CN116935894A - 一种基于时频域突变特征的微电机异音识别方法及系统 - Google Patents
一种基于时频域突变特征的微电机异音识别方法及系统 Download PDFInfo
- Publication number
- CN116935894A CN116935894A CN202311210293.1A CN202311210293A CN116935894A CN 116935894 A CN116935894 A CN 116935894A CN 202311210293 A CN202311210293 A CN 202311210293A CN 116935894 A CN116935894 A CN 116935894A
- Authority
- CN
- China
- Prior art keywords
- micro
- audio signal
- motor
- signal information
- sound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000035772 mutation Effects 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 230000005236 sound signal Effects 0.000 claims abstract description 182
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 239000002893 slag Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000005069 ears Anatomy 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000009413 insulation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 229920005830 Polyurethane Foam Polymers 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000011496 polyurethane foam Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于时频域突变特征的微电机异音识别方法及系统,该方法包括:采集被测微电机工作时的音频信号信息;对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果;基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。本发明能够通过提取微电机音频信号的时域和频域突变特征来对异音故障种类进行细分化识别,提高微电机异音识别的准确率与效率。本发明作为一种基于时频域突变特征的微电机异音识别方法及系统,可广泛应用于微电机异音检测识别技术领域。
Description
技术领域
本发明涉及微电机异音检测识别技术领域,尤其涉及一种基于时频域突变特征的微电机异音识别方法及系统。
背景技术
在现代工业生产中,微电机是广泛应用的一种电动机,被广泛应用于家用电器、航空航天、汽车制造、医疗设备等领域。然而,由于制造过程中的不良质量控制或者微电机长期运行等原因,会导致微电机产生异常噪声,即异音,基于微电机的结构特点,微电机异音故障的分类大致可分为机械异音故障和电磁异音故障,微电机异音会影响机器的正常运行,甚至对机器造成损害,因此需要对其进行检测和识别;
微电机异音识别是现代工业生产中的一个重要问题,能够帮助企业及时发现微电机故障,提高生产效率和产品品质。目前,大多数企业仍然采用传统的人工听音鉴别方法,现有技术存在一种基于噪声特征的微电机智能品控方法,该方法运用机器学习,建立微电机故障智能识别模型,以判定微电机是否存在品质缺陷。但是,该方法将正常、缺陷两种类型以及细分缺陷类型与噪声特征之间的关系视为黑箱,判定的准确性依赖于用于训练的样本的数量,而大样本训练成本高、周期长,不利于工业企业应用。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于时频域突变特征的微电机异音识别方法及系统,能够通过提取微电机音频信号的时域和频域突变特征来对异音故障种类进行细分化识别,提高微电机异音识别的准确率与效率。
本发明所采用的第一技术方案是:一种基于时频域突变特征的微电机异音识别方法,包括以下步骤:
通过环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
进一步,所述根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息这一步骤,其具体包括:
根据人耳听音的音频频率范围,设定低频噪音频率阈值;
将采集到的微电机音频信号信息中低于低频噪音频率阈值的音频信号进行带通滤波处理,得到滤波后的微电机音频信号信息;
