一种基于mfcc和svm的车窗电机异常噪声检测方法及装置的制造方法
【专利摘要】本文发明公开了一种基于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。
【专利说明】
一种基于MFCC和SVM的车窗电机异常噪声检测方法及装置
技术领域
[0001] 本发明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。
【背景技术】
[0002] 随着人们对汽车声学环境舒适度提出更高要求，NVH( Noise、Vibrat ion、 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。
[0003] 现有的电机噪声检测技术一般有以下两种：
[0004] (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。
[0005] (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。
[0006] 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。
[0007] 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。
【发明内容】
[0008] 本发明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。
[0009 ] -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：
[0010] 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；
[0011] 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；
[0012] 所述预处理依次包括预加重、数据截取以及加窗；
[0013] 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。
[0014] 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。
[0015] 步骤3:对步骤2进行预处理后的声音信号Xl(m)提取MFCC特征参数；
[0016] 步骤4:对步骤3提取的MFCC特征参数进行归一化处理；
[0017]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；
[0018] 步骤6:生成电机声音SVM分类模型；
[0019]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；
[0020]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；
[0021 ]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；
[0022]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。 [0023]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；
[0024]其中，第m个Mel三角滤波器的传递函数为：
[0025]
[0026] 式中，0<m<M，M为滤波器的个数-
[0027] f(m)为第m个滤波器的中心频率：
[0028] fjPfh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F me3I反函数，巧,丨(的为以Me 1为单位的频率用来模拟耳蜗的对音频频率响应： C(M = TOW2595 -I)0
[0029] 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。
[0030] 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、核函数宽度〇,采用人 工蜂群算法进行优化；
[0031] 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；
[0032] 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Ce[l 100]，核函数宽度〇e[0.0l 10]。
[0033] 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。
[0034]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:Η(ζ) = 1_μ厂S
[0035] 式中，μ为常数，取值0.93-0.97。
[0036] 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。
[0037] 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W 2( ω ):
[0038]
[0039] 其中，Wr为矩形窗的频谱函数，N为窗函数长度，与语音帧的维度一致；
[0040]用于电机声音信号米集的传声器安装在车窗电机减速器齿轮输出轴正上方100-IlOmm 处。
[0041 ] 一种基于MFCC和SVM的车窗电机异常噪声检测装置，通过上述的一种MFCC和SVM的 汽车车窗电机噪声检测方法，包括传声器、电机定位装置及控制柜；
