基于MFCC的輪胎異常狀態監測識別系統構建

文 超

(攀枝花學院交通與汽車工程學院，四川 攀枝花 617000)

基于MFCC的輪胎異常狀態監測識別系統構建

文 超

(攀枝花學院交通與汽車工程學院，四川 攀枝花 617000)

構建了基于MFCC的輪胎異常狀態監測識別系統，使用聲音信號識別汽車輪胎不正常狀況。該系統利用聲音傳感器采集連續的聲音信號，從中提取音頻識別中運用較廣的梅爾頻率倒譜系數(MFCC)作為監測序列參數，并利用訓練模型對其進行建模訓練，使其能夠識別汽車輪胎故障信號，及時發現輪胎不正常狀態并發出警告信息，從而保證汽車安全行駛。實驗證明，該系統能夠有效地監控汽車輪胎工作狀態。

輪胎；MFCC；噪聲

0 引言

輪胎作為汽車的“腳”，平時一直默默地為整體服務，汽車的動力、汽車的載重都必須通過輪胎傳遞到道路上。輪胎在汽車整體中非常重要，然而輪胎卻最容易被忽視。目前，對輪胎的忽視已經產生了嚴重的后果，輪胎缺陷已經成為導致交通事故的“第一大殺手”。

目前，國外已經設計出了多種輪胎監測系統，并以立法的形式強制要求安裝。但是，現有輪胎監控系統只對輪胎氣壓以及輪胎溫度2項參數進行監控，沒有對輪胎因為磨損產生的鼓包、輪胎簾布層撕裂或氣泡缺陷、輪胎表面附著物等爆胎的誘發因素很好地進行監控。而且為了節省電能，平時采用間隔測量模式[1]，不能長時間保持高密度實時監控狀態。本文針對這種情況，設計一種以檢測連續的不正常胎噪為切入口的輪胎異常狀況實時監控系統。

1 輪胎異常噪聲發聲機理

(1) 輪胎鼓包導致不正常噪聲：1) 胎面鼓包。輪胎產生胎面鼓包現象后，輪胎鼓包與地面接觸時可作為一個大的輪胎花紋塊而存在。而對花紋塊發聲進行動力學分析可以得到，花紋塊質量越大，噪聲聲壓越大[2]。2) 胎側鼓包。胎側鼓包時，鼓包位置輪胎與地面接觸面積增大，胎痕加長，噪聲加大。同時，側鼓包后輪胎噪聲頻率及振幅將發生變化。

(2) 輪胎花紋槽夾雜異物導致不正常噪聲：當輪胎花紋槽中夾雜有異物后，首先會影響到輪胎胎面夾雜異物花紋處的彈性，使得輪胎某花紋的彈性變差，花紋塊的彈性越差，噪聲聲壓越大。

(3) 輪胎花紋剝落等缺陷導致不正常噪聲：輪胎花紋因為沖擊或駐波剝離而剝落后，在輪胎的旋轉過程中，每當轉動到受損傷部位時，都會產生輪胎噪聲的變化。

(4) 胎壓過低導致不正常噪聲：當輪胎胎壓過低時，胎痕加長會引起沖擊噪聲增大，輪胎較軟也會使空氣泵噪聲加大[3]。

(5) 胎壓過高導致不正常噪聲：胎壓過高，輪胎剛度變大，沖擊韌性減少，與路面結合部位的撞擊噪聲就會加大。

2 系統介紹

汽車輪胎噪音監控系統由相應的硬件及軟件組成，硬件部分包括聲音采集及處理裝置。如圖1所示。

圖1 輪胎異常狀況監控系統結構

在系統硬件設置中，首先在每個車輪制動鉗上設置一個聲音傳感器，采集各個車輪運行中的噪聲信號并放大，給予駕駛員相應警示。軟件部分主要由兩大子系統組成，第一個子系統是異常噪聲歸屬判斷系統，第二個子系統是各車輪噪聲對比系統，可以對相應兩輪(驅動輪或轉向輪)的噪聲進行對比，通過相互驗證減少輪胎故障錯報、少報的情況。

3 各車輪噪聲對比子系統

各車輪噪聲對比子系統的算法和判定過程相對而言比較簡單，它主要解決2個問題：第一是將相對應兩輪胎作為一組來進行分析，把單個輪胎問題診斷轉換為各組輪胎出現的問題，二者的判定結果是一樣的，即單個輪胎出問題要及時處理，而單組輪胎出現問題報警同樣可以達到檢測汽車輪胎安全的目的；第二是排除外界周期變化的環境噪聲影響，輪胎與路面之間是一個耦合系統，兩者之中任意一個發生改變均會影響到噪聲的變化。

4 異常噪聲歸屬判斷子系統

4.1 系統設計

異常噪聲歸屬判斷子系統主要解決第一類有特點噪聲的分類問題，它由特征參數提取模塊、高斯訓練模塊、識別模塊、結果處理模塊等4部分組成，如圖2所示。

圖2 基于高斯混合模型的異常噪聲歸屬判斷子系統

傳聲器采集到的信號是在聲場中某一點距離聲源振動的時域信號，再轉化為方便使用的有效聲壓的聲壓級[4]。

4.2 特征參數提取模塊

特征參數提取是指從檢測到的汽車輪胎噪聲信號中提取出周期變化的聲音特征序列，轉化為有用的統計數據[5]，這里使用的是梅爾頻率倒譜系數(MFCC)。梅爾頻率與赫茲頻率成非線性對應關系，二者的轉換公式為：

(1)

