張宏睿 馬秀榮 單云龍

(天津理工大學(xué)電氣電子工程學(xué)院 天津 300384)

0 引 言

鐵路、公路、航空、水路和管道是現(xiàn)代交通系統(tǒng)的五大運(yùn)輸方式。相比較其他運(yùn)輸方式，鐵路有著天然的優(yōu)勢(shì)，一是能源消耗少，二是對(duì)環(huán)境污染小，三是運(yùn)輸能力強(qiáng)。伴隨著鐵路運(yùn)輸?shù)娘w速發(fā)展，鐵路列車在高速度和高強(qiáng)度條件下運(yùn)行時(shí)，自身的安全問(wèn)題也越來(lái)越受到人們的關(guān)注，任何存在的安全隱患都可能會(huì)造成重大鐵路交通事故。

異音檢測(cè)是指以聲學(xué)診斷的方式對(duì)列車運(yùn)行音頻進(jìn)行識(shí)別，檢測(cè)出列車非正常運(yùn)行的聲音。其目的在于及時(shí)發(fā)現(xiàn)列車運(yùn)行過(guò)程中危及行車的安全隱患，實(shí)時(shí)進(jìn)行列車故障定位、及時(shí)故障預(yù)警，以便鐵路工作人員能針對(duì)故障及時(shí)處理，確保鐵路運(yùn)輸安全[1-7]。

列車行車音頻信號(hào)存在低信噪比、多噪聲源、噪聲變化大的特點(diǎn)，挑選合理的降噪方法[8-18]，盡量降低背景環(huán)境噪聲對(duì)特征值提取的影響是提高車站運(yùn)行列車異常聲音檢測(cè)準(zhǔn)確率的關(guān)鍵。本文對(duì)傳統(tǒng)MCRA噪聲估計(jì)算法作出了改進(jìn)。在最小值搜索之前先對(duì)含噪音頻功率譜的每一個(gè)頻點(diǎn)進(jìn)行非線性平滑，然后用一個(gè)一階差分運(yùn)算進(jìn)行最小值搜索，從而連續(xù)地實(shí)時(shí)更新估計(jì)噪聲譜。通過(guò)最小值統(tǒng)計(jì)(minimum statistics，MS)算法、傳統(tǒng)MCRA算法、改進(jìn)的MCRA算法估計(jì)出的噪聲譜與實(shí)際噪聲譜的仿真分析，證明了改進(jìn)算法的優(yōu)越性。

除了降低環(huán)境噪聲的干擾，異音檢測(cè)的另一個(gè)技術(shù)難點(diǎn)在于異常特征的有效提取識(shí)別。針對(duì)無(wú)法提取純凈列車行車信號(hào)且異常行車樣本少、異常特征類型多的的特點(diǎn)，傳統(tǒng)的能熵比檢測(cè)法、子帶能熵比檢測(cè)法等時(shí)頻分析方法并不能有效提取異常特征。本文采用改進(jìn)能熵比[19-21]的方法，對(duì)應(yīng)不同異常頻段進(jìn)行異常檢測(cè)，有效提高了異常識(shí)別的準(zhǔn)確率。

1 車站運(yùn)行列車的異音檢測(cè)方法

本文所述異音檢測(cè)方法流程圖如圖1所示，關(guān)鍵步驟主要包括：(1) 改進(jìn)的噪聲估計(jì)方法；(2) 改進(jìn)的降噪方法；(3) 車頭車廂分離方法；(4) 改進(jìn)的異常類型判別方法。

圖1 異音檢測(cè)方法流程圖

噪聲估計(jì)步驟實(shí)現(xiàn)了行車噪聲譜的實(shí)時(shí)估計(jì)，通過(guò)估計(jì)出的噪聲譜用改進(jìn)的譜減法做降噪處理；對(duì)降噪后的音頻做能熵比端點(diǎn)檢測(cè)，識(shí)別有效行車音頻段；用希爾伯特變換求有效行車音頻的時(shí)域包絡(luò)，由包絡(luò)谷值確定各節(jié)車廂的起止時(shí)刻；通過(guò)相鄰波谷的時(shí)間差值確定列車車廂的平均行駛周期，按周期分割每節(jié)車廂的音頻；分別對(duì)每節(jié)車廂的音頻做改進(jìn)的能熵比檢測(cè)，判別車廂的行駛狀況。通過(guò)上述步驟，能夠及時(shí)有效識(shí)別定位異常行車車廂的位置以及異常類型，確保列車的安全行駛。