[0042 ] 所述传声器安装在车窗电机减速器齿轮输出轴正上方100-11 Omm处；
[0043] 所述车窗电机固定在电机定位装置上，通过传声器采集电机声音信号；
[0044] 控制柜依据采集的声音信号，根据所述的一种MFCC和SVM的汽车车窗电机噪声检 测方法，对电机声音信号进行采集、预处理以及MFCC特征参数提取，利用构建的SVM分类模 型，完成对车窗电机声音的检测。
[0045] 所述电机定位装置包括手动夹钳、定位销钉、更换板紧固件、更换板以及底板；
[0046] 所述手动夹钳固定在底板上，所述更换板通过更换板紧固件嵌装在底板中；
[0047] 所述定位销钉为可拆卸安装在更换板上；
[0048] 车窗电机通过定位销钉固定在更换板上，电机上方固定于手动夹钳中。还包括与 控制柜相连的触摸显示单元。
[0049] Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)的缩写。Mel(美 尔）是主观音高的单位，而Hz (赫兹)则是客观音高的单位。Me 1频率是基于人耳听觉特性提 出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种 关系，计算得到的Hz频谱特征。
[0050] 有益效果
[0051] 本发明提供了一种基于MFCC和SVM的车窗电机噪声检测方法及装置，该方法融合 了语音识别技术及模式识别技术，得到的特征值由于考虑了人耳对声音频谱的感知规律， 因而较传统频域分析方法有更好的实际应用效果。相对于现有技术，本发明有以下有益的 技术和经济效果：
[0052] 1)以电机声音信号为检测对象，检测方式为非接触式测量，较振动信号和电流信 号等接触式测量，减少了测试过程中传感器安装环节，节省检测时间，信号可靠性好。
[0053] 2)首次提出以MFCC作为电机异常噪声特征值，该特征值能够准确提取电机的声音 特征；
[0054] 3)MFCC采用Mel三角滤波器组处理声音频谱，使得到的频谱更符合人耳听觉感受。 弥补了现有方法由于没有考虑人作为噪声评价主体对噪声评价标准的影响，而该方法在实 际生产应用中取得了很好的效果。
[0055] 4)MFCC特征参数维数较高且不同型号电机结构及物理参数差异导致噪声特征表 现不同，结合采用SVM作为车窗电机异常噪声分类器，并依据电机型号对应的分类模型实现 电机噪声诊断，较手动设置异常噪声阈值方法对不同型号电机适应能力强。
[0056] 5)SVM能够根据训练样本情况定期调整分类模型，对由于电机生产原材料变化引 起的声音表现变化适应能力强。
[0057] 6)使用ABC对SVM参数进行寻优，使SVM达到最佳异常噪声判断性能。
[0058] 7)本方法能够有效判断车窗电机异常噪声，对于车窗电机生产厂实现电机噪声全 自动在线检测，保障车窗电机声学品质有指导性意义。
【附图说明】
[0059] 图1是本发明实现车窗电机异常噪声检测方法原理图；
[0060] 图2是车窗电机异常噪声检测设备图；
[0061] 图3是电机定位装置示意图；
[0062]图4是车窗电机异常噪声MFCC特征提取流程图；
[0063]图5是基于ABC的SVM参数选择算法流程图；
[0064]标号说明：1-触摸显示单元，2-传声器，3-电机定位装置，4-电机，5-控制柜，6-手 动夹钳，7-定位销钉，8-更换板紧固件，9-更换板，10-底板。
【具体实施方式】
[0065] 下面将结合附图和实施例对本发明做进一步的说明。
[0066] 如图1所示，一种基于MFCC和SVM的车窗电机异常噪声检测方法，包括如下步骤：
[0067] 步骤1:固定电机，获取电机声音信号。
[0068] 电机通过设备更换板上的定位螺栓与电机定位孔配合定位，通过手动夹钳夹紧固 定。用于电机声音信号采集的传声器(型号G.R.A.S 46AE)安装位置为车窗电机减速器齿轮 输出轴正上方IOO-IlOmm处。数据采集卡型号(NI PCI 4462)通过工控机PCI插槽与工控机 相连。电机声音信号采集的采样率51200，采样时间4.5s，数据以WAV.格式保存。
[0069]步骤2:读取采集的WAV文件，对声音信号进行预处理。
[0070]预处理包括:预加重、数据截取、加二阶汉宁自卷积窗。
[0071] 2.1对采集的电机声音信号x(i)进行预加重。
[0072] 预加重的目的是提高电机声频信噪比，由数字滤波器H(Z)实现：
[0073] Η(ζ) = 1_μζ-1 (1)
[0074] 式中，μ为常数，取值0.93-0.97;
[0075] 2.2分帧。
[0076] 设置IOms时间长度的数据点作为帧长，选取帧长的20 %-30 %作为帧移，即步骤 2.3中加窗时窗口的移动时间。
[0077] 2.3加窗。
[0078] 对每帧数据加 HSCW窗。HSCW窗频域表达式（2):
[0079；
(2)
[0080] 式中，Wr为矩形窗的频谱函数，N为窗函数长度，与语音帧的维度一致。
[0081 ]步骤3:对电机声音信号提取MFCC特征值，如图4所示。
[0082] 3.1电机音频信号对预处理后音频^ (m)进行快速傅里叶变换，得到音频频谱，将 信号由时域转换为频域：
[0083] X(i，k)=FFT[Xi(m)] (3)
[0084] 式中，i表示分帧后第i帧，k表示频域中的第k条谱线。
[0085] 3.2求频谱幅度的平方，得到能量谱。
[0086] 3.3Mel三角滤波器滤波。
[0087]由于人耳对频率的感知是呈非线性的，以Hz为单位的频谱能量不能准确反映声音 作用于人耳的能量分布特点。因此提取的特征值不能准确描述电机异常响声与正常运转声 音之间的差别。需要将步骤3.2中的能量谱经过Mel滤波器，变换到Mel标度下。
