基于深度学习的地铁漏气声音检测方法技术

本发明专利技术提供了一种基于深度学习的地铁漏气声音检测方法，首先对采集到的声音数据进行标注，使得真实漏气声音和环境背景音区分开，然后对标注好的声音数据进行数据划分，接着将处理好的声音数据输入到搭建好的分类模型中进行迭代训练，获得训练好的分类模型，最后将采集到的声音数据输入到分类模型中，获得分类结果，即漏气或正常。本发明专利技术能挖掘声音信号的长依赖时序信息，不容易受到突变噪声的干扰，能够有效判断车底管道是否有破损，漏气情况，也可有效解决人工听音结果非一致性和降低人员成本的问题。员成本的问题。员成本的问题。

【技术实现步骤摘要】
基于深度学习的地铁漏气声音检测方法


[0001]本专利技术涉及地铁安全检测领域，具体是一种基于深度学习的地铁漏气声音检测方法。

技术介绍

[0002]地铁列车具有载客量高、稳定安全、节约能源、减少污染等优点，已成为居民出行必不可少的交通工具之一。地铁作为城市轨道交通的重要部分，因为其运行环境的特殊性和复杂性，其运行的安全性和可靠性一直是人们关注的重点，一旦在运行过程中出现故障，不仅会产生重大经济损失，严重的甚至会出现安全事故。因此为了保证地铁车辆能够长时间正常运转使用，与地铁车辆相关的一切配套设施以及机械仪器都需要做好日常监测，应该对地铁车辆的设施及时检修和替换，确保地铁车辆能够安全运转并保证运转的效益达到最大化。目前，管路可能有漏气情况，电机和油管等设备在应用中因密封部位材料的老化，容易出现漏气事故，会严重影响列车行驶的安全性。在无损条件下，如何判断设备是否出现异常，行业内的通常做法是通过专业人员听设备的声音，效率比较低下。

技术实现思路

[0003]本专利技术为了解决现有技术的问题，提供了一种基于深度学习的地铁列车漏气声音检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地铁漏气声音检测方法，其特征在于：首先对采集到的声音数据进行标注，使得真实漏气声音和环境背景音区分开，然后对标注好的声音数据进行数据划分，接着将处理好的声音数据输入到搭建好的分类模型中进行迭代训练，获得训练好的分类模型，最后将采集到的声音数据输入到分类模型中，获得分类结果，即漏气或正常。2.根据权利要求1所述的基于深度学习的地铁漏气声音检测方法，其特征在于，具体过程包括以下步骤：1)采集地铁列车车底检修区域模拟的漏气声音以及实际环境背景音，对采集到的音频信号按照固定长度进行预处理，使得每个声音片段都是一维的向量，最终得到实际漏气声音和地铁检修区环境音数据集，对获取到的正常声音数据集和漏气声音数据集进行划分，得到训练数据和验证数据；2)搭建卷积神经网络，将步骤1)得到的声音数据输入进由14个卷积基本单元搭建的多尺度卷积网络模型中，得到声音信号的局部特征信息；3)在获取的声音信号的局部特征信息以后，连接两个LSTM单元去获取声音信号的时序信息，最后接全连接层和softmax层；4)对待检测的声音信号利用滑窗的思想进行分段检测，得到每段子声音信号，然后输入进分类模型中，获得分类结果。采用投票机制，即连续检测到漏气声音达到一定次数，即判定为漏气，可以避免单次分类检测出现的失误，能够提高分类的准确率。3.根据权利要求2所述的基于深度学习的地铁漏气声音检测方法，其特征在于：步骤1)中所述对采集到的音频信号进行预处理之前，先对采集到的音频信号进行数据增强。4.根据权利要求3所述的基于深度学习的地铁漏气声音检测方法，其特征在于：所述数据增强手段包括采样音频旋转、音频裁剪、音频加躁以及音频变调。5.根据权利要求2所述的基于深度学习的地铁漏气声音检测方法，其特征在于：步骤1)中所述对采集到的音频信号按照固定长度进行预处理过程中，对数据进行标注，标注出实际漏气声音，其余的全部作为环境背景音。6.根据权利要求2所述的基于深度学习的地铁漏气声音检测方法，其特征在于：步骤1)中所述采集过程采用的录音设备采样频率为20K，单声道，模型的输入大小设定为1*10000，声音进行预处理后全部划分为长度10000的声音片段。7.根据权利要求2所述的基于深度学习的地铁漏气声音检测方法，其特征在于，步骤2)具体过程如下：2.1)搭建卷积基本单元，每个卷积基本单元均由一个一维卷积层、批量归一化层和Relu激活函数层组成；2.2)特征提取，搭建14层的卷积神经网络，该网络由14个卷积基本单元组成，输入尺寸为1*10000，经过14个卷积基本单元提取以后，得到高层具有分辨率的特征...

【专利技术属性】
技术研发人员：邓轩，项导，陆盼盼，彭冲冲，
申请(专利权)人：亿嘉和科技股份有限公司，
类型：发明
国别省市：