一種基于mfcc和svm的車窗電機(jī)異常噪聲檢測方法及裝置的制造方法
【專利摘要】本文發(fā)明公開了一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法及裝置，采集電機(jī)空載運(yùn)轉(zhuǎn)時聲音信號并對信號進(jìn)行預(yù)處理。預(yù)處理階段采用二階漢寧自卷積窗作為窗函數(shù)對聲音信號進(jìn)行截取。預(yù)處理后數(shù)據(jù)提取MFCC參數(shù)并輸入SVM中進(jìn)行異常噪聲判斷。將MFCC特征值及判斷結(jié)果Label存入歷史數(shù)據(jù)庫。為提高SVM判別準(zhǔn)確率，采用人工蜂群算法實(shí)現(xiàn)SVM參數(shù)自動調(diào)整及更新；方法具有可靠性高，實(shí)用性強(qiáng)等特點(diǎn)，在實(shí)際生產(chǎn)應(yīng)用中能有效判別電機(jī)異常噪聲。
【專利說明】
一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及汽車車窗電機(jī)生產(chǎn)現(xiàn)場對電機(jī)異常噪聲在線檢測技術(shù)，特別涉及一種 基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法及裝置。
【背景技術(shù)】
[0002] 隨著人們對汽車聲學(xué)環(huán)境舒適度提出更高要求，NVH( Noise、Vibrat ion、 Harshness)成為評價汽車電機(jī)綜合性能的重要指標(biāo)。汽車車窗電機(jī)靠近駕駛員，車窗電機(jī) 帶來的不悅耳聲音會影響車內(nèi)聲學(xué)舒適度，給人帶來不愉悅的聲學(xué)感受，并且電機(jī)噪聲反 映電機(jī)運(yùn)轉(zhuǎn)狀態(tài)，存在異響的電機(jī)常伴隨內(nèi)部結(jié)構(gòu)缺陷。汽車車窗電機(jī)出廠前要依據(jù)國標(biāo) 《GB10069_3_200_旋轉(zhuǎn)電機(jī)噪聲測定方法及限制》進(jìn)行嚴(yán)格的振動和噪聲測試。
[0003] 現(xiàn)有的電機(jī)噪聲檢測技術(shù)一般有以下兩種：
[0004] (1)依靠人工聽診的方式實(shí)現(xiàn)電機(jī)噪聲檢測，憑借有經(jīng)驗的噪音員用耳朵聽電機(jī) 運(yùn)轉(zhuǎn)時聲音的大小及尖銳程度來判斷電機(jī)是否存在異常噪聲。這種方法是目前各大車窗電 機(jī)生產(chǎn)廠商普遍采用的檢測方法。
[0005] (2)在消聲室內(nèi)，通過傳聲器采集電機(jī)聲音信號，并進(jìn)行總聲壓級及聲音頻譜分 析。
[0006] 在上述方法（1)中，人工聽診方式對電機(jī)噪聲進(jìn)行檢測存在主觀性強(qiáng)，即同一聲音 不同人聽會有不同感受的缺點(diǎn)，同時，由于電機(jī)噪音檢測人員每天檢測上千臺電機(jī)，由于聽 覺疲勞易出現(xiàn)錯檢和漏檢等問題，同時，人工檢測阻礙車窗電機(jī)生產(chǎn)全自動化實(shí)現(xiàn)。
[0007] 在上述方法(2)中，總聲壓級能夠判別響度過大的車窗電機(jī)，但無法判別存在異常 噪聲的電機(jī)?；诼曇纛l譜的分析方法，能夠在一定程度上甄別異常噪聲電機(jī)，但以Hz為單 位的頻譜不能準(zhǔn)確估計各頻率成分對噪聲的貢獻(xiàn)程度，使這些方法在實(shí)際應(yīng)用中存在局限 性。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的是克服上述現(xiàn)有技術(shù)存在的缺陷，提供一種基于MFCC和SVM的車窗 電機(jī)異常噪聲檢測方法及裝置，該方法能夠有效的檢測出噪聲電機(jī)，滿足檢測方法在生產(chǎn) 線上使用要求。
[0009 ] -種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法，包括以下步驟：