[0088]第m个三角滤波器的传递函数为：
(5)[0090] 式中，〇<m<M，M为滤波器的个数;第m个滤波器的中心频率f(m)可以定义为：
[0089]
[0091] C6)
[0092] fjPfh分别为第m个滤波器的最低频率和最高频率，M为离散傅里叶变换窗宽，Fs为 采样率，C为Fmel反函数，U (fc)为：
[0093]
[0094] 3.4计算Mel滤波器滤波后频谱能量。每一帧信号通过Mel滤波器后的频谱能量为 信号谱线能量E(i，k)与Mel三角滤波器频域响应Hm(k)乘积和：
[0095]
(8)
[0096] 3.5离散余弦变换(DCT)。对3.4的结果进行余弦变换，并得到MFCC系数。
[0097] 余弦变换的目的是为了去除各参数之间的相关性；
[0098]
:9)
[0099] 式中，C(n)为MFCC系数，M为Mel滤波器组个数。
[0100] 3.6特征参数归一化。对3.5的MFCC系数进行归一化。
[0101]
( 1〇)
[0102] 其中Xmin为x(i)最小值，Xmax为x(i)最大值。
[0103] 步骤3: MFCC值存入数据库。
[0104] 存入格式："电机型号"，"label"，"data"。电机型号用于区分样本标识的电机种 类;label项用于存储电机状态，正常电机label为0,异响电机label为I; data项用于存储电 机MFCC值，data为1X16向量。"电机型号"和"label"需要在LabVIEW操作界面上手动设定。
[0105] 步骤4:生成SVM模型。
[0106] 4.1生成训练样本集。按照步骤1，2采集100个某型号电机声音信号，包括正常电机 30个，存在噪声的电机70个，得到100段音频。按照步骤3，4对100段音频分别提取MFCC特征 值，并存入"训练样本数据库"；
[0107] 4.2SVM根据"电机型号"读取"训练样本数据库"中"电机型号"对应的所有样本，并 从"SVM参数数据库"中读取"电机型号"对应的误差惩罚因子C、核函数宽度〇;
[0108] 4.3SVM依据训练样本data和label情况生成该电机型号对应的分类模型；
[0109] 4.4不同电机型号训练样本存放在同一数据库，8卩"训练样本数据库"。每次进行电 机噪声测试时需要根据电机型号调用全部训练样本，生成分类模型后才可以开始判断电机 噪声。
[0110] 步骤5:电机噪声测试。
[0111] 5.1将待测试电机根据步骤1-2生成MFCC值并输入到SVM。
[0112] SVM根据步骤3-4生成分类模型，对待测电机进行分类识别并输出识别结果Label。 若Label = 1，电机存在噪声，操作界面的检测结果提示灯变为"红色"，同时弹出警告窗口， 按开始数据采集按钮确认警告，窗口关闭同时检测结果提示灯恢复"绿色"；若Labe I = 0，电 机正常，操作界面的检测结果提示灯保持"绿色"。生成的MFCC特征值根据步骤3存入"历史 数据库"。
[0113] 步骤6: SVM参数更新。
[0114] 6.1在操作界面选择需要更新SVM参数的电机型号，按照步骤1采集100个该型号电 机声音信号，其中正常电机30个，存在噪声的电机70个。根据步骤2-3生成MFCC值，根据步骤 4输入label并存入"测试样本数据库"。
[0115] 6.2按下"SVM参数更新"按钮，SVM参数触发更新程序。读取电机型号对应的"训练 样本数据库"内全部样本，系统根据样本特征，生成分类模型。
[0116] 6.3读取电机型号对应的"测试样本数据库"，将全部测试样本的data输入SVM，得 到判断结果Labelt3Label为NXl维向量，N为测试样本数目。对比SVM判断结果和"测试样本数 据库"的label得到SVM判断准确率Vacc。
[0117] 基于ABC的SVM参数选择过程，如图5所示。
[0118] 6.4人工蜂群算法(Artificial Bee Colony Algorithm,ABC)初始化。
[0119] 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 = 20,参数搜索范围Ce [1100]，〇e
[0·0110]〇
[0120] 6.5根据式(12)产生M = 50个初始坐标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为C的初始坐标，Ibi = I，ubi = 100，Xi2为σ的初始坐标，Ibi = 0.01，ubi=10，rand(0,1)为0-1之间的任意解；
[0124] 6.6在M个已知坐标附近根据式（13)分别进行搜索，得到^并根据式（14)计算目标 函数值V ab。；
[0125] X7 ij = Xij+rij(Xij-Xkj) (13)
[0126] 式中拆{1，2}，1^{1，2，...，]\1}，」与1^随机产生，且1^」，句[[-1，1]随机数
[0127] (14)
[0128] 式中，Va。。为支持向量机判断准确率，求Va。。的最大值即求解目标函数的最大值。
[0129] 6.7比较11与^的￥^。，并根据贪婪选择法判断是否更新坐标；
[0130] 6.8根据式（15)计算M个已知坐标在新一轮搜索中被选中的概率；
[0131] (15)
[0132] 其中，i指第i个坐标被选中的概率
[0133] 6.9贪婪法选择局部最优解及对应坐标。
[0134] 6.10同一坐标被搜索limit次仍未更新，则抛弃该坐标，根据式（16)搜索替代坐 标，实现全局最优搜索。
[0135] Xij = Xmax. j+( Xmax, j-Xmin.j) 1 rand(〇,l) (16)
