CN1301387C - 基于神经网络的空调器噪声源识别方法 - Google Patents
基于神经网络的空调器噪声源识别方法 Download PDFInfo
- Publication number
- CN1301387C CN1301387C CNB2004100274760A CN200410027476A CN1301387C CN 1301387 C CN1301387 C CN 1301387C CN B2004100274760 A CNB2004100274760 A CN B2004100274760A CN 200410027476 A CN200410027476 A CN 200410027476A CN 1301387 C CN1301387 C CN 1301387C
- Authority
- CN
- China
- Prior art keywords
- noise
- air conditioner
- neutral net
- air
- conditioner
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于神经网络(NN)的空调器噪声源识别方法。包括有如下三个基本步骤：1)状态特征提取；2)BP神经网络训练；3)空调器噪声源识别。神经网络作为一种新的方法体系，具有分布并行处理，非线性映射，自适应学习和鲁棒容错等特性，使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面有广泛的应用。空调器不同部件所产生的噪声状态，可以作为不同的模式用神经网络的模式识别能力来识别空调器的主要噪声源。本发明利用了目标状态的特征信息，不仅能有效地识别出空调器的主要噪声源，而且具有很高的鲁棒性和智能性。本发明可用于空调器噪声故障诊断及其他家用电器的噪声故障诊断。本发明可为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
Description
1、技术领域：
本发明涉及一种基于神经网络(NN)的空调器噪声源识别方法，用于空调器噪声源的识别及空调器的噪声故障诊断，属于空调器噪声源识别方法及空调器噪声故障诊断方法的创新技术。
2、背景技术：
空调器作为一种与人们生活息息相关的家用电器其质量尤其是噪声品质越来越得到人们的关注。空调器的噪声很复杂，压缩机、管路、风扇、风道等部件均可能产生噪声，要改善空调器的噪声品质首先要识别出噪声的主要来源。噪声源的识别方法主要有主观评价法、分部运转法、表面强度法、表面速度测量法、近场测量法等几种，但由于空调器结构上的特殊性，上述这些传统的方法很难很好地识别出空调器的主要噪声源。
3、发明内容：
本发明的目的在于克服上述缺点而提出一种新的基于神经网络的空调器噪声源识别方法，使得空调器噪声源的识别简单易行，为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
本发明基于神经网络的空调器噪声源识别方法，包括有如下三个基本步骤：
1)状态特征提取：将空调器只有一个主要噪声源的运行状态作为一种模式，对每一种模式下的噪声做频谱分析，取不同频段上的频谱值形成一个向量，
这个向量可以作为这个状态下的模式特征量，将噪声在不同频段内的谱值按从低到高的顺序排列起来就构成一个状态特征量；
2)BP神经网络训练：根据要求设计出BP神经网络，用步骤1)得到的模式特征量训练BP神经网络，并将神经网络系统训练好；
3)空调器噪声源识别：把空调器噪声数据输入步骤2)已经训练好的神经网络里面，即可由神经网络识别出空调器的主要噪声源。
上述步骤1)中噪声的频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz。
上述步骤2)中选择三层的BP神经网络，其中含一个网络隐层。
上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数为1。
上述三层BP神经网络的输入节点数为3，输出节点数为1，隐层节点数为7。
上述BP神经网络可用数学工具软件matlab设计。
本发明提出一种新的基于神经网络的空调器噪声源识别方法，神经网络作为一种新的方法体系，具有分布并行处理，非线性映射，自适应学习和鲁棒容错等特性，使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面有广泛的应用。空调器不同部件所产生的噪声状态，可以作为不同的模式用神经网络的模式识别能力来识别空调器的主要噪声源。本发明利用了目标状态的特征信息，不仅能有效的识别出空调器的主要噪声源，而且具有很高的鲁棒性和智能性。本发明可用于空调器噪声故障诊断及其他家用电器的噪声故障诊断。本发明是一种简单易行的空调器噪声源识别方法，可为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
4、附图说明：
下面结合附图详细说明本发明的具体结构：
图1为本发明实施例空调器噪声源识别的流程图；
图2为本发明实施例BP神经网络的结构示意图。
5、具体实施方式：
实施例：
本发明基于神经网络的空调器噪声源识别方法，包括有如下三个基本步骤：
1)状态特征提取
本发明的第一步就是提取模式的状态特征量。从两台空调器上提取状态特征量，两台空调的主要噪声源分别是压缩机配管系统和风扇系统。空调器的这两种状态可以视为空调器运行的两种模式，采集两种模式下空调器发出的噪声信号，分别进行频谱分析，频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz，取不同频段上频谱值形成这个模式下的特征向量。
本实施例对空调器的两种主要噪声源进行识别。定义风扇为主要噪声源的运行状态为模式0，空调器压缩机系统为主要噪声源的运行模式为模式1。首先在两种模式下分别采集其噪声信号，用BSWA V302USB声学分析仪做频谱分析，两种模式下得出的分析结果分别如下所示，每一列数据为一个对应模式的特征向量。
模式1(风扇噪声)的特征向量：
-73.29 -73.81 -78.42 -72.64 -73.93 -76.01 -69.27 -71.54 -74.38
-79.13 -73.63 -81.13 -84.63 -76.10 -91.98 -74.84 -76.27 -77.96
-81.05 -80.51 -83.54 -85.76 -79.03 -82.89 -85.53 -85.19 -78.52