[0010] 步驟1:采集電機(jī)聲音信號，并將電機(jī)聲音信號以WAV.格式保存；
[0011] 步驟2:讀取步驟1獲得的WAV聲音文件，對聲音信號進(jìn)行預(yù)處理；
[0012] 所述預(yù)處理依次包括預(yù)加重、數(shù)據(jù)截取以及加窗；
[0013] 數(shù)據(jù)截取即分幀，電機(jī)聲音信號是周期性的，我們只需要對其中的一段進(jìn)行分析 即可。并且，分幀后的數(shù)據(jù)減少了信號處理的工作量，加快了運(yùn)算速度。
[0014] 加窗的目的是為了防治頻譜泄漏，HSCW窗相對于MFCC方法中原有的漢寧窗能夠更 好的防止頻譜泄漏。
[0015] 步驟3:對步驟2進(jìn)行預(yù)處理后的聲音信號Xl(m)提取MFCC特征參數(shù)；
[0016] 步驟4:對步驟3提取的MFCC特征參數(shù)進(jìn)行歸一化處理；
[0017]步驟5:對歸一化處理后的MFCC特征參數(shù)按照設(shè)定格式進(jìn)行存儲，設(shè)定格式包括所 采集聲音對應(yīng)的電機(jī)型號、電機(jī)狀態(tài)以及歸一化MFCC特征參數(shù)；
[0018] 步驟6:生成電機(jī)聲音SVM分類模型；
[0019]步驟6.1:按照步驟1-5對已知電機(jī)狀態(tài)的電機(jī)提取歸一化MFCC特征參數(shù)及電機(jī)型 號，作為訓(xùn)練樣本，所述訓(xùn)練樣本中包含正常電機(jī)30個，異常電機(jī)70個；
[0020]步驟6.2:從訓(xùn)練樣本中選取相同電機(jī)型號的樣本，采用SVM分類方法進(jìn)行訓(xùn)練，獲 取相同電機(jī)型號的MFCC歸一化特征參數(shù)的電機(jī)聲音SVM分類模型；
[0021 ]步驟7:將待檢測的電機(jī)聲音按照步驟1-4生成歸一化MFCC特征參數(shù)；
[0022]步驟8:從步驟6生成的SVM模型中選取與待檢測的電機(jī)型號相同的電機(jī)聲音SVM分 類模型，并將步驟7獲得的歸一化MFCC特征參數(shù)進(jìn)行分類識別，獲得待檢測的電機(jī)狀態(tài)。 [0023]所述步驟3中提取MFCC特征參數(shù)時采用Mel三角濾波器進(jìn)行濾波；
[0024]其中，第m個Mel三角濾波器的傳遞函數(shù)為：
[0025]

[0026] 式中，0<m<M，M為濾波器的個數(shù)-
[0027] f(m)為第m個濾波器的中心頻率：
[0028] fjPfh分別為第m個濾波器的最低頻率和最高頻率，N為離散傅里葉變換窗寬，F(xiàn)s為 采樣率，^為F me3I反函數(shù)，巧,丨(的為以Me 1為單位的頻率用來模擬耳蝸的對音頻頻率響應(yīng)： C(M = TOW2595 -I)0
[0029] Mel頻率標(biāo)度最早由Mel Mermelstein和Davies提出，。Hz頻率與Mel頻率之間存在 著轉(zhuǎn)換關(guān)系：
根據(jù)這個式子變換而來。
[0030] 對步驟6獲得的電機(jī)聲音SVM分類模型中的誤差懲罰因子C、核函數(shù)寬度〇,采用人 工蜂群算法進(jìn)行優(yōu)化；
[0031] 其中，以相同電機(jī)型號的訓(xùn)練樣本的SVM分類判斷結(jié)果和已知狀態(tài)進(jìn)行比對，獲得 SVM分類模型的判斷準(zhǔn)確率Vacc，以獲得分類模型的判斷準(zhǔn)確率的最大值作為優(yōu)化目標(biāo)函 數(shù)；
[0032] 采用人工蜂群算法中的初始化參數(shù)包括最大循環(huán)次數(shù)Max CycleS = 1000,目標(biāo)函 數(shù)維數(shù)Dim= 2,搜索坐標(biāo)個數(shù)M = 50,單個坐標(biāo)的最大重復(fù)搜索次數(shù)Limit = 20,參數(shù)誤差懲 罰因子搜索范圍Ce[l 100]，核函數(shù)寬度〇e[0.0l 10]。
[0033] 人工蜂群算法的目的就是找到C與σ的最佳搭配，使得支持向量機(jī)對樣本的判斷準(zhǔn) 確率Vacc最大。