对滤波后的微电机音频信号信息进行预加重处理,得到增强后的微电机音频信号信息;
对增强后的微电机音频信号信息进行分帧加窗处理,得到预处理后的微电机音频信号信息。
进一步,所述基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果这一步骤,其具体包括:
对预处理后的微电机音频信号信息进行均方根值计算处理,得到微电机音频信号信息的均方根值;
根据微电机音频信号信息的均方根值,提取预处理后的微电机音频信号信息每个周期的短时能量;
获取预处理后的微电机音频信号信息当前周期的短时能量与预处理后的微电机音频信号信息下一周期的短时能量之间的比值;
设置一个突变系数阈值,判断到所述比值等于或大于所述突变系数阈值,则所述预处理后的微电机音频信号信息属于第一待识别声音;
判断到所述比值小于所述突变系数阈值,则所述预处理后的微电机音频信号信息属于第二待识别声音;
整合第一待识别声音和第二待识别声音,构建初步的音频信号分类结果。
进一步,所述根据微电机音频信号信息的均方根值,提取预处理后的微电机音频信号信息每个周期的短时能量这一步骤,其具体包括:
根据微电机音频信号信息的均方根值,计算预处理后的微电机音频信号信息的每一周期序列帧的能量和预处理后的微电机音频信号信息的总能量;
获取预处理后的微电机音频信号信息的每一周期序列帧的能量和预处理后的微电机音频信号信息的总能量的占比;
根据所述占比,通过短时能量计算公式计算预处理后的微电机音频信号信息每个周期的短时能量。
进一步,所述短时能量计算公式的表达式具体如下所示:
;
上式中,表示离散时间信号在时刻/>的样本值,/>表示窗函数,/>表示离散时间信号在时刻/>的短时能量,/>表示待计算的时刻,/>表示离散时间信号的自相关函数,所述离散时间信号的自相关函数表示信号在时刻/>和时刻/>之间的相似度,/>表示输入信号在时刻/>处的平方,/>表示系统的冲激响应,在时刻/>时的取值。
进一步,所述基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果这一步骤,其具体包括:
通过Mel滤波器对预处理后的微电机音频信号信息进行滤波处理,得到Mel滤波器的滤波输出结果;
对Mel滤波器的滤波输出结果进行取对数计算处理,得到微电机音频信号信息对应频带的对数功率谱;
对微电机音频信号信息对应频带的对数功率谱进行离散余弦变换,离散余弦转换将对数频谱变换到倒谱域,得到微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数;
根据微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数对第一待识别声音进行识别处理,得到第一声音识别结果;
对预处理后的微电机音频信号信息依次进行梅尔频率图变换与色度图计算处理,得到微电机音频信号信息的可视化色度图;
基于微电机音频信号信息的可视化色度图对第二待识别声音进行识别处理,得到第二声音识别结果;
整合第一声音识别结果和第二声音识别结果,得到最终的音频信号分类结果。
进一步,所述第一声音识别结果包括磁渣声故障音或正常转动声音,所述根据微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数对第一待识别声音进行识别处理,得到第一声音识别结果这一步骤,其具体包括:
设置一个梅尔频率倒谱系数阈值;
将微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数与梅尔频率倒谱系数阈值进行判断;
判断到存在微电机音频信号信息的一个梅尔频率倒谱系数的参数系数与前后两个周期的微电机音频信号信息的梅尔频率倒谱系数的参数系数的比值大于或等于梅尔频率倒谱系数阈值,则所述微电机音频信号信息为磁渣声故障音;
判断到存在微电机音频信号信息的一个梅尔频率倒谱系数的参数系数与前后两个周期的微电机音频信号信息的梅尔频率倒谱系数的参数系数的比值小于梅尔频率倒谱系数阈值,则所述微电机音频信号信息为正常转动声音。
进一步,所述第二声音识别结果包括内部零件松动故障音或装配不良故障音,所述基于微电机音频信号信息的可视化色度图对第二待识别声音进行识别处理,得到第二声音识别结果这一步骤,其具体包括:
对微电机音频信号信息的可视化色度图中的声音频率成分进行分析,得到分析结果;
若所述分析结果为微电机音频信号信息的可视化色度图中的声音频率成分集中于高频段区间,则所述微电机音频信号信息为装配不良故障音,所述高频段区间为6000Hz-8000Hz;
若所述分析结果为微电机音频信号信息的可视化色度图中的声音频率成分集中于低频段区间,则所述微电机音频信号信息为内部零件松动故障音,所述低频段区间为0-4000Hz。
本发明所采用的第二技术方案是:一种基于时频域突变特征的微电机异音识别系统,包括:
获取模块,用于通过环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
预处理模块,用于根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
初步识别模块,基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
