车辆故障声学事件检测方法技术

本发明专利技术公开了一种车辆故障声学事件检测方法，其基于镜像源模型算法获得故障音频，使用广义互相关方法提取广义互相关

【技术实现步骤摘要】
车辆故障声学事件检测方法


[0001]本专利技术属于声学事件检测与定位
，具体来说涉及一种车辆故障声学事件检测方法
。

技术介绍

[0002]汽车是由驱动系统
、
底盘
、
车身和电气设备组成的复杂系统，其零部件可能由于老化
、
损耗或外力碰撞等原因造成特定功能丧失
。
当其中元件出现磨损或变形时，磨损
、
故障点会与其它结构摩擦
、
冲击，产生具有特征频率的脉冲信号
。
目前主流故障声学诊断方法是对故障设备工作时的振动信号进行采集，通过信号处理
、
机器学习等方法分析，实现故障位置和故障类型识别
。
但是这些方法对故障检测人员的相关背景知识和检测设备成本有很强的要求，机械运转过程中大量的不确定因素会导致诊断更加复杂化
。
因此，对于产生异响的车辆，一般都需要到指定检测地点进行故障检测，无法满足在日常行驶中实时检测车辆状态的要求
。

技术实现思路

[0003]针对传统声学方法难以对车辆故障进行实时诊断的问题，本专利技术的目的是提供一种基于多通道多特征的车辆故障声学事件检测方法，其基于镜像源模型（
Image Source Model, ISM
）算法获得故障音频，使用广义互相关方法（
Generalized Cross
‑
Correlation, GCC
）提取广义互相关<br/>‑
相位变换特征，通过对梅尔频谱取对数（
Log
‑
Mel Spectrogram
）提取对数梅尔谱特征，利用多通道分支卷积循环网络进行特征融合，使广义互相关
‑
相位变换特征（方位特征）辅助音频片段分类结果，具有识别率高
、
定位准确
、
易于训练
、
鲁棒性强的优点，对车辆故障声学事件检测满足实时诊断的要求
。
[0004]本专利技术的目的是通过下述技术方案予以实现的
。
[0005]一种车辆故障声学事件检测方法，包括以下步骤：
S1
，将汽车座舱视作三维长方体的模拟空间，以模拟空间的一角为原点，在相对于原点坐标为的位置设置
C
通道的麦克风阵列，将声源设置在麦克风阵列周围的随机位置，声源相对于原点坐标为，通过调整声源的位置以改变，每次调整声源的位置后根据镜像源模型（
Image Source Model, ISM
）算法模拟麦克风阵列获得声源的故障音频： （1）其中，为由声源发出的原始故障音频（原始故障音频指未经传播的原始信号），为由声源在模拟空间中传播的脉冲响应；脉冲响应为：（2）
其中，为相对于原点坐标为的声源的镜像声源的相对于原点坐标，为镜像声源的相对于原点坐标，为镜像声源的相对于原点坐标为时的反射阶数，为墙壁的吸收系数，
∈[0,1]，为窗函数，
t
为第
n
个采样点对应的波达时间；和可以由下式（3）
~
（5）计算得出：（3） （4）（5）其中，为声速，为混响时间，为模拟空间的最小外接球半径，为模拟空间的体积，为模拟空间的表面积，为采样率
。
[0006]窗函数如公式（6）：（6）其中，为窗口宽度
。
[0007]S2
，基于故障音频获得对数梅尔谱特征和广义互相关
‑
相位变换特征；在
S2
中，提取对数梅尔谱特征包括：首先，对故障音频进行预加重
、
分帧和加窗操作，通过傅里叶变换，得到频谱，其中，傅里叶变换的公式如下：
ꢀꢀꢀ
（7）其中，为预加重
、
分帧和加窗操作后故障音频的第
i
个通道第
n
个采样点的信号，为汉明窗函数，
N
为预加重
、
分帧和加窗操作后故障音频，为离散傅里叶变换长度，
j
为虚数单位，为傅立叶变换区间内的采样点编号
。
[0008]然后，对取模平方后通过梅尔刻度三角滤波器获得梅尔频谱，最后，对梅尔频谱取对数获得对数梅尔谱特征；（8）其中，为梅尔频谱，为梅尔刻度三角滤波器
。
[0009]在
S2
中，广义互相关
‑
相位变换特征为由故障音频
W
中每两个通道信号之间经
过基于相位变换的广义互相关方法得到的特征值，其公式如下：（9）（
10
）其中，表示从故障音频
W
中选取的第个通道的信号和第个通道的信号之间的互相关函数，
,f
为从麦克风阵列