[0034]對采集的電機(jī)聲音信號x(i)進(jìn)行預(yù)加重，由數(shù)字濾波器H(Z)實(shí)現(xiàn):Η(ζ) = 1_μ廠S
[0035] 式中，μ為常數(shù)，取值0.93-0.97。
[0036] 所述步驟2中進(jìn)行數(shù)據(jù)截取是指對電機(jī)聲音信號進(jìn)行分幀處理，幀長設(shè)置為10ms， 選取幀長的20 %-30 %作為幀移。
[0037] 所述步驟2中進(jìn)行加窗是指以上述的幀移作為加窗時窗口的移動時間，對每幀數(shù) 據(jù)加二階漢寧自卷積HSCW窗，HSCW窗頻譜函數(shù)W 2( ω ):
[0038]
[0039] 其中，Wr為矩形窗的頻譜函數(shù)，N為窗函數(shù)長度，與語音幀的維度一致；
[0040]用于電機(jī)聲音信號米集的傳聲器安裝在車窗電機(jī)減速器齒輪輸出軸正上方100-IlOmm 處。
[0041 ] 一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測裝置，通過上述的一種MFCC和SVM的 汽車車窗電機(jī)噪聲檢測方法，包括傳聲器、電機(jī)定位裝置及控制柜；
[0042 ] 所述傳聲器安裝在車窗電機(jī)減速器齒輪輸出軸正上方100-11 Omm處；
[0043] 所述車窗電機(jī)固定在電機(jī)定位裝置上，通過傳聲器采集電機(jī)聲音信號；
[0044] 控制柜依據(jù)采集的聲音信號，根據(jù)所述的一種MFCC和SVM的汽車車窗電機(jī)噪聲檢 測方法，對電機(jī)聲音信號進(jìn)行采集、預(yù)處理以及MFCC特征參數(shù)提取，利用構(gòu)建的SVM分類模 型，完成對車窗電機(jī)聲音的檢測。
[0045] 所述電機(jī)定位裝置包括手動夾鉗、定位銷釘、更換板緊固件、更換板以及底板；
[0046] 所述手動夾鉗固定在底板上，所述更換板通過更換板緊固件嵌裝在底板中；
[0047] 所述定位銷釘為可拆卸安裝在更換板上；
[0048] 車窗電機(jī)通過定位銷釘固定在更換板上，電機(jī)上方固定于手動夾鉗中。還包括與 控制柜相連的觸摸顯示單元。
[0049] Mel頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient，MFCC)的縮寫。Mel(美 爾）是主觀音高的單位，而Hz (赫茲)則是客觀音高的單位。Me 1頻率是基于人耳聽覺特性提 出來的，它與Hz頻率成非線性對應(yīng)關(guān)系。Mel頻率倒譜系數(shù)(MFCC)則是利用它們之間的這種 關(guān)系，計算得到的Hz頻譜特征。
[0050] 有益效果
[0051] 本發(fā)明提供了一種基于MFCC和SVM的車窗電機(jī)噪聲檢測方法及裝置，該方法融合 了語音識別技術(shù)及模式識別技術(shù)，得到的特征值由于考慮了人耳對聲音頻譜的感知規(guī)律， 因而較傳統(tǒng)頻域分析方法有更好的實(shí)際應(yīng)用效果。相對于現(xiàn)有技術(shù)，本發(fā)明有以下有益的 技術(shù)和經(jīng)濟(jì)效果：
[0052] 1)以電機(jī)聲音信號為檢測對象，檢測方式為非接觸式測量，較振動信號和電流信 號等接觸式測量，減少了測試過程中傳感器安裝環(huán)節(jié)，節(jié)省檢測時間，信號可靠性好。
[0053] 2)首次提出以MFCC作為電機(jī)異常噪聲特征值，該特征值能夠準(zhǔn)確提取電機(jī)的聲音 特征；
[0054] 3)MFCC采用Mel三角濾波器組處理聲音頻譜，使得到的頻譜更符合人耳聽覺感受。 彌補(bǔ)了現(xiàn)有方法由于沒有考慮人作為噪聲評價主體對噪聲評價標(biāo)準(zhǔn)的影響，而該方法在實(shí) 際生產(chǎn)應(yīng)用中取得了很好的效果。
[0055] 4)MFCC特征參數(shù)維數(shù)較高且不同型號電機(jī)結(jié)構(gòu)及物理參數(shù)差異導(dǎo)致噪聲特征表 現(xiàn)不同，結(jié)合采用SVM作為車窗電機(jī)異常噪聲分類器，并依據(jù)電機(jī)型號對應(yīng)的分類模型實(shí)現(xiàn) 電機(jī)噪聲診斷，較手動設(shè)置異常噪聲閾值方法對不同型號電機(jī)適應(yīng)能力強(qiáng)。