最终识别模块,基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
本发明方法及系统的有益效果是:本发明采集被测微电机工作时的音频信号信息,根据模拟人耳听音的特性,通过提取微电机音频信号的时域和频域突变特征来对异音故障种类进行细分化识别,本发明能够避免人工听音主观性强、评价结果差异大等问题,并且能够代替产线上传统的人工听音检测,本发明可以节省人力成本,大大提高识别效率,减少误判率,提高生产效率和产品质量。
附图说明
图1是本发明实施例一种基于时频域突变特征的微电机异音识别方法的步骤流程图;
图2是本发明实施例一种基于时频域突变特征的微电机异音识别系统的结构框图;
图3是本发明实施例低成本环境降噪音频采集装置的结构示意图;
图4是本发明实施例四种微电机音频信号的短时能量图;
图5是本发明实施例所采用的梅尔频率倒谱系数参数特征提取流程图;
图6是本发明实施例四种微电机音频信号的色度图。
附图标记:1、隔音箱;2、电机夹具;3、电容式麦克风;4、微电机;5、麦克风支架。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明提供了一种基于时频域突变特征的微电机异音识别方法,该方法包括以下步骤:
S1、通过低成本环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
具体地,参照图3, 使用由低成本的聚氨酯发泡隔音棉与有机玻璃板搭建的隔音箱1、电机夹具2、电容式麦克风3、微电机4与麦克风支架5共同构建的采集装置采集微电机声音,麦克风支架5与电机夹具2放置于隔音箱内,并且电机夹具2与隔音箱1内壁的最小距离不小于电机夹具2的最大特征尺寸,麦克风支架5与电机夹具2之间的距离应该不小于电机夹具2最大尺寸的一半,并与电机夹具2保持平行;麦克风3由麦克风支架5固定,被测微电机4放置于电机夹具2内腔,麦克风3与微电机4输出端的距离应当不小于微电机4的直径,同时不大于微电机4直径的两倍。
S2、根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
具体地,通过模拟人耳听音的特性,对采集的微电机4音频信号进行预处理,目的是为了消除采集因素引起的误差,从而提高音频信号的质量,正常和三种异音类型的音频信号预加重前与预加重后的波形;
由于人耳可以听到的声音频率范围是从20Hz到20KHz,故使用巴特沃斯IIR滤波器滤除掉20Hz下的低频噪音。由于声音信号在传播过程中,其频率在800Hz 以上后会按照6dB/倍频程开始缩减,所以声音信号频谱的高频部分不易获得。故对声音信号进行预加重,以增强信号的高频成分,使信号频谱更加平坦。将预加重后的声音信号进行分帧,以便更好地分析声音信号;
由于声音信号分帧之后,会因为帧与帧之间的不连续性,容易导致频谱泄漏。所以需要加窗,以此获得连续平稳的音频信号,定义公式如下:
;
上式中,表示窗口中第/>个样本点的Hamming窗系数,/>表示窗口大小。
S3、基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
具体地,如图4所示,通过提取时域特征中的均方根指标与短时能量特征,将音频信号识别为以下两类中的一类:(1)正常转动声音或磁渣声故障;(2)装配不良故障音或内部零部件松动故障音;
均方根值可以用来计算声音信号的能量和音量大小,它是对信号平方之后求均值,最后再开方,计算公式如下:
;
上式中,RMS为均方误差式中表示声音信号,/>表示信号长度;
提取短时能量:短时能量可以分析每帧信号能量值的变化,对于信号,短时能量的定义如下:
;
上式中,,/>表示离散时间信号在时刻/>的样本值,/>表示窗函数,它是一个以时刻/>为中心的窗口,用来截取离散时间信号的一部分,以便在该时间段内计算短时能量;/>表示离散时间信号在时刻/>的短时能量,/>表示待计算的时刻,表示离散时间信号的自相关函数,它表示信号在时刻/>和时刻/>之间的相似度;
然后设定一个突变系数阈值3,当某个时刻的短时能量相对于前一个时刻的短时能量增加了3倍或以上,即装配不良故障音或内部零部件松动故障音,如果增加了3倍以下为正常转动声音或磁渣声故障。
S4、基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
具体地,如图5和图6所示,通过频域特征中的梅尔频率倒谱系数和色度图进一步实现:(1)将正常转动声音与磁渣声故障音区分开;(2)将装配不良故障音与内部零件松动故障音区分开;
梅尔频率倒谱系数是根据人的听觉实验结果来分析音频信号的频谱。对m个滤波器组的输出结果取对数运算,得到对应频带的对数功率谱,计算公式为:
;
上式中,表示对数功率谱,/>表示第/>个Mel滤波器在频率为/>的位置的响应值,/>表示STFT结果的幅值,/>表示MFCC的维度,即最终输出的MFCC系数的个数;
再将对数功率谱进行离散余弦变换,即离散傅里叶变换的逆变换,得到L个梅尔频率倒谱系数的参数系数,计算公式如下:
;
上式中,表示第/>个梅尔频率倒谱系数的参数系数;
