基于音頻特征的汽車發動機狀況識別技術

李晨玉

(天津濱海汽車工程職業學院,天津 300352)

0 引言

汽車發動機穩定和可靠運行對于車輛的性能和安全至關重要,實時監測和診斷發動機故障是確保汽車發動機的穩定和可靠運行的重要保證。傳統的發動機故障診斷方法通常依賴于傳感器數據和復雜的物理模型,其實施成本高且難以普及[1-2]。

近年來,隨著機器學習和信號處理技術的迅猛發展,為實時監測和診斷發動機故障提供了更具成本效益和可擴展性的方法。基于音頻特征的發動機狀況識別技術基于車輛已有的音頻傳感器,對發動機在運行過程中產生的聲音信號進行分析和識別,以評估發動機健康狀況和檢測潛在故障[3]。音頻特征的提取是基于音頻信號的重要步驟,可以采用傅里葉變換、小波變換和時域特征提取等信號處理方法,將原始音頻信號轉化為具有代表性的特征向量。這些特征向量包含了發動機運行狀態的關鍵信息,如頻譜分布、能量分布和周期性特征等[4-6]。信號特征提取結束后,基于機器學習算法對提取的音頻特征進行訓練和分類,通過對大量標記的訓練樣本進行學習,能夠識別不同發動機狀況下的特征模式,并為未知樣本進行準確的分類。

本文將深入探討基于音頻特征的汽車發動機狀況識別技術,系統論述了該技術研究進展,并對其關鍵技術及方法進行闡述,包括數據采集、特征提取、機器學習模型訓練等關鍵步驟。研究成果期望能為汽車制造商和維修服務提供商提供一種新的發動機狀況監測和故障診斷方法,以提高車輛可靠性、安全性和維護效率。

1 研究進展

國內外關于基于音頻特征的汽車發動機狀況識別技術的研究成果如表1所示[7-9]。調研結果表明,通過采用不同的信號處理和機器學習算法,以及提取不同的音頻特征,為發動機故障診斷和狀況監測提供了多樣化的方法和解決方案,為進一步發展基于音頻特征的汽車發動機狀況識別技術提供了重要的參考和借鑒。

表1 國內外研究進展

盡管國內外研究學者取得了一系列的研究成果,但是基于音頻特征的汽車發動機狀況識別技術仍然面臨一些挑戰和問題。首先,不同車型和駕駛條件可能會導致聲音信號的差異,需要更深入的研究來提高模型的泛化能力。其次,數據質量和噪聲對診斷結果有著重要影響,因此需要進一步優化信號處理方法。此外,模型的可解釋性也是一個重要問題,特別是在實際應用中需要解釋診斷結果的情況下。

2 技術方法

2.1 信號處理與特征提取

基于音頻特征的汽車發動機狀況識別技術依賴于有效的信號處理和特征提取方法,可以去除噪聲、增強信號質量,并將信號轉換為更易于分析的形式。特征提取則通過提取關鍵特征來描述音頻信號的內容和特性。本章介紹在基于音頻特征的發動機狀況識別中常用的信號處理和特征提取方法。

2.1.1 預處理

音頻信號通常受到環境噪聲和其他干擾的影響,因此需要進行預處理以去除這些干擾并提高信號質量。常見的預處理方法包括降噪技術,如維納濾波、中值濾波和小波閾值去噪;濾波技術,如低通濾波和高通濾波;偽音移除方法,如自適應偽音消除和譜減法等。當噪聲類型不同時,所采用的信號處理方法也不同,在實際應用過程中需要根據不同的信號類型進行處理方法的選擇,如表2所示。

表2 不同噪聲類型處理方法及特點

2.1.2 傅里葉變換

傅里葉變換是將時域信號轉換為頻域信號的重要工具。通過傅里葉變換,可以將音頻信號表示為頻譜圖,從中提取頻率分量、頻譜能量、頻譜形態等頻域特征。傅里葉變換可以采用快速傅里葉變換(FFT)算法實現高效計算。

2.1.3 小波變換

小波變換可以將信號分解成不同頻率的子帶,使時頻特性能夠同時表示。在發動機狀況識別中,小波變換常用于分析發動機振動信號,并提取與故障相關的特征。常見的小波變換方法包括離散小波變換(DWT)和連續小波變換(CWT)。

2.1.4 時間域特征提取

從音頻信號的時域波形中提取特征可以描述發動機聲音的時域變化和統計特性。常用的時域特征包括時長、峰值、均值、方差、時域波形形狀等。這些特征可以通過滑動窗口分析、統計計算和數學模型來提取。

2.1.5 頻域特征提取

從音頻信號的頻譜圖中提取特征可以描述發動機聲音的頻域分布和譜線特性。

1)頻譜能量。頻譜能量是指在不同頻率區間內的信號能量分布情況,通過計算每個頻率區間內的能量值,可以了解發動機聲音在不同頻率范圍內的能量分布情況。常見的頻譜能量特征包括總能量、能量集中度等。

