(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111678075.1 (22)申请日 2021.12.31 (71)申请人 上海泛德声学工程有限公司 地址 201613 上海市松江区荣 乐东路208弄 9号9幢1层 (72)发明人 朱宝鹤　孙永吉　任百吉　 (74)专利代理 机构 上海诺衣知识产权代理事务 所(普通合伙) 31298 代理人 衣然 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G10L 25/30(2013.01) G10L 25/51(2013.01) (54)发明名称 一种电机多信号深度学习检测方法 (57)摘要 本发明涉及一种电机多信号深度学习检测 方法， 包括如下步骤： S1:搭建一卷积神经网络模 型； S2:训练所述卷积神经网络模型； S3:实时采 集电机的声音信号和振动信号； S4:对所述采集 到的声音信号和振动信号进行预处理， 提取二维 声音振动组合特征； S5:将所述二维声音振动组 合特征输入 所述卷积神经网络模 型。 本发明结合 了声音信号和振动信号各自的优点， 从中提取电 机声音振动二维组合特征作为预测样本， 并采用 深度学习方法， 利用三分支卷积神经网络模型进 行二分类判断， 有效提高了电机异响判断的准确 率。 权利要求书2页 说明书5页 附图2页 CN 114386572 A 2022.04.22 CN 114386572 A 1.一种电机多信号深度学习检测方法， 其特 征在于， 包括如下步骤： S1:搭建一卷积神经网络模型； S2:训练所述卷积神经网络模型； S3:实时采集电机的声 音信号和振动信号； S4:对所述采集到的声 音信号和振动信号进行 预处理， 提取二维声 音振动组合特 征； S5:将所述二维声音振动组合特征输入所述卷积神经网络模型， 计算得到二分类概率 值； S6： 比对所述二分类概率值与一预设阀值的差值， 确定电机状态， 所述电机状态包括电 机正常和电机异常。 2.根据权利要求1所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述卷积神 经网络模型包括依 次连接的至少一个卷积层块、 至少一个池化层和至少一个全连接层； 所 述卷积层块包括一3 ×3卷积层分支、 一1 ×1卷积层分支和一残差分支； 三分支各自连接一 批规范层后相加， 由ReLU激活函数运 算后输出。 3.根据权利要求2所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述卷积层 块包括卷积核， 卷积核尺寸 为3×3。 4.根据权利要求2所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述批规范 层用于把每层神经网络任意神经 元的分布强行拉回到均值 为0方差为1的标准 正态分布。 5.根据权利要求1或2任一项权利要求所述的一种电机多信号深度 学习检测方法， 其特 征在于， 所述 步骤S2包括如下步骤： S201:初始化所述卷积神经网络模型的权 重值； S202:将预先建立的电机训练集中提取出的二维声音振动组合特征， 输入经步骤S201 初始化后的卷积神经网络模 型中， 对所述卷积神经网络模型进 行迭代训练； 其中， 每迭代 一 次则更新 一次所述权 重值； S203:将预先建立的电机测试集中提取出的二维声音振动组合特征， 输入经步骤S202 训练得到的卷积神经网络模型中， 输出 结果； S204:根据步骤S203输出的结果， 判断步骤S203训练得到 的卷积神经网络模型对电机 异响的检测精度是否 符合预设要求； 若符合则训练结束； 若不符合， 则返回步骤S202继续训 练直至训练得到符合预设要求的卷积神经网络模型。 6.根据权利要求5所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述电机训 练集中包括预先采集的电机声音信号和电机振动信号， 所述被采集的电机被预先标记为 “正常”或“故障”。 7.根据权利要求5所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述二维声 音振动组合特 征的提取包括如下步骤； S401:获取电机的声 音信号和振动信号； S402:对所述声音信号按预设的一帧时长进行分帧， 得到M1 帧声音片段； 每帧声音信号 计算梅尔滤波器组， 取对数后得到对数梅尔特征向量； 设置梅尔带通滤波器数目为N， 则所 有帧合成大小为 N×M1的声音特征矩阵； S403:对所述振动信号按预设的一帧时长进行分帧， 得到M2帧振动片段； 每帧的振动信 号计算梅尔滤波器组， 取对数后得到对数梅尔特征向量； 设置与步骤S402相同的梅尔带通权　利　要　求　书 1/2 页 2 CN 114386572 A 2滤波器数目N， 则所有帧合成大小为 N×M2的振动特 征矩阵； S404:合并所述声音特征矩阵和所述振动特征矩阵的所有列向量， 得到大小为N ×(M1+ M2)的二维声 音振动组合特 征矩阵。 8.根据权利要求7所述的一种电机多信号深度 学习检测方法， 其特征在于， 同一电机相 同时长的声 音信号和振动信号的帧数M1和M2不同。 9.根据权利要求1所述的一种电机多信号深度 学习检测方法， 其特征在于， 所述确定电 机状态包括； 将所述二维声音振动组合特征输入所述卷积神经网络模型， 得到卷积神经网络模型输 出的二分类概率值， 当所述概率值超过一预设值时， 表示电机异常常； 当所述概率值未达到 该预设值时， 表示电机正常。权　利　要　求　书 2/2 页 3 CN 114386572 A 3