当选择26个梅尔滤波器,会得到13个梅尔频率倒谱系数的参数系数,若其中一个或多个参数在一个或多个采样时刻的值是其前后两个采样时刻的参数值的三倍及以上,则为磁渣声故障音;若其中一个或多个参数在一个或多个采样时刻的值是其前后两个采样时刻的参数值的三倍以下,则为正常转动声音。
其次将预处理后的音频信号经过快速傅里叶变换得到每一帧的频谱,然后将频谱划分为一组频带,将所有帧的色度向量连接起来,形成一个色度矩阵,即色度图。则在色度图中,装配不良故障音通常在6000Hz到8000Hz区间具有较强的频率成分,而内部零件松动故障音则主要分布在4000Hz以下的频率范围内,可将其分类出来。
参照图2,一种基于时频域突变特征的微电机异音识别系统,包括:
获取模块,用于通过低成本环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
预处理模块,用于根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
初步识别模块,基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
最终识别模块,基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于时频域突变特征的微电机异音识别方法,其特征在于,包括以下步骤:
通过环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
2.根据权利要求1所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息这一步骤,其具体包括:
根据人耳听音的音频频率范围,设定低频噪音频率阈值;
将采集到的微电机音频信号信息中低于低频噪音频率阈值的音频信号进行带通滤波处理,得到滤波后的微电机音频信号信息;
对滤波后的微电机音频信号信息进行预加重处理,得到增强后的微电机音频信号信息;
对增强后的微电机音频信号信息进行分帧加窗处理,得到预处理后的微电机音频信号信息。
3.根据权利要求2所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果这一步骤,其具体包括:
对预处理后的微电机音频信号信息进行均方根值计算处理,得到微电机音频信号信息的均方根值;
根据微电机音频信号信息的均方根值,提取预处理后的微电机音频信号信息每个周期的短时能量;
获取预处理后的微电机音频信号信息当前周期的短时能量与预处理后的微电机音频信号信息下一周期的短时能量之间的比值;
设置一个突变系数阈值,判断到所述比值等于或大于所述突变系数阈值,则所述预处理后的微电机音频信号信息属于第一待识别声音;
判断到所述比值小于所述突变系数阈值,则所述预处理后的微电机音频信号信息属于第二待识别声音;
整合第一待识别声音和第二待识别声音,构建初步的音频信号分类结果。
4.根据权利要求3所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述根据微电机音频信号信息的均方根值,提取预处理后的微电机音频信号信息每个周期的短时能量这一步骤,其具体包括:
根据微电机音频信号信息的均方根值,计算预处理后的微电机音频信号信息的每一周期序列帧的能量和预处理后的微电机音频信号信息的总能量;
获取预处理后的微电机音频信号信息的每一周期序列帧的能量和预处理后的微电机音频信号信息的总能量的占比;
根据所述占比,通过短时能量计算公式计算预处理后的微电机音频信号信息每个周期的短时能量。
5.根据权利要求4所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述短时能量计算公式的表达式具体如下所示:
;
上式中,表示离散时间信号在时刻/>的样本值,/>表示窗函数,/>表示离散时间信号在时刻/>的短时能量,/>表示待计算的时刻,/>表示离散时间信号的自相关函数,所述离散时间信号的自相关函数表示信号在时刻/>和时刻/>之间的相似度,表示输入信号在时刻/>处的平方,/>表示系统的冲激响应,在时刻/>时的取值。
6.根据权利要求5所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果这一步骤,其具体包括:
通过Mel滤波器对预处理后的微电机音频信号信息进行滤波处理,得到Mel滤波器的滤波输出结果;
对Mel滤波器的滤波输出结果进行取对数计算处理,得到微电机音频信号信息对应频带的对数功率谱;
对微电机音频信号信息对应频带的对数功率谱进行离散余弦变换,离散余弦转换将对数频谱变换到倒谱域,得到微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数;
根据微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数对第一待识别声音进行识别处理,得到第一声音识别结果;
对预处理后的微电机音频信号信息依次进行梅尔频率图变换与色度图计算处理,得到微电机音频信号信息的可视化色度图;
基于微电机音频信号信息的可视化色度图对第二待识别声音进行识别处理,得到第二声音识别结果;
整合第一声音识别结果和第二声音识别结果,得到最终的音频信号分类结果。
