一种汽车调光电机装置的异音识别方法与流程
本发明涉及异音识别技术领域，具体涉及一种汽车调光电机装置的异音识别方法。
背景技术：
噪声问题非常影响人对一个产品的主观感受，因此控制噪声在制造型企业中是企业想要提高产品竞争力的重点关注方向。车用调光电机是汽车上必不可少的重要部件之一，厂家在生产运行过程中，都要对其性能，参数进行测试，以确保满足相关技术要求。某汽车车灯组件厂在实际生产中发现：某型号车灯调光电机装置在工作时对其噪声测量小于规定的限值60db(40cm处)，但人耳却能听到一种不正常的敲打声音如“卡啦卡啦”声，影响该产品声品质，称之“异音”，对于异音件企业常用做法是让有经验的工人人耳听噪音来筛选出不良件。但是产线上一天生产的电机数量是人耳辨别速度远不及的，长此以往，不仅效率低下，也会给工作人员带来烦躁情绪，造成判断失准。
车用调光电机装置是由转速为13200r/min的小型永磁直流电机驱动，通过蜗杆将动力传递给尼龙双联齿轮大端，再由其小端传递给另一大齿轮，大齿轮中间套有输出轴，通过螺纹传动实现输出轴的前进后退。机械运动必然会带来振动和噪音。声音产生本质也是振动，外界的激励激起了自身的固有振动频率。所以研究振动是检测异音好的途径。
机械噪声一方面来源于电机与齿轮自身运转，另一方面来源于塑料齿轮啮合传动产生的撞击，摩擦，不平衡及结构共振。包括由于蜗杆蜗轮缺陷引起的摩擦力使转子发生共振；齿轮、轴缺陷将振动传递到调光电机壳体上的加强筋支承从而传递到壳盖并向外辐射噪声。
异音是噪声故障中的一部分又区别于噪声。它更表征设备运行状态的稳定程度。调光电机的异音通过人耳可以辨别出是一种周期性的敲击声或刮擦声。一方面与里面的传动装置有关，小模数塑料齿轮是注塑成型的，其精度等方面会不如金属齿轮，易出现误差，导致运行过程中不稳定从而引起异音；另一方面润滑不到位，装配不到位都有可能引起异音问题。
因此目前急需一种汽车调光电机装置的异音识别方法替代人工耳听识别来识别出异音件。
技术实现要素：
本发明所要解决的技术问题是针对上述现有技术的不足提供一种汽车调光电机装置的异音识别方法，本汽车调光电机装置的异音识别方法利用小波包分解后的能量谱和时域特征参数提取总特征向量，导入bp神经网络中进行分类，得到异音识别结果，从而选出异音件，识别速度快，准确率高，相比人耳识别效率高。
为实现上述技术目的，本发明采取的技术方案为：
一种汽车调光电机装置的异音识别方法,包括以下步骤：
步骤1、采用加速度传感器获取汽车调光电机装置的振动信号；
步骤2：对振动信号进行j层小波包分解；
步骤3：计算小波包分解的各频带的信号能量，归一化处理各频带的信号能量，得到各频带的信号能量所占总能量的能量比；
步骤4：对振动信号进行时域特征分析从而得到多项时域特征参数；
步骤5：将步骤3得到的各频带的信号能量所占总能量的能量比和步骤4得到的多项时域特征参数组成总特征向量；
步骤6：构建bp神经网络分类器；
步骤7：测试多组无异音的汽车调光电机装置的振动信号和有异音的汽车调光电机装置的振动信号，分别提取每组振动信号的总特征向量作为训练样本，将训练样本导入bp神经网络分类器中进行分类学习，得到训练好的bp神经网络分类器；
步骤8：将被测的汽车调光电机装置的振动信号的总特征向量输入到训练好的bp神经网络分类器内，输出该汽车调光电机装置的声音类别，所述声音类别包括无异音和有异音。
作为本发明进一步改进的技术方案，所述步骤3包括以下步骤：
(1)根据parseval能量积分可知信号在时域中的能量等于信号的2范数的平方，由步骤2得到小波分解j层，有2j个频带，则各频带的信号能量ej.m为：
其中，p＝n/2j，n为原始信号的采样点数，m为第j层小波包分解系数，即表示频带的序号；sj,m为第m个频带的重构信号，xm,n为重构信号的幅值；
(2)计算总能量，总能量为小波包分解的各频带的信号能量之和，表示为：
(3)归一化处理各频带的信号能量，得到各频带的信号能量所占总能量的能量比，构造出归一化的特征向量：
作为本发明进一步改进的技术方案，所述步骤4中的多项时域特征参数包括波峰因素和峭度。
作为本发明进一步改进的技术方案，所述步骤5中将步骤3得到的各频带的信号能量所占总能量的能量比和步骤4得到的多项时域特征参数组成总特征向量具体为：将步骤3得到的归一化的特征向量、波峰因素和峭度组成总特征向量。
作为本发明进一步改进的技术方案，所述的步骤7中的将训练样本导入bp神经网络分类器中进行分类学习，得到训练好的bp神经网络分类器具体为：将训练样本导入bp神经网络分类器中，采用动量加自适应学习速率的梯度下降法对bp神经网络分类器进行训练，得到训练好的bp神经网络分类。
