[发明专利]一种基于神经网络多特征融合的托辊异常识别方法

权利要求书

1.一种基于神经网络多特征融合的托辊异常识别方法，其特征在于：该方法包括如下步骤：

S1：获取托辊声音信号，并预处理；

S2：对预处理后的信号，获取时域特征一、频域特征二、时频特征三；

S3：设计全连接神经网络识别模型，对时域特征一、频域特征二、时频特征三融合后形成的新特征四输入到模型并输出识别结果；将所述新特征四及对应的识别结果加入训练数据集中再次对全连接神经网络进行训练，优化所述全连接神经网络识别模型；

S4：当识别为异常时，发出托辊异常报警信号，根据报警信号对应的传感器及安装位置，定位托辊异常位置区间；

S5：当人工复核托辊异常报警时，若异常报警为假，则人工标定对应的声音信号，并添加到内置声纹特征库，通过自学习减小现场误报；

S6：当识别为正常时，计算所述新特征四和声音分析仪内置特征的相似度，若相似度超过设定阈值时，则匹配成功，发出相应托辊正常信号或异常报警信号。

2.根据权利要求1所述的一种基于神经网络多特征融合的托辊异常识别方法，其特征在于：所述S1中，托辊声音信号预处理步骤如下：

S1-1：采用小波阈值去噪，发明分解层数选取为3，小波基选取db6，表达式如下：

其中：w_j,k为小波系数，λ为给定阈值，1/exp(w_j，k-λ)为引入的指数函数倒数，a为引入的参数；

S1-2：预加重处理，一阶高通滤波器定义如下：

H(Z)＝1-μz^-1

其中，μ在0.9～1.0之间；

S1-3：分帧处理，取帧长为1s，采样频率22050Hz，对分帧后的声音信号加汉明窗，其函数定义如下：

其中，N表示帧长，n为帧序号，不同的a值产生不同的汉明窗，a取0.46。

3.根据权利要求2所述的一种基于神经网络多特征融合的托辊异常识别方法，其特征在于：所述S2具体包括以下步骤：

S2-1：托辊声音信号具有时变性及短时平稳性，对预处理后的声音信号计算短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度特征，再进行归一化处理，得到时域特征一；

S2-2：预处理后的信号进行频域处理，获取频域特征二，即：

S2-2-1：预处理信号经过傅里叶变换，计算频域能量、子带能量比、共振峰、尖锐度、1/3倍频程，尖锐度表示如下：

其中，z为某个Bark，N'(z)为临界频带Z上的响度谱，响度谱对临界频带的积分就是响度，g(z)为附加系数，Z为临界频带，d(z)为临界频带微分；

S2-2-2：对频域能量、子带能量比、共振峰、尖锐度、1/3倍频程特征归一化处理，得到频域特征二；

S2-3：预处理后的信号进行时频处理，获取时频特征三，即：

S2-3-1：对预处理后的声音信号求短时傅里叶变换χ，其绝对值的平方得到能量谱图y，对能量谱图通过一组水平中值滤波器、一组垂直中值滤波器分别生成谐波分量声谱图和冲击波分量声谱图

借助二进制掩蔽构造掩蔽矩阵：

使用掩蔽矩阵M_h和M_p将STFT中所有的时域-频域容器划分到为谐波分量或冲击波分量中，从原始的STFT结果划分出谐波分量χ_h和冲击波分量χ_p：

χ_h＝(χ⊙M_h)

χ_p＝(χ⊙M_p)

其中，☉表示掩蔽操作；

最后，对χ_h和χ_p作短时傅里叶逆变换iSTFT，求得原信号x的谐波分量χ_h和冲击波分量χ_p，完成HPSS；

S2-3-2：将S2-3-1得到的能量谱图通过梅尔滤波器组，从而得到梅尔谱图，三角滤波器的频率响应Hm(k)定义为：

其中，m为滤波器个数，f(m)为第m个滤波器所对应的中心频率；

计算每个滤波器组输出的对数能量s(m)，将梅尔谱图转化为对数梅尔谱图：

其中，M为最大滤波器个数；

以单个对数能量计算出一帧信号的对数能量，并将每个滤波器所输出的对数能量进行离散余弦变换DCT，表达式如下，得到MFCC；

其中，L是指MFCC的阶数，取12～16；

S2-3-3：通过奇异值分解SVD分别对HPSS冲击波分量、MFCC特征矩阵降维成一维向量，特征数分别为44、10；再进行归一化，得到时频特征三。