器的噪声与其工作环境息息相关，当环境发生改变时噪音信号的大小也随之变化，但目前算法很少考虑环境因素的变换对噪声预测的影响，故一旦在复杂环境下，就会出现噪声预测灵敏性不强，精确度不高的问题。

发明内容

为了解决上述技术问题，本发明提供基于人工智能的噪声预测方法，以解决现有的问题。

本发明的基于人工智能的噪声预测方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的噪声预测方法，该方法包括以下步骤：

获取空气净化器进气口和出气口的空气质量指数；获取空气净化器振动信号和噪声信号；

利用时间窗口截取空气质量指数初值差分序列；根据空气质量指数初值差分序列获取空气质量指数异质性系数；根据空气质量指数初值差分序列和空气质量指数异质性系数获取空气质量指数差异离散性系数；根据空气质量指数差异离散性系数和空气质量指数初值差分序列获取基于时间窗口的空气质量指数修正序列；根据基于时间窗口的空气质量指数修正序列获取修正序列的随机项；根据修正序列的随机项及空气质量指数差异离散性系数获取空气质量指数的噪声贡献序列；

获取振动信号初值差分序列；将振动信号初值差分序列转换到频域信号；根据频谱信号获取振动信号的噪声贡献序列；

根据空气质量指数的噪声贡献序列、振动信号的噪声贡献序列和噪声信号完成对噪声的预测。

优选的，所述利用时间窗口截取空气质量指数初值差分序列，具体方法为：

计算空气净化器进气口和出气口空气质量指数的差值；将空气净化器进气口的空 气质量指数作为以自然常数为底数的指数函数的指数次幂，将所述指数函数作为初值修 正项；将所述差值与所述初值修正项的乘积作为空气质量指数初值差分序列的元素。

优选的，所述根据空气质量指数初值差分序列获取空气质量指数异质性系数，具体表达式为：

式中，表示第个时间窗口内的空气质量指数异质性系数；表示在时间窗口 内空气质量指数初值差分序列长度；表示第个时间窗口内空气质量指数初值差分 序在第个时刻的值；和分别表示第个时间窗口初值差分序列的均值和标准差。

优选的，所述根据空气质量指数初值差分序列和空气质量指数异质性系数获取空气质量指数差异离散性系数，具体表达式为：

式中，表示第个时间窗口内空气质量指数差异离散性系数；表示第个时间 窗口内的空气质量指数异质性系数；表示在时间窗口内空气质量指数初值差分序列长 度；表示在第个时间窗口内空气质量指数初值差分序列在第个时刻的值出现 的概率；表示以2为底数的对数函数。

优选的，所述根据空气质量指数差异离散性系数和空气质量指数初值差分序列获取基于时间窗口的空气质量指数修正序列，具体为：

计算该窗口初值差分序列的均值；将空气质量指数差异离散性系数和所述均值的乘积作为基于时间窗口的空气质量指数修正序列的元素。

优选的，所述根据基于时间窗口的空气质量指数修正序列获取修正序列的随机项，具体方法为：

结合时间序列分解算法将基于时间窗口的空气质量修正序列进行序列分解，分解为修正序列的趋势项、修正序列的周期项以及修正序列的随机项。

优选的，所述根据修正序列的随机项及空气质量指数差异离散性系数获取空气质量指数的噪声贡献序列，具体为：

将修正序列的随机项与空气质量指数差异离散性系数的和作为空气质量指数的噪声贡献序列的元素。

优选的，所述将振动信号初值差分序列转换到频域信号，具体为：

利用离散傅里叶变换将时间窗口内的振动信号初值差分序列转换到频域信号。

优选的，所述根据频谱信号获取振动信号的噪声贡献序列，具体为：

对振动信号进行频谱分析，获取振动频谱信号中心频率分量的能量，并获取中心频率分量的能量衰减一半时对应的频带宽度；将所述能量和所述频带宽度比值作为振动信号的噪声贡献序列的元素。

优选的，所述根据空气质量指数的噪声贡献序列、振动信号的噪声贡献序列和噪声信号完成对噪声的预测，具体方法为：

采用神经网络模型来对噪声进行预测，将空气质量指数的噪声贡献序列、振动信号的噪声贡献序列分别作为噪声预测的初步修正参数、次要修正参数；将噪声预测的初步修正参数、次要修正参数和噪声信号共同输入到神经网络中，神经网络的输出为预测噪声的预测信号值。