[0136] 式中，Xmin. j为目前得到的第j维最小值，Xmax. j为目前得到的第j维最大值，rand(0, 1)为0-1之间的随机数。
[0137] 6.11记录目标函数最大值，及对应的坐标值，坐标值即为最优解。
[0138] 6.12判断是否达到最大搜索次数，若达到，输出最优解，否则转步骤4.2。
[0139] 6.13将优化结果C，〇以及Vacc存入"SVM参数数据库"。完成参数更新。
[0140] 一种基于MFCC和SVM的车窗电机异常噪声检测装置，如图2所示，通过上述的一种 MFCC和SVM的汽车车窗电机噪声检测方法，包括传声器、电机定位装置3及控制柜5;
[0141] 所述传声器2安装在车窗电机4减速器齿轮输出轴正上方IOO-IlOmm处；
[0142] 所述车窗电机固定在电机定位装置上，通过传声器采集电机声音信号；
[0143] 控制柜依据采集的声音信号，根据所述的一种MFCC和SVM的汽车车窗电机噪声检 测方法，对电机声音信号进行采集、预处理以及MFCC特征参数提取，利用构建的SVM分类模 型，完成对车窗电机声音的检测。
[0144] 所述电机定位装置如图3所示，包括手动夹钳6、定位销钉7、更换板紧固件8、更换 板9以及底板10;
[0145] 所述手动夹钳固定在底板上，所述更换板通过更换板紧固件嵌装在底板中；
[0146] 所述定位销钉为可拆卸安装在更换板上；
[0147] 车窗电机通过定位销钉固定在更换板上，电机上方固定于手动夹钳中。
[0148] 还包括与控制柜相连的触摸显示单元1。
[0149] 需要说明的是，以上公开的仅为本发明的具体实例，根据本发明提供的思想，本领 域的技术人员能思及的变化，都应落入本发明的保护范围内。
【主权项】
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w下步骤： 步骤1:采集电机声音信号，并将电机声音信号WWAV.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W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W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 Ξ角滤波器进行滤波； 其中，第m个MelS角滤波器的传递函数为：式中，0 < m < Μ，Μ为滤波器的个数； f(m)为第m个滤波器的中屯、频率：fi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Fme 1反函数，巧別6)为W Me 1为单位的频率用来模拟耳蜗的对音频频率响应： 护。,->)=700(￡'6:-明，-1)。3. 根据权利要求2所述的方法，其特征在于，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0,采用人工蜂群算法进行优化； 其中，W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化CC，W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切cles = 1000,目标函数维 数Dim = 2，捜索坐标个数M= 50，单个坐标的最大重复捜索次数Limit = 20，参数误差惩罚因 子捜索范围Ce[l 100]，核函数宽度〇￡[0.0! 10]。4. 根据权利要求3所述的方法，其特征在于，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 -μζ-1; 式中，μ为常数，取值0.93-0.97。5. 根据权利要求4所述的方法，其特征在于，所述步骤2中进行数据截取是指对电机声 音信号进行分帖处理，帖长设置为10ms，选取帖长的20%-30%作为帖移。6. 根据权利要求5所述的方法，其特征在于，所述步骤2中进行加窗是指W权利要求5中 的帖移作为加窗时窗口的移动时间，对每帖数据加二阶汉宁自卷积HSCW窗，HSCW窗频谱函 数恥（ω):其中，Wr为矩形窗的频谱函数Ν为窗函数长度，与语音帖的维度一致7. 根据权利要求1-6任一项所述的方法，其特征在于，用于电机声音信号采集的传声器 安装在车窗电机减速器齿轮输出轴正上方100-110mm处。8. -种基于MFCC和SVM的车窗电机异常噪声检测装置，其特征在于，通过权利要求1-7 任一项所述的一种MFCC和SVM的汽车车窗电机噪声检测方法，包括传声器、电机定位装置及 控制柜； 所述传声器安装在车窗电机减速器齿轮输出轴正上方100-110mm处； 所述车窗电机固定在电机定位装置上，通过传声器采集电机声音信号； 控制柜依据采集的声音信号，根据所述的一种MFCC和SVM的汽车车窗电机噪声检测方 法，对电机声音信号进行采集、预处理W及MFCC特征参数提取，利用构建的SVM分类模型，完 成对车窗电机声音的检测。9. 根据权利要求8所述的装置，其特征在于，所述电机定位装置包括手动夹错、定位销 钉、更换板紧固件、更换板W及底板； 所述手动夹错固定在底板上，所述更换板通过更换板紧固件嵌装在底板中； 所述定位销钉为可拆卸安装在更换板上； 车窗电机通过定位销钉固定在更换板上，电机上方固定于手动夹错中。10. 根据权利要求9所述的装置，其特征在于，还包括与控制柜相连的触摸显示单元。
【文档编号】G10L25/24GK105841797SQ201610146102
【公开日】2016年8月10日
【申请日】2016年3月15日
【发明人】谭建平, 刘思思, 李锋, 黄涛
【申请人】中南大学