一种基于MFCC和SVM的车窗电机异常噪声检测方法及装置制造方法及图纸

本文发明专利技术公开了一种基于MFCC和SVM的车窗电机异常噪声检测方法及装置，采集电机空载运转时声音信号并对信号进行预处理。预处理阶段采用二阶汉宁自卷积窗作为窗函数对声音信号进行截取。预处理后数据提取MFCC参数并输入SVM中进行异常噪声判断。将MFCC特征值及判断结果Label存入历史数据库。为提高SVM判别准确率，采用人工蜂群算法实现SVM参数自动调整及更新；方法具有可靠性高，实用性强等特点，在实际生产应用中能有效判别电机异常噪声。

【技术实现步骤摘要】

本专利技术涉及汽车车窗电机生产现场对电机异常噪声在线检测技术，特别涉及一种基于MFCC和SVM的车窗电机异常噪声检测方法及装置。
技术介绍
随着人们对汽车声学环境舒适度提出更高要求，NVH(Noise、Vibration、Harshness)成为评价汽车电机综合性能的重要指标。汽车车窗电机靠近驾驶员，车窗电机带来的不悦耳声音会影响车内声学舒适度，给人带来不愉悦的声学感受，并且电机噪声反映电机运转状态，存在异响的电机常伴随内部结构缺陷。汽车车窗电机出厂前要依据国标《GB10069_3_200_旋转电机噪声测定方法及限制》进行严格的振动和噪声测试。现有的电机噪声检测技术一般有以下两种：(1)依靠人工听诊的方式实现电机噪声检测，凭借有经验的噪音员用耳朵听电机运转时声音的大小及尖锐程度来判断电机是否存在异常噪声。这种方法是目前各大车窗电机生产厂商普遍采用的检测方法。(2)在消声室内，通过传声器采集电机声音信号，并进行总声压级及声音频谱分析。在上述方法(1)中，人工听诊方式对电机噪声进行检测存在主观性强，即同一声音不同人听会有不同感受的缺点，同时，由于电机噪音检测人员每天检测上千台电机，由于听觉疲劳易出现错检和漏检等问题，同时，人工检测阻碍车窗电机生产全自动化实现。在上述方法(2)中，总声压级能够判别响度过大的车窗电机，但无法判别存在异常噪声的电机。基于声音频谱的分析方法，能够在一定程度上甄别异常噪声电机，但以Hz为单位的频谱不能准确估计各频率成分对噪声的贡献程度，使这些方法在实际应用中存在局限性。
技术实现思路
本专利技术的目的是克服上述现有技术存在的缺陷，提供一种基于MFCC和SVM的车窗电机异常噪声检测方法及装置，该方法能够有效的检测出噪声电机，满足检测方法在生产线上使用要求。一种基于MFCC和SVM的车窗电机异常噪声检测方法，包括以下步骤：步骤1：采集电机声音信号，并将电机声音信号以WAV.格式保存；步骤2：读取步骤1获得的WAV声音文件，对声音信号进行预处理；所述预处理依次包括预加重、数据截取以及加窗；数据截取即分帧，电机声音信号是周期性的，我们只需要对其中的一段进行分析即可。
并且，分帧后的数据减少了信号处理的工作量，加快了运算速度。加窗的目的是为了防治频谱泄漏，HSCW窗相对于MFCC方法中原有的汉宁窗能够更好的防止频谱泄漏。步骤3：对步骤2进行预处理后的声音信号xi(m)提取MFCC特征参数；步骤4：对步骤3提取的MFCC特征参数进行归一化处理；步骤5：对归一化处理后的MFCC特征参数按照设定格式进行存储，设定格式包括所采集声音对应的电机型号、电机状态以及归一化MFCC特征参数；步骤6：生成电机声音SVM分类模型；步骤6.1：按照步骤1-5对已知电机状态的电机提取归一化MFCC特征参数及电机型号，作为训练样本，所述训练样本中包含正常电机30个，异常电机70个；步骤6.2：从训练样本中选取相同电机型号的样本，采用SVM分类方法进行训练，获取相同电机型号的MFCC归一化特征参数的电机声音SVM分类模型；步骤7：将待检测的电机声音按照步骤1-4生成归一化MFCC特征参数；步骤8：从步骤6生成的SVM模型中选取与待检测的电机型号相同的电机声音SVM分类模型，并将步骤7获得的归一化MFCC特征参数进行分类识别，获得待检测的电机状态。所述步骤3中提取MFCC特征参数时采用Mel三角滤波器进行滤波；其中，第m个Mel三角滤波器的传递函数为：Hm(k)=0k>f(m-1)2[k-f(m-1)][f(m)-f(m-1)][f(m+1)-f(m-1)]f(m-1)≤k≤f(m)2[f(m+1)-k][f(m+1)-f(m)][f(m+1)-f(m-1)]f(m)≤k≤f(m+1)0k>f(m+1)]]>式中，0≤m≤M，M为滤波器的个数；f(m)为第m个滤波器的中心频率：fl和fh分别为第m个滤波器的最低频率和最高频率，N为离散傅里叶变换窗宽，Fs为采样率，为Fmel反函数，为以Mel为单位的频率用来模拟耳蜗的对音频频率响应：Mel频率标度最早由Mel Mermelstein和Davies提出，。Hz频率与Mel频率之间存在着转换关系：根据这个式子变换而来。对步骤6获得的电机声音SVM分类模型中的误差惩罚因子C、核函数宽度σ，采用人工
蜂群算法进行优化；其中，以相同电机型号的训练样本的SVM分类判断结果和已知状态进行比对，获得SVM分类模型的判断准确率Vacc，以获得分类模型的判断准确率的最大值作为优化目标函数；采用人工蜂群算法中的初始化参数包括最大循环次数Max Cycles＝1000，目标函数维数Dim＝2，搜索坐标个数M＝50，单个坐标的最大重复搜索次数Limit＝20，参数误差惩罚因子搜索范围C∈[1 100]，核函数宽度σ∈[0.01 10]。人工蜂群算法的目的就是找到C与σ的最佳搭配，使得支持向量机对样本的判断准确率Vacc最大。对采集的电机声音信号x(i)进行预加重，由数字滤波器H(z)实现：H(z)＝1-μz-1；式中，μ为常数，取值0.93-0.97。所述步骤2中进行数据截取是指对电机声音信号进行分帧处理，帧长设置为10ms，选取帧长的20％-30％作为帧移。所述步骤2中进行加窗是指以上述的帧移作为加窗时窗口的移动时间，对每帧数据加二阶汉宁自卷积HSCW窗，HSCW窗频谱函数W2(ω)：W2(ω)={12WR(ω)+14[WR(ω-2πN)+WR(ω+2πN)]本文档来自技高网...