本发明至少具有如下有益效果：

本发明通过人为调整空气净化器进气口空气质量指数，使其变化范围涵盖大部分场景的空气质量指数，分析环境中空气质量指数变化得到初步修正参数，解决了传统方法忽略环境因素对噪声预测精度下降的问题，使得神经网络模型对环境因素具备较高的鲁棒性，提高噪声预测精度；进一步，结合空气净化器的振动信号，对其进行频域分析得到次要修正参数，纠正通过环境因素预测噪声的偏差，使得神经网络模型的噪声预测结果灵敏度更强，精确度更高。本发明还可检测固定场景下设备的噪声信号，对空气净化器的生产质量进行检测，预测空气净化器的噪声有助于改善产品设计，提升产品竞争力。

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和优点，下面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，下面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来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的基于人工智能的噪声预测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的噪声预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的噪声预测方法的具体方案。

本发明一个实施例提供的基于人工智能的噪声预测方法。

具体的，提供了如下的基于人工智能的噪声预测方法，请参阅图1，该方法包括以下步骤：

步骤S001：获取空气质量指数，获取振动信号和噪声信号。

在空气净化器的生产验收环节，需要对空气净化器质量进行检测。普通的测试方法为插电设备开机能否正常运行，此外还需要测试设备的工作状态，需要测试不同环境下设备的噪音情况，这样有助于对设备的设计改进和产品升级。本实施例旨在采集环境因素、振动信号和噪声信号，通过深度学习的方式获取各数据之间的关系，最终得到一个噪声预测模型。该模型可以针对不同的环境来输出设备在当前环境中的噪声值，与真实噪声值对比，判断设备的工作状态。

为了表征环境因素变化对空气净化器噪声的影响需要采集室内环境中的空气质 量情况，通过在空气净化器进气口和出气口放置传感器获得空气质量指数，分别用 和表示。

空气质量指数是一个综合性的概念，因此需要在空气净化器的进气口和出气口放 置多种传感器如温度传感器、湿度传感器、浓度传感器、浓度传感器以及浓度 传感器，将传感器数据进行汇总得到最终的空气质量指数。需要说明的是，汇总方式实施者 可根据实际情况自行选取，本实施例不做限制，本实施例中按中国空气质量指数标准进行 汇总。

此外，还需要通过声音传感器采集噪声信号，用表示，作为修正目标。通过振动 传感器采集空气净化器振动信号，用表示。

设置传感器采集信号时间间隔，需要说明的是，传感器采集信号的时间间隔实施 者可根据实际情况自行设定，本实施例不做限制，本实施例中传感器采集信号时间间隔为。为了方便分析需要将采集到的数据进行归一化。

至此，可以得到归一化后的各项指标数据，后续都在归一化的数据上对信号进行分析。

步骤S002：获取与噪声预测的相关修正参数：初步修正参数和次要修正参数。

信号采集是一个无限长的序列，计算复杂度较高，因此需要用时间窗口将无限长 的时间序列拆分成多个子序列，分析每个时间窗口内时间序列的特性来代表时间序列的特 征。设置时间窗口，需要说明的是，时间窗口的大小实施者可根据实际情况自行选取，本实 施例不做限制，本实施例选取时间窗口。

许多空气净化器可以根据当前的空气质量指数调整自身的工作状态，本实施例设 想通过雾化烟雾机人为调整进气口空气质量指数，使其变化范围涵盖大部分场景的空气质 量指数，使预测结果更加准确。构建空气质量指数差分序列，通过时间窗口截取差分序列， 分析时间窗口内空气质量指数的变化情况。由于进气口的空气质量指数能够影响空气净 化器的工作状态，但仅通过进气口和出气口的差分序列只能反映两者之间的变化情况，从 而结合空气净化器进气口空气质量指数添加初值修正项，得到空气质量指数初值差分序列 各个位置的值：

式中，表示第个时间窗口内空气质量指数初值差分序列第个位置的值，和分别表示第个时间窗口内空气净化器进气口和出气口的空气质量指数 序列第个位置的值，表示以自然常数为底数的指数函数。