[0056] 5)SVM能夠根據(jù)訓(xùn)練樣本情況定期調(diào)整分類模型，對由于電機(jī)生產(chǎn)原材料變化引 起的聲音表現(xiàn)變化適應(yīng)能力強(qiáng)。
[0057] 6)使用ABC對SVM參數(shù)進(jìn)行尋優(yōu)，使SVM達(dá)到最佳異常噪聲判斷性能。
[0058] 7)本方法能夠有效判斷車窗電機(jī)異常噪聲，對于車窗電機(jī)生產(chǎn)廠實(shí)現(xiàn)電機(jī)噪聲全 自動在線檢測，保障車窗電機(jī)聲學(xué)品質(zhì)有指導(dǎo)性意義。
【附圖說明】
[0059] 圖1是本發(fā)明實(shí)現(xiàn)車窗電機(jī)異常噪聲檢測方法原理圖；
[0060] 圖2是車窗電機(jī)異常噪聲檢測設(shè)備圖；
[0061] 圖3是電機(jī)定位裝置示意圖；
[0062]圖4是車窗電機(jī)異常噪聲MFCC特征提取流程圖；
[0063]圖5是基于ABC的SVM參數(shù)選擇算法流程圖；
[0064]標(biāo)號說明：1-觸摸顯示單元，2-傳聲器，3-電機(jī)定位裝置，4-電機(jī)，5-控制柜，6-手 動夾鉗，7-定位銷釘，8-更換板緊固件，9-更換板，10-底板。
【具體實(shí)施方式】
[0065] 下面將結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步的說明。
[0066] 如圖1所示，一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法，包括如下步驟：
[0067] 步驟1:固定電機(jī)，獲取電機(jī)聲音信號。
[0068] 電機(jī)通過設(shè)備更換板上的定位螺栓與電機(jī)定位孔配合定位，通過手動夾鉗夾緊固 定。用于電機(jī)聲音信號采集的傳聲器(型號G.R.A.S 46AE)安裝位置為車窗電機(jī)減速器齒輪 輸出軸正上方IOO-IlOmm處。數(shù)據(jù)采集卡型號(NI PCI 4462)通過工控機(jī)PCI插槽與工控機(jī) 相連。電機(jī)聲音信號采集的采樣率51200，采樣時間4.5s，數(shù)據(jù)以WAV.格式保存。
[0069]步驟2:讀取采集的WAV文件，對聲音信號進(jìn)行預(yù)處理。
[0070]預(yù)處理包括:預(yù)加重、數(shù)據(jù)截取、加二階漢寧自卷積窗。
[0071] 2.1對采集的電機(jī)聲音信號x(i)進(jìn)行預(yù)加重。
[0072] 預(yù)加重的目的是提高電機(jī)聲頻信噪比，由數(shù)字濾波器H(Z)實(shí)現(xiàn)：
[0073] Η(ζ) = 1_μζ-1 (1)
[0074] 式中，μ為常數(shù)，取值0.93-0.97;
[0075] 2.2分幀。
[0076] 設(shè)置IOms時間長度的數(shù)據(jù)點(diǎn)作為幀長，選取幀長的20 %-30 %作為幀移，即步驟 2.3中加窗時窗口的移動時間。
[0077] 2.3加窗。
[0078] 對每幀數(shù)據(jù)加 HSCW窗。HSCW窗頻域表達(dá)式（2):
[0079；
(2)
[0080] 式中，Wr為矩形窗的頻譜函數(shù)，N為窗函數(shù)長度，與語音幀的維度一致。
[0081 ]步驟3:對電機(jī)聲音信號提取MFCC特征值，如圖4所示。
[0082] 3.1電機(jī)音頻信號對預(yù)處理后音頻^ (m)進(jìn)行快速傅里葉變換，得到音頻頻譜，將 信號由時域轉(zhuǎn)換為頻域：
[0083] X(i，k)=FFT[Xi(m)] (3)
[0084] 式中，i表示分幀后第i幀，k表示頻域中的第k條譜線。
[0085] 3.2求頻譜幅度的平方，得到能量譜。
[0086] 3.3Mel三角濾波器濾波。