-81.12 -79.13 -92.08 -76.17 -80.39 -80.82 -84.84 -81.83 -81.12
-83.31 -85.84 -83.16 -83.28 -86.01 -82.56 -82.02 -80.45 -82.83
-85.19 -84.51 -84.96 -89.36 -88.07 -83.65 -85.55 -90.02 -90.96
-89.57 -86.92 -86.25 -86.99 -90.36 -90.73 -87.92 -88.97 -92.12
-94.39 -92.64 -86.50 -92.59 -91.81 -98.44 -89.25 -91.05 -88.94
-91.84 -90.74 -91.84 -91.12 -95.05 -90.90 -91.34 -90.96 -93.48
-92.37 -91.24 -97.76 -94.55 -91.71 -92.08 -95.43 -91.46 -92.22
-95.38 -96.73 -93.16 -98.01 -93.30 -96.22 -97.11 -94.78 -93.74
-94.65 -93.43 -99.09 -97.19 -95.41 -97.61 -97.46 -84.42 -95.72
-100.63 -98.95 -99.20 -99.20 -99.32 -99.72 -100.60 -101.58 -100.23
-101.40 -101.63 -100.45 -103.27 -100.67 -101.81 -100.95 -101.92 -102.70
-102.29 -100.72 -101.04 -102.16 -103.02 -102.09 -101.91 -101.52 -101.63
-100.36 -99.30 -101.67 -100.16 -100.64 -101.20 -101.34 -100.53 -101.25
模式2(压缩机系统噪声)的特征向量：
-70.37 -68.89 -73.32 -78.38 -70.45 -67.65 -77.12 -72.58 -76.71
-79.06 -76.80 -76.03 -79.58 -80.55 -78.33 -79.39 -78.68 -83.01
-88.01 -79.92 -83.80 -85.99 -80.48 -81.20 -78.88 -82.12 -86.17
-92.46 -84.13 -89.78 -78.94 -80.70 -83.77 -76.76 -82.55 -85.08
-81.32 -85.40 -86.25 -87.93 -88.54 -84.88 -84.93 -87.61 -87.96
-87.63 -94.45 -83.51 -92.69 -88.07 -88.34 -85.58 -88.99 -88.62
-92.20 -85.70 -88.94 -89.22 -89.35 -89.49 -91.30 -88.27 -89.91
-90.20 -86.16 -95.91 -93.88 -91.76 -92.34 -89.02 -93.50 -92.18
-93.64 -91.47 -94.77 -95.07 -90.47 -94.28 -92.73 -95.48 -92.44
-93.13 -97.30 -92.59 -91.65 -90.13 -96.47 -92.21 -96.94 -95.50
-95.61 -99.06 -96.04 -97.39 -92.28 -93.32 -96.59 -97.42 -94.18
-98.66 -96.47 -98.55 -98.60 -95.96 -96.67 -97.96 -98.67 -98.09
-100.31 -97.87 -97.89 -98.04 -99.39 -98.98 -99.09 -99.61 -96.66
-97.99 -97.05 -96.29 -94.78 -96.25 -94.50 -97.61 -96.56 -94.91
-97.00 -96.93 -97.21 -99.17 -96.77 -98.27 -98.06 -98.08 -99.47
-97.25 -94.33 -97.40 -96.31 -95.88 -96.15 -96.98 -96.17 -98.66
2)网络训练
因三层BP网络具有逼近任意非线性函数的学习能力，故本发明选择三层的BP神经网，其中含一个隐层的BP网络，上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数可取为1。本实施例中，三层BP神经网络的输入节点数为3，隐层节点数为7，输出节点数为1。BP神经网络可用数学工具软件matlab设计。
在进行空调器噪声源识别之前，首先要将设计好的BP神经网络用上一步得到的模式特征向量进行训练。训练时神经网络的参数如下：学习速率为0.5，惯性比例因子为0.9，网络迭代1500步后即可获得满意收敛效果。
3)空调器主要噪声源识别(模式识别)
BP神经网络经步骤2训练好后，就可以进行空调器噪声源的识别。将有噪声故障空调器运行时测得的声音信号经声学分析仪做频谱分析后的数据输入到训练好的BP神经网络，神经网络的输出结果就可以对空调器的噪声源进行识别。
在本实施例中，分别测量两台噪声较大空调器的声音信号，经频谱分析后得到两个特征向量
V1＝[-74.93 -76.50 -79.83 -82.36 -85.71 -89.27 -91.34 -90.85 -94.35 -92.11 -93.37 -96.01 -99.34 -100.55-101.86 -100.97]’
V2＝[-66.75 -77.63 -81.76 -83.07 -83.95 -88.04 -89.92 -91.75 -95.67 -97.19 -93.02 -96.17 -98.12 -95.53-97.24 -97.13]’
将上述两个特征向量输入步骤2训练好的BP网络中，特征向量V1对应的神经网络输出为0，特征向量V2对应的神经网络输出为1，从而对空调器噪声源进行了识别。
Claims (6)
1、一种基于神经网络的空调器噪声源识别方法，其特征在于包括有如下三个基本步骤：
1)状态特征提取：将空调器只有一个主要噪声源的运行状态作为一种模式，对每一种模式下的噪声做频谱分析，取不同频段上的频谱值形成一个向量，这个向量可以作为这个状态下的模式特征量，将噪声在不同频段内的谱值按从低到高的顺序排列起来就构成一个状态特征量；