2)頻譜峰值。頻譜峰值是指頻譜圖中具有最大幅值的頻率分量,主要用于表示發動機聲音的主要頻率成分和譜線峰值的位置。常見的頻譜峰值特征包括主頻率、最高峰值幅度等。

3)頻率分量。在頻譜圖中具有顯著幅值的離散頻率點稱為頻率分量,通過提取頻率分量,可以識別出發動機聲音中的特定頻率成分。常見的頻率分量特征包括頻率峰值位置、頻率帶寬等。

4)頻譜形態。頻譜形態描述了頻譜圖中的形狀和輪廓特征,可以反映發動機聲音在不同頻率范圍內的能量分布和頻譜線的形狀。常見的頻譜形態特征包括譜線斜率、譜線的寬度和形狀等。

2.2 機器學習算法的選擇與訓練

2.2.1 算法選擇準則

1)問題類型。根據問題的性質和要求選擇合適的算法。例如,分類問題可以使用決策樹、支持向量機(SVM)、邏輯回歸等;回歸問題可以使用線性回歸、隨機森林等;聚類問題可以使用K均值聚類、DBSCAN等。

2)數據規模。考慮數據集的大小,選擇適合處理大規模數據的算法。例如,當數據集非常龐大時,深度學習算法(如神經網絡)可能更適合,而對于小規模數據集,傳統機器學習算法也能夠提供良好的性能。

3)特征空間。根據特征的類型和屬性選擇算法。例如,對于文本數據,可以使用基于詞頻的方法(如樸素貝葉斯分類器),或者使用詞嵌入技術(如Word2Vec)來表示文本特征。

4)可解釋性要求。根據應用需求,考慮算法的可解釋性。某些場景下,需要能夠理解算法的決策過程和結果,因此可以選擇基于規則的方法(如決策樹),而不是黑盒模型(如深度神經網絡)。

1）根據《廣州市建筑節能與綠色建筑“十三五”專項規劃》，到2020年，廣州市新建建筑全面執行綠色建筑標準，累計新增的綠色建筑總量約為8600萬m2；二星級以上綠色建筑占綠色建筑總量的比重達到20%以上，新增二星及以上綠色建筑總量約為1300 萬 m2；

5)計算資源和效率。考慮算法的計算復雜度和資源需求。某些算法可能需要大量的計算資源和時間進行訓練和推理,因此需要根據可用的資源和應用場景進行選擇。

6)魯棒性。考慮算法對異常值、噪聲和缺失數據的魯棒性。一些算法對數據質量的要求較高,而其他算法則能夠更好地處理不完整或有噪聲的數據。

2.2.2 訓練過程關鍵技術

1)數據準備。將采集到的音頻數據劃分為訓練集和測試集,確保數據集的平衡性和代表性。同時,對數據進行預處理,如標準化、歸一化等。

2)特征選擇。根據研究需求和算法選擇準則,選擇合適的音頻特征進行訓練。可以使用特征選擇方法,如相關性分析、特征重要性排序等。

3)模型選擇與訓練。根據算法選擇準則,選擇合適的機器學習算法進行訓練。常用的算法包括決策樹、支持向量機、神經網絡等。對選定的算法進行訓練,調整模型的超參數以提高性能。

4)模型評估。使用測試集評估訓練好的模型性能。常見的評估指標包括準確率、召回率、精確度等,計算公式如下[10]。

準確率(AC)是指模型正確預測為正類的樣本數占預測為正類的樣本總數的比例,是衡量模型對于正類預測準確率的指標。例如,如果一個分類模型對100個樣本進行分類,其中有80個樣本分類正確,那么準確率就是80%(0.8)。計算公式如式(1)所示

(1)

(2)

精確率(Pre)是指模型在所有預測為正類的樣本中,真正為正類的樣本占比。精確率適用于樣本類別平衡的情況,因為它關注模型對于正類的識別準確率,能夠較好地反映模型的分類性能。是衡量模型對于正類識別準確率的指標。例如,如果一個分類模型將100個樣本中的90個預測為正例,其中有85個樣本被正確分類為正例,而有5個樣本被錯誤地分類為正例,那么精確率就是85%(0.85)。公式如式(3)所示

(3)

5)模型驗證與調優。進行交叉驗證和驗證集驗證,確保模型的泛化能力。根據驗證結果進行模型調優,如調整特征、調整模型結構、增加訓練數據等。

3 技術應用

3.1 深度學習的應用

深度學習算法在音頻處理和模式識別方面的應用已經取得了顯著成果,并且在汽車發動機狀況識別中有著巨大的潛力。深度學習模型如卷積神經網絡(CNN)和循環神經網絡(RNN)可以更好地學習音頻特征的時序信息和復雜關系,從而提高發動機狀況識別的性能。

深度學習模型通過多層神經網絡結構,深度學習模型可以自動地從原始音頻數據中提取高級的抽象特征。例如,CNN可以通過卷積和池化操作捕捉音頻信號的局部模式和頻域信息,而RNN則能夠建模音頻數據的時序依賴關系,使得模型能夠更好地理解和識別發動機聲音的特征。此外,深度學習模型還具有良好的泛化能力[11],能夠適應不同車型、發動機類型和工況的音頻數據。通過大規模的訓練數據和適當的正則化方法,深度學習模型可以有效地避免過擬合問題,并提高對新數據的識別準確性。

