技術研究

        睿深科技作為振動聲學領域的科技型企業，致力于解決工程領域的動力學問題及相關儀器設備的開發應用，基于對產業、市場和用戶的深刻洞察，對核心技術的研發始終保持極大的投入。主要專注的技術研究領域如下：

1、陣列測試技術

        利用傳聲器陣列來進行信號的檢測與估計具有很多優點，例如，相對于單個傳聲器，多傳聲器陣列可以對信號中的噪聲進行空域平滑，從而提高對信號的檢測與估計效果，此外，利用傳感器陣列還可以實現一些單個傳感器無法完成的任務，例如，可利用信號到達陣列各傳感器間的波程差實現對信號源的空間定位。因此，傳感器陣列無論在軍事及民用各領域得到了廣泛的應用，陣列信號處理也一直是信號處理領域里的一個非常重要而活躍的分支。睿深致力于陣列測試技術的設備開發及技術應用方面，從定位算法的研究到測試系統軟硬件的開發都有著成熟的技術體系支撐，并配合客戶在電力、汽車、航空航天等領域展開了廣泛而深入的研究。

2、減振降噪

        睿深科技為客戶提供的減振降噪服務從技術手段而言，包含仿真、測試、改造等技術途徑，而針對的應用不僅包含了產品的設計和研發，還包括產品的售后服務等場景。通過多年的減振降噪工程服務經驗積累，睿深科技已經在汽車、電力、空調、家用電器等多個行業服務了成百上千個客戶。針對不同行業客戶特點及技術要求，開展了基礎共性問題研究、檢測流程規范、檢測手段拓展、在線監測系統構建、基于主動降噪的有源消聲等相關技術的研究工作。

3、聲紋識別

        聲紋是指通過電聲儀器將聲波特征繪制而成的波譜圖形，機械設備在運行時會發出可聽噪聲，聲紋包含了設備大量的狀態信息，可以通過對設備聲紋的信息的識別來實現設備狀態的監測評估。聲紋中蘊含著豐富的信息，具有典型的非線性、非平穩、強耦合特征，面臨著采集難、分離難、診斷難等問題，睿深科技圍繞機械設備聲紋識別需求，在聲信號抗干擾檢測方法、聲信號去噪方法、聲紋特征提取方法、狀態識別等方面展開了深入研究。

4、深度學習

        機器學習是最快速、最活躍的領域之一， 而深度學習則代表著它真正的展現出來的優勢。深度學習是一種機器學習， 是人工智能的基礎之一， 它允許由多個處理層組成的計算模型來學習具有多級抽象的數據表示。這些方法極大地提高了聲紋識別、視覺對象識別、對象檢測以及故障診斷等其他領域的先進水平。在下述案例實施中采用數據訓練分類故障結合神經網絡識取故障的方式實現了汽車產線上某類型故障98%的識別正確率。