2)BP神经网络训练：根据要求设计出BP神经网络，用步骤1)得到的模式特征量训练BP神经网络，并将神经网络系统训练好；
3)空调器噪声源识别：把空调器噪声数据输入步骤2)已经训练好的神经网络里面，即可由神经网络识别出空调器的主要噪声源。
2、根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述步骤1)中噪声的频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz。
3、根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述步骤2)中选择三层的BP神经网络，其中含一个网络隐层。
4、根据权利要求3所述的基于神经网络的空调器噪声源识别方法，其特征在于上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数为1。
5、根据权利要求4所述的基于神经网络的空调器噪声源识别方法，其特征在于上述三层BP神经网络的输入节点数为3，输出节点数为1，隐层节点数为7。
6、根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述BP神经网络可用数学工具软件matlab设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2004100274760A CN1301387C (zh) | 2004-06-04 | 2004-06-04 | 基于神经网络的空调器噪声源识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2004100274760A CN1301387C (zh) | 2004-06-04 | 2004-06-04 | 基于神经网络的空调器噪声源识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1584433A CN1584433A (zh) | 2005-02-23 |
| CN1301387C true CN1301387C (zh) | 2007-02-21 |
Family
ID=34601360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2004100274760A Expired - Fee Related CN1301387C (zh) | 2004-06-04 | 2004-06-04 | 基于神经网络的空调器噪声源识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1301387C (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103139008A (zh) * | 2011-11-23 | 2013-06-05 | 中兴通讯股份有限公司 | 检测报文心跳周期的自适应方法和装置 |
| CN102563808B (zh) * | 2012-01-11 | 2014-02-26 | 华南理工大学 | 一种室内环境舒适度的自动控制方法 |
| US8886574B2 (en) * | 2012-06-12 | 2014-11-11 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
| CN103347070B (zh) * | 2013-06-28 | 2017-08-01 | 小米科技有限责任公司 | 推送语音数据的方法、终端、服务器及系统 |
| CN104931284B (zh) * | 2015-05-29 | 2018-03-27 | 广东美的制冷设备有限公司 | 空调器的故障检测方法、装置和空调器 |
| CN105115119B (zh) * | 2015-09-18 | 2019-05-03 | 珠海格力电器股份有限公司 | 用于空调机组的故障检测方法、装置和设备 |
| CN105424395B (zh) * | 2015-12-15 | 2018-05-18 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
| CN107123427B (zh) * | 2016-02-21 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种确定噪声声品质的方法及装置 |
| CN106323454B (zh) * | 2016-08-04 | 2019-08-16 | 广东美的制冷设备有限公司 | 空调室内机异音识别方法及装置 |
| CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
| CN106527169B (zh) * | 2017-01-20 | 2019-03-19 | 东莞优先家居有限公司 | 基于蓝牙的智能家居控制系统 |
| FR3080726A1 (fr) * | 2018-04-26 | 2019-11-01 | Orange | Detecteur d'etat complexe d'un objet, oreille electronique et procede de detection |
| CN110826583A (zh) * | 2018-08-14 | 2020-02-21 | 珠海格力电器股份有限公司 | 故障的确定方法、装置、存储介质及电子装置 |
| CN111578445A (zh) * | 2020-04-27 | 2020-08-25 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法、装置及空调器 |
| CN111721401B (zh) * | 2020-06-17 | 2022-03-08 | 广州广电计量检测股份有限公司 | 一种低频噪声分析系统及方法 |
| CN113298134B (zh) * | 2021-05-20 | 2023-07-28 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08320147A (ja) * | 1995-05-25 | 1996-12-03 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
