基于HMM模型的車輛狀態(tài)評估

【摘 ? 要】 ? 為通過噪聲檢測及時發(fā)現(xiàn)車輛行駛過程中突發(fā)的異常，提出基于隱馬爾可夫（HMM）的評估方式，通過選取車輛正常以及異常狀態(tài)下的噪聲采集數(shù)據(jù)樣本作為離線訓練樣本，得到相應的模型參數(shù);然后將實時數(shù)據(jù)送入這兩類模型進行評估，概率大的為系統(tǒng)當前運行狀態(tài)。經(jīng)過試驗測試該策略在車輛狀態(tài)異常評估中有較高的精確度，可用于車輛異常情況的檢測。

【關鍵詞】 ? 隱馬爾可夫模型;噪聲檢測;梅爾頻率倒譜系數(shù)

Vehicle Condition Evaluation Based on HMM Model

Liu Xu

（Anhui University of Science and Technology，Huainan 232001，China）

【Abstract】 In order to detect the sudden abnormal in the process of vehicle running through noise detection， this paper proposes an evaluation method based on Hidden Markov model. By selecting the noise collection data samples under normal and abnormal conditions as offline training samples， the corresponding model parameters are obtained; then， the real-time data are sent to these two models for evaluation， and the system current operating state has a high probability. The experimental results show that the model has high accuracy in vehicle fault assessment and can be used for fault detection.

【Key words】 Hidden markov model; noise detection; Mel-frequency cepstral coefficients

〔中圖分類號〕 ?TP14 ? ? ? ? ? ?〔文獻標識碼〕 ?A ? ? ? ? ? ? 〔文章編號〕 1674 - 3229（2021）03- 0000 - 00

0 ? ? 引言

近年來，汽車工業(yè)的發(fā)展呈現(xiàn)上升態(tài)勢，汽車普遍地進入人們的生活，但與此同時也出現(xiàn)了很多問題。車輛故障就是其中一項，在車輛狀態(tài)異常時，車輛內(nèi)部產(chǎn)生的噪聲與車輛正常情況往往不同。目前，用于車輛狀態(tài)異常識別識別的方法有神經(jīng)網(wǎng)絡、支持向量機、小波變換等[1]。由于隱馬爾可夫模型在聲音辨識方面有著普遍的使用，本文將隱馬爾可夫模型用于對車輛噪聲的評估，從而判斷汽車是否處于故障狀態(tài)，防止車輛意外情況的產(chǎn)生[2]。

汽車噪音即汽車行駛在道路上時，發(fā)動機，動力系統(tǒng)，輪胎，氣體交換及制動等系統(tǒng)運行時發(fā)出的噪聲以及汽車行駛因空氣動力學而導致噪音的疊加結(jié)果。另外，如果汽車某個特定的旋轉(zhuǎn)部件產(chǎn)生故障，或某些部件因車輛行駛過程中產(chǎn)生運動干涉等都會發(fā)出非正常行駛噪聲。其中車輛內(nèi)部的噪音主要來自于發(fā)動機以及底座上發(fā)出的異常噪音，汽車發(fā)動機是復雜且應用廣泛的機電控制系統(tǒng)，產(chǎn)生故障的概率很大[3]。研究表明，作為汽車核心的主要組成部件，發(fā)電機損壞導致的異常占到車輛故障總數(shù)的40%。對于汽車異常情況的檢測中，一般看重的都是車輛里邊的噪音。

1 ? ? 隱馬爾科夫模型

一個完整的HMM包含馬爾可夫鏈和一般隨機過程，包括以下元素[4]：

（1）馬爾可夫鏈的狀態(tài)數(shù)為N，記N個狀態(tài)分別為[][R1，R2…RN]，記t時刻的狀態(tài)為[Qt]，則[Qt][?R1，R2…RN]。

（2）每個狀態(tài)的觀測值數(shù)目為M，記M個觀測值分別為[u1，u2…uM]，記t時刻的觀測值為[Qt]，則[Qt][?u1，u2…uM]。

（3）初始概率分布矢量為[π]，記N個概率分布[π1，π2…πN]，則[π]=[π1，π2…πN]。

（4）狀態(tài)轉(zhuǎn)移概率矩陣A=[aijN×N]，其中狀態(tài)轉(zhuǎn)移概率[aij]=P[qt+1=Rj|qt=Ri] [1≤i，j≤N]，即任意時刻t，若狀態(tài)為[Ri]，則下一狀態(tài)為[Rj]的概率。