7.根据权利要求6所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述第一声音识别结果包括磁渣声故障音或正常转动声音,所述根据微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数对第一待识别声音进行识别处理,得到第一声音识别结果这一步骤,其具体包括:
设置一个梅尔频率倒谱系数阈值;
将微电机音频信号信息每个周期的梅尔频率倒谱系数的参数系数与梅尔频率倒谱系数阈值进行判断;
判断到存在微电机音频信号信息的一个梅尔频率倒谱系数的参数系数与前后两个周期的微电机音频信号信息的梅尔频率倒谱系数的参数系数的比值大于或等于梅尔频率倒谱系数阈值,则所述微电机音频信号信息为磁渣声故障音;
判断到存在微电机音频信号信息的一个梅尔频率倒谱系数的参数系数与前后两个周期的微电机音频信号信息的梅尔频率倒谱系数的参数系数的比值小于梅尔频率倒谱系数阈值,则所述微电机音频信号信息为正常转动声音。
8.根据权利要求7所述一种基于时频域突变特征的微电机异音识别方法,其特征在于,所述第二声音识别结果包括内部零件松动故障音或装配不良故障音,所述基于微电机音频信号信息的可视化色度图对第二待识别声音进行识别处理,得到第二声音识别结果这一步骤,其具体包括:
对微电机音频信号信息的可视化色度图中的声音频率成分进行分析,得到分析结果;
若所述分析结果为微电机音频信号信息的可视化色度图中的声音频率成分集中于高频段区间,则所述微电机音频信号信息为装配不良故障音,所述高频段区间为6000Hz-8000Hz;
若所述分析结果为微电机音频信号信息的可视化色度图中的声音频率成分集中于低频段区间,则所述微电机音频信号信息为内部零件松动故障音,所述低频段区间为0-4000Hz。
9.一种基于时频域突变特征的微电机异音识别系统,其特征在于,包括以下模块:
获取模块,用于通过环境降噪音频采集装置采集被测微电机工作时的音频信号信息;
预处理模块,用于根据人耳听音特性,对采集到的微电机音频信号信息进行预处理,得到预处理后的微电机音频信号信息;
初步识别模块,基于提取时域突变特征,对预处理后的微电机音频信号信息进行识别分类,得到初步的音频信号分类结果,所述初步的音频信号分类结果包括第一待识别声音与第二待识别声音;
最终识别模块,基于频域突变特征,通过梅尔频率倒谱系数与色度图方法对初步的音频信号分类结果进行识别分类,得到最终的音频信号分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210293.1A CN116935894B (zh) | 2023-09-19 | 2023-09-19 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210293.1A CN116935894B (zh) | 2023-09-19 | 2023-09-19 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935894A true CN116935894A (zh) | 2023-10-24 |
CN116935894B CN116935894B (zh) | 2023-11-21 |
Family
ID=88388322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311210293.1A Active CN116935894B (zh) | 2023-09-19 | 2023-09-19 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935894B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131366A (zh) * | 2023-10-26 | 2023-11-28 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
CN110992985A (zh) * | 2019-12-02 | 2020-04-10 | 中国科学院声学研究所东海研究站 | 识别跑步机异音的识别模型确定方法、识别方法、系统 |
CN111812511A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于大数据的电机故障诊断方法及装置 |
US20230080835A1 (en) * | 2021-09-14 | 2023-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System for Broken-Rotor Bar Detection in Inverter-Fed Induction Motors Using Graph-Based Motor Current Signature Analysis |
CN115862680A (zh) * | 2022-08-23 | 2023-03-28 | 湖北青云优信科技开发有限公司 | 一种基于电机运行音频的故障检测方法及系统 |