[0087]由于人耳對頻率的感知是呈非線性的，以Hz為單位的頻譜能量不能準(zhǔn)確反映聲音 作用于人耳的能量分布特點(diǎn)。因此提取的特征值不能準(zhǔn)確描述電機(jī)異常響聲與正常運(yùn)轉(zhuǎn)聲 音之間的差別。需要將步驟3.2中的能量譜經(jīng)過Mel濾波器，變換到Mel標(biāo)度下。
[0088]第m個三角濾波器的傳遞函數(shù)為：
(5)[0090] 式中，〇<m<M，M為濾波器的個數(shù);第m個濾波器的中心頻率f(m)可以定義為：
[0089]
[0091] C6)
[0092] fjPfh分別為第m個濾波器的最低頻率和最高頻率，M為離散傅里葉變換窗寬，F(xiàn)s為 采樣率，C為Fmel反函數(shù)，U (fc)為：
[0093]
[0094] 3.4計算Mel濾波器濾波后頻譜能量。每一幀信號通過Mel濾波器后的頻譜能量為 信號譜線能量E(i，k)與Mel三角濾波器頻域響應(yīng)Hm(k)乘積和：
[0095]
(8)
[0096] 3.5離散余弦變換(DCT)。對3.4的結(jié)果進(jìn)行余弦變換，并得到MFCC系數(shù)。
[0097] 余弦變換的目的是為了去除各參數(shù)之間的相關(guān)性；
[0098]
:9)
[0099] 式中，C(n)為MFCC系數(shù)，M為Mel濾波器組個數(shù)。
[0100] 3.6特征參數(shù)歸一化。對3.5的MFCC系數(shù)進(jìn)行歸一化。
[0101]
( 1〇)
[0102] 其中Xmin為x(i)最小值，Xmax為x(i)最大值。
[0103] 步驟3: MFCC值存入數(shù)據(jù)庫。
[0104] 存入格式："電機(jī)型號"，"label"，"data"。電機(jī)型號用于區(qū)分樣本標(biāo)識的電機(jī)種 類;label項用于存儲電機(jī)狀態(tài)，正常電機(jī)label為0,異響電機(jī)label為I; data項用于存儲電 機(jī)MFCC值，data為1X16向量。"電機(jī)型號"和"label"需要在LabVIEW操作界面上手動設(shè)定。
[0105] 步驟4:生成SVM模型。
[0106] 4.1生成訓(xùn)練樣本集。按照步驟1，2采集100個某型號電機(jī)聲音信號，包括正常電機(jī) 30個，存在噪聲的電機(jī)70個，得到100段音頻。按照步驟3，4對100段音頻分別提取MFCC特征 值，并存入"訓(xùn)練樣本數(shù)據(jù)庫"；
[0107] 4.2SVM根據(jù)"電機(jī)型號"讀取"訓(xùn)練樣本數(shù)據(jù)庫"中"電機(jī)型號"對應(yīng)的所有樣本，并 從"SVM參數(shù)數(shù)據(jù)庫"中讀取"電機(jī)型號"對應(yīng)的誤差懲罰因子C、核函數(shù)寬度〇;
[0108] 4.3SVM依據(jù)訓(xùn)練樣本data和label情況生成該電機(jī)型號對應(yīng)的分類模型；
[0109] 4.4不同電機(jī)型號訓(xùn)練樣本存放在同一數(shù)據(jù)庫，8卩"訓(xùn)練樣本數(shù)據(jù)庫"。每次進(jìn)行電 機(jī)噪聲測試時需要根據(jù)電機(jī)型號調(diào)用全部訓(xùn)練樣本，生成分類模型后才可以開始判斷電機(jī) 噪聲。
[0110] 步驟5:電機(jī)噪聲測試。
[0111] 5.1將待測試電機(jī)根據(jù)步驟1-2生成MFCC值并輸入到SVM。
[0112] SVM根據(jù)步驟3-4生成分類模型，對待測電機(jī)進(jìn)行分類識別并輸出識別結(jié)果Label。 若Label = 1，電機(jī)存在噪聲，操作界面的檢測結(jié)果提示燈變?yōu)?紅色"，同時彈出警告窗口， 按開始數(shù)據(jù)采集按鈕確認(rèn)警告，窗口關(guān)閉同時檢測結(jié)果提示燈恢復(fù)"綠色"；若Labe I = 0，電 機(jī)正常，操作界面的檢測結(jié)果提示燈保持"綠色"。生成的MFCC特征值根據(jù)步驟3存入"歷史 數(shù)據(jù)庫"。
[0113] 步驟6: SVM參數(shù)更新。
