艦船寬帶連續譜特征監測技術

張宇

（大連測控技術研究所，遼寧大連 116013）

0 引言

艦船輻射噪聲是多年來水聲學領域研究的重要對象，它所攜帶的信息不僅影響了艦船的隱身性能和戰斗力，而且反映了艦船自身的健康性能。

艦船有許多用于推進、控制的機械，如柴油機、發電機、電動機、海水泵、空壓機、螺旋槳等［1］。這些機械的轉動和振動產生的機械噪聲，螺旋槳旋轉引起的噪聲以及水流與船體接觸產生的水動力噪聲向周圍環境中傳播，形成了艦船聲場。艦船噪聲信號的通過特性、線譜、連續譜、時頻譜等一系列信號特征都可以看作是艦船的聲紋特征。當艦船在正常航行狀態（多種機械設備的標準配套工況狀態）時，其聲紋特征也是穩定的。若聲紋特征發生明顯變化，則可以判定艦船的機械設備或螺旋槳出現了異常。

寬帶連續譜作為艦船的聲紋特征之一，從頻帶內攜帶能量的角度描述了艦船輻射噪聲的特性，對艦船輻射噪聲的監測有著不可或缺的作用。本文就是從寬帶連續譜的角度，尋找合適的特征提取方法和相似度計算方法，進而制定特征監測方案。

1 特征監測流程

整個流程采用模式識別的方法，分為訓練和識別2部分［2］。訓練部分通過對一定數量數據樣本的訓練，提取并統計其參數特征，得到標準參數;識別部分用同樣的方法提取待識別數據的參數特征，利用相似度測度的方法與標準參數進行相似度計算，通過閾值對樣本進行判決。

特征監測流程由聲信號模塊、預處理模塊、特征提取模塊、特征統計模塊、相似度計算模塊、閾值模塊、判決模塊、驗證模塊等組成，如圖1所示。

圖1 特征監測流程圖Fig.1Feature monitoring flow chart

1）聲信號模塊，是當待測艦船在水聽器上方通過時，采集到的一段時間的艦船輻射噪聲數據。

2）預處理模塊，作用是得到盡量干凈的方便處理的聲信號，其中包括數據截取、濾波、降采樣等。首先，對于采集到的艦船輻射噪聲的數據，只關心艦船正橫時刻前后一段時間的數據，因此截取艦船正橫時刻前后各8 s，共16 s的數據，用于信號處理;然后，對截取的數據進行濾波處理。由于10 kHz以上頻率的信號我們不考慮，50 Hz以下頻率干擾比較嚴重，因此，采用50～10 000 Hz的帶通濾波;最后，根據處理需要對原始信號進行降采樣。

3）特征提取模塊，在計算信號1/3oct譜的基礎上進行數據的特征提取，特征提取的向量要表征整個譜線。

4）特征統計模塊，用來統計訓練過程中的特征向量，取相對應特征值的均值，得到1個標準特征向量。

5）相似性計算模塊，訓練中的相似性計算是標準特征向量分別和用于訓練的各組特征向量進行的相似性計算，而識別中是標準特征向量與待測的特征向量進行的相似性計算。

6）閾值模塊，首先統計標準特征向量與用于訓練的各組特征向量的相似度，再根據虛警概率和漏報概率的具體需要進行分析得到閾值。

7）判決模塊，依據閾值模塊得出的閾值對未知樣本進行判決。

8）驗證模塊，驗證艦船的真實狀態，分析判決的正確性，再把得到的結果返回到訓練過程的特征統計模塊，重新對特征向量進行統計，得到更新的特征向量及閾值，使其具有自我學習功能。

2 特征監測方案

在特征監測的流程中，特征提取模塊和相似度計算模塊是2個比較重要的模塊，它們所采用的方法決定了特征監測的效果和整個特征監測的方案數目。

2.1 特征提取

1）折線法

運用折線法提取出的特征向量包括5個特征值［3］:

①寬帶連續譜分析結果中最大譜峰值所在的頻帶。

②低頻斜率kL:低頻帶輻射噪聲幅度隨頻率增加的上升斜率。

③高頻斜率kH:高頻帶輻射噪聲幅度隨頻率升高的下降斜率。

④頻帶聲壓級Lp:選中心頻率為1 kHz的頻帶聲壓級。

⑤總聲壓級Lps:即頻帶聲壓級之和。

這種方法中，前3個特征值——峰值頻帶、低頻斜率和高頻斜率共同描述了譜的形狀——單峰折線形，第4個特征值為某一頻帶的取值，確定了折線的位置，因此稱為折線法。圖2為折線法示意圖。

圖2 折線法示意圖Fig.2Diagrammatic sketch of fold line method

2）改進折線法

為了提高寬帶譜的利用率，采用改進折線法。具體方案如下:將低頻斜率kL修改為第1個頻帶到最大譜峰值頻帶之間的相鄰頻帶斜率的絕對值之和;同理，高頻斜率kH修改為最大譜峰值頻帶到最后頻帶之間的相鄰頻帶斜率的絕對值之和。改進后的5個特征值為:①寬帶連續譜分析結果中最大譜峰值所在的頻帶;②低頻斜率k′L;③高頻斜率k′H;④頻帶聲壓級Lp;⑤總聲壓級Lps。圖3為改進折線法示意圖。

圖3 改進折線法示意圖Fig.3Diagrammatic sketch of changing fold line method

3）頻帶能量法

考慮到1/3oct譜本身就是寬帶連續譜的一種特征提取方式，它提取了各頻帶的能量，即使用1/3oct譜的頻帶聲壓級作為寬帶連續譜的特征值，組成特征向量。圖4為1/3oct譜帶級圖。