2 異音檢測(cè)方法關(guān)鍵步驟介紹

2.1 改進(jìn)的最小值控制的遞歸平均算法

2.1.1最小值控制的遞歸平均算法(MCRA)

式中：

αd(λ,k)=α+(1-α)p(λ,k)

(4)

帶噪音頻功率譜的平滑估計(jì)為：

S(λ,k)=αsS(λ-1,k)+(1-αs)Sf(λ,k)

(5)

式中：αs=0.7是平滑因子。

式中：w(i)為窗函數(shù)，使用漢明窗，窗長(zhǎng)為2Lw+1。

搜索平滑目標(biāo)信號(hào)功率譜局部最小值Smin(λ,k)，Smin(λ,k)通過(guò)在一個(gè)D幀的固定窗口上與過(guò)去每一個(gè)S(λ,k)進(jìn)行對(duì)比得到：

式中：Stmp(λ,k)為臨時(shí)變量，Smin(0,k)=S(0,k)，Stmp(0,k)=S(0,k)。以上算法每幀每個(gè)頻點(diǎn)只需做一次運(yùn)算比較，帶噪音頻的最小值從D個(gè)連續(xù)幀中尋找。噪聲增大情況下，最小值搜索會(huì)有2D幀的延遲。

S(λ,k)與Smin(λ,k)的比值為：

將該比值與閾值δ比較，判斷出目標(biāo)信號(hào)存在的頻段，即：

式中：δ=5。p(λ,k)=1時(shí)，目標(biāo)信號(hào)存在；p(λ,k)=0時(shí)，目標(biāo)信號(hào)不存在。最后估計(jì)目標(biāo)信號(hào)存在的條件概率：

2.1.2改進(jìn)的最小值控制的遞歸平均算法

假設(shè)目標(biāo)信號(hào)存在期間，帶噪音頻信號(hào)功率最低會(huì)衰減到噪聲功率水平。通過(guò)跟蹤帶噪音頻每一幀的最小值，可以得到一個(gè)噪聲水平的粗略估計(jì)。當(dāng)平滑因子αs接近于1時(shí)，估計(jì)的帶噪音頻功率譜更加平滑，導(dǎo)致峰值變得更寬，頻譜中一些細(xì)小的波動(dòng)被消除。過(guò)度的平滑有可能導(dǎo)致噪聲估計(jì)的不準(zhǔn)確，因?yàn)樽钚≈涤锌赡苈涞酵貙捄蟮淖V峰之內(nèi)，進(jìn)而高估了實(shí)際噪聲。理想情況下，在目標(biāo)信號(hào)存在期間平滑參數(shù)較小，以更好地跟蹤目標(biāo)信號(hào)的非平穩(wěn)段。如圖2所示，可清楚地看出2.5 s處估計(jì)的噪聲譜隨著αs的增大而更大。

(a) αs=0.5

(b) αs=0.7

(c) αs=0.9圖2 采用三種不同的αs的譜最小值(k=1 700 Hz)

式中：

S(λ,k)=αs(λ,k)S(λ-1,k)+

令誤差方程關(guān)于αs(λ,k)的一階導(dǎo)數(shù)等于零，得到最優(yōu)平滑因子αopt(λ,k)：

圖3 αopt(λ,k)曲線

由圖3可知，在目標(biāo)信號(hào)存在時(shí)，隨著γ(k)的增大，αopt(λ,k)迅速減小，這一特性有利于更好地跟蹤功率譜密度變化。

(16)

最終的平滑參數(shù)包含以上的校正因子αc(λ)并限制了其最大值αmax，表示如下：

(17)