表示在第个时间窗口内进气口和出气口空气质量指数的差 值，反映了空气净化器工作能力的强弱。需要说明的是，当进气口的初始值不同，但差值相 同时，如空气质量指数从60降到50和从20降到10，两者差值相同，但初值不同，此时空气净 化器的噪声应当存在差异。当空气质量较差，即进气口空气质量指数较高时，空气净化器会 调整工作状态，此时工作的噪声会相应增大，因此在后面添加上初值修正项， 将空气质量指数的输入值作为差分序列的修正，最终，得到空气质量指数初值差分序列。

将按照从小到大排列得到第个时间窗口内空气质量指数初值差分序列。进一步，通过空气净化器工作能力的强弱反应空气净化器的噪声强弱，根据空气质量 指数初值差分序列计算得到的空气质量指数异质性系数：

式中，表示第个时间窗口内的空气质量指数异质性系数，表示在时间窗口 内空气质量指数初值差分序列长度，表示第个时间窗口内空气质量指数初值差分 序在第个时刻的值，和分别表示第个时间窗口内初值差分序列的均值和标准 差。

需要说明的是，正常情况下，若时间窗口内空气质量指数的变化不大，表明空气净 化器工作稳定，所以初值差分序列各时刻的值应在均值附近波动，此时空气质量指数异质 性系数较小。当空气净化器的工作状态不稳定时，初值差分序列会出现一定的波动，反映为 空气质量指数异质性系数变大，此时空气净化器的噪声也大于正常工作的噪声。

通过空气质量指数异质性系数和基于时间窗口的空气质量指数初值差分序列，可 以得到第个时间窗口的空气质量指数差异离散性系数：

式中，表示第个时间窗口内空气质量指数差异离散性系数，表示第个时间 窗口内的空气质量指数异质性系数，表示在时间窗口内空气质量指数初值差分序列长 度，表示在第个时间窗口内空气质量指数初值差分序列在第个时刻的值出现 的概率，表示以2为底数的对数函数。

需要说明的是，空气质量指数差异离散性系数是空气质量指数异质性系数和 信息熵这两个概念的结合。当空气净化器工作状态不稳定，会导致空气质量指数初值差分 序列出现随机的波动，此时在设备的噪声值较大，空气质量指数初值差分序列具有一定的 随机性，离散度比较高，所以信息熵的值较大；与此相同空气质量指数异质性系数也变大， 综合导致空气质量指数差异离散性系数增大。反之设备工作稳定，信息熵较小，空气质量指 数异质性系数较小，导致空气质量指数差异离散性系数变小。

进一步，对于第个时间窗口，结合其空气质量指数差异离散性系数和初值差分序 列的均值，可以得到基于时间窗口的空气质量指数修正序列的值，即。需 要说明的是，空气质量指数修正序列是时间窗口级别的，即每个时间窗口对应修正序列中 的一个值，将按照从小到大排列，即可获得基于时间窗口的空气质量指数修正序列。

本实施例中通过雾化烟雾机产生不同的空气质量条件输入到空气净化器的进气口，并且周期性调整工作功率，如在一个周期内稳定从最小功率均匀变换到最大功率。目的是为了人为周期性控制空气质量指数，测试空气净化器在不同空气质量指数环境下的响应。所以得到的空气质量指数修正序列具有一定的周期性和趋势性。

具体的，采用基于LOESS(局部加权回归)STL时间序列分解算法，将进行序列 分解，由此得到：

式中，表示基于时间窗口的空气质量指数修正序列，表示修正序列的 趋势项，表示修正序列的周期项，表示修正序列的随机项。需要说明的是， LOESS(局部加权回归)STL时间序列分解算法为现有公知技术，不在本实施例的保护范围 内，实施者可根据实际情况自行选取时间序列分解算法，本实施例中不做限制。

基于时间窗口的空气质量指数修正序列反映了空气质量变化对空气器净化器的影响，将空气质量指数修正序列分解得到序列的趋势项、周期项、随机项。其中，趋势项和周期项是空气净化器针对雾化烟雾机模拟的环境变化的响应，而随机项包含空气净化器的自身波动因素。如果设备工作稳定时，随机项几乎为零，设备噪音也维持在正常指标。当设备自身波动比较大时，随机项的值会有较大变化，此时设备噪音也会较大，有区别于正常工作状态。