-
2023
- 2023-09-19 CN CN202311210293.1A patent/CN116935894B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
CN110992985A (zh) * | 2019-12-02 | 2020-04-10 | 中国科学院声学研究所东海研究站 | 识别跑步机异音的识别模型确定方法、识别方法、系统 |
CN111812511A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于大数据的电机故障诊断方法及装置 |
US20230080835A1 (en) * | 2021-09-14 | 2023-03-16 | Mitsubishi Electric Research Laboratories, Inc. | System for Broken-Rotor Bar Detection in Inverter-Fed Induction Motors Using Graph-Based Motor Current Signature Analysis |
CN115862680A (zh) * | 2022-08-23 | 2023-03-28 | 湖北青云优信科技开发有限公司 | 一种基于电机运行音频的故障检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
田原;刘琼;: "基于短时能量和梅尔频率倒谱系数的球磨机工况识别", 烧结球团, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131366A (zh) * | 2023-10-26 | 2023-11-28 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
CN117131366B (zh) * | 2023-10-26 | 2024-02-06 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116935894B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116935894B (zh) | 一种基于时频域突变特征的微电机异音识别方法及系统 | |
CN108490349B (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
CN101600144B (zh) | 采用连续对数扫频信号获得电声产品多个参数的方法及系统 | |
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 | |
CN108663115A (zh) | 一种汽车车内怠速噪声客观量化评价方法 | |
CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
CN107170465B (zh) | 一种音频质量检测方法及音频质量检测系统 | |
CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及系统 | |
CN101115329A (zh) | 基于时频分析的扬声器异音在线检测仪 | |
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 | |
CN104900238A (zh) | 一种基于感知滤波的音频实时比对方法 | |
CN107367676A (zh) | 基于音频智能识别的局放指示器 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN112542174A (zh) | 基于vad的多维特征参数声纹识别方法 | |
CN114137410A (zh) | 一种基于声纹检测技术的液压机构断路器故障识别方法 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
CN214796752U (zh) | 一种基于声纹识别和声源定位的工程车辆识别定位装置 | |
CN217358737U (zh) | 变压器空间噪声检测电路 | |
CN115002642A (zh) | 一种基于听觉掩蔽结合svd-mrmr的扬声器异常声的特征提取方法 | |
CN115452378A (zh) | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 | |
CN115468707A (zh) | 一种“听振”结合的电厂密封设备漏气监测方法 | |
CN114358321A (zh) | 一种电机异响机器学习检测方法 | |
CN114093385A (zh) | 一种无人机检测方法及装置 | |
CN114566185A (zh) | 一种异响自动检测方法、设备及计算机可读存储介质 |
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 |