TWI587294B - 設備異音的檢測方法及檢測裝置 - Google Patents

Description

設備異音的檢測方法及檢測裝置

本發明涉及一種機器異音的檢測方法及裝置，尤指一種基於SVM線性分類和聚類分析的異音檢測方法及裝置。

異音的自動測試在過去幾年一直都是工廠測試的難題。產品在正常工作中發出的噪音，是屬正常的噪音或是不正常的噪音(異音)，過去的生產測試都是以嫺熟的作業人員來進行判斷，包括對風扇、變壓器、電源產品、投影儀、馬達等設備進行的聲音測試。聲音測試必須依賴作業人員的判斷，而人為因子又是一項檢測系統中最難控制的要素，制約了產品質量零缺點目標的實現。同時必要的人員作業也限制了生產自動化的實現。

現行的聲音測試，有以下幾種方式：使用聲功率計。這種方式可以測量出音量的總功率或是總音量，如果總音量偏高了，可以檢出為不良。但是聲音異常通常是來自某一個分量的異常，功率計無法分辨出聲音的組成成分。如果該異常的分量不是主要的功率分量，通常無法被檢出。

使用頻譜儀測量。頻譜儀可以查看每個頻率的分量值，尤其適合於窄帶信號的檢出。例如蜂鳴器發出的單頻音，可以很容易透過 頻譜儀檢出。頻譜分析也是目前工程單位使用來做異音判定的主要工具。然而大部分的異音模式是寬帶噪音，在每個單一頻率上的分量都不顯著，因此頻譜儀很難分辨出寬帶噪音的形式，這種判定方式存在顯著的誤判率，無法提供高的檢出有效性。

使用聲功率譜。該測量方式合併了聲功率與頻譜的測量，使用各種倍頻程功率譜的計權方式來測量。這種測量方式較接近人耳對聲音的響應，但是它的基本限制和前兩項相同。正常噪音與異常噪音在功率譜的表現上差異微小，正常噪音的變動範圍可能就超過了這個微小差距，使得檢出能力很受限。

使用聲質量測量。包括用響度(Loudness)、粗糙度(roughness)、尖銳度(sharpness)等聲質量因子進行測量。這些聲質量的計權仿真了人因響應，將物理量轉為人耳的感受，更貼近人對響度、粗糙度、尖銳度的感覺。然而這些聲質量因子實際上無法有效表徵出噪音的異常與否。它的本質上是在頻譜或功率譜的基礎上加權計算得出，其檢測的限制因子與頻譜或功率譜相同。

使用加速規的共振解調技術。這是一種用振動替代異音測試的方法，在加速規的共振頻率上，如果加上持續的激勵存就會激發出加速規的共振。這個持續激勵的來源就是異音。這個方法被證明在轉動機械的異音測量中是有效的，尤其是培林異常者檢出。培林異常時會激發出一連串寬帶噪音，這些噪音的頻率分量涵蓋到了加速規的共振頻率而激發共振。將共振頻率信號解調可以得到激勵源特徵頻率。這個方法在某些測試中視有效的，但是泛用性不高。對大多數的異常模式都無法進行有效檢出。

用標準無響室進行測量。這種測量方式需要一個標準無響室和一套等級很高的聲音測量系統，優點是在無響室中的背景噪聲被壓制到很低，同時用低噪聲的聲音採集系統，可以將測量信號的背景噪聲降到最低，這樣可以對異音的寬帶信號的鑒別能力提到最大。這個方法由於設備造價昂貴，只適合於研究分析時使用，很難於應用到生產製造環節中。

然而，不論採用以上哪一種測試方式，既有的測試方式都要在得到的測量值上預定標準值。例如，頻譜測量可以得到每個頻率的響應值，一般的概念是研究分析正常與異常的產品，試著找出聲音測量時在頻譜上的規格值。然而異音的本質並不是單頻音，而是同時產生各種寬帶的分量，使得不同頻率的分量不具備獨立性，從學理上就無法設定每個頻率分量的規格值。這個特性解釋了為什麼過去嘗試用各種方式進行測量並建立規格，卻始終無法找到有效的判定方式。

