【摘 ? 要】 ? 為通過(guò)噪聲檢測(cè)及時(shí)發(fā)現(xiàn)車(chē)輛行駛過(guò)程中突發(fā)的異常，提出基于隱馬爾可夫（HMM）的評(píng)估方式，通過(guò)選取車(chē)輛正常以及異常狀態(tài)下的噪聲采集數(shù)據(jù)樣本作為離線(xiàn)訓(xùn)練樣本，得到相應(yīng)的模型參數(shù);然后將實(shí)時(shí)數(shù)據(jù)送入這兩類(lèi)模型進(jìn)行評(píng)估，概率大的為系統(tǒng)當(dāng)前運(yùn)行狀態(tài)。經(jīng)過(guò)試驗(yàn)測(cè)試該策略在車(chē)輛狀態(tài)異常評(píng)估中有較高的精確度，可用于車(chē)輛異常情況的檢測(cè)。

【關(guān)鍵詞】 ? 隱馬爾可夫模型;噪聲檢測(cè);梅爾頻率倒譜系數(shù)

Vehicle Condition Evaluation Based on HMM Model

Liu Xu

（Anhui University of Science and Technology，Huainan 232001，China）

【Abstract】 In order to detect the sudden abnormal in the process of vehicle running through noise detection， this paper proposes an evaluation method based on Hidden Markov model. By selecting the noise collection data samples under normal and abnormal conditions as offline training samples， the corresponding model parameters are obtained; then， the real-time data are sent to these two models for evaluation， and the system current operating state has a high probability. The experimental results show that the model has high accuracy in vehicle fault assessment and can be used for fault detection.

【Key words】 Hidden markov model; noise detection; Mel-frequency cepstral coefficients

〔中圖分類(lèi)號(hào)〕 ?TP14 ? ? ? ? ? ?〔文獻(xiàn)標(biāo)識(shí)碼〕 ?A ? ? ? ? ? ? 〔文章編號(hào)〕 1674 - 3229（2021）03- 0000 - 00

0 ? ? 引言

近年來(lái)，汽車(chē)工業(yè)的發(fā)展呈現(xiàn)上升態(tài)勢(shì)，汽車(chē)普遍地進(jìn)入人們的生活，但與此同時(shí)也出現(xiàn)了很多問(wèn)題。車(chē)輛故障就是其中一項(xiàng)，在車(chē)輛狀態(tài)異常時(shí)，車(chē)輛內(nèi)部產(chǎn)生的噪聲與車(chē)輛正常情況往往不同。目前，用于車(chē)輛狀態(tài)異常識(shí)別識(shí)別的方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、小波變換等[1]。由于隱馬爾可夫模型在聲音辨識(shí)方面有著普遍的使用，本文將隱馬爾可夫模型用于對(duì)車(chē)輛噪聲的評(píng)估，從而判斷汽車(chē)是否處于故障狀態(tài)，防止車(chē)輛意外情況的產(chǎn)生[2]。

汽車(chē)噪音即汽車(chē)行駛在道路上時(shí)，發(fā)動(dòng)機(jī)，動(dòng)力系統(tǒng)，輪胎，氣體交換及制動(dòng)等系統(tǒng)運(yùn)行時(shí)發(fā)出的噪聲以及汽車(chē)行駛因空氣動(dòng)力學(xué)而導(dǎo)致噪音的疊加結(jié)果。另外，如果汽車(chē)某個(gè)特定的旋轉(zhuǎn)部件產(chǎn)生故障，或某些部件因車(chē)輛行駛過(guò)程中產(chǎn)生運(yùn)動(dòng)干涉等都會(huì)發(fā)出非正常行駛噪聲。其中車(chē)輛內(nèi)部的噪音主要來(lái)自于發(fā)動(dòng)機(jī)以及底座上發(fā)出的異常噪音，汽車(chē)發(fā)動(dòng)機(jī)是復(fù)雜且應(yīng)用廣泛的機(jī)電控制系統(tǒng)，產(chǎn)生故障的概率很大[3]。研究表明，作為汽車(chē)核心的主要組成部件，發(fā)電機(jī)損壞導(dǎo)致的異常占到車(chē)輛故障總數(shù)的40%。對(duì)于汽車(chē)異常情況的檢測(cè)中，一般看重的都是車(chē)輛里邊的噪音。