因此可以得到空气质量指数的噪声贡献序列的值：

式中，为第个时间窗口内空气质量指数的噪声贡献序列的值；第个时间 窗口内空气质量指数差异离散性系数，为空气质量指数修正序列分解得到的随机 项。将按照从小到大排列即可得到空气质量指数的噪声贡献序列。

需要说明的是，当在时间窗口内空气净化器处于稳定工作状态，此时设备应有较 低的噪声响应，此时空气质量指数异质性系数和随机项的值较小，最终空气质量 指数的噪声贡献序列值也减小。当空气净化器工作不稳定时，设备工作会有较大噪声， 此时会导致传感器检测到的波动较大，值变大，同时的值较大，最终值变大。

在空气净化器日常工作中，环境因素的变化，即空气质量指数决定设备的工作状态，影响空气净化器噪声信号的大小。但是仅通过空气质量指数对设备噪声信号进行预测，比较单一。由于在空气净化器日常工作中，振动信号和噪声信号有同频波动的特性，所以为了提高预测的准确性，本实施例继续对空气净化器工作时的振动信号进行分析，减少只通过环境因素预测噪声的偏差。

具体的，利用相似的方式针对振动信号截取时间窗口，得到窗口内的振动信号序 列为，表示第个时间窗口内振动信号序列第个位置的值，代表第个时间窗口内振 动信号序列。在时域对振动信号进行分析容易受到环境因素和传感器误差的影响，因此将 时域的振动信号转换到频域进行分析。

进一步，通过离散傅里叶变换，将一个时间窗口内的振动信号序列转换到频 谱信号，振动信号在时域是离散信号，转换到频域变成了无限长的振荡衰减信号。由 于中心频率包含振动信号最大的能量，能够直观反映振动的强弱。因此通过对振动信号的 频谱分析，得到振动信号的噪声贡献序列的值：

式中，表示第个时间窗口内振动信号的噪声贡献序列，表示中心频率分 量，表示第个时间窗口内振动频谱信号中心频率分量的能量，表示能量衰减一 半时对应的频带宽度，表示中心频率分量的能量衰减一半时对应的频带宽度。将按 照从小到大排列即可得到空气质量指数的噪声贡献序列。

当振动信号越集中在中心频率分量时，其频谱图中心频率分量对应的包络瘦而 尖，此时噪声信号表现更加尖锐，值较大。反之，当振动信号对应的频域能量越分散，其 频谱图中心频率分量对应的包络胖而宽，此时噪声信号表现更加沉闷，值较小。

通过上述方式，可以得到空气净化器在日常工作中，空气质量指数对空气净化器的噪声贡献序列，将其作为噪声预测的初步修正参数，对空气净化器的振动进行检测，得到振动信号的噪声贡献序列，将其作为噪声预测的次要修正参数。

至此，可以得到与噪声预测的相关修正参数：初步修正参数(空气质量指数噪声贡献序列)和次要修正参数(振动信号噪声贡献序列)。

步骤S003：将与噪声预测的相关参数输入到LSTM网络中，训练网络模型，实现噪声的预测。

本实施例采用LSTM神经网络模型来预测空气净化器的噪声信号，神经网络的输入 为空气质量指数的噪声贡献序列、振动信号的噪声贡献序列和噪声信号，需要 注意的是这三者都是基于时间窗口的序列，即每个时间窗口对应一个值。在计算噪声信号 对应时间窗口值是将窗口内声音传感器数据求均值得到。网络的输出是下一个时间窗口噪 声信号的数值，即，由此可以预测出不同环境下空气净化器噪声值的大小。需要说明 的是，LSTM神经网络以及网络训练过程为现有公知技术，不在本实施例保护范围内，在此不 做相关阐述。

综上所述，本发明实施例通过人为调整空气净化器进气口空气质量指数，使其变化范围涵盖大部分场景的空气质量指数，分析环境中空气质量指数变化得到初步修正参数，解决了传统方法忽略环境因素对噪声预测精度下降的问题，使得神经网络模型对环境因素具备较高的鲁棒性，提高噪声预测精度；进一步，结合空气净化器的振动信号，对其进行频域分析得到次要修正参数，纠正通过环境因素预测噪声的偏差，使得神经网络模型的噪声预测结果灵敏度更强，精确度更高。本实施例还可检测固定场景下设备的噪声信号，对空气净化器的生产质量进行检测，预测空气净化器的噪声有助于改善产品设计，提升产品竞争力。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.基于人工智能的噪声预测方法，其特征在于，该方法包括以下步骤：