式中：αmax=0.96以避免當(dāng)γ(k)=1時(shí)出現(xiàn)死鎖。

另外，傳統(tǒng)MCRA算法噪聲估計(jì)算法得到的噪聲功率譜估計(jì)相對(duì)于實(shí)際噪聲功率譜可能會(huì)有多達(dá)2D幀的延遲。改進(jìn)Smin(λ,k)的跟蹤方法為：

(18)

參數(shù)設(shè)置為：β=0.96,γ=0.998。以上過(guò)程在追蹤最小值時(shí)使用一個(gè)“前瞻”因子β，通過(guò)調(diào)整該因子可以改變算法的自適應(yīng)時(shí)間。

整體的噪聲估計(jì)流程圖如圖4所示。

圖4 噪聲估計(jì)流程圖

圖5比較了采用本文改進(jìn)算法、MS算法以及MCRA算法估計(jì)出的噪聲功率譜與真實(shí)噪聲譜的差異。

(a) MS估計(jì)噪聲譜

(b) MCRA估計(jì)噪聲譜

(c) 本文算法估計(jì)噪聲譜圖5 采用三種不同的噪聲估計(jì)方法得到的 估計(jì)噪聲譜與真實(shí)噪聲譜(k=1 700 Hz)

從圖5可以看出，本文算法的噪聲估計(jì)值更接近真實(shí)值。MS算法時(shí)延較大，本文算法相較于MS算法和MCRA算法在跟蹤時(shí)延上有較明顯改善，尤其是在噪聲下降沿。

2.2 改進(jìn)的譜減法

傳統(tǒng)譜減法公式為：

(19)

因傳統(tǒng)譜減法產(chǎn)生的“音樂(lè)噪聲” 會(huì)對(duì)目標(biāo)信號(hào)產(chǎn)生干擾抑制，所以為降低音樂(lè)噪聲，將原公式改為：

(20)

式中：α為過(guò)減因子(α≥1)，ρ(0<ρ≥1)是譜下限參數(shù)。參數(shù)ρ可以控制殘留噪聲的多少以及音樂(lè)噪聲的大小。如果譜下限太大，可能聽(tīng)到殘留噪聲信號(hào)但是感覺(jué)不到音樂(lè)噪聲；相反，如果太小，則可能帶來(lái)音樂(lè)噪聲但原噪聲信號(hào)可以被極大地抑制。因此，對(duì)低信噪比ρ取0.002。

α應(yīng)該隨每一幀而變化:

式中：SNR為每一幀的短時(shí)信噪比估計(jì)，計(jì)算是基于帶噪信號(hào)功率與估計(jì)的噪聲功率的比率，是信噪比的一種后驗(yàn)估計(jì)，表示如下：

圖6為去噪前后音頻時(shí)域波形對(duì)比圖，我們可以發(fā)現(xiàn),MS算法降噪效果不明顯，MCRA算法因存在噪聲估計(jì)延遲問(wèn)題并不能有效應(yīng)用在列車音頻降噪中。使用改進(jìn)算法降噪后的時(shí)域信號(hào)相比降噪前的時(shí)域信號(hào),噪聲干擾明顯減少,不存在跟蹤時(shí)延的影響，能有效區(qū)分各節(jié)車廂的周期。由此可見(jiàn)使用基于改進(jìn)的最小值控制的遞歸平均噪聲估計(jì)算法的改進(jìn)譜減法對(duì)列車行車音頻信號(hào)進(jìn)行去噪處理,效果比較理想。

(a) 去噪前音頻時(shí)域波形

(b) MS算法去噪后時(shí)域波形

(c) MCRA算法去噪后時(shí)域波形

(d) 改進(jìn)算法去噪后時(shí)域波形圖6 去噪前后歸一化時(shí)域波形圖

2.3 行車起止時(shí)刻及車廂分離方法

2.3.1能熵比端點(diǎn)檢測(cè)法

對(duì)降噪后的行車音頻信號(hào)采用能熵比端點(diǎn)檢測(cè)法，確定列車經(jīng)過(guò)聲音采集器的具體起止時(shí)刻。各頻率分量的歸一化譜概率密度函數(shù)為：

