专利名称：基于神经网络的空调器噪声源识别方法
技术领域：
本发明涉及一种基于神经网络(NN)的空调器噪声源识别方法，用于空调器噪声源的识别及空调器的噪声故障诊断，属于空调器噪声源识别方法及空调器噪声故障诊断方法的创新技术。
背景技术：
空调器作为一种与人们生活息息相关的家用电器其质量尤其是噪声品质越来越得到人们的关注。空调器的噪声很复杂，压缩机、管路、风扇、风道等部件均可能产生噪声，要改善空调器的噪声品质首先要识别出噪声的主要来源。噪声源的识别方法主要有主观评价法、分部运转法、表面强度法、表面速度测量法、近场测量法等几种，但由于空调器结构上的特殊性，上述这些传统的方法很难很好地识别出空调器的主要噪声源。
发明内容
本发明的目的在于克服上述缺点而提出一种新的基于神经网络的空调器噪声源识别方法，使得空调器噪声源的识别简单易行，为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
本发明基于神经网络的空调器噪声源识别方法，包括有如下三个基本步骤1)状态特征提取将空调器只有一个主要噪声源的运行状态作为一种模式，对每一种模式下的噪声做频谱分析，取不同频段上的频谱值形成一个向量，这个向量可以作为这个状态下的模式特征量，将噪声在不同频段内的谱值按从低到高的顺序排列起来就构成一个状态特征量；2)BP神经网络训练根据要求设计出BP神经网络，用步骤1)得到的模式特征量训练BP神经网络，并将神经网络系统训练好；3)空调器噪声源识别把空调器噪声数据输入步骤2)已经训练好的神经网络里面，即可由神经网络识别出空调器的主要噪声源。
上述步骤1)中噪声的频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz。
上述步骤2)中选择三层的BP神经网络，其中含一个隐层的BP网络。
上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数可取为1。
上述三层BP神经网络的输入节点数为3，输出节点数为1，隐层节点数为7。
上述BP神经网络可用数学工具软件matlab设计。
本发明提出一种新的基于神经网络的空调器噪声源识别方法，神经网络作为一种新的方法体系，具有分布并行处理，非线性映射，自适应学习和鲁棒容错等特性，使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面有广泛的应用。空调器不同部件所产生的噪声状态，可以作为不同的模式用神经网络的模式识别能力来识别空调器的主要噪声源。本发明利用了目标状态的特征信息，不仅能有效的识别出空调器的主要噪声源，而且具有很高的鲁棒性和智能性。本发明可用于空调器噪声故障诊断及其他家用电器的噪声故障诊断。本发明是一种简单易行的空调器噪声源识别方法，可为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
下面结合附图详细说明本发明的具体结构图1为本发明实施例空调器噪声源识别的流程图；图2为本发明实施例BP神经网络的结构示意图。
具体实施例方式实施例本发明基于神经网络的空调器噪声源识别方法，包括有如下三个基本步骤1)状态特征提取本发明的第一步就是提取模式的状态特征量。从两台空调器上提取状态特征量，两台空调的主要噪声源分别是让压缩机配管系统和风扇系统。空调器的这两种状态可以视为空调器运行的两种模式，采集两种模式下空调器发出的噪声信号，分别进行频谱分析，频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz，取不同频段上频谱值形成这个模式下的特征向量。
本实施例对空调器的两种主要噪声源进行识别。定义风扇为主要噪声源的运行状态为模式0，空调器压缩机系统为主要噪声源的运行模式为模式1。首先在两种模式下分别采集其噪声信号，用BSWA V302USB声学分析仪做频谱分析，两种模式下得出的分析结果分别如下所示，每一列数据为一个对应模式的特征向量。
模式1(风扇噪声)的特征向量-73.29 -73.81 -78.42 -72.64 -73.93 -76.01 -69.27 -71.54 -74.38-79.13 -73.63 -81.13 -84.63 -76.10 -91.98 -74.84 -76.27 -77.96-81.05 -80.51 -83.54 -85.76 -79.03 -82.89 -85.53 -85.19 -78.52-81.12 -79.13 -92.08 -76.17 -80.39 -80.82 -84.84 -81.83 -81.12-83.31 -85.84 -83.16 -83.28 -86.01 -82.56 -82.02 -80.45 -82.83
-85.19 -84.51 -84.96 -89.36 -88.07 -83.65 -85.55 -90.02 -90.96-89.57 -86.92 -86.25 -86.99 -90.36 -90.73 -87.92 -88.97 -92.12-94.39 -92.64 -86.50 -92.59 -91.81 -98.44 -89.25 -91.05 -88.94-91.84 -90.74 -91.84 -91.12 -95.05 -90.90 -91.34 -90.96 -93.48-92.37 -91.24 -97.76 -94.55 -91.71 -92.08 -95.43 -91.46 -92.22-95.38 -96.73 -93.16 -98.01 -93.30 -96.22 -97.11 -94.78 -93.74-94.65 -93.43 -99.09 -97.19 -95.41 -97.61 -97.46 -84.42 -95.72-100.63 -98.95 -99.20 -99.20 -99.32 -99.72 -100.60 -101.58 -100.23-101.40 -101.63 -100.45 -103.27 -100.67 -101.81 -100.95 -101.92 -102.70-102.29 -100.72 -101.04 -102.16 -103.02 -102.09 -101.91 -101.52 -101.63-100.36 -99.30 -101.67 -100.16- 100.64 -101.20 -101.34 -100.53 -101.25模式2(压缩机系统噪声)的特征向量-70.37 -68.89 -73.32 -78.38 -70.45 -67.65 -77.12 -72.58 -76.71-79.06 -76.80 -76.03 -79.58 -80.55 -78.33 -79.39 -78.68 -83.01-88.01 -79.92 -83.80 -85.99 -80.48 -81.20 -78.88 -82.12 -86.17-92.46 -84.13 -89.78 -78.94 -80.70 -83.77 -76.76 -82.55 -85.08-81.32 -85.40 -86.25 -87.93 -88.54 -84.88 -84.93 -87.61 -87.96-87.63 -94.45 -83.51 -92.69 -88.07 -88.34 -85.58 -88.99 -88.62-92.20 -85.70 -88.94 -89.22 -89.35 -89.49 -91.30 -88.27 -89.91-90.20 -86.16 -95.91 -93.88 -91.76 -92.34 -89.02 -93.50 -92.18-93.64 -91.47 -94.77 -95.07 -90.47 -94.28 -92.73 -95.48 -92.44-93.13 -97.30 -92.59 -91.65 -90.13 -96.47 -92.21 -96.94 -95.50-95.61 -99.06 -96.04 -97.39 -92.28 -93.32 -96.59 -97.42 -94.18-98.66 -96.47 -98.55 -98.60 -95.96 -96.67 -97.96 -98.67 -98.09-100.31 -97.87 -97.89 -98.04 -99.39 -98.98 -99.09 -99.61 -96.66-97.99 -97.05 -96.29 -94.78 -96.25 -94.50 -97.61 -96.56 -94.91-97.00 -96.93 -97.21 -99.17 -96.77 -98.27 -98.06 -98.08 -99.47-97.25 -94.33 -97.40 -96.31 -95.88 -96.15 -96.98 -96.17 -98.662)网络训练因三层BP网络具有逼近任意非线性函数的学习能力，故本发明选择三层的BP神经网，其中含一个隐层的BP网络，上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数可取为1。本实施例中，三层BP神经网络的输入节点数为3，隐层节点数为7，输出节点数为1。BP神经网络可用数学工具软件matlab设计。
在进行空调器噪声源识别之前，首先要将设计好的BP神经网络用上一步得到的模式特征向量进行训练。训练时神经网络的参数如下学习速率为0.5，惯性比例因子为0.9，网络迭代1500步后即可获得满意收敛效果。
3)空调器主要噪声源识别(模式识别)BP神经网络经步骤2训练好后，就可以进行空调器噪声源的识别。将有噪声故障空调器运行时测得的声音信号经声学分析仪做频谱分析后的数据输入到训练好的BP神经网络，神经网络的输出结果就可以对空调器的噪声源进行识别。
在本实施例中，分别测量两台噪声较大空调器的声音信号，经频谱分析后得到两个特征向量V1＝[-74.93-76.50-79.83-82.36-85.71-89.27-91.34-90.85-94.35-92.11-93.37-96.01 -99.34-100.55-101.86-100.97]’v2＝[-66.75-77.63-81.76-83.07-83.95-88.04-89.92-91.75-95.67-97.19-93.02-96.17 -98.12-95.53-97.24-97.13]’将上述两个特征向量输入步骤2训练好的BP网络中，特征向量V1对应的神经网络输出为0，特征向量V2对应的神经网络输出为1，从而对空调器噪声源进行了识别。
权利要求
1.一种基于神经网络的空调器噪声源识别方法，其特征在于包括有如下三个基本步骤1)状态特征提取将空调器只有一个主要噪声源的运行状态作为一种模式，对每一种模式下的噪声做频谱分析，取不同频段上的频谱值形成一个向量，这个向量可以作为这个状态下的模式特征量，将噪声在不同频段内的谱值按从低到高的顺序排列起来就构成一个状态特征量；2)BP神经网络训练根据要求设计出BP神经网络，用步骤1)得到的模式特征量训练BP神经网络，并将神经网络系统训练好；3)空调器噪声源识别把空调器噪声数据输入步骤2)已经训练好的神经网络里面，即可由神经网络识别出空调器的主要噪声源。
2.根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述步骤1)中噪声的频谱分析用1/3倍频程分析，分析时1/3倍频带的中心频率从25Hz～4000Hz。
3.根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述步骤2)中选择三层的BP神经网络，其中含一个隐层的BP网络。
4.根据权利要求3所述的基于神经网络的空调器噪声源识别方法，其特征在于上述三层BP神经网络的输入层节点数可为2～5，隐层节点数可在5～12，输出节点数可取为1。
5.根据权利要求4所述的基于神经网络的空调器噪声源识别方法，其特征在于上述三层BP神经网络的输入节点数为3，输出节点数为1，隐层节点数为7。
6.根据权利要求1所述的基于神经网络的空调器噪声源识别方法，其特征在于上述BP神经网络可用数学工具软件matlab设计。
全文摘要
本发明涉及一种基于神经网络(NN)的空调器噪声源识别方法。包括有如下三个基本步骤1)状态特征提取；2)BP神经网络训练；3)空调器噪声源识别。神经网络作为一种新的方法体系，具有分布并行处理，非线性映射，自适应学习和鲁棒容错等特性，使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面有广泛的应用。空调器不同部件所产生的噪声状态，可以作为不同的模式用神经网络的模式识别能力来识别空调器的主要噪声源。本发明利用了目标状态的特征信息，不仅能有效的识别出空调器的主要噪声源，而且具有很高的鲁棒性和智能性。本发明可用于空调器噪声故障诊断及其他家用电器的噪声故障诊断。本发明可为提高空调器的质量品质、解决空调器噪声问题提供指导与帮助。
文档编号G06N3/02GK1584433SQ20041002747
公开日2005年2月23日 申请日期2004年6月4日 优先权日2004年6月4日
发明者刘元峰 申请人:广东科龙电器股份有限公司