电机异音检测是电机生产中的关键工序,传统的电机制造业都是依靠人工听音的方法来辨别电机是否存在异音故障,效率低且准确度一致性差,长以来一直都难以用自动化检测设备替代。本文应用信号特征提取技术与机器学习方法对空调塑封电机异音检测技术展开研究。全文主要内容如下。第一章,介绍课题背景以及研究的目的和意义,对机械设备的音频故障诊断的研究现状以及机器学习在故障诊断中的应用进行了研究分析,总结了电机异音检测面临的主要困难,给出本文的研究内容。第二章,研究了电机音频信号的采集与预处理方法。首先设计了电机音频信号采集系统,包含了传感器的选型以及实验装置的搭建;然后分析了电机音频信号趋势项消除、预加重、工频噪声消除以及分帧加窗等预处理技术,减少采集过程对音频信号的干扰。第三章,研究了电机音频信号的特征提取技术。首先分析了电机异音故障类型,主要分为电磁异音和机械异音两类故障;然后将Mel频率倒谱系数、Hilbert-Huang变换和小波包变换三种方法分别应用于电机音频信号的特征提取,得到电机音频的特征曲线,并通过典型的电磁异音和机械异音故障样本验证三种方法对故障样本与合格样本的识别能力。第四章,研究了基于支持向量数据描述的电机异音故障自动辨识方法。首先介绍支持向量数据描述的学习模型,建立了训练模型的方法与评价标准。针对第三章中三种特征提取技术,提出一种使用平均值和峰-峰值描述特征曲线的方法,分别使用三种方法的特征向量训练学习模型实现电机异音自动辨识,对比它们在故障样本与合格样本中的辨识能力。根据电机异音故障类型的特点提出了一种综合Mel频率倒谱系数和小波包能量谱的特征描述的电机异音故障辨识方法,有效提高故障样本与合格样本的识别率。第五章,开发了电机异音检测原型系统,包括训练模块与预测模块。训练模块的任务是通过采集或者导入数据库中现有的样本数据,训练学习模型并且验证模型是否满足要求,调节模型参数优化模型。预测模块的任务是导入训练模块得到的最优学习模型,对新的电机样本是否存在异音故障进行判断。第六章,对全文的工作进行总结,对未来工作进行了展望。