車站運行列車異音檢測方法

張宏睿 馬秀榮 單云龍

(天津理工大學電氣電子工程學院 天津 300384)

0 引 言

鐵路、公路、航空、水路和管道是現(xiàn)代交通系統(tǒng)的五大運輸方式。相比較其他運輸方式，鐵路有著天然的優(yōu)勢，一是能源消耗少，二是對環(huán)境污染小，三是運輸能力強。伴隨著鐵路運輸?shù)娘w速發(fā)展，鐵路列車在高速度和高強度條件下運行時，自身的安全問題也越來越受到人們的關注，任何存在的安全隱患都可能會造成重大鐵路交通事故。

異音檢測是指以聲學診斷的方式對列車運行音頻進行識別，檢測出列車非正常運行的聲音。其目的在于及時發(fā)現(xiàn)列車運行過程中危及行車的安全隱患，實時進行列車故障定位、及時故障預警，以便鐵路工作人員能針對故障及時處理，確保鐵路運輸安全[1-7]。

列車行車音頻信號存在低信噪比、多噪聲源、噪聲變化大的特點，挑選合理的降噪方法[8-18]，盡量降低背景環(huán)境噪聲對特征值提取的影響是提高車站運行列車異常聲音檢測準確率的關鍵。本文對傳統(tǒng)MCRA噪聲估計算法作出了改進。在最小值搜索之前先對含噪音頻功率譜的每一個頻點進行非線性平滑，然后用一個一階差分運算進行最小值搜索，從而連續(xù)地實時更新估計噪聲譜。通過最小值統(tǒng)計(minimum statistics，MS)算法、傳統(tǒng)MCRA算法、改進的MCRA算法估計出的噪聲譜與實際噪聲譜的仿真分析，證明了改進算法的優(yōu)越性。

除了降低環(huán)境噪聲的干擾，異音檢測的另一個技術難點在于異常特征的有效提取識別。針對無法提取純凈列車行車信號且異常行車樣本少、異常特征類型多的的特點，傳統(tǒng)的能熵比檢測法、子帶能熵比檢測法等時頻分析方法并不能有效提取異常特征。本文采用改進能熵比[19-21]的方法，對應不同異常頻段進行異常檢測，有效提高了異常識別的準確率。

1 車站運行列車的異音檢測方法

本文所述異音檢測方法流程圖如圖1所示，關鍵步驟主要包括：(1) 改進的噪聲估計方法；(2) 改進的降噪方法；(3) 車頭車廂分離方法；(4) 改進的異常類型判別方法。

圖1 異音檢測方法流程圖

噪聲估計步驟實現(xiàn)了行車噪聲譜的實時估計，通過估計出的噪聲譜用改進的譜減法做降噪處理；對降噪后的音頻做能熵比端點檢測，識別有效行車音頻段；用希爾伯特變換求有效行車音頻的時域包絡，由包絡谷值確定各節(jié)車廂的起止時刻；通過相鄰波谷的時間差值確定列車車廂的平均行駛周期，按周期分割每節(jié)車廂的音頻；分別對每節(jié)車廂的音頻做改進的能熵比檢測，判別車廂的行駛狀況。通過上述步驟，能夠及時有效識別定位異常行車車廂的位置以及異常類型，確保列車的安全行駛。

2 異音檢測方法關鍵步驟介紹

2.1 改進的最小值控制的遞歸平均算法

2.1.1最小值控制的遞歸平均算法(MCRA)

式中：

αd(λ,k)=α+(1-α)p(λ,k)

(4)

帶噪音頻功率譜的平滑估計為：

S(λ,k)=αsS(λ-1,k)+(1-αs)Sf(λ,k)

(5)

式中：αs=0.7是平滑因子。

式中：w(i)為窗函數(shù)，使用漢明窗，窗長為2Lw+1。

搜索平滑目標信號功率譜局部最小值Smin(λ,k)，Smin(λ,k)通過在一個D幀的固定窗口上與過去每一個S(λ,k)進行對比得到：

式中：Stmp(λ,k)為臨時變量，Smin(0,k)=S(0,k)，Stmp(0,k)=S(0,k)。以上算法每幀每個頻點只需做一次運算比較，帶噪音頻的最小值從D個連續(xù)幀中尋找。噪聲增大情況下，最小值搜索會有2D幀的延遲。

S(λ,k)與Smin(λ,k)的比值為：

將該比值與閾值δ比較，判斷出目標信號存在的頻段，即：

式中：δ=5。p(λ,k)=1時，目標信號存在；p(λ,k)=0時，目標信號不存在。最后估計目標信號存在的條件概率：

2.1.2改進的最小值控制的遞歸平均算法

假設目標信號存在期間，帶噪音頻信號功率最低會衰減到噪聲功率水平。通過跟蹤帶噪音頻每一幀的最小值，可以得到一個噪聲水平的粗略估計。當平滑因子αs接近于1時，估計的帶噪音頻功率譜更加平滑，導致峰值變得更寬，頻譜中一些細小的波動被消除。過度的平滑有可能導致噪聲估計的不準確，因為最小值有可能落到拓寬后的譜峰之內(nèi)，進而高估了實際噪聲。理想情況下，在目標信號存在期間平滑參數(shù)較小，以更好地跟蹤目標信號的非平穩(wěn)段。如圖2所示，可清楚地看出2.5 s處估計的噪聲譜隨著αs的增大而更大。