本发明的有益效果为：本发明采集汽车调光电机装置的振动信号，利用振动信号小波包分解后的能量谱和时域特征参数提取总特征向量，导入bp神经网络中进行分类，得到异音识别结果，从而选出存在异音的汽车调光电机装置，识别速度快，准确率高，相比人耳识别效率高，有实际应用价值。
附图说明
图1为实施例的异音识别系统框图。
图2为正常电机和异音电机的振动信号时域波形对比图。
图3为三层小波包分解树。
图4为bp神经网络模型图。
图5为正常电机和异音电机的振动信号经过三层小波包分解后的各频带谱图。
图6为训练误差与训练次数曲线图。
图7为测试数据的预测数据分类与实际数据分类的对比图。
具体实施方式
下面根据图1至图7对本发明的具体实施方式作出进一步说明：
声音特质可以反映在振动信号上，本实施例采用汽车调光电机装置的振动信号的采集来进行异音识别。参见图1，图1为汽车调光电机装置的异音识别系统框图。包括加速度传感器，apm数据采集卡和计算机，apm数据采集卡通过加速度传感器采集汽车调光电机装置的振动信号，并通过计算机进行相关数据处理，从而判断汽车调光电机装置是否存在异音。加速度传感器选择压电式加速度传感器，加速度传感器的位置布置合理考虑振动传播方向和易于检测的方向，还要确保每次测试加速度传感器位置相同，综合考虑其上，将加速度传感器用螺栓固定在靠近汽车调光电机装置的电源接口的夹具上，这样布置能够在电源接合时，加速度传感器即贴紧电机机构，既能在检测时保证加速度传感器位置固定不变又不影响正常操作，并且这步操作与生产流水线上接口检测步骤一致，能够为未来在生产线上添加检测装置提供便捷。
本实施例提供一种汽车调光电机装置的异音识别方法,包括以下步骤：
步骤1、采用加速度传感器采集汽车调光电机装置的振动信号：
由于汽车调光电机装置的马达的转频和最高啮合频率均在220hz左右，电机的电磁噪声可达4000hz左右，因此采样频率选择10khz，采样时间为3.5s。采样得到无异音的正常电机(下文统称正常电机)和有异音的不良电机(下文统称异音电机)的振动信号时域波形如图2所示。其中2(a)为正常电机的振动信号时域波形，2(b)为异音电机a的振动信号时域波形，2(c)为异音电机b的振动信号时域波形；从2(b)中可以看出来异音电机a的振动信号有明显周期性的冲击，3.5s共出现6次冲击，频率大概1.7hz，与汽车调光电机装置的大齿轮和轴的旋转频率一致，可以大致推测出问题出现在大齿轮或输出轴。异音电机b的振动信号则不能看出明显冲击周期，但要在产线上对其进行准确地异音判别不能仅仅看时域信号，对信号所包含的特征需要进一步提取，才能更好地识别异音。因此需要继续执行下面步骤2。
步骤2：对振动信号进行j层小波包分解；
小波包分解同时对高频和低频进行分解，本实施例对振动信号进行3层小波包分解，如图3所示，为三层小波包分解树，图3中s为振动信号；信号经小波包分解后得到各个频段的子频带，这些子频带包含大量设备运行状态信息，异音电机和正常电机的能量分布必然有所不同，将频带系数以能量变化的形式表现出来，可以提取出反映电机异音的特征信息，因此执行下面步骤3。
步骤3：计算小波包分解的各频带的信号能量，归一化处理各频带的信号能量，得到各频带的信号能量所占总能量的能量比；
所述步骤3具体包括以下步骤：
(1)根据parseval能量积分可知信号在时域中的能量等于信号的2范数的平方，由步骤2得到小波分解j层，有2j个频带，则各频带的信号能量ej.m为：
其中，p＝n/2j，n为原始振动信号的采样点数，m为第j层小波包分解系数，即表示频带的序号；sj,m为第m个频带的重构信号，xm,n为重构信号的幅值；
(2)计算总能量，总能量为小波包分解的各频带的信号能量之和，表示为：
(3)归一化处理各频带的信号能量，得到各频带的信号能量所占总能量的能量比，构造出归一化的特征向量：
步骤4：对振动信号进行时域特征分析从而得到多项时域特征参数；多项时域特征参数包括波峰因素和峭度；
为了增加检测系统的可靠性，必须综合考虑信号的各种特征，某些时域信号的参数也能很好表征振动情况。波峰因素cf，峭度ku这2个时域参数可以很好地区分敲响与正常状态；波峰因素
步骤5：将步骤3得到的归一化的特征向量和步骤4得到的多项时域特征参数组合成总特征向量。
步骤6：构建bp神经网络分类器：
bp神经网络(backpropagationfeed-forwardnn)，反向传播学习的前馈型神经网络。参见图4，由输入层、隐含层和输出层三层组成。所谓前馈型神经网络结构，即在处理样本时候，前一层的输出为下一层的输入。反向传播的意思是以实际输出与预期输出之间的差异为误差导向，不断修整误差来逆向调整每个网络层之间的网络权重，直至输入层与第一隐含层之间的网络权重阈值调整为止。其核心就是通过向后传递误差，向前调节网络参数(权值和阈值)，以实现或逼近所希望的输入、输出映射关系。
