随着手机设计水平的不断提高,各大手机厂商都推出了自己的全面屏系列手机,由于刘海屏、水滴屏等还是存在使用上的缺陷,于是有厂家尝试将手机摄像头隐藏,使用时利用升降马达来驱动的方式来提升屏幕占比,国内外的市场需求量也在不断提升。目前全世界每年生产升降马达在500万只左右,其中国内马达厂家生产总量占全球90%以上。由于该升降马达的运行噪声直接影响了用户使用升降摄像头的体验感,而国内生产厂家对出厂该升降马达音频缺陷的检测方式主要通过人工用分贝计读取其运行时的分贝值,并通过主观感受来判断马达的好坏,检测的实时性低,人工检测速度慢,检测的品质无法得到保证,如何设计出一套智能化的音频缺陷检测设备替代原有的人工检测,成为了各个升降马达生产厂家面临的共同问题。首先本文分析升降马达的内部结构和工作特点,基于升降马达的工作音频信号及环境底噪选择合适的低声压高精度传感器,并根据其信号频率响应特性选择合适的采样点数和采样率,根据升降马达的内阻选择合适的采样电阻并搭建硬件平台,选择NI公司研发的LabVIEW软件和配套的NI-9234采集卡搭建软件数据采集系统。然后通过前期与生产厂家对马达的音频缺陷进行初步分析将缺陷类型主要分为噪音与异音两类。采集噪音、异音、良品三类马达的原始音频信号,并利用A计权预处理模拟人耳听觉特性,对于噪音缺陷,利用倍频程分贝谱将采集的原始信号转换为分贝值,并设立统计学阈值进行分类;对于异音缺陷,先利用小波包分解提取不同频带的能量,分析频带能量分布,设定阈值,建立马达异音标准库,然后将人工分类的良品和异音件进行筛选,得到良品和异音马达的原始样本,再利用短时傅里叶变换,构建时频灰度图,用良品和异音所对应的时频灰度图训练CNN卷积神经网络模型,对马达异音缺陷进行高精度识别,并与SVM、ANN、GBDT等网络对比,结果显示基于时频灰度图的CNN卷积神经网络对异音缺陷有非常好的识别效果。将深度学习模型、分贝阈值检测统一到LabVIEW软件平台上,按测试要求采集升降马达运行时的音频信号,并通过提前部署的检测算法,最后输出最终判定结果。最后基于工业产品化的需要设计了该马达的二维码扫码系统,对检测数据进行一一对应,以便产品溯源,方便工程技术人员对产品的生产工艺进行优化,开发了上位机软件对隔音箱、马达驱动板、扫码枪以及整个检测程序进行实时通讯,从而提高了检测过程的自动化水平和生产效率。全文详细地描述了马达音频缺陷的检测原理和自动化检测装置的设计流程,设计了一种全自动的升降马达音频缺陷检测系统,集数据采集、数据实时监控、结果显示、通讯输出和数据储存为一体,具有效率高、鲁棒性好等优点。并通过大量测试验证了该设备的有效性,能够完全满足工厂的自动化生产节拍需求,可以推广到类似的马达生产线上使用,不仅可以提高产品的良率,对于人工成本的节约也有很大的帮助。