家用电冰箱的使用与维护

电冰箱使用前,要选择好摆放的位置,四周应留有适当的通风空间,远离热源、避免阳光直射;检查家庭的电源是否接地,是否为专用线路;要仔细阅读产品说明书。接通电源后,仔细听压缩机在启动和运行时的声音是否正常,如果噪音大,检查电冰箱放置是否平稳,并做相应的调整;若有较大的异常声音,应立即切断电源,与厂家的售后服务人员联系。     

这台拖拉机为啥工作无力

一台东方红—75型拖拉机保养后,出现发动机声音异常,工作无力的故障。     

"听"声音判断柴油机故障

柴油机运行中如声音异常,则是故障发生预兆,可通过"听"声音来初步判断原因所在,以便及时处置。方法有两种:一是在正常作业时,注意"听"柴油机发出的声音是否正常;二     

深入行业调研聆听企业声音

在当今的市场环境下,信息资源成为企业甚至政府进行决策的重要依据。而处于发展期的中国木业行业,更需要以务实的态度研究行业发展中的关键问题,为我国行业发展提供建设性的智力支持。经过多年的行业咨询和媒体信息服务工作,我越发认识到行业不需要坐而论道的大师,更需要深入行业的调研者。若要深入的解读行业方方面面,需要主动出击、实地考察,深入到中国木业企业,与企业一同感受行业发展的每一次脉动。     

和孩子好好说话

女儿做事喜欢拖拉,总是丢三拉四,每当见她一点小事都做不好,我就会忍不住训斥她. 那天让她洗澡,她在房间里转来转去,一会儿找衣服,一会儿找浴帽,好半天也没进浴室,我火冒三丈.她见我生气了,急忙钻进浴室,可是没过多久,里面传出她的声音:"妈妈,忘拿毛巾了!"     

采用改进CNN对生猪异常状态声音识别

猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络（Convolutional Neural Network,CNN）的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音（生病、打架、饥饿等）数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM（Convolutional Block Attention Module）注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET（Squeeze and Excitation Network）、ECA_NET（Efficient Channel Attention Networks）和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2 048点FFT（Fast Fourier Transform）点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。     

滚动轴承的运行噪声故障诊断

轴承的噪声可以反映其运行状况、损伤、润滑等情况,对噪声的监听,可作为一种旋转滚动轴承的辅助诊断分析手段。有助于减小轴承的损毁,降低停机时间和维修成本,提高生产率。采用测声器对运转中的轴承的滚动声的大小及音质进行检查,轴承即使有轻微的剥离等损伤,也会发出异常声音和不规则声音,用测声器能够分辨。利用听觉来辨识不规则的运转是一种很普通的方法。例如：用电子式听诊器来查觉某一零件的不正常噪音常是有经验操作员使用的方法。轴承若处于良好的运转状态会发出低低的呜呜声音。若是发出尖锐的嘶嘶、吱吱及其它不规则的声音,经常表示轴承处于不良的运转状况。尖锐的吱吱噪声可能是由于不适当的润滑所造成的。不适当的轴承间隙也会造成金属声,轴承外圈轨道上的凹轨道的凹痕会引起振动,并造成平顺清脆的声音。若是由于安装时所造成的敲击伤痕也会产生噪音,此噪音会随着轴承转速的高低而不同。若是有间歇性的噪声,则表示滚动件可能受损。此声音是发生在当受损表面被辗压过时,轴承内若有污染物常会引起嘶嘶声。严重的轴承损坏会产生不规则并且巨大的噪声。     

飞机上的叫声

一架载着200多名乘客的飞机平稳地飞行在高空。这时,广播里传来机长愉快的声音:"女士们,先生们,我是你们的机长,欢迎大家乘坐我们的航班,我想     

钻蛀性害虫取食声音的人工智能早期识别

【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7～3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。