3.2 多模態融合

隨著傳感器技術的發展和數據采集能力的提升,多模態數據融合將在汽車發動機狀況識別領域發揮越來越重要的作用,為故障預測和預防提供更可靠的手段。通過結合其他傳感器數據,如振動、溫度等,可以獲得更全面的發動機狀態信息,提高故障檢測的準確性,有助于及早發現潛在故障,采取相應的維修和維護措施,提高汽車的可靠性和安全性。

3.3 實時性和嵌入式應用

實時性是汽車發動機狀況識別技術的關鍵需求之一。及時監測和識別發動機的健康狀況對于保證行車安全和降低故障風險至關重要。實時性要求識別算法能夠在短時間內對音頻數據進行處理和分析,以快速準確地判斷發動機狀態,具備高效的計算能力和快速的響應時間。另一個發展方向是將發動機狀況識別技術應用于嵌入式設備上,將發動機狀況識別技術集成到嵌入式系統中,可以實現在車輛內部對發動機狀態進行實時監測和診斷,不依賴外部的網絡連接或云服務。這樣的嵌入式應用能夠提高系統的穩定性、可靠性和安全性,同時減少對外部環境的依賴。

3.4 自適應學習和增量學習

隨著發動機工作狀態可能隨時間、環境和使用情況的變化而變化,自適應學習和增量學習方法在基于音頻特征的汽車發動機狀況識別技術中將變得更為重要。自適應學習是指算法具備自我調整和優化的能力,能夠根據實時數據的變化來更新模型和參數,以適應不同工況和環境。在發動機狀況識別中,可以根據發動機在不同工作狀態下產生的音頻特征變化,動態調整模型的權重和閾值,從而提高識別的準確性和穩定性。

增量學習是指算法能夠在新數據到來時,利用已有模型進行快速更新和調整,以適應新的情況。在發動機狀況識別中,增量學習方法可以利用已有的訓練模型,通過引入新的訓練樣本進行參數的調整和優化,以適應新的工況和變化,可以避免重新訓練整個模型,節省計算資源和時間成本。

4 發展趨勢

4.1 多模態數據融合

將音頻特征與其他傳感器數據(如振動傳感器、溫度傳感器等)相結合,將會產生協同效應,彌補單一傳感器數據可能存在的局限性。例如,振動傳感器可以捕捉到發動機機械振動產生的信號,而溫度傳感器可以反映發動機的熱特性,這些信息的結合有助于更準確地判斷發動機的工作狀態。其次,通過多模態數據融合,可以提高故障的檢測率和診斷的精確性,減少誤報和漏報的情況,從而增強了整體的發動機健康監測能力。

4.2 深度學習應用擴展

未來,隨著深度學習的應用擴展,更多先進的深度學習模型將在發動機故障診斷中發揮重要作用,從而進一步提升診斷的精確性、效率和可靠性。深度學習模型能夠自動從原始音頻數據中學習到更具有表征性的特征,無需人為干預,同時,深度學習模型的層次化特征學習能力使其能夠理解更高層次的語義信息,有助于區分不同發動機故障模式之間微小的差異,提高診斷的精確度。

4.3 實時處理和邊緣計算

實時處理和邊緣計算將計算任務從云端轉移到車輛內部可以大大減少數據傳輸延遲,實現更快速的發動機狀況監測和診斷響應,對于即時性要求高的駕駛決策和故障預警至關重要。此外,邊緣計算可以在車輛內部完成數據處理,減少敏感數據傳輸到云端的風險,從而更好地保護用戶的隱私和數據安全。

5 結論

本文綜述了基于音頻特征的汽車發動機狀況識別技術的研究進展。通過對國內外相關研究的概述,可以得出以下結論:

1)基于音頻特征的發動機狀況識別技術在汽車領域具有廣泛的應用前景。通過分析和識別發動機工作過程中產生的聲音信號,可以實現對發動機的健康狀況和潛在故障的判斷。

2)在信號處理與特征提取方面,預處理方法(如降噪技術、濾波技術和偽音移除方法)能夠去除噪聲和干擾,提高音頻信號質量;頻域特征(如頻譜能量、頻譜峰值、頻率分量和頻譜形態)能夠描述發動機聲音的頻域分布和譜線特性。

3)在機器學習算法選擇與訓練方面,應根據問題的特點和需求選擇合適的算法,并結合合適的訓練數據進行模型訓練。常用的機器學習算法包括支持向量機、隨機森林和深度學習模型(如卷積神經網絡和循環神經網絡)。

4)未來的發展趨勢包括多模態數據融合、深度學習應用擴展以及實時處理和邊緣計算的應用,可以提供更全面和準確的發動機狀況識別結果,及時監測發動機狀態、預測故障并采取相應的措施。