Abstract In the last decade, the sound quality of electric induction motors is a hot topic in the research field. Specially, due to its high number of applications, the population is exposed to physical and psychological discomfort caused by the noise emission. Therefore, it is necessary to minimise its psychological impact on the population. In this way, the main goal of this work is to evaluate the use of multitask artificial neural networks as a modelling technique for simultaneously predicting psychoacoustic parameters of induction motors. Several inputs are used, such as, the electrical magnitudes of the motor power signal and the number of poles, instead of separating the noise of the electric motor from the environmental noise. Two different kind of artificial neural networks are proposed to evaluate the acoustic quality of induction motors, by using the equivalent sound pressure, the loudness, the roughness and the sharpness as outputs. Concretely, two different topologies have been considered: simple models and more complex models. The former are more interpretable, while the later lead to higher accuracy at the cost of hiding the cause-effect relationship. Focusing on the simple interpretable models, product unit neural networks achieved the best results: 38.77 for MSE and 13.11 for SEP. The main benefit of this product unit model is its simplicity, since only 10 inputs variables are used, outlining the effective transfer mechanism of multitask artificial neural networks to extract common features of multiple tasks. Finally, a deep analysis of the acoustic quality of induction motors in done using the best product unit neural networks.

中文翻译：

---

人工神经网络对感应电机声学行为建模的验证

摘要 近十年来，感应电动机的音质是研究领域的热点。特别是，由于其大量应用，人们会因噪音排放而遭受身心不适。因此，有必要尽量减少其对人群的心理影响。通过这种方式，这项工作的主要目标是评估使用多任务人工神经网络作为同时预测感应电机心理声学参数的建模技术。使用了几个输入，例如电机功率信号的电气幅度和极数，而不是将电机的噪声与环境噪声分开。提出了两种不同类型的人工神经网络来评估感应电机的声学质量，通过使用等效声压、响度、粗糙度和锐度作为输出。具体而言，已经考虑了两种不同的拓扑结构：简单模型和更复杂的模型。前者更易于解释，而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。响度、粗糙度和锐度作为输出。具体而言，已经考虑了两种不同的拓扑结构：简单模型和更复杂的模型。前者更易于解释，而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。响度、粗糙度和锐度作为输出。具体而言，已经考虑了两种不同的拓扑结构：简单模型和更复杂的模型。前者更易于解释，而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。已经考虑了两种不同的拓扑结构：简单模型和更复杂的模型。前者更易于解释，而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。已经考虑了两种不同的拓扑结构：简单模型和更复杂的模型。前者更易于解释，而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。而后者以隐藏因果关系为代价导致更高的准确性。专注于简单的可解释模型，乘积单元神经网络取得了最好的结果：MSE 为 38.77，SEP 为 13.11。这个乘积单元模型的主要优点是它的简单性，因为只使用了 10 个输入变量，概述了多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。概述多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。概述多任务人工神经网络的有效转移机制，以提取多任务的共同特征。最后，使用最佳产品单元神经网络对感应电机的声学质量进行了深入分析。