[發明專利]一種基于人工智能算法的聲紋質量檢測方法

有效

• 申請號: 201911154683.5
• 申請日: 2019-11-22
• 公開（公告）號: CN111076960B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 胡東明
• 申請（專利權）人: 科士恩科技（上海）有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00;G01H17/00;G06K9/62;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于人工智能算法的聲紋質量檢測方法，包括PC機內的聲紋儲存模塊、標記模塊；實現方法包括如下步驟，第一步：先將空調已知故障的聲紋特征經標記模塊進行數據標注，并將這些數據按照一定比例分為訓練集和測試集；第二步：針對空調聲紋的特征設計適合的人工智能深度學習類型；第三步：用標注過的聲紋數據對模型進行訓練；第四步：用測試集對實證模型進行測試其是否正確；第五步：將待檢測聲紋輸入模型中，模型給出檢測聲紋的數據；第六步：對實證模型進行持續優化。本發明在干擾、多變的情況下，仍舊精確找到空調等各種質量問題，涵蓋了空調主要四大類故障問題判別，并設計出合理的軟件架構，使系統具備良好擴容、自適應學習能力。

技術領域

本發明涉及檢測技術領域，特別是一種基于人工智能算法的聲紋質量檢測方法。

背景技術

空調等由于具有包括壓縮機等在內的運動部件，工作中，受到其制造工藝影響，如果零部件有質量問題或零部件裝配不到位，會導致工作時產生異響，給使用者的使用帶來影響，同時影響空調等的使用壽命。因此為了保證空調等出廠后的質量，需要生產廠家對生產后空調等的內外機質量進行檢測，其中有一項重要的檢測項目就是對空調等工作時產生的聲音進行檢測。目前現有的對空調等工作聲音進行檢測，主要依靠一線檢測員工通過“聽聲”進行判斷(具體檢測中，檢測人員靠近空調內外機殼體外側大約20cm的距離，主要聽前面板、側板和后側板三個方向聲音，如果出現某臺空調的聲音一致性較差或者存在明顯異常聲音，則判定不合格，再送到實驗室進行進一步的檢測)，這種檢測方式能夠檢測出大部分聲音較大的缺陷產品，在聲音較小時，檢測人員往往不能有效判別；特別是人工“聽聲”檢測受到人為因素的影響，在檢測人員經驗不足時，更加達不到好的檢測效果。基于上述，提供一種基于人工智能，能盡可能識別空調等的工作聲音，并能分析出產品是否合格的檢測方法顯得尤為必要。

發明內容

為了克服現有對空調等設備，人工聽聲檢測中存在的如背景技術所述弊端，本發明提供了用聲紋識別作為基礎，引入人工智能的深度學習方法，利用人工智能的仿人腦神經網絡算法，實現在干擾、多變的情況下，仍舊精確找到空調等各種質量問題，涵蓋了空調風葉碰響、氣流聲(夜流聲)、管道碰撞、異響主要四大類故障問題判別，并設計出合理的軟件架構，使系統具備良好擴容、自適應學習能力的一種基于人工智能算法的聲紋質量檢測方法。

本發明解決其技術問題所采用的技術方案是：

一種基于人工智能算法的聲紋質量檢測方法，其特征在于包括PC機內的聲紋儲存模塊、標記模塊；實現方法包括如下步驟，第一步：先將空調已知故障的聲紋特征經標記模塊進行數據標注，同時配上與故障數據一比一對應的合格產品的聲紋數據，并將這些數據按照一定比例分為訓練集和測試集；第二步：基于人工智能深度學習技術，針對空調聲紋的特征設計適合的人工智能深度學習類型；第三步：用標注過的聲紋數據對模型進行訓練；第四步：用測試集對基于人工智能深度學習的人工智能平臺上跑出來實證模型進行測試其是否正確；第五步：測試空調具體待檢聲紋數據時，將待檢測聲紋輸入模型中，模型能給出檢測聲紋的數據，從而檢測人員根據所得數據判斷檢測的空調聲紋數據是否合格；第六步：對實證模型進行持續優化，形成基于工業聲成像的故障、定位、品質評價等感知認知N種模型。

所述聲紋儲存模塊內儲存有大量空調已知故障的聲紋特征數據以及和故障一比一對應合格空調產品的聲紋數據。

所述第一步中，將空調已知故障的聲紋特征經標記模塊進行數據標注中，故障數據累積的愈多愈好。

所述第一步中，訓練集和測試集同時兼具故障數據和合格數據。

所述第三步中，聲紋數據是第一步中的訓練集。