C
通道信号中选取任意两个不重复通道后的编号，
f=1、
……
、
表示第个通道的信号由式（7）得到的频谱，表示第个通道的信号由式（7）得到的频谱，为角频率，表示声源到麦克风阵列中第个麦克风和第个麦克风的到达时间差
。
[0010]S3
，将故障音频中长度为
T
的音频片段的对数梅尔谱特征和广义互相关
‑
相位变换特征输入至多通道分支卷积循环网络中进行训练，迭代训练至损失函数
MSE
收敛，得到训练完毕的多通道分支卷积循环网络，其中，多通道分支卷积循环网络的输出矩阵
Y
的定义如下：（
11
）其中，表示音频片段分类结果：种类别的独热（
One
‑
Hot
）编码；为音频片段所对应声源相对于原点坐标的预测值
。
[0011]在
S3
中，多通道分支卷积循环网络由双分支卷积网络
、
双向门控循环单元和全连接层依次串联构成，双分支卷积网络的每个分支由三层卷积块串联组成，每个卷积块由卷积层
、
标准化层
、
池化层和随机失活层串联组成，双分支卷积网络的两个分支的输出经过特征拼接后连接到位于下一层的双向门控循环单元的输入端
。
[0012]在
S3
中，双分支卷积网络进行深度特征提取后拼接并转换成尺寸为
T/5
×
384
的特征矩阵，其中，输入至多通道分支卷积循环网络的对数梅尔谱特征的尺寸为
T
×1×
64
，输入至多通道分支卷积循环网络的广义互相关
‑
相位变换特征的尺寸为
T
×
C(C
‑
1)/2
×
64。
[0013]双向门控循环单元输出的特征矩阵的尺寸为
T/5
×
256。
[0014]全连接层为两层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车辆故障声学事件检测方法，其特征在于，包括以下步骤：
S1
，将汽车座舱视作三维长方体的模拟空间，以模拟空间的一角为原点，在相对于原点坐标为的位置设置
C
通道的麦克风阵列，将声源设置在麦克风阵列周围的随机位置，声源相对于原点坐标为，通过调整声源的位置以改变，每次调整声源的位置后根据镜像源模型算法模拟麦克风阵列获得声源的故障音频：其中，为由声源发出的原始故障音频，为由声源在模拟空间中传播的脉冲响应；
S2
，基于故障音频获得对数梅尔谱特征和广义互相关
‑
相位变换特征；
S3
，将故障音频中长度为
T
的音频片段的对数梅尔谱特征和广义互相关
‑
相位变换特征输入至多通道分支卷积循环网络中进行训练，迭代训练至损失函数
MSE
收敛，得到训练完毕的多通道分支卷积循环网络，其中，多通道分支卷积循环网络的输出矩阵
Y
的定义如下：其中，表示音频片段分类结果：种类别的独热编码；为音频片段所对应声源相对于原点坐标的预测值；
S4
，将实车采集到的故障音频作为测试集，将测试集中长度为
T
的音频片段的对数梅尔谱特征和广义互相关
‑
相位变换特征输入至多通道分支卷积循环网络中进行预测
。2.
根据权利要求1所述的车辆故障声学事件检测方法，其特征在于，脉冲响应为：其中，为相对于原点坐标为的声源的镜像声源的相对于原点坐标，为镜像声源的相对于原点坐标，为镜像声源的相对于原点坐标为时的反射阶数，为墙壁的吸收系数，
∈[0,1]
，为窗函数，
t
为第
n
个采样点对应的波达时间
。3.
根据权利要求2所述的车辆故障声学事件检测方法，其特征在于，和可以由下式计算得出：由下式计算得出：由下式计算得出：其中，为声速，为混响时间，为模拟空间的最小外接球半径，为模拟空间的体积，为模拟空间的表面积，为采样率
。4.
根据权利要求3所述的车辆故障声学事件检测方法，其特征在于，窗函数如下：
其中，为窗口宽度
。5.
根据权利要求4所述的车辆故障声学事件检测方法，其特征在于，在
S2
中，提取对数梅尔谱特征包括：首先，对故障音频进行预加重
、
分帧和加窗操作，通过傅里叶变换，得到频谱，其中，傅里叶变换的公式如下：其中，为预加重
、
分帧和加窗操作后故障音频的第
i
个通道第
n
个采样点的信号，为汉明窗函数，
N
为预加重
、
分帧和加窗操作后故障音频，为...

【专利技术属性】
技术研发人员：魏建国，阿颖，张鸿程，卢雨飞，路文焕，
申请(专利权)人：天津大学，
类型：发明
国别省市：