| CN1040375C (zh) * | 1992-02-19 | 1998-10-21 | 株式会社日立制作所 | 用于三维空间的动态噪声控制设备 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| TW564314B (en) * | 2002-03-21 | 2003-12-01 | Mang-Hui Wang | CMAC_based fault diagnosis of air condition systems |
-
2004
- 2004-06-04 CN CNB2004100274760A patent/CN1301387C/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1040375C (zh) * | 1992-02-19 | 1998-10-21 | 株式会社日立制作所 | 用于三维空间的动态噪声控制设备 |
| JPH08320147A (ja) * | 1995-05-25 | 1996-12-03 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| TW564314B (en) * | 2002-03-21 | 2003-12-01 | Mang-Hui Wang | CMAC_based fault diagnosis of air condition systems |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1584433A (zh) | 2005-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1301387C (zh) | 基于神经网络的空调器噪声源识别方法 | |
| CN112818892A (zh) | 基于时间卷积神经网络的多模态抑郁症检测方法及系统 | |
| Ketterlinus et al. | Fishing for biomarkers: analyzing mass spectrometry data with the new ClinProTools™ software | |
| CN1302456C (zh) | 一种声纹识别方法 | |
| CN107154257A (zh) | 基于客户语音情感的客服服务质量评价方法及系统 | |
| CN1930575A (zh) | 分离和评估音频和视频源数据的技术 | |
| CN103985381A (zh) | 一种基于参数融合优化决策的音频索引方法 | |
| CN112116593A (zh) | 一种基于基尼指数的领域自适应语义分割方法 | |
| CN1825936A (zh) | 一种基于语音分类识别的新闻视频检索方法 | |
| CN112182257A (zh) | 一种基于神经网络的人工智能数据清洗方法 | |
| CN110163855B (zh) | 一种基于多路深度卷积神经网络的彩色图像质量评价方法 | |
| CN1174374C (zh) | 并发进行语音识别、说话者分段和分类的方法 | |
| Shu et al. | Time-frequency performance study on urban sound classification with convolutional neural network | |
| Dahl et al. | Data-driven design of sound for enhancing the perception of expressive robotic movement | |
| CN110046655B (zh) | 一种基于集成学习的音频场景识别方法 | |
| CN114332675B (zh) | 一种面向增强现实辅助装配的零件拾取感知方法 | |
| Faridee et al. | Predicting score distribution to improve non-intrusive speech quality estimation | |
| Ansar et al. | An EfficientNet-Based Ensemble for Bird-Call Recognition with Enhanced Noise Reduction | |
| WO2021149920A3 (ko) | 장내 미생물 분석 결과를 제공하는 방법 및 서버 | |
| Subasini et al. | Brain Tumor Classification and Detection using Dynamic Machine Learning | |
| Xie et al. | Image processing and classification procedure for the analysis of australian frog vocalisations | |
| CN1819019A (zh) | 基于矩阵特征向量范数的语音识别装置及其语音识别方法 | |
| Hui et al. | Garbage classification system based on improved faster R-CNN with audio-visual combination | |
| Chiu et al. | A micro-control device of soundscape collection for mixed frog call recognition | |
| Hou et al. | Image Aesthetics Evaluation Algorithm based on Visual Attention Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C19 | Lapse of patent right due to non-payment of the annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |