本發(fā)明涉及工業(yè)智能診斷與質(zhì)量控制，尤其涉及一種基于決策級融合的新能源汽車電機異音檢測方法及系統(tǒng)。

背景技術(shù)：

1、近年來，隨著人工智能的發(fā)展，基于人工智能算法的工業(yè)異響故障檢測診斷方法已經(jīng)成為制造業(yè)生產(chǎn)過程中的研究熱點。隨著機器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的持續(xù)演進，其在工業(yè)應(yīng)用中的普及程度不斷提升，極大地推動了生產(chǎn)效率與產(chǎn)品質(zhì)量的雙重提升。在制造業(yè)場景中，機器學(xué)習(xí)技術(shù)憑借從復(fù)雜數(shù)據(jù)中高效提取關(guān)鍵信息的能力，為質(zhì)量控制提供了更為精準(zhǔn)的解決方案。

2、異音，即設(shè)備在正常運行過程中發(fā)出的異常聲音，通常被視為設(shè)備潛在問題的預(yù)警信號，可能涉及零件磨損、潤滑不良、部件松動等多種故障情況。鑒于異音對設(shè)備安全性、成本效益及運行效率的潛在影響，異音檢測在質(zhì)量控制流程中占據(jù)著舉足輕重的地位。

3、在音頻分類領(lǐng)域，現(xiàn)有技術(shù)主要依賴于單一特征及分類器，這不僅限制了分類精度與魯棒性的提升，還缺乏有效的信息融合機制，導(dǎo)致檢測效果不盡如人意。特別是在新能源汽車電機系統(tǒng)的異常故障檢測方面，由于電機系統(tǒng)由眾多復(fù)雜部件及子系統(tǒng)構(gòu)成，相互之間的復(fù)雜交互使得故障檢測變得尤為棘手。目前，電機異常故障的檢測主要依賴于人工方式，通過聽覺、視覺和觸覺等手段進行故障定位，但這種方法檢測精度有限，難以滿足現(xiàn)代汽車技術(shù)快速發(fā)展的需求。

技術(shù)實現(xiàn)思路

1、為此，本發(fā)明實施例提供了一種基于決策級融合的新能源汽車電機異音檢測方法及系統(tǒng)，用于解決現(xiàn)有技術(shù)中音頻分類對單一特征和分類器的依賴導(dǎo)致分類精度和魯棒性不足，且新能源汽車電機異常故障檢測主要依賴人工方式，精度低的問題。

2、為了解決上述問題，本發(fā)明實施例提供一種基于決策級融合的新能源汽車電機異音檢測方法，該方法包括：

3、步驟s1：采集新能源汽車電機在各種工作狀態(tài)下的音頻信號數(shù)據(jù)，并對所述音頻信號數(shù)據(jù)進行標(biāo)注，以區(qū)分正常聲音和異常聲音，基于標(biāo)注好的數(shù)據(jù)構(gòu)建數(shù)據(jù)集；

4、步驟s2：對數(shù)據(jù)集中的音頻信號進行預(yù)處理，從預(yù)處理后的音頻信號中提取多種音頻特征；

5、步驟s3：將提取的多種音頻特征分別輸入到多個獨立的支持向量機分類器中進行訓(xùn)練，得到多個訓(xùn)練好的支持向量機分類器；

6、步驟s4：多個訓(xùn)練好的支持向量機分類器基于不同音頻特征對新的音頻信號進行獨立識別和分類，生成分類結(jié)果，將每個支持向量機分類器的分類結(jié)果轉(zhuǎn)換為基本概率分配證據(jù)體；

7、步驟s5：將來自不同的支持向量機分類器的基本概率分配證據(jù)體進行融合，得到融合結(jié)果；

8、步驟s6：根據(jù)融合結(jié)果判斷新能源汽車電機的聲音信號是否正常。

9、優(yōu)選地，所述對數(shù)據(jù)集中的音頻信號預(yù)處理的方法，包括去除背景噪聲和歸一化處理。

10、優(yōu)選地，所述從預(yù)處理后的音頻信號中提取多種音頻特征的方法為：

11、分別使用短時傅里葉變換、梅爾頻率倒譜系數(shù)和梅爾譜提取預(yù)處理后的音頻信號的音頻特征，包括stft特征、mfcc特征、mel譜特征，其中stft表示短時傅里葉變換，mfcc表示梅爾頻率倒譜系數(shù)，mel表示梅爾。

12、優(yōu)選地，所述使用短時傅里葉變換提取預(yù)處理后的音頻信號的音頻特征的方法為：

13、給定一個離散時間信號，將其分割成一系列長度為的短時幀；每幀之間有一定的重疊，以提高時間分辨率；對每一幀信號應(yīng)用一個窗口函數(shù)，以減少邊緣效應(yīng)；加窗后的信號表示為：

14、；

15、式中，是第m幀信號；是幀移；是時域樣本的索引；

16、對每一個加窗后的幀信號進行快速傅里葉變換，計算其頻率成分：

17、；

18、式中，是第幀的頻率成分，表示頻率處的復(fù)數(shù)值，包含幅度和相位信息；是虛數(shù)單位；

19、計算每幀的功率譜密度或幅度譜，計算公式為：

20、；

21、；

22、將每一幀的頻譜結(jié)果按時間順序排列，形成一個二維矩陣，其中每個元素表示在時間和頻率上的信號強度：

23、。

24、優(yōu)選地，所述使用梅爾頻率倒譜系數(shù)提取預(yù)處理后的音頻信號的音頻特征的方法為：

25、首先，對原始音頻信號進行預(yù)處理，包括分幀和加窗處理；接著，對預(yù)處理后的數(shù)據(jù)進行快速傅里葉變換以獲得能量譜；然后，使用多個梅爾濾波器對能量譜進行濾波操作，并對濾波后的能量取對數(shù)來計算對數(shù)能量；最后，對對數(shù)能量進行離散余弦變換，從而提取出mfcc特征。