1 ? ? 隱馬爾科夫模型

一個(gè)完整的HMM包含馬爾可夫鏈和一般隨機(jī)過(guò)程，包括以下元素[4]：

（1）馬爾可夫鏈的狀態(tài)數(shù)為N，記N個(gè)狀態(tài)分別為[][R1，R2…RN]，記t時(shí)刻的狀態(tài)為[Qt]，則[Qt][?R1，R2…RN]。

（2）每個(gè)狀態(tài)的觀(guān)測(cè)值數(shù)目為M，記M個(gè)觀(guān)測(cè)值分別為[u1，u2…uM]，記t時(shí)刻的觀(guān)測(cè)值為[Qt]，則[Qt][?u1，u2…uM]。

（3）初始概率分布矢量為[π]，記N個(gè)概率分布[π1，π2…πN]，則[π]=[π1，π2…πN]。

（4）狀態(tài)轉(zhuǎn)移概率矩陣A=[aijN×N]，其中狀態(tài)轉(zhuǎn)移概率[aij]=P[qt+1=Rj|qt=Ri] [1≤i，j≤N]，即任意時(shí)刻t，若狀態(tài)為[Ri]，則下一狀態(tài)為[Rj]的概率。

（5）觀(guān)測(cè)值概率矩陣B=[bjkN×M]，其中觀(guān)測(cè)值概率[bjk]=P[Qt=uk|qt=Rj] ?[1≤j≤N，1≤k≤N]，即任意時(shí)刻t，若狀態(tài)為[Rj]則觀(guān)測(cè)值為[uk]的概率。

HMM模型[λ=N，M，π，A，B]，簡(jiǎn)記為[λ=π，A，B]。

綜上所述，HMM的組成如下圖1所示。

HMM主要解決三類(lèi)問(wèn)題：

評(píng)估問(wèn)題：在給定觀(guān)測(cè)序列[Q=Q1，Q2…QT]和模型[λ]的條件下，計(jì)算觀(guān)測(cè)變量序列在O的在給定模型下的概率[PQ|λ]，采用前向-后向算法。

解碼問(wèn)題：在給定觀(guān)測(cè)變量序列O和[λ]的條件下，求的使[PQ|λ]最大的[S=q1，q2…qt]，采用Viterbi算法。

學(xué)習(xí)問(wèn)題：給定觀(guān)測(cè)序列Q，求得一個(gè)[λ]，使得[PQ|λ]最大，采用Baum-Welch算法。

HMM可以通過(guò)提取當(dāng)前車(chē)輛狀態(tài)信息的特征矢量，代入訓(xùn)練好的HMM，經(jīng)過(guò)模式匹配從而識(shí)別當(dāng)前健康狀態(tài)或故障狀態(tài)[5]。

2 ? ? HMM模型訓(xùn)練

2.1 ? 特征參數(shù)提取

在車(chē)輛安全評(píng)估模型中，根據(jù)要求對(duì)車(chē)輛中出現(xiàn)的異常噪音信號(hào)進(jìn)行有效提取。由于采集到的車(chē)輛噪聲信號(hào)為時(shí)域信號(hào)，這種時(shí)域信號(hào)不可直接送至HMM模型進(jìn)行信號(hào)訓(xùn)練，需要通過(guò)處理才能進(jìn)行特征訓(xùn)練，即將某段時(shí)長(zhǎng)內(nèi)的數(shù)據(jù)信號(hào)分成等值的若干幀，接著在提取特征參數(shù)，送入HMM進(jìn)行在線(xiàn)訓(xùn)練[6]。本文選取梅爾倒譜系數(shù)（MFCC）作為特征信號(hào)進(jìn)行學(xué)習(xí)。系統(tǒng)數(shù)據(jù)在經(jīng)過(guò)上述處理后，開(kāi)始進(jìn)入MFCC數(shù)據(jù)分析狀態(tài)，即將噪音信號(hào)輸入功率譜后完成轉(zhuǎn)換，轉(zhuǎn)換后的功率信號(hào)通過(guò)梅爾濾波器組濾波得到表特征系數(shù)，對(duì)此系數(shù)取對(duì)數(shù)后再進(jìn)行余弦變換，變換后的特征信號(hào)進(jìn)行MFCC提取，并與一階的MFCC信號(hào)融合后進(jìn)行判定，最終得到實(shí)驗(yàn)所需的特征參數(shù)[7]。其中MFCC特征參數(shù)的提取流程如圖2所示。