（5）觀測值概率矩陣B=[bjkN×M]，其中觀測值概率[bjk]=P[Qt=uk|qt=Rj] ?[1≤j≤N，1≤k≤N]，即任意時刻t，若狀態(tài)為[Rj]則觀測值為[uk]的概率。

HMM模型[λ=N，M，π，A，B]，簡記為[λ=π，A，B]。

綜上所述，HMM的組成如下圖1所示。

HMM主要解決三類問題：

評估問題：在給定觀測序列[Q=Q1，Q2…QT]和模型[λ]的條件下，計算觀測變量序列在O的在給定模型下的概率[PQ|λ]，采用前向-后向算法。

解碼問題：在給定觀測變量序列O和[λ]的條件下，求的使[PQ|λ]最大的[S=q1，q2…qt]，采用Viterbi算法。

學習問題：給定觀測序列Q，求得一個[λ]，使得[PQ|λ]最大，采用Baum-Welch算法。

HMM可以通過提取當前車輛狀態(tài)信息的特征矢量，代入訓練好的HMM，經(jīng)過模式匹配從而識別當前健康狀態(tài)或故障狀態(tài)[5]。

2 ? ? HMM模型訓練

2.1 ? 特征參數(shù)提取

在車輛安全評估模型中，根據(jù)要求對車輛中出現(xiàn)的異常噪音信號進行有效提取。由于采集到的車輛噪聲信號為時域信號，這種時域信號不可直接送至HMM模型進行信號訓練，需要通過處理才能進行特征訓練，即將某段時長內(nèi)的數(shù)據(jù)信號分成等值的若干幀，接著在提取特征參數(shù)，送入HMM進行在線訓練[6]。本文選取梅爾倒譜系數(shù)（MFCC）作為特征信號進行學習。系統(tǒng)數(shù)據(jù)在經(jīng)過上述處理后，開始進入MFCC數(shù)據(jù)分析狀態(tài)，即將噪音信號輸入功率譜后完成轉(zhuǎn)換，轉(zhuǎn)換后的功率信號通過梅爾濾波器組濾波得到表特征系數(shù)，對此系數(shù)取對數(shù)后再進行余弦變換，變換后的特征信號進行MFCC提取，并與一階的MFCC信號融合后進行判定，最終得到實驗所需的特征參數(shù)[7]。其中MFCC特征參數(shù)的提取流程如圖2所示。

2.2 ? 訓練和評估

針對車輛狀態(tài)的評估，本文提出基于隱馬爾可夫模型來完成數(shù)據(jù)分析，該模型被廣泛應用于大多數(shù)狀態(tài)預測和故障評估中[8]。在車輛安全評估中，利用HMM參與訓練，設定安全監(jiān)測系統(tǒng)在某一時間段內(nèi)存在的隱變量為[qt]，表示t時刻的隱含狀態(tài)，該狀態(tài)是無法通過直接觀測得到的，其中，由于每個狀態(tài)均趨向于不同狀態(tài)則可用集合[S=S1，S2…SN]來表示。測得安全監(jiān)測系統(tǒng)在某一時間段內(nèi)存在m種監(jiān)測狀態(tài)，該系列的狀態(tài)數(shù)據(jù)每發(fā)生一次變化均依賴于前一狀態(tài)，為[Q1，Q2…QN]，其中初始狀態(tài)表示為[Q0]，根據(jù)隱馬爾可夫模型有隱含狀態(tài)在初始時刻的概率分布為[π]，在隱馬爾可夫模型中，其任意時刻狀態(tài)為[Ki]，下一狀態(tài)為[Kj]，可記狀態(tài)轉(zhuǎn)移概率為A，若狀態(tài)為[Kj]，則觀測值為[Rs]，可記輸出觀測值概率為B，則模型可記為[λ=π，A，B]。訓練模型首先計算給定模型[λ]以及觀測序列[P]，再對觀測序列給定在最大似然度下學習得出其最大概率，通過匹配得到當前狀態(tài)。

通過訓練樣本數(shù)據(jù)分別獲得車輛完好運行狀態(tài)所對應的模型參數(shù)[λk=π，Ak，Bk]與故障狀態(tài)對應的狀態(tài)模型參數(shù)[λq=π，Ak，Bk]，進行評估時，把需要評估的車輛噪聲信號轉(zhuǎn)換成對應的特征序列，再分別代入上面訓練好的兩種模型進行概率評估，概率明顯大的即為車輛當前狀態(tài)。