基於上述，由於頻率分量間的相依性，要建立合理的規格值，不能針對每個頻率分量去分析，應該至少對各分量的線性組合進行分析。因此現有引用統計的線性分類算法進行分類分析。線性分類器的算法，需要先建立良品樣本與不良品樣本。用已知良品特徵與已知不良品特徵，計算得到一個分類面，再用該分類面對待測樣品進行分類判定。可以運用的統計分類算法有很多，包括線性回歸、邏輯回歸、生成學算法、貝葉斯算法、SVM分類算法等。在本項目中使用SVM(支持向量機)分類算法，SVM在很多論文中都認為具有較大的穩健性。統計分類算法不是對單獨每個特徵去計算規格，而是對特徵的線性組合進行分類判定，這樣比較符合 異音是多頻譜本質的基本原理。經過實驗初步分析，SVM確實能有效地對給定的數據庫樣品音進行判定。

實際在運用時，發現有些顯著異常的聲音在分類算法中會錯判。一種可能的原因是SVM是一種教導學習算法，它需要從數據庫的教導中學習分類面的建構，所以將這些錯判音加入數據庫中或許可以解決問題。然而實際上這些顯著異常的聲音加入樣品數據庫中，反而卻混淆了分類面，並降低了SVM分類的有效性。探討這個現象，可能的原因是使用統計線性分類器，是基於假設分類對象的線性可分性，然而線性可分性實際上無法100%滿足，在不滿足線性可分性的條件時，SVM將無法進行正確分類判定。顯著的異常音因為顯著離群，在特徵空間中與主要聲音類別的分佈較遠，線性可分的假設不再成立，因此將它加入數據庫中反而不利分類器的建構。

針對現有技術存在的問題，本發明的目的在於提供一種自動檢測設備異音的方法及裝置。

本發明的設備異音的檢測方法，包括如下步驟：採集設備運行時的一聲音信號；對採集的該聲音信號進行預處理，得到一聲音處理信號；從該聲音處理信號中提取多個特徵參數；對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析和SVM線性分類； 根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。

進一步，對採集的該聲音信號進行預處理包括：將採集的該聲音信號依據麥克風的靈敏度轉換為頻域的標準聲壓值；利用加權因子對該標準聲壓值進行校準處理。

進一步，該聚類分析包括：根據所提取的該多個特徵參數和該數據庫中的樣本之間在特徵空間的歐氏距離進行聚類分析；根據聚類分析的結果判斷該多個特徵參數對應的該聲音信號和該數據庫中的樣本之間是否離群。

進一步，該聚類分析進一步包括：計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群；當所計算的所歐氏距離小於該閾值時，則該聚類分析的結果為不離群。

進一步，該數據庫中的樣本包括正常聲音樣本和異常聲音樣本。

進一步，該檢測方法還包括： 建立設備正常聲音樣本和異常聲音樣本；根據該正常聲音樣本中的特徵參數和該異常聲音樣本中的特徵參數，計算得到在特徵空間的一分類面。

進一步，該SVM線性分類包括：根據所提取的該多個特徵參數與該分類面之間的位置關係進行SVM線性分類；根據SVM線性分類的結果判斷該多個特徵參數對應的該聲音信號位於該分類面的異常聲音樣本一側或該分類面的正常聲音樣本一側。

進一步，該SVM線性分類進一步包括：計算該多個特徵參數與該分類面的相對位置關係；當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音。

進一步，當該聚類分析的結果為離群，則根據該聚類分析的結果預測該聲音信號為異音；當該聚類分析的結果為不離群，則根據該SVM線性分類的結果預測該聲音信號是否為異音。

本發明的設備異音的檢測裝置，包括：採集單元，用於採集設備運行時的一聲音信號；預處理單元，用於對採集的該聲音信號進行預處理，得到一聲音處理信號； 提取單元，從該聲音處理信號中提取多個特徵參數；分析單元，用於對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析；分類單元，用於對所提取的該多個特徵參數和數據庫中的樣本進行SVM線性分類；預測單元，用於根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。

進一步，該預處理單元包括：轉換單元，將採集的該聲音信號依據麥克風的靈敏度轉換為頻域的標準聲壓值；校準單元，利用加權因子對該標準聲壓值進行校準處理。

進一步，該分析單元包括：第一計算單元，用於計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；第一結果輸出單元，當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群。