2.2 ? 訓(xùn)練和評(píng)估

針對(duì)車(chē)輛狀態(tài)的評(píng)估，本文提出基于隱馬爾可夫模型來(lái)完成數(shù)據(jù)分析，該模型被廣泛應(yīng)用于大多數(shù)狀態(tài)預(yù)測(cè)和故障評(píng)估中[8]。在車(chē)輛安全評(píng)估中，利用HMM參與訓(xùn)練，設(shè)定安全監(jiān)測(cè)系統(tǒng)在某一時(shí)間段內(nèi)存在的隱變量為[qt]，表示t時(shí)刻的隱含狀態(tài)，該狀態(tài)是無(wú)法通過(guò)直接觀(guān)測(cè)得到的，其中，由于每個(gè)狀態(tài)均趨向于不同狀態(tài)則可用集合[S=S1，S2…SN]來(lái)表示。測(cè)得安全監(jiān)測(cè)系統(tǒng)在某一時(shí)間段內(nèi)存在m種監(jiān)測(cè)狀態(tài)，該系列的狀態(tài)數(shù)據(jù)每發(fā)生一次變化均依賴(lài)于前一狀態(tài)，為[Q1，Q2…QN]，其中初始狀態(tài)表示為[Q0]，根據(jù)隱馬爾可夫模型有隱含狀態(tài)在初始時(shí)刻的概率分布為[π]，在隱馬爾可夫模型中，其任意時(shí)刻狀態(tài)為[Ki]，下一狀態(tài)為[Kj]，可記狀態(tài)轉(zhuǎn)移概率為A，若狀態(tài)為[Kj]，則觀(guān)測(cè)值為[Rs]，可記輸出觀(guān)測(cè)值概率為B，則模型可記為[λ=π，A，B]。訓(xùn)練模型首先計(jì)算給定模型[λ]以及觀(guān)測(cè)序列[P]，再對(duì)觀(guān)測(cè)序列給定在最大似然度下學(xué)習(xí)得出其最大概率，通過(guò)匹配得到當(dāng)前狀態(tài)。

通過(guò)訓(xùn)練樣本數(shù)據(jù)分別獲得車(chē)輛完好運(yùn)行狀態(tài)所對(duì)應(yīng)的模型參數(shù)[λk=π，Ak，Bk]與故障狀態(tài)對(duì)應(yīng)的狀態(tài)模型參數(shù)[λq=π，Ak，Bk]，進(jìn)行評(píng)估時(shí)，把需要評(píng)估的車(chē)輛噪聲信號(hào)轉(zhuǎn)換成對(duì)應(yīng)的特征序列，再分別代入上面訓(xùn)練好的兩種模型進(jìn)行概率評(píng)估，概率明顯大的即為車(chē)輛當(dāng)前狀態(tài)。

3 ? ? 試驗(yàn)測(cè)試及分析

3.1 ? 測(cè)試方案

利用HMM來(lái)完成模擬訓(xùn)練評(píng)估，測(cè)試安排如下：試驗(yàn)需要車(chē)輛正常狀況和異常狀況下的訓(xùn)練樣本，本試驗(yàn)先從中選取訓(xùn)練樣本對(duì)HMM參數(shù)進(jìn)行訓(xùn)練，然后再?gòu)闹羞x取測(cè)試樣本在分別進(jìn)行測(cè)試[5]。針對(duì)這兩種狀態(tài)，分別選取250個(gè)樣本，其中50個(gè)用于訓(xùn)練模型，200個(gè)用于識(shí)別測(cè)試。

3.2 ? 訓(xùn)練

訓(xùn)練時(shí)先對(duì)采集的樣本數(shù)據(jù)進(jìn)行分析處理，得到系統(tǒng)設(shè)置時(shí)長(zhǎng)20s內(nèi)的時(shí)域噪聲信號(hào)，再按照上文描述對(duì)應(yīng)的處理過(guò)程對(duì)相應(yīng)的數(shù)據(jù)實(shí)行分幀處理，選定每幀周期時(shí)長(zhǎng)為0.1s，數(shù)據(jù)樣本分為200幀子數(shù)據(jù)集，再對(duì)每一單幀數(shù)據(jù)集進(jìn)行 MFCC 特征提取，獲得每一個(gè)單幀數(shù)據(jù)集所對(duì)應(yīng)特征向量送入HMM進(jìn)行在線(xiàn)訓(xùn)練，得到對(duì)應(yīng)的模型參數(shù)。

