基于卷积神经网络与支持向量机的发动机声音检测系统

1.本技术涉及计算机深度学习的领域，尤其是涉及基于卷积神经网络与支持向量机的发动机声音检测系统。


背景技术：

2.在计算机处理声音以及语音信号等领域，卷积神经网络经过良好的训练能够获得较为准确的特征检测效果，然而目前在汽车发动机声音异常方面，由于发动机不同部位以及不同零件的损坏程度不同，这就导致汽车发动机会出现各不相同的异常声音，而且由于样本数据分布不平衡，所以在特征提取之后，采用普通人工听觉以及普通神经网络对汽车发动机状态是否良好或不同故障异常的声音进行分类时，判断效果是差强人意的。
3.在过去对汽车发动机不同异常检测常常是通过人工的听觉来进行辨别，但是由于自身的个人情况以及强烈的主观意向可能会在特定的情形下降低或者误判对不同种类异常声音的准确性。在最近几年对汽车发动机异常声音检测通常是基于卷积神经网络来对声音进行提取特征，而且因为样本的数量分布不均，且对不同车型以及不同发动机器件故障从而导致的声音异常，普通卷积神经网络仍然存在较大的识别准确率问题。


技术实现要素：

4.为了解决人工听觉和普通卷积神经网络仍然存在较大的识别准确率问题，本技术提供基于卷积神经网络与支持向量机的发动机声音检测系统。
5.本技术提供的基于卷积神经网络与支持向量机的发动机声音检测系统采用如下的技术方案：基于卷积神经网络与支持向量机的发动机声音检测系统，包括以下步骤：步骤1：分别采集一定数量的良好汽车发动机声音信号与不同种类异常汽车发动机声音信号；步骤2：分别对良好汽车发动机声音信号与不同种类异常汽车发动机声音信号提取有效且易于识别的音频区间特征，并对所获得的区间特征标注one-hot类型标签；步骤3：分别对采集到的良好发动机音频有效区间特征和不同种类异常发动机音频有效区间特征的时域波形进行小波变换；步骤4：把采集到的时域波形和频域波形函数通过取绝对值，求对数，得到原始样本数据矩阵，将80%的数据作为训练集，将20%的数据作为测试集，之后把样本数据矩阵输入到卷积神经网络进行训练，训练模型直至模型收敛；步骤5：将训练好的模型参数传到支持向量机（svm）分类器中，通过svm训练，得到较为准确的汽车发动机不同异常声音分类模型；所述基于卷积神经网络与支持向量机的发动机声音检测系统，所采用的设备测量模块包括：汽车发动机异常声音采集模块，用于采集汽车发动机的异常声音；
正常汽车发动机声音采集模块，用于训练集中正常的汽车发动机声音样本数据；异常汽车发动机声音采集模块，用于训练集中异常的汽车发动机声音样本数据；汽车发动机异常声音采集模块包含不同型号以及不同发动机零件损坏程度的不同异常声音样本；汽车发动机声音异常训练模块，用于对汽车发动机正常声音以及异常声音的训练模块。
6.进一步的，步骤1中采集声音信号采用自由场传声器，把收集到的声音信号转换为电信号；再把电信号传输到电脑，采用多功能数据采集卡，利用usb接口连接到计算机。
7.进一步的，步骤2中提取声音区间特征首先对音频进行能量归一化，采用分帧的办法得到每个时间节点的短时能量，根据短时能量大小来截取对应的信号区间端点，得出时间值，根据时间值截取出对应的声音波形区间特征。
8.进一步的，步骤3中把采集到的声音信号时域波形采用傅里叶变换得到声音信号频域波形，由于小波变换技术适合对局部信号进行多尺度细化分析，因此较为准确的得到去除其它噪声信号时的频域波形。
9.进一步的，步骤4中所设计的卷积网络结构模型中，含有三个卷积层，三个池化层和一个全连接层，采用支持向量机（svm）来代替传统卷积神经网络模型中的softmax分类器，每两个卷积层中间包含一层池化层，用来减少训练数据的维度，通过卷积和池化得到的数据称作特征图。
10.进一步的，卷积核个数为48，卷积核大小为（5,5），第一层卷积步长为1，第二层卷积步长为2，第三层卷积步长为2，每层卷积之后所采用的激活函数为leaky relu函数，每一层池化层的尺寸大小为（2,2），步长为2，最后一层为全连接层，由200个神经元构成。
11.进一步的，步骤5中采用的支持向量机分类器是采用“一对多”不同特征进行分类任务，假设得到的样本特征为n个，则先建立n-1个svm分类器， 在第i个分类器中，将特征为a的样本标记为+，将其余特征的样本标记为-，然后输出特征为a的样本，再把剩余特征的样本送入第i+1个分类器中，继续分离出特征为a+1的样本，再将剩余特征依次向后传输到其它svm分类器进行训练。
12.进一步的，设计卷积神经网络模型以及支持向量机分类器，将汽车发动机声音样本数据输入到模型中，直至将卷积神经网络模型以及支持向量机分类器训练到模型收敛。
13.综上所述，本技术包括以下至少一种有益技术效果：本技术方案与传统的人工听觉以及普通卷积神经网络汽车发动机声音异常检测模型相比，这种方法不仅节省了人工检测成本，也对不同车型以及不同发动机型号甚至不同发动机零件异常所带来的发动机故障声音有了相对全面的检测，不仅仅局限于哪几种车辆，在解决了样本数据分布不平衡问题的同时，也大大提高了对汽车发动机异常声音检测的效率和准确度。
附图说明