[0114] 6.1在操作界面選擇需要更新SVM參數(shù)的電機(jī)型號，按照步驟1采集100個該型號電 機(jī)聲音信號，其中正常電機(jī)30個，存在噪聲的電機(jī)70個。根據(jù)步驟2-3生成MFCC值，根據(jù)步驟 4輸入label并存入"測試樣本數(shù)據(jù)庫"。
[0115] 6.2按下"SVM參數(shù)更新"按鈕，SVM參數(shù)觸發(fā)更新程序。讀取電機(jī)型號對應(yīng)的"訓(xùn)練 樣本數(shù)據(jù)庫"內(nèi)全部樣本，系統(tǒng)根據(jù)樣本特征，生成分類模型。
[0116] 6.3讀取電機(jī)型號對應(yīng)的"測試樣本數(shù)據(jù)庫"，將全部測試樣本的data輸入SVM，得 到判斷結(jié)果Labelt3Label為NXl維向量，N為測試樣本數(shù)目。對比SVM判斷結(jié)果和"測試樣本數(shù) 據(jù)庫"的label得到SVM判斷準(zhǔn)確率Vacc。
[0117] 基于ABC的SVM參數(shù)選擇過程，如圖5所示。
[0118] 6.4人工蜂群算法(Artificial Bee Colony Algorithm,ABC)初始化。
[0119] 初始化參數(shù)包括最大循環(huán)次數(shù)Max Cycles = 1000 ,目標(biāo)函數(shù)維數(shù)Dim = 2,搜索坐 標(biāo)個數(shù)M= 50,單個坐標(biāo)的最大重復(fù)搜索次數(shù)Limit = 20,參數(shù)搜索范圍Ce [1100]，〇e
[0·0110]〇
[0120] 6.5根據(jù)式(12)產(chǎn)生M = 50個初始坐標(biāo)Xi (初始解）
[0121] Xii = lbi+(ubi-lbi) · rand(0,l) (11)
[0122] xi2 = Ib2+(ub2-lb2) · rand(0，I) (12)
[0123] 式中，0 < i < M; Xii為C的初始坐標(biāo)，Ibi = I，ubi = 100，Xi2為σ的初始坐標(biāo)，Ibi = 0.01，ubi=10，rand(0,1)為0-1之間的任意解；
[0124] 6.6在M個已知坐標(biāo)附近根據(jù)式（13)分別進(jìn)行搜索，得到^并根據(jù)式（14)計算目標(biāo) 函數(shù)值V ab。；
[0125] X7 ij = Xij+rij(Xij-Xkj) (13)
[0126] 式中拆{1，2}，1^{1，2，...，]\1}，」與1^隨機(jī)產(chǎn)生，且1^」，句[[-1，1]隨機(jī)數(shù)
[0127] (14)
[0128] 式中，Va。。為支持向量機(jī)判斷準(zhǔn)確率，求Va。。的最大值即求解目標(biāo)函數(shù)的最大值。
[0129] 6.7比較11與^的￥^。，并根據(jù)貪婪選擇法判斷是否更新坐標(biāo)；
[0130] 6.8根據(jù)式（15)計算M個已知坐標(biāo)在新一輪搜索中被選中的概率；
[0131] (15)
[0132] 其中，i指第i個坐標(biāo)被選中的概率
[0133] 6.9貪婪法選擇局部最優(yōu)解及對應(yīng)坐標(biāo)。
[0134] 6.10同一坐標(biāo)被搜索limit次仍未更新，則拋棄該坐標(biāo)，根據(jù)式（16)搜索替代坐 標(biāo)，實(shí)現(xiàn)全局最優(yōu)搜索。
[0135] Xij = Xmax. j+( Xmax, j-Xmin.j) 1 rand(〇,l) (16)
[0136] 式中，Xmin. j為目前得到的第j維最小值，Xmax. j為目前得到的第j維最大值，rand(0, 1)為0-1之間的隨機(jī)數(shù)。
[0137] 6.11記錄目標(biāo)函數(shù)最大值，及對應(yīng)的坐標(biāo)值，坐標(biāo)值即為最優(yōu)解。
[0138] 6.12判斷是否達(dá)到最大搜索次數(shù)，若達(dá)到，輸出最優(yōu)解，否則轉(zhuǎn)步驟4.2。