進一步，該數據庫中的樣本包括正常聲音樣本和異常聲音樣本。

進一步，還包括：數據庫構建單元，建立設備的該正常聲音樣本和該異常聲音樣本； 第二計算單元，根據該正常聲音樣本中的特徵參數和該異常聲音樣本中的特徵參數，計算得到在特徵空間的一分類面。

進一步，該分類單元包括：第二計算單元，用於計算該多個特徵參數與該分類面的相對位置關係；第二結果輸出單元，當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音。

本發明以聚類分析和SVM線性分類相結合的方式對設備異音進行檢測，如此可以使聲音樣本在特徵空間中大範圍的非線性問題可以用聚類分析加以排除，小範圍的滿足線性假設的聲音樣本，用SVM線性分類進行分類運算。與現有技術相比，具有操作簡單、預測精度高等優點。

S11~S12‧‧‧步驟

S21~S25‧‧‧步驟

S221~S222‧‧‧步驟

31‧‧‧構建單元

32‧‧‧計算單元

4‧‧‧聲音檢測裝置

41‧‧‧採集單元

42‧‧‧預處理單元

43‧‧‧提取單元

44‧‧‧分析單元

45‧‧‧分類單元

46‧‧‧預測單元

5‧‧‧聲音檢測裝置

圖1為本發明一實施例的設備異音的檢測方法的流程示意圖；圖2為本發明另一實施例的設備異音的檢測方法的流程示意圖；圖3為本發明一實施例的設備異音檢測方法中對採集聲音信號進行預處理的流程示意圖；圖4為本發明一實施例的設備異音檢測方法中聚類分析的流程示意圖；圖5為本發明一實施例的設備異音檢測方法中SVM線性分類的流程示意圖；圖6為本發明一實施例的設備異音的檢測裝置的結構示意圖； 圖7為本發明另一實施例的設備異音的檢測裝置的結構示意圖。

如圖1所示，本發明的一實施例的設備異音的檢測方法，包括如下步驟：

步驟S21：採集設備運行時的一聲音信號。其中，採集設備運行時的聲音信號，可以通過在設備上安裝的聲傳感器獲得。

步驟S22：對採集的該聲音信號進行預處理，得到一聲音處理信號；

步驟S23：從該聲音處理信號中提取多個特徵參數；

步驟S24：對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析和SVM線性分類，其中數據庫中的樣本分為正常聲音樣本和異常聲音樣本，並且正常聲音樣本和異常聲音樣本中均包括多個特徵參數。

步驟S25：根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。

如圖3所示，步驟S22中對採集的該聲音信號進行預處理具體包括：步驟S221：將採集的該聲音信號依據麥克風的靈敏度轉換為頻域的標準聲壓值,單純就時域聲壓值來說，其重複測試的一致性不佳，用頻譜或功率譜計算可提高重複性,展開的頻譜可以從0Hz-22kHz,然而本發明並不以此為限；步驟S222：利用加權因子對該標準聲壓值進行校準處理，為了讓 人感受到的和頻譜上的高值能夠對應，例如A加權可以濾除人耳不可分辨的頻率，為篩除無用信號提供幫助。本發明中加權方法有四個選項，A加權(A-weighting)、直接映射(Direct map)、插入加權(Interpolate weighting)、不加權(No weighting)。A-weighting是對波形做A-weighting。這個函數主要功能不是用來做A weighting加權，而是用來做麥克風校準後導入麥克風響應函數用。Direct map是將波形經過傅立葉變換後，直接乘上map array後輸出加權後的波形，使用direct map 需要依據輸入波形的時長與採樣頻率，確認其頻譜的長度與頻率間隔，並生成頻點完全對應的映射陣列(Map array)，直接乘上去後輸出加權後的波形。

如圖4所示，步驟S25中該聚類分析具體包括：步驟S251：計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；例如，兩個n維向量a(X11,X12，…X1n)與b(X21,X22…X2n)間的歐氏距離d12：步驟S252：判斷所計算的歐氏距離是否大於一閾值；步驟S253：當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群；步驟S254：當所計算的所歐氏距離小於該閾值時，則該聚類分析的結果為不離群。