圖41 /3oct譜帶級圖Fig.41/3oct band level figure

由于頻帶能量法使用的特征值較多，更準確地體現了寬帶連續譜的特征，當然與此同時，提高了運算量，降低了運算速度。

2.2 相似度計算

相似度測度的方法比較多，根據實際應用的需要在相似度計算模塊中采用了3種有代表性的方法:歐氏距離、夾角余弦、相關系數。

1）歐氏距離［4］

在計算2組向量距離的方法中，歐氏距離是最常見的距離之一。由于其具有簡單實用、意義明確的特點，被廣泛使用。它的取值范圍為［0，∞），當2組向量完全相同時，他們的歐式距離為0，相差越大，歐式距離越大。

2）夾角余弦［5］

夾角余弦用來度量2組向量之間夾角的大小，亦稱為相和系數，表達式為:

夾角余弦的幾何意義是在由N個元素組成的N維空間中，表征2個向量之間夾角的余弦值。一般在使用前需要對向量中各元素進行無量綱化處理，使各元素都為正，這時夾角余弦的取值范圍為［0，1］，取值越大表明2組向量夾角越小，二者越接近，值為1時，2組向量完全相同。

3）相關系數

相關系數是多元統計學中用來衡量2組變量之間線性密切程度的無量綱指標，取值范圍為［－1，1］。分為正相關、不相關和負相關3類情況。通常在計算時，還要經過處理，將負相關與正相關合并到一起，這時它的取值范圍為［0，1］，值越大相關性越強，當值為1時，2組向量完全相同。從上式可以看出相關系數是中心化的夾角余弦，性質與夾角余弦相似。

2.3 組合方案

特征提取模塊中所采用的方法和相似度計算模塊中所采用的方法進行兩兩搭配就得到了特征監測的組合方案，共9種，如圖5所示。

圖5 特征監測方案組成Fig.5Feature detection scheme component

3 海試數據分析

3.1 數據說明

海試的艦船共有6個型號，分別為A型、B型、C型、D型、E型、F型。采集數據共有160條，其中，40條用于訓練，120條用于識別驗證。

為了避免系統在水下的低頻干擾，在采集過程中添加了50～10 000 Hz的帶通濾波，因此，重點考慮中心頻率為63～10 000 Hz的23個頻帶，略去50 Hz以下部分。

按艦船類型分類，統計每一種工況下1/3oct譜各頻帶的均值μ和標準差σ，將同一工況下的μ，μ+ 2σ和μ－2σ分別連成曲線，并在同一張圖上顯示出來，以表征1/3oct譜的變化范圍。圖6～圖11為各類型的艦船的1/3oct譜的動態曲線。

圖6 A型艦船的1/3oct譜均值與2倍標準差界限Fig.61/3oct spectrum mean value and 2 times standard deviation limit of A type ship

3.2 試驗結果分析

利用檢測理論［6］，對比同一虛警概率下檢測概率的大小，進而分析9種組合方案的優劣。分別計算虛警概率為0，5%，10%和20%時的檢測概率，并列于表1中。

表1可以看出:

1）各方案的檢測概率隨虛警概率的增大而增大（檢測概率為100%時除外），當虛警概率為20%時，各方案都能得到較高的檢測概率;

2）對于特征提取方法，無論采用哪一種相似度計算方法，頻帶能量法的識別效果都是最好的;

3）對于相似度計算方法，無論采用哪一種特征提取方法，歐式距離的識別效果明顯優于夾角余弦和相關系數;

4）得到艦船寬帶譜特征監測最優組合方案，即頻帶能量法與歐式距離相結合。

4 結語

本文從寬帶連續譜的角度制定了艦船輻射噪聲特征監測流程，運用多種特征提取方法和相似度計算方法，組成了9種特征監測方案。最后利用海上實測數據對多種組合方案進行對比分析，證明了整個特征監測流程的有效性，并得到了最優的組合方案。

［1］劉伯勝，雷家煜．水聲學原理［M］．哈爾濱:哈爾濱工程大學出版社，2006．225－227．

LIU Bo-sheng，LEI Jia-yu．Hydroacoustics principle［M］．Haerbin:Haerbin Engineering University Press，2006．225－227．

［2］張宇．基于寬帶譜的艦船噪聲異常判斷技術研究［D］．大連:中國船舶重工集團公司第760研究所，2009．29－32．

ZHANG Yu．Abnormal judgement technical research based on ship broadband radiation noise［D］．Dalian:The 760 Research Institute of CSIC，2009．29－32．

［3］趙艷玲．艦船噪聲異常判斷［D］．大連:中國船舶重工集團公司第760研究所，2008．23－24．

ZHAO Yan-ling．Ship noise abnormal judgment［D］．Dalian:The 760 Research Institute of CSIC，2008．23－24．

［4］沈清，湯霖．模式識別導論［M］．長沙:國防科技大學出版社，1991．

SHEN Qing，TANG Lin．Introduction of patten recognition［M］．Changsha:National Defense Science and Technology University Press，1991．

［5］孫即祥．現代模式識別［M］．長沙:國防科技大學出版社，2002．

SUN Ji-xiang．Modern patten recognition［M］．Changsha: National Defense Science and Technology University Press，2002．

［6］陳炳和．隨機信號處理［M］．北京:國防工業出版社，1996．

CHENG Bing-he．Random signal processing［M］．Beijing: National Defense Industries University Press，1996．