[0139] 6.13將優(yōu)化結(jié)果C，〇以及Vacc存入"SVM參數(shù)數(shù)據(jù)庫"。完成參數(shù)更新。
[0140] 一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測裝置，如圖2所示，通過上述的一種 MFCC和SVM的汽車車窗電機(jī)噪聲檢測方法，包括傳聲器、電機(jī)定位裝置3及控制柜5;
[0141] 所述傳聲器2安裝在車窗電機(jī)4減速器齒輪輸出軸正上方IOO-IlOmm處；
[0142] 所述車窗電機(jī)固定在電機(jī)定位裝置上，通過傳聲器采集電機(jī)聲音信號；
[0143] 控制柜依據(jù)采集的聲音信號，根據(jù)所述的一種MFCC和SVM的汽車車窗電機(jī)噪聲檢 測方法，對電機(jī)聲音信號進(jìn)行采集、預(yù)處理以及MFCC特征參數(shù)提取，利用構(gòu)建的SVM分類模 型，完成對車窗電機(jī)聲音的檢測。
[0144] 所述電機(jī)定位裝置如圖3所示，包括手動夾鉗6、定位銷釘7、更換板緊固件8、更換 板9以及底板10;
[0145] 所述手動夾鉗固定在底板上，所述更換板通過更換板緊固件嵌裝在底板中；
[0146] 所述定位銷釘為可拆卸安裝在更換板上；
[0147] 車窗電機(jī)通過定位銷釘固定在更換板上，電機(jī)上方固定于手動夾鉗中。
[0148] 還包括與控制柜相連的觸摸顯示單元1。
[0149] 需要說明的是，以上公開的僅為本發(fā)明的具體實(shí)例，根據(jù)本發(fā)明提供的思想，本領(lǐng) 域的技術(shù)人員能思及的變化，都應(yīng)落入本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項】
1. 一種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測方法，其特征在于，包括w下步驟： 步驟1:采集電機(jī)聲音信號，并將電機(jī)聲音信號WWAV.格式保存； 步驟2:讀取步驟1獲得的WAV聲音文件，對聲音信號進(jìn)行預(yù)處理； 所述預(yù)處理依次包括預(yù)加重、數(shù)據(jù)截取W及加窗； 步驟3:對步驟2進(jìn)行預(yù)處理后的聲音信號xi(m)提取MFCC特征參數(shù)； 步驟4:對步驟3提取的MFCC特征參數(shù)進(jìn)行歸一化處理； 步驟5:對歸一化處理后的MFCC特征參數(shù)按照設(shè)定格式進(jìn)行存儲，設(shè)定格式包括所采集 聲音對應(yīng)的電機(jī)型號、電機(jī)狀態(tài)W及歸一化MFCC特征參數(shù)； 步驟6:生成電機(jī)聲音SVM分類模型； 步驟6.1:按照步驟1-5對已知電機(jī)狀態(tài)的電機(jī)提取歸一化MFCC特征參數(shù)及電機(jī)型號， 作為訓(xùn)練樣本，所述訓(xùn)練樣本中包含正常電機(jī)30個，異常電機(jī)70個； 步驟6.2:從訓(xùn)練樣本中選取相同電機(jī)型號的樣本，采用SVM分類方法進(jìn)行訓(xùn)練，獲取相 同電機(jī)型號的MFCC歸一化特征參數(shù)的電機(jī)聲音SVM分類模型； 步驟7:將待檢測的電機(jī)聲音按照步驟1-4生成歸一化MFCC特征參數(shù)； 步驟8:從步驟6生成的SVM模型中選取與待檢測的電機(jī)型號相同的電機(jī)聲音SVM分類模 型，并將步驟7獲得的歸一化MFCC特征參數(shù)進(jìn)行分類識別，獲得待檢測的電機(jī)狀態(tài)。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3中提取MFCC特征參數(shù)時采用Mel Ξ角濾波器進(jìn)行濾波； 其中，第m個MelS角濾波器的傳遞函數(shù)為：式中，0 < m < Μ，Μ為濾波器的個數(shù)； f(m)為第m個濾波器的中屯、頻率：fi和fh分別為第m個濾波器的最低頻率和最高頻率，N為離散傅里葉變換窗寬，F(xiàn)s為采樣 率，為Fme 1反函數(shù)，巧別6)為W Me 1為單位的頻率用來模擬耳蝸的對音頻頻率響應(yīng)： 護(hù)。