(a) αs=0.5

(b) αs=0.7

(c) αs=0.9圖2 采用三種不同的αs的譜最小值(k=1 700 Hz)

式中：

S(λ,k)=αs(λ,k)S(λ-1,k)+

令誤差方程關于αs(λ,k)的一階導數(shù)等于零，得到最優(yōu)平滑因子αopt(λ,k)：

圖3 αopt(λ,k)曲線

由圖3可知，在目標信號存在時，隨著γ(k)的增大，αopt(λ,k)迅速減小，這一特性有利于更好地跟蹤功率譜密度變化。

(16)

最終的平滑參數(shù)包含以上的校正因子αc(λ)并限制了其最大值αmax，表示如下：

(17)

式中：αmax=0.96以避免當γ(k)=1時出現(xiàn)死鎖。

另外，傳統(tǒng)MCRA算法噪聲估計算法得到的噪聲功率譜估計相對于實際噪聲功率譜可能會有多達2D幀的延遲。改進Smin(λ,k)的跟蹤方法為：

(18)

參數(shù)設置為：β=0.96,γ=0.998。以上過程在追蹤最小值時使用一個“前瞻”因子β，通過調(diào)整該因子可以改變算法的自適應時間。

整體的噪聲估計流程圖如圖4所示。

圖4 噪聲估計流程圖

圖5比較了采用本文改進算法、MS算法以及MCRA算法估計出的噪聲功率譜與真實噪聲譜的差異。

(a) MS估計噪聲譜

(b) MCRA估計噪聲譜

(c) 本文算法估計噪聲譜圖5 采用三種不同的噪聲估計方法得到的 估計噪聲譜與真實噪聲譜(k=1 700 Hz)

從圖5可以看出，本文算法的噪聲估計值更接近真實值。MS算法時延較大，本文算法相較于MS算法和MCRA算法在跟蹤時延上有較明顯改善，尤其是在噪聲下降沿。

2.2 改進的譜減法

傳統(tǒng)譜減法公式為：

(19)

因傳統(tǒng)譜減法產(chǎn)生的“音樂噪聲” 會對目標信號產(chǎn)生干擾抑制，所以為降低音樂噪聲，將原公式改為：

(20)

式中：α為過減因子(α≥1)，ρ(0<ρ≥1)是譜下限參數(shù)。參數(shù)ρ可以控制殘留噪聲的多少以及音樂噪聲的大小。如果譜下限太大，可能聽到殘留噪聲信號但是感覺不到音樂噪聲；相反，如果太小，則可能帶來音樂噪聲但原噪聲信號可以被極大地抑制。因此，對低信噪比ρ取0.002。

α應該隨每一幀而變化:

式中：SNR為每一幀的短時信噪比估計，計算是基于帶噪信號功率與估計的噪聲功率的比率，是信噪比的一種后驗估計，表示如下：

圖6為去噪前后音頻時域波形對比圖，我們可以發(fā)現(xiàn),MS算法降噪效果不明顯，MCRA算法因存在噪聲估計延遲問題并不能有效應用在列車音頻降噪中。使用改進算法降噪后的時域信號相比降噪前的時域信號,噪聲干擾明顯減少,不存在跟蹤時延的影響，能有效區(qū)分各節(jié)車廂的周期。由此可見使用基于改進的最小值控制的遞歸平均噪聲估計算法的改進譜減法對列車行車音頻信號進行去噪處理,效果比較理想。

(a) 去噪前音頻時域波形

(b) MS算法去噪后時域波形

(c) MCRA算法去噪后時域波形

(d) 改進算法去噪后時域波形圖6 去噪前后歸一化時域波形圖

2.3 行車起止時刻及車廂分離方法

2.3.1能熵比端點檢測法

對降噪后的行車音頻信號采用能熵比端點檢測法，確定列車經(jīng)過聲音采集器的具體起止時刻。各頻率分量的歸一化譜概率密度函數(shù)為：

式中：l為對應的頻率分量。

每個音頻幀的短時譜熵為：

對應的能熵比為：

對于噪聲來說，它的歸一化譜概率密度函數(shù)分布相對均勻，所以它的譜熵值就大。而對于行車音頻信號，由于能量變化大，它的歸一化譜概率密度函數(shù)分布相對不均，行車音頻的譜熵低于噪聲的譜熵[23]。通過實驗確定閾值為0.1，當能熵比值大于閾值時，判定為目標信號存在，利用這一特性確定行車音頻起止端點，截取有效音頻段。

2.3.2車頭車廂分離方法

對有效音頻段做希爾伯特變換求時域包絡，并計算包絡波形中波谷的具體時刻；計算相鄰波谷時間差的均值即為列車車廂行駛的平均周期，由于車廂長度已知，即可求出車廂的運行車速；判斷有效音頻起始時刻到第一個波谷的距離就是車頭經(jīng)過聲音采集器所用時間，對其余音頻片段按平均周期分割，每一段音頻即為一節(jié)車廂經(jīng)過音頻采集器所用的時間[24-26]。