如圖2所示，為本發明的另一實施例的設備異音的檢測方法。其 與圖1所示的設備異音的檢測方法相比還包括：

步驟S11：建立設備正常聲音樣本和異常聲音樣本。其中，首先採集設備正常運行一定時間內的聲音信號，經上述預處理和特徵提取後，得到正常聲音樣本。然後，採集設備異常運行一定時間內的聲音信號，經上述預處理和特徵提取後，得到異常聲音樣本。然而，正常聲音樣本和異常聲音樣本並不一定如本實施例中該是由後續建立，正常聲音樣本和異常聲音樣本也可以為在此之前已經預設好。

步驟S12：根據該正常聲音樣本中的特徵參數和該異常聲音樣本中的特徵參數，計算得到在特徵空間的一分類面。分類面的計算採用現有線性判別函數來算出。

如圖5所示，步驟S25中該SVM線性分類具體包括：步驟S255：計算該多個特徵參數與該分類面的相對位置關係，即計算多個特徵參數與分類面的正常聲音樣本的歐氏距離，以及多個特徵參數與分類面的異常聲音樣本的歐氏距離，根據多個特徵參數歐氏距離的長度來判斷位於正常聲音樣本一側還是位於異常聲音樣本一側；步驟S256：比較特徵參數與正常聲音樣本之間的歐氏距離，和特徵參數與異常聲音樣本之間的歐氏距離大小；步驟S257：當特徵參數與異常聲音樣本之間的歐氏距離小於與正常聲音樣本之間的歐氏距離時，所述多個特徵參數距離分類面的異常聲音樣本更近，位於所述分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音； 步驟S258：當特徵參數與正常聲音樣本之間的歐氏距離小於與異常聲音樣本之間的歐氏距離時，所述多個特徵參數距離分類面的正常聲音樣本更近，位於所述分類面的正常聲音樣本一側，則將所述多個特徵參數對應的所述聲音信號歸類為正常聲音。

由於採集的該多個特徵參數與數據庫中的樣本之間可能為線性也可能為非線性。而SVM線性分類方法無法對非線性部分進行準確預測。因此，多個特徵參數中的非線性部分於本發明實施例中是根據聚類分析的結果來進行排除，亦即當上述步驟S25中聚類分析的結果為離群，則根據該聚類分析的結果直接預測該聲音信號為異音。當該聚類分析的結果為不離群，則證明其與數據庫中的樣本為線性，如此可以根據該SVM線性分類的結果預測該聲音信號是否為異音，即當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音，當該多個特徵參數位於該分類面的正常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為正常聲音。

如圖6所示，為本發明的一實施例的設備異音的檢測裝置4，包括：採集單元41，用於採集設備運行時的一聲音信號；預處理單元42，用於對採集的該聲音信號進行預處理，得到一聲音處理信號；提取單元43，從該聲音處理信號中提取多個特徵參數；分析單元44，用於對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析； 分類單元45，用於對所提取的該多個特徵參數和數據庫中的樣本進行SVM線性分類；預測單元46，用於根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。

本實施例中的預處理單元42具體包括：轉換單元，將採集的該聲音信號依據麥克風的靈敏度轉換為頻域的標準聲壓值；校準單元，利用加權因子對該標準聲壓值進行校準處理。其中，轉換單元和校準單元的處理方法在前述異音檢測方法已做說明，在此不再贅述。此外，本發明的預處理單元的結構並不以此為限，其可以省略轉換單元或校準單元。

本實施例中的分析單元44包括：第一計算單元，用於計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；第一結果輸出單元，當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群。

如圖7所示，為本發明的另一實施例的設備異音的檢測裝置。其與圖3所示的設備異音的檢測裝置相比還包括：數據庫構建單元31，建立設備的該正常聲音樣本和該異常聲音樣本；第二計算單元32，根據該正常聲音樣本中的特徵參數和該異常聲 音樣本中的特徵參數，計算得到在特徵空間的一分類面。

本實施例中分類單元45包括：第二計算單元，用於計算該多個特徵參數與該分類面的正常聲音樣本和異常聲音樣本的相對位置關係；第二結果輸出單元，當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音。