3.3 ? 結(jié)果分析

由上述實(shí)驗(yàn)測(cè)試提取某段時(shí)間內(nèi)采集到的特征信號(hào)，經(jīng)過(guò)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將某段時(shí)長(zhǎng)內(nèi)的數(shù)據(jù)信號(hào)分成等值的若干幀，構(gòu)造其特征序列后提取特征向量，送入HHM來(lái)實(shí)行在線(xiàn)訓(xùn)練評(píng)估。實(shí)驗(yàn)數(shù)據(jù)如下表1所示，結(jié)果發(fā)現(xiàn)對(duì)測(cè)試樣本的錯(cuò)誤識(shí)別率不高于5%，由此可以得知該模型在車(chē)輛狀態(tài)評(píng)估中有很好的準(zhǔn)確度，可用于車(chē)輛異常識(shí)別。

4 ? ? 結(jié)論

本文針對(duì)車(chē)輛故障問(wèn)題提出隱馬爾可夫模型來(lái)預(yù)測(cè)車(chē)輛狀況，先收集數(shù)據(jù)提取特征信號(hào)再利用HMM對(duì)其進(jìn)行訓(xùn)練，在最大似然度下學(xué)習(xí)得出其最大概率，通過(guò)匹配得到車(chē)輛當(dāng)前運(yùn)行狀態(tài)[9]。結(jié)果顯示，對(duì)車(chē)輛噪聲通過(guò)MFCC提取特征參數(shù)后再對(duì)HMM模型進(jìn)行訓(xùn)練，從而對(duì)車(chē)輛狀態(tài)進(jìn)行評(píng)估，準(zhǔn)確度很高。同時(shí)在往后的研究中還可以進(jìn)一步增加樣本數(shù)量，訓(xùn)練車(chē)輛更多不同故障狀態(tài)的HMM模型，這樣通過(guò)對(duì)相應(yīng)的模型的訓(xùn)練能更加精確地判斷車(chē)輛的不同故障狀態(tài)。

參考文獻(xiàn)：

[1] ?劉應(yīng)吉. 車(chē)輛狀態(tài)監(jiān)測(cè)與故障診斷新方法研究[D].沈陽(yáng)：東北大學(xué)，2008.

[2] ?張帥林. 基于HMM的關(guān)鍵詞語(yǔ)音識(shí)別技術(shù)在智能家居中的應(yīng)用研究[D]. 蘭州：蘭州交通大學(xué)，2017.

[3] ?李增芳，何勇，宋海燕.基于主成分分析和集成神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷模型研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2006（4）：131-134.

[4] ?張杰，黃志同，王曉蘭.語(yǔ)音識(shí)別中隱馬爾可夫模型狀態(tài)數(shù)的選取原則及研究[J].計(jì)算機(jī)工程與應(yīng)用，2000（1）：67-69+133.

[5] ?吳毅斌，翟春平，張宇，等.基于隱馬爾可夫模型的艦船水下噪聲評(píng)估方法[J].艦船科學(xué)技術(shù)，2019，41（17）：121-124.

[6] ?鄭繼明，吳渝，楊春德等. 基于小波特征提取的音頻檢索技術(shù)研究.重慶：重慶郵電大學(xué)，2010-06-03.

[7] ?陸振波，章新華，朱進(jìn).基于MFCC的艦船輻射噪聲特征提取[J].艦船科學(xué)技術(shù)，2004（2）：51-54.

[8] ?盧微.隱馬爾可夫模型在自然語(yǔ)言理解研究中的應(yīng)用[J].電腦與信息技術(shù)，2007（1）：33-35.

[9] ?樓振凱，侯福均，樓旭明.基于極大似然的馬爾可夫鏈初始狀態(tài)估計(jì)的數(shù)學(xué)規(guī)劃[J].南京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，42（2）：50-56+60.

[收稿日期] ? 2021-01-28

[基金項(xiàng)目] ? 2018安徽省自然科學(xué)基金面上項(xiàng)目（NO.1808085MF169）;2018年度安徽高校自然科學(xué)研究項(xiàng)目

（KJ2018A0086KJ2018A0759）

[作者簡(jiǎn)介] ? 劉旭（1997-），男，安徽理工大學(xué)電氣與信息工程學(xué)院，碩士研究生，研究方向：物聯(lián)網(wǎng)應(yīng)用。