26、優(yōu)選地，所述使用梅爾譜提取預(yù)處理后的音頻信號的音頻特征的方法為：

27、將連續(xù)的音頻信號分割成多個短時幀，對每一幀信號進行加窗處理；

28、對每一幀加窗后的信號進行快速傅里葉變換，將時間域信號轉(zhuǎn)換為頻率域信號，得到該幀的頻譜表示；

29、對快速傅里葉變換得到的頻譜進行平方運算，計算每個頻率分量的功率譜；

30、將功率譜通過一組梅爾濾波器進行處理；

31、對梅爾濾波器組輸出的能量進行對數(shù)運算，得到對數(shù)能量譜。

32、優(yōu)選地，所述將提取的多種音頻特征分別輸入到多個獨立的支持向量機分類器中進行訓(xùn)練，得到多個訓(xùn)練好的支持向量機分類器的方法為：

33、將提取的多種音頻特征分別輸入到多個獨立的支持向量機分類器中進行訓(xùn)練，在訓(xùn)練過程中，使用五折交叉驗證對每個支持向量機分類器的性能進行評估，優(yōu)化其參數(shù)，最終得到多個訓(xùn)練好的支持向量機分類器。

34、優(yōu)選地，所述將來自不同的支持向量機分類器的基本概率分配證據(jù)體進行融合的方法為：

35、使用d-s證據(jù)理論，將來自不同的支持向量機分類器的基本概率分配證據(jù)體進行融合；

36、對于兩個支持向量機分類器和的?bpa，其中bpa表示基本概率分配，融合的定義如下：

37、；

38、式中，?表示融合的；是全集的任意子集；和分別是支持向量機分類器和的bpa；分母中是沖突系數(shù)，表示兩個支持向量機分類器對完全不同類別的支持程度，該項用于歸一化，以確保bpa的總和為1；

39、對于多個支持向量機分類器的融合，利用d-s證據(jù)理論規(guī)則的遞歸特性；對于有三個支持向量機分類器，首先融合得到，然后再與融合；依此類推，實現(xiàn)任意數(shù)量的支持向量機分類器的融合。

40、優(yōu)選地，所述基本概率分配用于表示某個支持向量機分類器對不同類別的支持程度，將每個類別的支持度量化為一個概率值；反映支持向量機分類器對該類別的信任度，并從全集的冪集映射到[0,1]之間的數(shù)值；對每個可能的類別及其組合進行概率分配，未分配的部分用于表示不確定性，基本概率分配的總和為1。

41、本發(fā)明實施例還提供了一種基于決策級融合的新能源汽車電機異音檢測系統(tǒng)，該系統(tǒng)用于實現(xiàn)上述所述的基于決策級融合的新能源汽車電機異音檢測方法，具體包括：

42、音頻信號采集與數(shù)據(jù)集構(gòu)建模塊，用于采集新能源汽車電機在各種工作狀態(tài)下的音頻信號數(shù)據(jù)，并對所述音頻信號數(shù)據(jù)進行標(biāo)注，以區(qū)分正常聲音和異常聲音，基于標(biāo)注好的數(shù)據(jù)構(gòu)建數(shù)據(jù)集；

43、數(shù)據(jù)預(yù)處理與特征提取模塊，用于對數(shù)據(jù)集中的音頻信號進行預(yù)處理，從預(yù)處理后的音頻信號中提取多種音頻特征；

44、模型訓(xùn)練模塊，用于將提取的多種音頻特征分別輸入到多個獨立的支持向量機分類器中進行訓(xùn)練，得到多個訓(xùn)練好的支持向量機分類器；

45、多分類器獨立識別與bpa計算模塊，用于多個訓(xùn)練好的支持向量機分類器基于不同音頻特征對新的音頻信號進行獨立識別和分類，生成分類結(jié)果，將每個支持向量機分類器的分類結(jié)果轉(zhuǎn)換為基本概率分配證據(jù)體；

46、bpa融合模塊，用于將來自不同的支持向量機分類器的基本概率分配證據(jù)體進行融合，得到融合結(jié)果；

47、檢測結(jié)果判斷模塊，用于根據(jù)融合結(jié)果判斷新能源汽車電機的聲音信號是否正常。

48、從以上技術(shù)方案可以看出，本發(fā)明申請具有以下有益效果：

49、（1）本發(fā)明通過結(jié)合多種音頻特征和獨立分類器，克服單一特征在復(fù)雜電機聲音環(huán)境下識別準(zhǔn)確性不足的問題，確保電機正常和異常聲音的精確分類。

50、（2）本發(fā)明引入d-s證據(jù)理論，融合來自不同特征的分類結(jié)果，提高異音檢測的可靠性，準(zhǔn)確識別電機運行中的異常聲音。

51、（3）本發(fā)明通過多特征、多分類器的綜合分析，增強系統(tǒng)對新能源汽車電機復(fù)雜環(huán)境中的新型或未見過的聲音信號的檢測和識別能力，確保異音檢測的全面性和準(zhǔn)確性。