3 ? ? 試驗測試及分析

3.1 ? 測試方案

利用HMM來完成模擬訓練評估，測試安排如下：試驗需要車輛正常狀況和異常狀況下的訓練樣本，本試驗先從中選取訓練樣本對HMM參數(shù)進行訓練，然后再從中選取測試樣本在分別進行測試[5]。針對這兩種狀態(tài)，分別選取250個樣本，其中50個用于訓練模型，200個用于識別測試。

3.2 ? 訓練

訓練時先對采集的樣本數(shù)據(jù)進行分析處理，得到系統(tǒng)設置時長20s內(nèi)的時域噪聲信號，再按照上文描述對應的處理過程對相應的數(shù)據(jù)實行分幀處理，選定每幀周期時長為0.1s，數(shù)據(jù)樣本分為200幀子數(shù)據(jù)集，再對每一單幀數(shù)據(jù)集進行 MFCC 特征提取，獲得每一個單幀數(shù)據(jù)集所對應特征向量送入HMM進行在線訓練，得到對應的模型參數(shù)。

3.3 ? 結(jié)果分析

由上述實驗測試提取某段時間內(nèi)采集到的特征信號，經(jīng)過對數(shù)據(jù)進行預處理，將某段時長內(nèi)的數(shù)據(jù)信號分成等值的若干幀，構造其特征序列后提取特征向量，送入HHM來實行在線訓練評估。實驗數(shù)據(jù)如下表1所示，結(jié)果發(fā)現(xiàn)對測試樣本的錯誤識別率不高于5%，由此可以得知該模型在車輛狀態(tài)評估中有很好的準確度，可用于車輛異常識別。

4 ? ? 結(jié)論

本文針對車輛故障問題提出隱馬爾可夫模型來預測車輛狀況，先收集數(shù)據(jù)提取特征信號再利用HMM對其進行訓練，在最大似然度下學習得出其最大概率，通過匹配得到車輛當前運行狀態(tài)[9]。結(jié)果顯示，對車輛噪聲通過MFCC提取特征參數(shù)后再對HMM模型進行訓練，從而對車輛狀態(tài)進行評估，準確度很高。同時在往后的研究中還可以進一步增加樣本數(shù)量，訓練車輛更多不同故障狀態(tài)的HMM模型，這樣通過對相應的模型的訓練能更加精確地判斷車輛的不同故障狀態(tài)。

參考文獻：

[1] ?劉應吉. 車輛狀態(tài)監(jiān)測與故障診斷新方法研究[D].沈陽：東北大學，2008.

[2] ?張帥林. 基于HMM的關鍵詞語音識別技術在智能家居中的應用研究[D]. 蘭州：蘭州交通大學，2017.

[3] ?李增芳，何勇，宋海燕.基于主成分分析和集成神經(jīng)網(wǎng)絡的發(fā)動機故障診斷模型研究[J].農(nóng)業(yè)工程學報，2006（4）：131-134.

[4] ?張杰，黃志同，王曉蘭.語音識別中隱馬爾可夫模型狀態(tài)數(shù)的選取原則及研究[J].計算機工程與應用，2000（1）：67-69+133.

[5] ?吳毅斌，翟春平，張宇，等.基于隱馬爾可夫模型的艦船水下噪聲評估方法[J].艦船科學技術，2019，41（17）：121-124.

[6] ?鄭繼明，吳渝，楊春德等. 基于小波特征提取的音頻檢索技術研究.重慶：重慶郵電大學，2010-06-03.

[7] ?陸振波，章新華，朱進.基于MFCC的艦船輻射噪聲特征提取[J].艦船科學技術，2004（2）：51-54.

[8] ?盧微.隱馬爾可夫模型在自然語言理解研究中的應用[J].電腦與信息技術，2007（1）：33-35.

[9] ?樓振凱，侯福均，樓旭明.基于極大似然的馬爾可夫鏈初始狀態(tài)估計的數(shù)學規(guī)劃[J].南京師范大學學報（自然科學版），2019，42（2）：50-56+60.

[收稿日期] ? 2021-01-28

[基金項目] ? 2018安徽省自然科學基金面上項目（NO.1808085MF169）;2018年度安徽高校自然科學研究項目

（KJ2018A0086KJ2018A0759）

[作者簡介] ? 劉旭（1997-），男，安徽理工大學電氣與信息工程學院，碩士研究生，研究方向：物聯(lián)網(wǎng)應用。