,->)=700(￡'6:-明，-1)。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，對步驟6獲得的電機(jī)聲音SVM分類模型中的 誤差懲罰因子C、核函數(shù)寬度0,采用人工蜂群算法進(jìn)行優(yōu)化； 其中，W相同電機(jī)型號的訓(xùn)練樣本的SVM分類判斷結(jié)果和已知狀態(tài)進(jìn)行比對，獲得SVM 分類模型的判斷準(zhǔn)確率化CC，W獲得分類模型的判斷準(zhǔn)確率的最大值作為優(yōu)化目標(biāo)函數(shù)； 采用人工蜂群算法中的初始化參數(shù)包括最大循環(huán)次數(shù)Max切cles = 1000,目標(biāo)函數(shù)維 數(shù)Dim = 2，捜索坐標(biāo)個數(shù)M= 50，單個坐標(biāo)的最大重復(fù)捜索次數(shù)Limit = 20，參數(shù)誤差懲罰因 子捜索范圍Ce[l 100]，核函數(shù)寬度〇￡[0.0! 10]。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，對采集的電機(jī)聲音信號x(i)進(jìn)行預(yù)加重， 由數(shù)字濾波器H( z)實(shí)現(xiàn):H( z) = 1 -μζ-1; 式中，μ為常數(shù)，取值0.93-0.97。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟2中進(jìn)行數(shù)據(jù)截取是指對電機(jī)聲 音信號進(jìn)行分帖處理，帖長設(shè)置為10ms，選取帖長的20%-30%作為帖移。6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟2中進(jìn)行加窗是指W權(quán)利要求5中 的帖移作為加窗時窗口的移動時間，對每帖數(shù)據(jù)加二階漢寧自卷積HSCW窗，HSCW窗頻譜函 數(shù)恥（ω):其中，Wr為矩形窗的頻譜函數(shù)Ν為窗函數(shù)長度，與語音帖的維度一致7. 根據(jù)權(quán)利要求1-6任一項所述的方法，其特征在于，用于電機(jī)聲音信號采集的傳聲器 安裝在車窗電機(jī)減速器齒輪輸出軸正上方100-110mm處。8. -種基于MFCC和SVM的車窗電機(jī)異常噪聲檢測裝置，其特征在于，通過權(quán)利要求1-7 任一項所述的一種MFCC和SVM的汽車車窗電機(jī)噪聲檢測方法，包括傳聲器、電機(jī)定位裝置及 控制柜； 所述傳聲器安裝在車窗電機(jī)減速器齒輪輸出軸正上方100-110mm處； 所述車窗電機(jī)固定在電機(jī)定位裝置上，通過傳聲器采集電機(jī)聲音信號； 控制柜依據(jù)采集的聲音信號，根據(jù)所述的一種MFCC和SVM的汽車車窗電機(jī)噪聲檢測方 法，對電機(jī)聲音信號進(jìn)行采集、預(yù)處理W及MFCC特征參數(shù)提取，利用構(gòu)建的SVM分類模型，完 成對車窗電機(jī)聲音的檢測。9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述電機(jī)定位裝置包括手動夾錯、定位銷 釘、更換板緊固件、更換板W及底板； 所述手動夾錯固定在底板上，所述更換板通過更換板緊固件嵌裝在底板中； 所述定位銷釘為可拆卸安裝在更換板上； 車窗電機(jī)通過定位銷釘固定在更換板上，電機(jī)上方固定于手動夾錯中。10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于，還包括與控制柜相連的觸摸顯示單元。
【文檔編號】G10L25/24GK105841797SQ201610146102
【公開日】2016年8月10日
【申請日】2016年3月15日
【發(fā)明人】譚建平, 劉思思, 李鋒, 黃濤
【申請人】中南大學(xué)