14.图1为本发明所设计的卷积神经网络及支持向量机分类器模型图。
15.图2是本发明所使用的设备测量模块的分类图。
具体实施方式
16.本技术实施例公开基于卷积神经网络与支持向量机的发动机声音检测系统，本发明针对，在对异常声音使用卷积神经网络在提取相应特征之后，下一步采用了支持向量机来对这种提取后的特征进行分类，从而能够提高对汽车发动机不同异常声音识别的准确率，参照图1、图2，本技术中基于卷积神经网络与支持向量机的发动机声音检测系统，所采用的设备测量模块，具体表现如下：汽车发动机异常声音采集模块，用于采集汽车发动机的异常声音。
17.正常汽车发动机声音采集模块，用于训练集中正常的汽车发动机声音样本数据。
18.异常汽车发动机声音采集模块，用于训练集中异常的汽车发动机声音样本数据。
19.汽车发动机声音异常训练模块，用于对汽车发动机正常声音以及异常声音的训练模块。
20.汽车发动机声音异常检测模块，用于对汽车发动机正常声音以及异常声音的检测模块。
21.具体地，把采集到的数据矩阵按八二分类划分为训练集数据和测试集数据，并把数据矩阵送入卷积神经网络模型，将得到的特征输入到支持向量机（svm）分类器，将模型训练至收敛。
22.本技术实施例通过以下技术进行实现的：步骤1：分别采集一定数量的良好汽车发动机声音信号与不同种类异常汽车发动机声音信号。
23.步骤2：分别对良好汽车发动机声音信号与不同种类异常汽车发动机声音信号提取有效且易于识别的音频区间特征，并对所获得的区间特征标注one-hot类型标签。
24.实施过程中进一步的是，采集声音信号所采用的是b&k公司的4189-a-021自由场传声器，把收集到的声音信号转换为电信号；再把电信号传输到电脑，所采用的仪器是ni pci-6034e多功能数据采集卡daq 778075-01，利用其usb接口连接到计算机。
25.实施过程中进一步的是，提取声音区间特征首先对音频进行能量归一化，采用分帧的办法得到每个时间节点的短时能量，根据短时能量大小来截取对应的信号区间端点，得出时间值，根据时间值截取出对应的声音波形区间特征。
26.步骤3:分别对采集到的良好发动机音频有效区间特征和不同种类异常发动机音频有效区间特征的时域波形进行小波变换，由于小波变换技术适合对局部信号进行多尺度细化分析，因此可以较为准确的得到去除其它噪声信号时的频域波形。
27.步骤4：把采集到的时域波形和频域波形函数通过取绝对值，求对数，得到原始样本数据矩阵。将80%的数据作为训练集，将20%的数据作为测试集，之后把样本数据矩阵输入到卷积神经网络进行训练。
28.其中样本数据矩阵形式如下公式所示：
ⅹ
=
ϵ r进一步的是，时域特征提取公式如下：
实施过程中进一步的是，频域特征提取公式如下：实施过程中进一步的是，步骤4中所设计的卷积网络结构模型中，含有三个卷积层，三个池化层和一个全连接层，采用支持向量机（svm）来代替传统卷积神经网络模型中的softmax分类器。每两个卷积层中间包含一层池化层，用来减少训练数据的维度。通过卷积和池化得到的数据称作特征图，其中卷积核个数为48，卷积核大小为（5,5），第一层卷积步长为1，第二层卷积步长为2，第三层卷积步长为2。每层卷积之后所采用的激活函数为leaky relu函数。每一层池化层的尺寸大小为（2,2），步长为2。最后一层为全连接层，由200个神经元构成。其中卷积具体运算公式如下：其中，表示第层卷积的第个特征图谱，表示前一层卷积层得到的第个特征图谱。其中表示所有的输入特征图谱，为输入图谱的权重值，为输入图谱的偏置项。
29.实施过程中进一步的是，将步骤4中得到的样本数据矩阵输入到卷积网络模型中，训练模型直至模型收敛。
30.步骤5：将训练好的模型参数传到支持向量机（svm）分类器中，通过svm训练，得到较为准确的汽车发动机不同异常声音分类模型。
31.实施过程中进一步的是，本文采用的支持向量机分类器是采用“一对多”不同特征进行分类任务，假设得到的样本特征为n个，则先建立n-1个svm分类器， 在第i个分类器中，将特征为a的样本标记为+，将其余特征的样本标记为-，然后输出特征为a的样本，再把剩余特征的样本送入第i+1个分类器中，继续分离出特征为a+1的样本，再将剩余特征依次向后传输到其它svm分类器进行训练。
32.svm分类器选择单位阶跃函数作为核函数,其多维空间特征公式如下所示：实施过程中进一步的是，把采集到的声音信号时域波形采用傅里叶变换得到声音信号频域波形。
33.实施过程中进一步的是，把时域波形和频域波形取绝对值，求对数，得到原始样本数据矩阵。将80%的数据作为训练集，将20%的数据作为测试集，之后把样本数据矩阵输入到卷积神经网络进行训练。
34.其中样本数据矩阵形式如下公式所示：
ⅹ
=
ϵ r实施过程中进一步的是，设计卷积神经网络模型以及支持向量机分类器，将汽车发动机声音样本数据输入到模型中，直至将卷积神经网络模型以及支持向量机分类器训练到模型收敛。
35.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。