以上具體地示出和描述了本發明的示例性實施方式。應該理解，本發明不限於所揭露的實施方式，相反，本發明意圖涵蓋包含在所附申請專利範圍範圍內的各種修改和等效置換。

S21~S25‧‧‧步驟

Claims (11)

1. 一種設備異音的檢測方法，包括如下步驟：採集設備運行時的一聲音信號；對採集的該聲音信號進行預處理，得到一聲音處理信號；從該聲音處理信號中提取多個特徵參數；對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析和SVM線性分類，其中該聚類分析包括：根據所提取的該多個特徵參數和該數據庫中的樣本之間在特徵空間的歐氏距離進行該聚類分析；以及根據該聚類分析的結果判斷該多個特徵參數對應的該聲音信號和該數據庫中的樣本之間是否離群，且該SVM線性分類包括：根據所提取的該多個特徵參數與一分類面之間的位置關係進行該SVM線性分類；以及根據該SVM線性分類的結果判斷該多個特徵參數對應的該聲音信號位於該分類面的異常聲音樣本一側或該分類面的正常聲音樣本一側；以及根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。
2. 如申請專利範圍第1項所述之檢測方法，其中對採集的該聲音信號進行預處理包括：將採集的該聲音信號依據麥克風的靈敏度轉換為頻域的標準 聲壓值；利用加權因子對該標準聲壓值進行校準處理。
3. 如申請專利範圍第1項所述之檢測方法，其中該聚類分析進一步包括：計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群；當所計算的該歐氏距離小於該閾值時，則該聚類分析的結果為不離群。
4. 如申請專利範圍第1項所述之檢測方法，其中該數據庫中的樣本包括正常聲音樣本和異常聲音樣本。
5. 如申請專利範圍第4項所述之檢測方法，其中該檢測方法還包括：建立設備正常聲音樣本和異常聲音樣本；根據該正常聲音樣本中的特徵參數和該異常聲音樣本中的特徵參數，計算得到在該特徵空間的該分類面。
6. 如申請專利範圍第1項所述之檢測方法，其中該SVM線性分類進一步包括：計算該多個特徵參數與該分類面的相對位置關係；當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音。
7. 如申請專利範圍第1項所述之檢測方法，其中：當該聚類分析的結果為離群，則根據該聚類分析的結果預測該聲音信號為異音； 當該聚類分析的結果為不離群，則根據該SVM線性分類的結果預測該聲音信號是否為異音。
8. 一種設備異音的檢測裝置，包括：採集單元，用於採集設備運行時的一聲音信號；預處理單元，用於對採集的該聲音信號進行預處理，得到一聲音處理信號；提取單元，從該聲音處理信號中提取多個特徵參數；分析單元，用於對所提取的該多個特徵參數和數據庫中的樣本進行聚類分析，其中該分析單元包括：第一計算單元，用於計算該多個特徵參數與該數據庫中的樣本之間在特徵空間的歐氏距離；以及第一結果輸出單元，當所計算的該歐氏距離大於或等於一閾值時，則該聚類分析的結果為離群；分類單元，用於對所提取的該多個特徵參數和數據庫中的樣本進行SVM線性分類，其中該分類單元包括：第二計算單元，用於計算該多個特徵參數與一分類面的正常聲音樣本和異常聲音樣本的相對位置關係；以及第二結果輸出單元，當該多個特徵參數位於該分類面的異常聲音樣本一側，則將該多個特徵參數對應的該聲音信號歸類為異常聲音；以及預測單元，用於根據該聚類分析和該SVM線性分類結果預測該聲音信號是否為異音。
9. 如申請專利範圍第8項所述之檢測裝置，其中該預處理單元包括：轉換單元，將採集的該聲音信號依據麥克風的靈敏度轉換為 頻域的標準聲壓值；校準單元，利用加權因子對該標準聲壓值進行校準處理。
10. 如申請專利範圍第8項所述之檢測裝置，其中該數據庫中的樣本包括正常聲音樣本和異常聲音樣本。
11. 如申請專利範圍第10項所述之檢測裝置，其中還包括：數據庫構建單元，建立設備的該正常聲音樣本和該異常聲音樣本；第二計算單元，根據該正常聲音樣本中的特徵參數和該異常聲音樣本中的特徵參數，計算得到在該特徵空間的該分類面。