梅爾頻率倒譜系數就是利用它們之間的這種關系計算得到MFCC頻譜特征[6]，其步驟為：

(1) 對音頻信號進行預處理。在預處理部分，需進行以下操作：1) 預加重：使用一階有限激勵響應高通濾波器將信號的頻譜變平以降低寄存器(存儲單元)的字長有限的影響。2) 分幀加窗：將輪胎音頻信號分成一系列一個一個的短時段即連續幀。同時為了減少吉布斯效應影響，增加連續性，每幀予以加窗。

(2) 對其進行快速傅立葉變換：將分幀加窗的音頻信號進行快速傅立葉變換后得到各幀的頻譜，并對音頻信號頻譜取模的平方得到其功率譜。

(3) 三角濾波并進行離散余弦變換。定義36個帶通三角濾波器，則n=36，綜合考慮其滿足Mel[f(n)]-Mel[f(n-1)]=Mel[f(n+1)]-Mel[f(n)]，可以求得濾波系數為n(m)，m=1，…，p(p為濾波器階數)。對所有三角濾波器輸出進行對數運算及離散余弦變換后，即得到所求的MFCC特征參數[7]：

(2)

4.3 訓練模塊

訓練模塊在系統對音頻進行識別之前，采用一定數量的樣本對識別模塊進行訓練，提高識別模塊的記憶和識別能力。訓練模塊模型選擇高斯混合模型(GMM)，即用高斯概率密度函數(正態分布曲線)精確地量化事物，將一個事物分解為若干個基于高斯概率密度函數(正態分布曲線)形成的模型。高斯混合模型訓練的目的是建立模型的參數，即從訓練樣本中確定出現概率[8]。所以采用EM算法來求極值，EM算法是基于模型的聚類方法。為了增加系統的穩健性和準確率，本文選取多個樣本進行訓練。訓練完成之后系統具備了對所輸入音頻進行判斷分析的能力。

4.4 識別模塊

將需要識別的聲音經過前端處理后提取特征參數，得到MFCC特征向量集。按照前述步驟將特征參數向量代入高斯混合模型，計算某種聲音可能出現的情況下模式樣本出現的后驗概率值，根據最小錯誤率對其進行識別。依次重復上述步驟，即可對等待識別的汽車輪胎噪聲信號的特征矢量序列逐個進行識別。

5 實驗

首先使用各車輪噪聲對比子系統對所獲取的音頻信號頻率和聲強進行對比，再用異常噪聲歸屬判斷子系統對每一個車輪的音頻信號進行分析，共選取6種異常輪胎噪音和1個作為對比的正常輪胎噪音。在模擬訓練時，每一種都用較長時間的聲音來進行訓練，通過特征提取將每幀信號轉換為MFCC特征矢量。測試時，每種聲音均使用5個測試聲音文件，共使用30個聲音文件，每個文件長度相同，高斯混合模型的高斯分量取為8，實驗結果如表1所示，總識別率為86.7%。

表1 識別結果表

對實驗結果進行分析，總識別率比較理想，但也可以發現，胎側鼓包情況識別率很低，因為胎側鼓包暫時難以給出較好的胎側鼓包純凈聲音對系統進行訓練，需要在之后找到更好更全的從動力學方面分析胎側鼓包異常噪聲的方法。

6 結語

本系統采用4個聲音采集器采集輪胎滾動中的音頻信號，經過汽車CAN總線傳輸到車載電腦，在系統中，首先進行單組輪胎之間的對比，得到這組輪胎噪聲差值，然后對某一輪胎的音頻信號提取其MFCC特征參數，以時長較長的單純音頻信號對高斯混合模型進行訓練，再按照順序識別輪胎非正常噪聲類型，給予駕駛員相應警告信息，在這個過程中，模型的訓練是識別性能的關鍵。實驗證明，MFCC特征參數能有效地描述汽車輪胎運行過程中的噪聲信號，效果良好。系統能有效地進行噪聲信號的分析判斷，與傳統汽車輪胎監控方法相比，增加了對輪胎各狀態的有效監控，不再局限于溫度和壓力2項基礎指標。且因為本系統各部分均處于車身固定部分，可以通過蓄電池獲得穩定供電，從而進行高密度的實時監控，這就解決了傳統監控系統因供能不足只能間隔測量的問題，可以更為及時有效地發現輪胎問題。該系統在輪胎安全監控方面具有廣闊的應用前景，值得進一步深入研究。

[1]張懷廣，宋風中.輪胎壓力監測電路設計[J].制造業自動化，2010(5)

[2]朱興元.輪胎花紋塊撞擊路面的噪聲研究[J].橡膠工業，2003(9)

[3]陳理君，楊立，錢業青，等.輪胎花紋噪聲的發聲機理[J].輪胎工業，1999(9)

[4]張從鵬，皮世威.設備運行狀態聲音采集分析系統設計[J].制造業自動化，2013(10)

[5]李宏松，蘇建民，黃英來，等.基于聲音信號的特征提取方法的研究[J].信息技術，2006(1)

[6]王讓定，柴佩琪.語音倒譜特征的研究[J].計算機工程，2003(13)

[7]張軍，韋崗.基于相對自相關序列MFCC特征的模型補償技術[J].信號處理，2003(3)

[8]王源，陳亞軍.基于高斯混合模型的EM學習算法[J].山西師范大學學報：自然科學版，2005(1)

2014-06-23

文超(1977—)，男，四川岳池人，碩士研究生，講師，研究方向：汽車安全性能、自動控制等。