获取空气净化器进气口和出气口的空气质量指数；获取空气净化器振动信号和噪声信号；

利用时间窗口截取空气质量指数初值差分序列；根据空气质量指数初值差分序列获取空气质量指数异质性系数；根据空气质量指数初值差分序列和空气质量指数异质性系数获取空气质量指数差异离散性系数；根据空气质量指数差异离散性系数和空气质量指数初值差分序列获取基于时间窗口的空气质量指数修正序列；根据基于时间窗口的空气质量指数修正序列获取修正序列的随机项；根据修正序列的随机项及空气质量指数差异离散性系数获取空气质量指数的噪声贡献序列；

获取振动信号初值差分序列；将振动信号初值差分序列转换到频域信号；根据频谱信号获取振动信号的噪声贡献序列；

根据空气质量指数的噪声贡献序列、振动信号的噪声贡献序列和噪声信号完成对噪声的预测。

2.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述利用时间窗口截取空气质量指数初值差分序列，具体方法为：

计算空气净化器进气口和出气口空气质量指数的差值；将空气净化器进气口的空气质量指数作为以自然常数为底数的指数函数的指数次幂，将所述指数函数作为初值修正项；将所述差值与所述初值修正项的乘积作为空气质量指数初值差分序列的元素。

3.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据空气质量指数初值差分序列获取空气质量指数异质性系数，具体表达式为：

式中，表示第/>个时间窗口/>内的空气质量指数异质性系数；/>表示在时间窗口/>内空气质量指数初值差分序列长度；/>表示第/>个时间窗口/>内空气质量指数初值差分序在第/>个时刻的值；/>和/>分别表示第/>个时间窗口/>初值差分序列的均值和标准差。

4.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据空气质量指数初值差分序列和空气质量指数异质性系数获取空气质量指数差异离散性系数，具体表达式为：

式中，表示第/>个时间窗口/>内空气质量指数差异离散性系数；/>表示第/>个时间窗口/>内的空气质量指数异质性系数；/>表示在时间窗口/>内空气质量指数初值差分序列长度；表示在第/>个时间窗口/>内空气质量指数初值差分序列在第/>个时刻的值出现的概率；/>表示以2为底数的对数函数。

5.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据空气质量指数差异离散性系数和空气质量指数初值差分序列获取基于时间窗口的空气质量指数修正序列，具体为：

计算该窗口初值差分序列的均值；将空气质量指数差异离散性系数和所述均值的乘积作为基于时间窗口的空气质量指数修正序列的元素。

6.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据基于时间窗口的空气质量指数修正序列获取修正序列的随机项，具体方法为：

结合时间序列分解算法将基于时间窗口的空气质量修正序列进行序列分解，分解为修正序列的趋势项、修正序列的周期项以及修正序列的随机项。

7.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据修正序列的随机项及空气质量指数差异离散性系数获取空气质量指数的噪声贡献序列，具体为：

将修正序列的随机项与空气质量指数差异离散性系数的和作为空气质量指数的噪声贡献序列的元素。

8.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述将振动信号初值差分序列转换到频域信号，具体为：

利用离散傅里叶变换将时间窗口内的振动信号初值差分序列转换到频域信号。

9.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据频谱信号获取振动信号的噪声贡献序列，具体为：

对振动信号进行频谱分析，获取振动频谱信号中心频率分量的能量，并获取中心频率分量的能量衰减一半时对应的频带宽度；将所述能量和所述频带宽度比值作为振动信号的噪声贡献序列的元素。

10.如权利要求1所述的基于人工智能的噪声预测方法，其特征在于，所述根据空气质量指数的噪声贡献序列、振动信号的噪声贡献序列和噪声信号完成对噪声的预测，具体方法为：

采用神经网络模型来对噪声进行预测，将空气质量指数的噪声贡献序列、振动信号的噪声贡献序列分别作为噪声预测的初步修正参数、次要修正参数；将噪声预测的初步修正参数、次要修正参数和噪声信号共同输入到神经网络中，神经网络的输出为预测噪声的预测信号值。