【技术保护点】
一种基于MFCC和SVM的车窗电机异常噪声检测方法，其特征在于，包括以下步骤：步骤1：采集电机声音信号，并将电机声音信号以WAV.格式保存；步骤2：读取步骤1获得的WAV声音文件，对声音信号进行预处理；所述预处理依次包括预加重、数据截取以及加窗；步骤3：对步骤2进行预处理后的声音信号xi(m)提取MFCC特征参数；步骤4：对步骤3提取的MFCC特征参数进行归一化处理；步骤5：对归一化处理后的MFCC特征参数按照设定格式进行存储，设定格式包括所采集声音对应的电机型号、电机状态以及归一化MFCC特征参数；步骤6：生成电机声音SVM分类模型；步骤6.1：按照步骤1‑5对已知电机状态的电机提取归一化MFCC特征参数及电机型号，作为训练样本，所述训练样本中包含正常电机30个，异常电机70个；步骤6.2：从训练样本中选取相同电机型号的样本，采用SVM分类方法进行训练，获取相同电机型号的MFCC归一化特征参数的电机声音SVM分类模型；步骤7：将待检测的电机声音按照步骤1‑4生成归一化MFCC特征参数；步骤8：从步骤6生成的SVM模型中选取与待检测的电机型号相同的电机声音SVM分类模型，并将步骤7获得的归一化MFCC特征参数进行分类识别，获得待检测的电机状态。...

【技术特征摘要】
1.一种基于MFCC和SVM的车窗电机异常噪声检测方法，其特征在于，包括以下步骤：步骤1：采集电机声音信号，并将电机声音信号以WAV.格式保存；步骤2：读取步骤1获得的WAV声音文件，对声音信号进行预处理；所述预处理依次包括预加重、数据截取以及加窗；步骤3：对步骤2进行预处理后的声音信号xi(m)提取MFCC特征参数；步骤4：对步骤3提取的MFCC特征参数进行归一化处理；步骤5：对归一化处理后的MFCC特征参数按照设定格式进行存储，设定格式包括所采集声音对应的电机型号、电机状态以及归一化MFCC特征参数；步骤6：生成电机声音SVM分类模型；步骤6.1：按照步骤1-5对已知电机状态的电机提取归一化MFCC特征参数及电机型号，作为训练样本，所述训练样本中包含正常电机30个，异常电机70个；步骤6.2：从训练样本中选取相同电机型号的样本，采用SVM分类方法进行训练，获取相同电机型号的MFCC归一化特征参数的电机声音SVM分类模型；步骤7：将待检测的电机声音按照步骤1-4生成归一化MFCC特征参数；步骤8：从步骤6生成的SVM模型中选取与待检测的电机型号相同的电机声音SVM分类模型，并将步骤7获得的归一化MFCC特征参数进行分类识别，获得待检测的电机状态。2.根据权利要求1所述的方法，其特征在于，所述步骤3中提取MFCC特征参数时采用Mel三角滤波器进行滤波；其中，第m个Mel三角滤波器的传递函数为：Hm(k)=0k<f(m-1)2[k-f(m-1)][f(m)-f(m-1)][f(m+1)-f(m-1)]f(m-1)≤k≤f(m)2[f(m+1)-k][f(m+1)-f(m)][f(m+1)-...

【专利技术属性】
技术研发人员：谭建平，刘思思，李锋，黄涛，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43