電動零部件通常包含驅動電機和執行機構等結構，它們在運行時可能會產生不同特性的異響。在對此類異響問題進行檢測分析時，需要使用一些專門的參數對異響現象進行量化。HBK公司的BK Connect軟件中包含多種客觀參數計算功能，用戶可以直接利用這些參數，也可以根據實際問題，借助MS Excel、MATLAB等其他工具，衍生出其他的參數。結合了一些實測數據和分析結果，對各種參數進行介紹，包括：?聲壓級(SPL)?心理聲學參數：響度(Loudness)、尖銳度(Sharpness)、抖動度(FluctuationStrength)、粗糙度(Roughness)?調幅參數：調制(Modulation)、包絡分析(Envelope)?純音類參數：突出比(ProminenceRatio)、純音比(Tone-to-noiseRatio)、音調(Tonality)?頻譜參數：FFT、1/3倍頻程(1/3Octave)、臨界頻帶(CriticalBand)?統計參數：百分位數、百分位頻率。盈蓓德科技的測試系統開發人員具備專業知識和實踐經驗，能夠準確地識別、分析和解決各種噪聲和異響問題。嘉興電機異響檢測控制策略

產品異音異響在線質量檢測軟件不僅具有簡潔明晰的測試結果顯示，同時也具有專業的分析結果顯示。軟件除包含常用的振動分析、轉速分析、聲壓級分析等功能外，還加入了階次分析、階次切片分析等專業分析功能。軟件具有賬號分級管理功能。管理員賬號可對軟件進行系統設置。操作員賬號*可進行測試操作。軟件包含大量融入實際工程經驗的便捷操作。支持掃碼輸入產品SN號，一鍵完成測試并保存/上傳試驗結果。測試完成后顯示當前測試結果和上一次測試結果。自動計算測試統計數據。檢測軟件具有良好的用戶界面，防呆設計不易出錯，適合產線工作人員操作。產線工作人員操經過簡單培訓即可上手。嘉興電機異響檢測控制策略隨著科技的不斷進步，異音異響檢測系統將不斷演進和提升。

異響檢測ANT根據信號特征向量將聲信號樣本轉化為數據集，數據集包括訓練集、驗證集和測試集。選擇合適的機器學習模型，將數據集應用于機器學習模型進行訓練、驗證和測試，通過多次循環，通過優化分析，在數據集的基礎上，獲取機器學習面向具體工程問題的比較好參數，包括比較好的特征向量、機器學習算法和異音檢測法則，這幾個環節可能需要多次循環才能得到比較好的參數組合。***，機器學習得到的分類法需要導入異音在線檢測系統，在實際的生產線上進行運行調試，**終在生產線上完成部署。

家電異音異響檢測可以按照下圖所示的技術途徑來實施。按照機器學習的要求，通過傳聲器和信號采集系統進行聲信號樣本采集，需要注意的是采集得到的聲信號既包含家電的運轉聲，也包括生產線的環境噪聲。采用現有成熟的多種信號處理方法對所測聲信號進行預處理，通過分析比較和嘗試，組成比較好的信號特征向量，該向量應該能夠很大程度反映家電狀態信號，同時抑制環境噪聲。常用的信號特征提取方法一般包括時域、頻域和時頻域三類，時域的典型特征有短時能量和過零率；頻域的特征種類繁多，有各種譜分析方法、線性預測系數以及梅爾頻率倒譜系數等；時頻特征包含短時傅里葉譜和小波譜，時頻特征會帶來較大的計算量，但卻更能完整***地描述音頻信號。人工智能和機器學習方法在噪聲與異響識別檢測和判定中得到了廣泛應用。

振動型異音異響測試系統應用于密封電子設備、汽車零部件的異音異響測試及多余物檢測。用于生產階段，對表現出振動環境下產生異音異響、內部存在多余物等問題的產品進行自動篩選。系統由異音異響自動檢測系統軟件、工業計算機、ANT-0202型信號采集與控制模塊、夾具和傳感器組成。系統軟件實現序列控制、異音異響信號自動采集、分析和判斷功能。異音信號采集與控制模塊完成振動臺控制、異音異響信號的模數轉換、以及系統與外界的交互控制功能。夾具實現被測物的安裝，以及傳感器的合理安裝的功能。電動汽車驅動電機工作狀態的異音異響測試。用于生產線終檢EOL階段。嘉興電機異響檢測控制策略

異音異響自動化檢測系統應用場景：方向盤助力轉向泵、空調壓縮機、座椅電機、車窗電機等生產線在線檢測。嘉興電機異響檢測控制策略

家電異音異響檢測系統的架構，系統由硬件和軟件兩部分共同組成了一個不可分割的整體，硬件部分包括測量環境、傳感器、采集系統和判別系統，測量環境可以是基本不做改動的原始生產線，也可以是在生產線上設計添加的簡易隔聲或吸聲空間，測量環境的考慮重點是如何減少生產線環境噪聲的影響。傳感器和采集系統一般要求滿足可聽聲頻帶的采樣要求，對系統的量化精度要求至少采用16位采集系統，能達到24位更好。判別系統一般是采集系統和計算機的結合體，計算機上運行的軟件是信號特征提取算法和機器學習模型。軟件部分中的信號測量分析模塊主要完成信號的采集和保存，應用信號處理技術，特征提取模塊抽取聲信號樣本特征，構建特征向量和機器學習數據集。機器學習模塊實現各種機器學習算法，在特征向量數據集的基礎上，完成訓練、驗證和測試等環節，**終獲得異音判別參數，過程中還包括特征向量和機器學習模型參數的選擇與優化。嘉興電機異響檢測控制策略