关键词:
电机
异音检测
支持向量机
一类学习
特征提取
摘要:
现代工业生产以及家用电器都离不开各式各样的电机,人们在重视电机性能的同时也希望降低电机转动而产生的噪音。目前,工厂对异音电机识别是通过对产线工人进行培训,用人耳听音的方式实现对生产线上大批量小型电机的音质检测,而大量单调、重复听音劳动致使听觉疲劳影响主观判断,导致异音电机混入正常样本流入市场,对公司的经济和声誉会造成不可挽回的损失。因此,实现产线异音电机的自动化检测对电机产业的发展具有十分重要的意义。 本文针对电机声音信号的统计特性及其人工质检的特点,利用声传感器技术代替人耳实现对电机声音信号的采集,这种非接触式的测量方式正符合产线测试设备简单、高效等要求。在电机平稳运行情况下采集声信号,根据人耳听觉特性,从电机声音的平稳性来分析电机的频谱。因为人耳对相位不敏感,只需要对幅度谱来分析电机异音的特性,为了突出特征差异的绝对化,本文采用主成分分析法对电机的声信号进行数据压缩、维数来实现电机声信号提取特征。又考虑电机声信号中可能存在非平稳成分,将小波变换引入电机异音检测研究以更精确分析电机的时频特性,利用小波包分解获取电机声信号的各频段系数,根据奇异值分解的特征矢量对特征的贡献量进行降噪、重构并映射到特征矢量所张成的状态空间,实现对电机声信号的特征提取。同时,电机声信号进行小波包分解得到相互正交的频带,其能量没有损耗且蕴含着丰富的特征信息,将电机的特征映射到能量分布的子空间中,并以归一化能量构建特征矩阵实现对异音电机的特征提取。文中根据上述方法分别实现对电机声信号进行特征提取送入分类器进行训练,取得了良好的效果。 考虑到产线上异音样本量少、获取困难,个体差异造成异音等问题难以分析,且电机异音形成过程异常复杂,应用支持向量机一类学习这种新的机器学习方法实现对异音电机检测。该方法以正常电机样本为基础建立的质检判别函数,并不需要异音样本,避免了其它分类算法要求训练样本类别全面和覆盖广泛的条件。文章最后通过大量正常电机样本训练并以异音电机样本进行验证,得出对异音电机的识别率能满足工厂的需求,达到了预期目标。