type
status
date
slug
summary
tags
category
icon
password
Last edited time
Sep 1, 2023 04:40 AM
Created time
Apr 12, 2023 03:38 AM
我们可以使用 Python 编写程序来处理麦克风功率温度数据。首先，我们需要编写代码来读取数据和将其存储在适当的数据结构中。接下来，我们可以使用 Python 的一系列内置函数和库来分析和处理数据。例如，我们可以使用 NumPy 库来进行数学运算和数据处理，使用 Matplotlib 库来创建可视化图表以帮助我们理解数据。此外，我们可以将这些数据与其他数据源进行比较，例如历史数据或其他相关数据，以便更好地理解数据背后的趋势和模式。最终，我们可以将分析结果用于制定决策或改进麦克风的设计，以便更好地满足用户需求。总之，Python 是一个非常强大的工具，可用于处理各种类型的数据，包括麦克风功率温度数据。
需求分析
fertig 15 文件夹为噪音 wpqs_lm6039 文件为功率和温度
wpqs_lm6039里只需要日期、时间、0:Count_01(Imp)和6:T_amb(C)
fertig 15里需要 date time L_Aeq_K1 loud_K1 sharp_K1 L_Aeq_K2 loud_K2 sharp_K2 K_T_IM1 K_I_IM1 K_R_IM1 loud_IM1 sharp_IM1
wpqs_lm6039中 00：00：00 对应 fertig 15 中 00：00：00 、00：00：05、00：00：10、00：00：15、00：00：20、00：00：25
wpqs_lm6039中 00：00：30 对应 fertig 15 中 00：00：30 、00：00：35、00：00：40、00：00：45、00：00：50、00：00：55
fertig 15 中从3月28日（210328）以后的所有文件增加一个小时
符号说明： 机器旁麦克风 K1 环境麦克风K2 卧室模拟噪音值 IM1
功率计算：0:Count_01(Imp)栏内，功率P=每个时刻与上一时刻的差值*12 W。
当功率P大于30W时，机器处于工作状态。
环境温度： 6:T_amb(C)
晚上：00：00-06:59 白天：07：00-23：59
tf_file="D:/Users/lyu/Desktop/Thesis/HP15/imission_rtf_InternalMic_2021_01_20_14_31_38_02_Schlafzimmer.npy"（见附件）
tf_data = np.load(tf_file, allow_pickle=True)
tf = tf_data[0]
mean_tf = 10*np.log10(np.abs(np.mean(tf)))
L_Aeq_IM1=L_Aeq_K1+ mean_tf
Lp = 20 log (p/2*10-5) (dB)
麦克风校验
当机器不工作时，K1 vs. K2
全时段
图中颜色表示数据密度，黄色区域数据密度大，紫色小。
白天
晚上
K1与K2的差值 连续时间
全时段
白天
晚上
噪音分布
麦克风K1
完成麦克风K2和模拟值IM1以上图。
噪音超过规定小时数
白天（06：00-22：00）：小于50dB(A)
晚上（22：00-次日06：00）：小于35 dB(A)
（06.00 am – 07.00 am 小于44 dB(A)
8.00 pm – 10.00 pm 小于29）
L_r_IM1= L_Aeq_IM1+K_T_IM1+K_I_IM1+K_R_IM1
注意：不同机器原始数据的时间格式不同。
噪音与温度、功率的关系
热泵麦克风K1
噪音与温度
噪音与功率
完成环境麦克风K2与模拟噪音IM1。
心理噪音
Loud_K1(Loud_K2/ Loud_IM1) vs. 温度T (功率P)
sharp_K1(sharp _K2/ sharp _IM1) vs. 温度T (功率P)
数据处理流程图
下载
如果你有更多的想法和见解，请在评论区分享你的想法！和大家分享，也许会带来更多的收获。我非常欢迎你分享你的想法和见解，谢谢！
- 作者:Chance Sha
- 链接:https://www.chancesha.com/article/using-python-to-process-microphone-data
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。