基于MFCC和SVM的车窗电机异常噪声辨识方法研究

为提高车窗电机异常噪声特征提取的有效性及分类识别的准确性,提出一种以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值,以支持向量机(Support Vector Machine,SVM)为噪声辨识模型的电机异常噪声辨识方法。在MFCC提取方法基础上,针对频谱泄漏,用Hanning自卷积窗代替Hanning窗,获得优化的MFCC,并将其作为特征值输入到SVM进行异常噪声辨识。为提高SVM判别准确率,采用人工蜂群算法实现SVM参数选择优化。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。

一种基于心理声学品质和调制频率的车窗电机检测方法

为保证车窗电机出厂前声品质和性能达到要求,提出了基于心理声学参量和调制频率的车窗电机检测方法。基于传统的心理学客观参量模型计算正常电机和故障电机声音样本的响度、粗糙度、尖锐度,基于修正的模型计算其尖锐度值,并通过主客观评价试验分析正常电机和故障电机的响度、粗糙度、尖锐度、修正后尖锐度与主观感受反映的相关性;以响度、修正后尖锐度作为特征向量,将电机分为正常电机和异常噪声电机,在此基础上为了诊断异常噪声电机的故障类型,加入物理参量调制频率作为预测车窗电机故障类型的特征量;最后,构建附加动量法优化的BP神经网络分类器对电机进行分类,通过试验验证优化的神经网络分类器。研究结果表明:正常电机与故障电机的响度和修正后尖锐度值存在明显差别,响度和修正后尖锐度与人的主观心理一致性较好,一致性系数达0.8以上;碳刷-换向器缺陷的电机噪声频率在80~100Hz,蜗杆-齿轮缺陷的电机噪声频率在20~40Hz,而正常电机的噪声频率在100 Hz以上,调制频率可作为检测电机故障类型的特征量;优化的神经网络分类器对车窗电机的分类准确率达90%以上,且与传统BP神经网络分类器相比其准确率更高和耗时更少。

基于LabVIEW的车窗电机电流高速采集系统

利用电流信号对车窗电机进行故障诊断的前提是采集可靠的电流信号,因此选择NI数据采集卡、霍尔电流传感器、信号调理电路作为硬件系统,以Lab VIEW为软件平台,设计开发车窗电机电流采集系统,并完成系统测试。测试结果表明:系统运行稳定,实时性好,数据准确可靠,实现了电流信号高速采集,为车窗电机故障诊断提供了可靠数据来源。

车窗防夹模块之车窗电机的启动控制

由于汽车越来越要求舒适化,永磁直流电机在汽车上的应用越来越多。不同的电机参数就有不同的启动特性,这些电机启动时往往会伴随着高电压、大电流等特性,启动瞬间会对其控制系统产生冲击和干扰。本文以车窗电机为例,对其启动特性进行研究,以提高车窗防夹模块的可靠性。

车窗纹波防夹的惯性补偿研究

针对于车窗纹波防夹技术,每当开关关闭,车窗电机会由于惯性作用而继续运转,而此时无法采集到电流,从而无法计算纹波导致位置的丢失。该文设计了一种双通道电流采样电路,有效地抑制了这一问题的产生。该文首先详细地介绍了整个车窗纹波防夹系统的构成,包括电机电流的采样运放电路、低通滤波电路、MCU 处理器以及电机驱动控制电路,以及介绍了每个模块电路的作用。然后介绍了惯性补偿电路的工作原理与纹波位置补偿方法。最后通过测试台架试验,验证了惯性补偿电路。

基于改进谱减法和MFCC的电机异常噪声识别方法

为提高车窗电机异常噪声识别的准确性,提出一种以改进的谱减法为基础、以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值的电机异常噪声辨识方法。结合电机声音信号和工厂背景噪声信号特点,通过优化的谱减法进行消噪处理。针对频谱泄漏,用汉宁自卷积窗代替汉宁窗,获得优化的MFCC。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。

基于BP神经网络的电机噪声在线评价系统

为有效甄别存在异常噪声的车窗电机,提出一种基于BP神经网络的车窗电机噪声在线评价系统。由于现有客观参量不能够完全适用于车窗电机的噪声评价,根据车窗电机噪声特点提出了一种形如窗函数的加权因子用于修正尖锐度参量,并通过主客观评价实验优化了心理声学客观参量。在此基础上,以有效的客观参量和物理参量为特征值,构建使用附加动量法优化的BP神经网络分类器,并最终建立了噪声在线评价系统。测试结果表明,该系统对车窗电机噪声的分类准确率在90%以上,且与传统BP神经网络分类器相比,具有更高的准确率和更少的耗时,可用于车窗电机噪声的在线评价。