式中：l為對(duì)應(yīng)的頻率分量。

每個(gè)音頻幀的短時(shí)譜熵為：

對(duì)應(yīng)的能熵比為：

對(duì)于噪聲來(lái)說(shuō)，它的歸一化譜概率密度函數(shù)分布相對(duì)均勻，所以它的譜熵值就大。而對(duì)于行車音頻信號(hào)，由于能量變化大，它的歸一化譜概率密度函數(shù)分布相對(duì)不均，行車音頻的譜熵低于噪聲的譜熵[23]。通過(guò)實(shí)驗(yàn)確定閾值為0.1，當(dāng)能熵比值大于閾值時(shí)，判定為目標(biāo)信號(hào)存在，利用這一特性確定行車音頻起止端點(diǎn)，截取有效音頻段。

2.3.2車頭車廂分離方法

對(duì)有效音頻段做希爾伯特變換求時(shí)域包絡(luò)，并計(jì)算包絡(luò)波形中波谷的具體時(shí)刻；計(jì)算相鄰波谷時(shí)間差的均值即為列車車廂行駛的平均周期，由于車廂長(zhǎng)度已知，即可求出車廂的運(yùn)行車速；判斷有效音頻起始時(shí)刻到第一個(gè)波谷的距離就是車頭經(jīng)過(guò)聲音采集器所用時(shí)間，對(duì)其余音頻片段按平均周期分割，每一段音頻即為一節(jié)車廂經(jīng)過(guò)音頻采集器所用的時(shí)間[24-26]。

2.4 改進(jìn)的能熵比檢測(cè)法

2.4.1四類行車異常樣本分析

通過(guò)分析四類異常行車樣本的語(yǔ)譜圖，我們發(fā)現(xiàn)四類異常能量分布在不同的頻段[27-28]，選取能量變化較大、集中且頻段不重疊的部分，低速抱閘：750～950 Hz、高速抱閘：3 000～3 400 Hz、零件松動(dòng)：3 800～7 200 Hz、敲擊車門：1 850～2 200 Hz，如圖7所示。

(a) 低速抱閘語(yǔ)譜圖

(b) 高速抱閘語(yǔ)譜圖

(c) 零件松動(dòng)語(yǔ)譜圖

(d) 敲擊車門語(yǔ)譜圖圖7 異常行車樣本語(yǔ)譜圖

2.4.2改進(jìn)的能熵比檢測(cè)法

對(duì)應(yīng)每種異常類型所在頻段，分別求異常頻段頻率分量的歸一化譜概率密度函數(shù)，同時(shí)為降低殘留行車噪聲對(duì)異常識(shí)別的影響，引入一個(gè)正常量K，得到改進(jìn)的歸一化概率譜密度函數(shù)：

式中：K=1；l為四種異常類型對(duì)應(yīng)頻段。對(duì)比采集到的四類異常樣本與正常樣本總計(jì)5 000段數(shù)據(jù)，由實(shí)驗(yàn)經(jīng)驗(yàn)總結(jié)得到四種異常類型能熵比閾值分別為：低速抱閘0.85、高速抱閘0.85、零件松動(dòng)0.6、敲擊車門0.98，通過(guò)對(duì)截取的單節(jié)車廂音頻進(jìn)行檢測(cè)判定是否存在異常行駛，并確定異常行駛屬于哪一類。四種異常的能熵比檢測(cè)圖如圖8所示。

(a) 低速抱閘樣本歸一化能熵比

(b) 高速抱閘樣本歸一化能熵比

(c) 零件松動(dòng)樣本歸一化能熵比

(d) 敲擊車門樣本歸一化能熵比圖8 異常行車樣本歸一化能熵比檢測(cè)

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)樣本準(zhǔn)備

為了驗(yàn)證本文算法的可行性，在MATLAB環(huán)境下對(duì)提出的異常檢測(cè)算法進(jìn)行仿真實(shí)驗(yàn)。異常聲音素材主要來(lái)自天津靜海站、唐官屯站、楊柳青站采集到的行車音頻，總共采集了5 000段行車音頻，其中正常行車樣本4 600段，異常行車樣本400段，采樣頻率為44 100 Hz，保存格式為.aac。因無(wú)法采集到純凈行車音頻，只能通過(guò)最終檢測(cè)準(zhǔn)確率做算法性能分析。

3.2 降噪性能驗(yàn)證實(shí)驗(yàn)

在使用改進(jìn)的能熵比異常檢測(cè)方法進(jìn)行檢測(cè)的基礎(chǔ)上，比較本文降噪方法與其他幾種降噪方式及不做降噪處理異常檢測(cè)準(zhǔn)確率存在的差異。對(duì)比五種情況下，異常行車檢測(cè)準(zhǔn)確率如表1所示。

表1 不同降噪方式下異常檢測(cè)性能對(duì)比 %

分析表1可知:

(1) 不使用降噪處理的情況下，背景環(huán)境噪聲會(huì)對(duì)行車音頻信號(hào)產(chǎn)生嚴(yán)重干擾，直接對(duì)信號(hào)進(jìn)行異常檢測(cè)，無(wú)法有效分離車廂、確定異常行車情況所在位置，準(zhǔn)確率僅為48%，無(wú)法達(dá)到應(yīng)用要求。

(2) 采用本文所述降噪方法時(shí)，能夠有效定位異常車廂并識(shí)別出異常類型，異常行車檢測(cè)準(zhǔn)確率為91%，有一定的實(shí)用價(jià)值。

(3) 采用其他三種降噪方式時(shí)，異常行車檢測(cè)的準(zhǔn)確率較本文所述基于改進(jìn)MCRA噪聲估計(jì)的改進(jìn)譜減法準(zhǔn)確率低。所以，采用本文降噪方式能更好地提高異常檢測(cè)率。

3.3 異常檢測(cè)性能驗(yàn)證實(shí)驗(yàn)

采用改進(jìn)MCRA噪聲估計(jì)的改進(jìn)譜減法做去噪處理，比較本文改進(jìn)能熵比檢測(cè)法與傳統(tǒng)能熵比檢測(cè)法以及子帶能熵比檢測(cè)法準(zhǔn)確率存在的差異。對(duì)比三種情況下，異常行車檢測(cè)準(zhǔn)確率如表2所示。

表2 不同異常檢測(cè)方式下異常檢測(cè)性能對(duì)比 %

分析表2可知:

(1) 使用傳統(tǒng)能熵比檢測(cè)法，不能有效識(shí)別特定異常行車類型，準(zhǔn)確率僅為55%，無(wú)法達(dá)到應(yīng)用要求。

(2) 采用子帶能熵比檢測(cè)法，雖然通過(guò)將一幀分成若干個(gè)子帶，分別求每個(gè)子帶的能熵比，進(jìn)一步降低了殘留環(huán)境噪聲的干擾，但依舊不能有效識(shí)別特定異常行車類型，檢測(cè)準(zhǔn)確率為63%。

(3) 采用改進(jìn)能熵比檢測(cè)法時(shí)，通過(guò)引入正常量K，降低了噪聲的干擾，又針對(duì)異常特征所在頻段做改進(jìn)的能熵比檢測(cè)，能夠有效區(qū)分各車廂的異常行車類型，檢測(cè)準(zhǔn)確率為91%。

綜上，實(shí)驗(yàn)結(jié)果表明，采用本文所述異常檢測(cè)方法時(shí)，對(duì)異常行車音頻具有更好的辨識(shí)性能。

4 結(jié) 語(yǔ)

利用本文提出的改進(jìn)MCRA算法進(jìn)行噪聲估計(jì)并做改進(jìn)譜減法的降噪處理，通過(guò)實(shí)驗(yàn)經(jīng)驗(yàn)總結(jié)優(yōu)化參數(shù)取值，得到較明顯的列車行車環(huán)境下的消噪效果。

在改進(jìn)的去噪方法基礎(chǔ)上，通過(guò)改進(jìn)的能熵比檢測(cè)法進(jìn)行異常類型的判斷檢測(cè)。實(shí)驗(yàn)表明，行車異常類型檢測(cè)辨識(shí)準(zhǔn)確率達(dá)91%。今后將對(duì)有效識(shí)別不同行車環(huán)境的算法進(jìn)行研究。