在bp学习算法中，学习速率参数选择很重要，过小，收敛速度慢，过大，容易引起震荡甚至发散。为了解决这个问题，可以采用变步长的方法，又称自适应学习速率。先可以用一个适中的学习速率让网络稳定，误差持续下降，如果增加学习速率，网络仍收敛，则继续增加学习速率，直至网络误差不再减小，降低学习速率，使得网络稳定。
还可以采用有动量的梯度下降法。在权值调节公式中引入一个动量项，如下：
δwji(k+1)＝mcδwji(k)+(1-mc)ηδjxi(4)；
式(4)中，wji为输入层至隐含层的连接权；η∈(0,1)表示学习速率或步长；δj表示为隐含层的误差；输入向量为xi，k为训练次数，mc为动量因子，mc∈[0,1]。加入的动量项相当于阻尼项，这样在按照梯度下降法修正权值时，考虑到前一时刻积累的经验，降低了网络对于误差曲面局部细节的敏感性，减小了学习过程中的震荡趋势，改善了收敛性能。
步骤7：采集多组无异音的汽车调光电机装置的振动信号和有异音的汽车调光电机装置的振动信号，分别提取每组振动信号的总特征向量作为训练样本，将训练样本导入bp神经网络分类器中进行分类学习，得到训练好的bp神经网络分类器。
步骤8：将被测的汽车调光电机装置的振动信号的总特征向量输入到训练好的bp神经网络分类器内，输出该汽车调光电机装置的声音类别，所述声音类别包括无异音类别和有异音类别。
本实施例对调光电机采用分析振动信号来区别异音，采集正常电机和异音电机的运转振动信号，对信号选用“db3”小波基进行3层小波包分解。三层小波包分解后，各频带系数(3,0)～(3,7)分别对应表示频率范围为：0～625hz，625～1250hz，1250～1875hz，1875～2500hz，2500～3125hz，3125～3750hz，3750～4375hz，4375～5000hz。如图5所示，图5(a)为正常电机的振动信号s1经过三层小波包分解后的各频带谱图，图5(b)为异音电机的振动信号s2经过三层小波包分解后的各频带谱图。
借助matlab平台计算各频带的信号能量谱，归一化处理后，得到正常电机的振动信号s1的归一化的特征向量t1＝[0.1970,0.0623,0.1124,0.0938,0.2025,0.1207,0.1144,0.0969]，异音电机的振动信号s2的归一化的特征向量t2＝[0.0902,0.0679,0.1325,0.1143,0.3029,0.1078,0.109,0.0753]。可以看出振动信号s1和振动信号s2主要差异在0～625hz和1875～2500hz，正常电机的振动信号低频段能量高。
为了增加检测系统的可靠性，必须综合考虑信号的各种特征，本实施例综合考虑能量谱与时域特征参数；测试5组正常电机的振动信号和5组异音电机的振动信号，它们的能量谱数据(归一化的特征向量)，波峰因素cf与峭度ku组成的总特征向量矩阵如下：
从上(5)、(6)式中看出正常电机振动信号的能量谱与异音电机振动信号的能量谱有较明显差异。正常电机的振动信号集中在低频范围段，异音电机的振动信号则集中在中高频，在时域特征参数上两者也有较大差异。测试100组正常电机的运转振动信号与100组异音电机的运转振动信号，提取的这些振动信号的总特征向量作为训练样本，将这些正常电机的振动信号的总特征向量组成总特征向量矩阵，异音电机的振动信号的总特征向量组成总特征向量矩阵，均作为训练样本导入bp神经网络分类器中进行分类学习。
经过多次尝试，选择有动量加自适应学习速率的梯度下降法对网络进行训练，3层网络拓扑结构10-18-4，隐含层节点数为18，最后的训练误差收敛在学习了1499步就达到期望误差，且耗时不到10s，误差与训练次数曲线如图6所示，最终误差为0.00099634，目标误差为0.001。
人工选择30个样件，其中异音电机与正常电机各一半，作为测试集来检测训练结果，输出结果为1则表明属于无异音类别，输出结果为-1，则属于有异音类别。测试结果如下图7所示，对照人耳实际判别分类，除了第10号件判断失准外，其余都是符合的，对于10号件，机器判断是异音件，不排除人耳存在误判情况。
异音检测是现在工厂重点需要解决的一个问题，对调光电机的异音问题采用振动信号采集，能够有效地看出来异音问题源于运动冲击。利用能量谱与时域特征参数相结合来提取信号的特征，支持向量机进行机器学习分类，能够有效地识别汽车调光电机异音，避免了人工神经网络及其他分类机要求高性能计算机，不断训练需要大量样本，得到判别函数时间长等缺陷，有实际应用价值。
本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！