2.4 改進的能熵比檢測法

2.4.1四類行車異常樣本分析

通過分析四類異常行車樣本的語譜圖，我們發(fā)現(xiàn)四類異常能量分布在不同的頻段[27-28]，選取能量變化較大、集中且頻段不重疊的部分，低速抱閘：750～950 Hz、高速抱閘：3 000～3 400 Hz、零件松動：3 800～7 200 Hz、敲擊車門：1 850～2 200 Hz，如圖7所示。

(a) 低速抱閘語譜圖

(b) 高速抱閘語譜圖

(c) 零件松動語譜圖

(d) 敲擊車門語譜圖圖7 異常行車樣本語譜圖

2.4.2改進的能熵比檢測法

對應每種異常類型所在頻段，分別求異常頻段頻率分量的歸一化譜概率密度函數(shù)，同時為降低殘留行車噪聲對異常識別的影響，引入一個正常量K，得到改進的歸一化概率譜密度函數(shù)：

式中：K=1；l為四種異常類型對應頻段。對比采集到的四類異常樣本與正常樣本總計5 000段數(shù)據(jù)，由實驗經(jīng)驗總結(jié)得到四種異常類型能熵比閾值分別為：低速抱閘0.85、高速抱閘0.85、零件松動0.6、敲擊車門0.98，通過對截取的單節(jié)車廂音頻進行檢測判定是否存在異常行駛，并確定異常行駛屬于哪一類。四種異常的能熵比檢測圖如圖8所示。

(a) 低速抱閘樣本歸一化能熵比

(b) 高速抱閘樣本歸一化能熵比

(c) 零件松動樣本歸一化能熵比

(d) 敲擊車門樣本歸一化能熵比圖8 異常行車樣本歸一化能熵比檢測

3 實驗驗證

3.1 實驗樣本準備

為了驗證本文算法的可行性，在MATLAB環(huán)境下對提出的異常檢測算法進行仿真實驗。異常聲音素材主要來自天津靜海站、唐官屯站、楊柳青站采集到的行車音頻，總共采集了5 000段行車音頻，其中正常行車樣本4 600段，異常行車樣本400段，采樣頻率為44 100 Hz，保存格式為.aac。因無法采集到純凈行車音頻，只能通過最終檢測準確率做算法性能分析。

3.2 降噪性能驗證實驗

在使用改進的能熵比異常檢測方法進行檢測的基礎上，比較本文降噪方法與其他幾種降噪方式及不做降噪處理異常檢測準確率存在的差異。對比五種情況下，異常行車檢測準確率如表1所示。

表1 不同降噪方式下異常檢測性能對比 %

分析表1可知:

(1) 不使用降噪處理的情況下，背景環(huán)境噪聲會對行車音頻信號產(chǎn)生嚴重干擾，直接對信號進行異常檢測，無法有效分離車廂、確定異常行車情況所在位置，準確率僅為48%，無法達到應用要求。

(2) 采用本文所述降噪方法時，能夠有效定位異常車廂并識別出異常類型，異常行車檢測準確率為91%，有一定的實用價值。

(3) 采用其他三種降噪方式時，異常行車檢測的準確率較本文所述基于改進MCRA噪聲估計的改進譜減法準確率低。所以，采用本文降噪方式能更好地提高異常檢測率。

3.3 異常檢測性能驗證實驗

采用改進MCRA噪聲估計的改進譜減法做去噪處理，比較本文改進能熵比檢測法與傳統(tǒng)能熵比檢測法以及子帶能熵比檢測法準確率存在的差異。對比三種情況下，異常行車檢測準確率如表2所示。

表2 不同異常檢測方式下異常檢測性能對比 %

分析表2可知:

(1) 使用傳統(tǒng)能熵比檢測法，不能有效識別特定異常行車類型，準確率僅為55%，無法達到應用要求。

(2) 采用子帶能熵比檢測法，雖然通過將一幀分成若干個子帶，分別求每個子帶的能熵比，進一步降低了殘留環(huán)境噪聲的干擾，但依舊不能有效識別特定異常行車類型，檢測準確率為63%。

(3) 采用改進能熵比檢測法時，通過引入正常量K，降低了噪聲的干擾，又針對異常特征所在頻段做改進的能熵比檢測，能夠有效區(qū)分各車廂的異常行車類型，檢測準確率為91%。

綜上，實驗結(jié)果表明，采用本文所述異常檢測方法時，對異常行車音頻具有更好的辨識性能。

4 結(jié) 語

利用本文提出的改進MCRA算法進行噪聲估計并做改進譜減法的降噪處理，通過實驗經(jīng)驗總結(jié)優(yōu)化參數(shù)取值，得到較明顯的列車行車環(huán)境下的消噪效果。

在改進的去噪方法基礎上，通過改進的能熵比檢測法進行異常類型的判斷檢測。實驗表明，行車異常類型檢測辨識準確率達91%。今后將對有效識別不同行車環(huán)境的算法進行研究。