基于特征降維和神經(jīng)網(wǎng)絡(luò)的電能表內(nèi)異物聲音自動識別

張 進，吳 健，歐習(xí)洋，歐 熙

（1.國網(wǎng)重慶市電力公司電力科學(xué)研究院，重慶 401120；2.四川福德機器人股份有限公司，四川 綿陽 621000）

1 引言

近幾年隨著國家電網(wǎng)和電力基礎(chǔ)設(shè)施的建設(shè)，電子式交流電能表得到了廣泛的應(yīng)用。為確保電能表計量的精確性與可靠性，電能表在出廠之前都必需經(jīng)過一整套檢定項目的測試[1]。電能表異物檢測的目的是檢測電能表內(nèi)部是否存在焊渣殘留、松脂殘留、脫落元器件、膠沫等異物或雜物。傳統(tǒng)的人工電能表檢測是按照一定的速度和旋轉(zhuǎn)方向進行搖表聽取聲音判斷電能表是否含有異物。針對現(xiàn)在人工搖表檢測效率低、檢測結(jié)果不穩(wěn)定的問題，需要一種能自動檢測電能表異物聲音的系統(tǒng)方案。異物自動檢測裝置通過設(shè)計自動搖表結(jié)構(gòu)和自動控制系統(tǒng)實現(xiàn)自動搖表和聲音采集，利用聲音識別技術(shù)實現(xiàn)異物檢測。由于異物自動檢測裝置采集的聲音信號是典型的非線性非平穩(wěn)時變信號，頻率成分非常復(fù)雜，對異物聲音識別提出新的挑戰(zhàn)。

隨著聲學(xué)檢測和計算機技術(shù)高速發(fā)展，多通道的聲音采集設(shè)備已廣泛應(yīng)用到各行業(yè)中并且技術(shù)穩(wěn)定成熟。采用聲學(xué)檢測技術(shù)去識別電能表異物已經(jīng)成為可能，但如何對電能表進行固定、如何屏蔽削弱電能表異物檢測過程中的外界干擾噪聲以及提高異物聲音的識別率等問題亟待解決。目前異常聲音檢測主要采用特征參數(shù)與分類器結(jié)合進行識別，因此特征參數(shù)與分類器的選擇將會直接影響異物聲音的識別率。文獻[2]將MFCC、差分MFCC 以及短時能量三種特征用于GMM 的訓(xùn)練與識別，雖然識別率可達90%以上但是在處理不同環(huán)境的聲音信號時，需根據(jù)實驗結(jié)果確定高斯混合模型的參數(shù)，所以對GMM 混合階數(shù)的選擇存在局限性；文獻[2]提出了一種提取聲音信號MFCC 系數(shù)的方法和實驗裝置，解決了用HTK 提取該系數(shù)的問題，采用非線性變換和離散余弦變換，優(yōu)化了提取的MFCC 系數(shù)，提高了語音識別的準(zhǔn)確率。文獻[3]基于噪聲特征統(tǒng)計量的礦山設(shè)備健康狀態(tài)判決方法，通過計算的特征參數(shù)，計算出其均值和方差兩個統(tǒng)計量，形成一維的特征統(tǒng)計向量，并利用改進的短時模糊C均值聚類算法實現(xiàn)測試樣本狀態(tài)的匯聚，從而實現(xiàn)設(shè)備健康狀態(tài)的判決，由于僅存在特征統(tǒng)計量，判定的準(zhǔn)確率不高。文獻[4]通過BP 神經(jīng)網(wǎng)絡(luò)，結(jié)合小波特征參數(shù)對車輛車型進行了識別，識別率較好，但單一的BP神經(jīng)網(wǎng)絡(luò)很容易欠擬合，其次小波特征的提取需要確定小波基函數(shù)以及分解層數(shù)等，這都需要一定的人為經(jīng)驗。鑒于上述問題，采用一種結(jié)合時域特征、線性預(yù)測系數(shù)LPC 和倒譜特征MFCC 的混合特征作為分類器的輸入，并對提取的混合特征結(jié)合PCA 進行降維消噪處理；其次分類器選擇基于Adaboost 的BP 神經(jīng)網(wǎng)絡(luò)，以此完成電能表內(nèi)異物的檢測。

2 聲音信號處理

本研究是利用在工業(yè)環(huán)境中用聲卡自主采集的聲音信號來實現(xiàn)電能表內(nèi)異物的自動檢測，如圖1 所示。故在利用聲音信號進行識別之前應(yīng)對信號進行預(yù)處理和特征提取。

圖1 一種基于聲學(xué)檢測的電能表內(nèi)的異物聲音自動識別方法Fig.1 Automatic Recognition of Foreign Object Sound in the Electricity Meters Based on Feature Dimension Reduction and Neural Network

2.1 聲音信號預(yù)處理

常見的聲音信號預(yù)處理流程包括：通道轉(zhuǎn)換、歸一化、預(yù)加重、分幀和加窗。

（1）通道轉(zhuǎn)換：在采集的多通道聲音中提取所檢測通道的聲音數(shù)據(jù)，并能有效減弱不同通道聲音信號之間的干擾。

（2）歸一化：消除不同樣本聲音信號之間的差異，并將其幅值限定在［-1，1］區(qū)間。

（3）預(yù)加重：聲音信號通過高通濾波器濾波，其可以降低低頻的干擾信號并加重突出高頻部分的信號，還可以光滑信號的頻譜。

（4）分幀和加窗：聲音信號是一個非平穩(wěn)過程，但是在較短的時間內(nèi)可以視為穩(wěn)態(tài)的。如果對聲音信號直接切分成幀會造成Gibbs 效應(yīng)，故為了減少聲音信號的頻譜泄漏和增加不同幀之間的連續(xù)性，對聲音信號進行加窗處理。

設(shè)采集到的聲音信號的序列為x（n），W（n）設(shè)為窗序列，h（n）是與W（n）有關(guān)的濾波器，則各幀經(jīng)處理后的輸出可以表示為：

2.2 聲音信號特征提取

（1）聲音的能量隨時間而變化，經(jīng)過前面的預(yù)處理之后計算第i幀聲音信號xi（n）的短時能量的公式為：

式中：E（i）—聲音信號的幅度或能量隨時間緩慢變化的規(guī)律。

（2）聲音信號的樣值序列為x（n）。而p階預(yù)測器是根據(jù)過去的p個信號樣值的加權(quán)和而預(yù)測的當(dāng)前信號值x（n），其稱為p階預(yù)測器。設(shè)為x（n）的預(yù)測值則有：

式中：ai—線性預(yù)測系數(shù)。

線性預(yù)測誤差定義為信號x（n）與線性預(yù)測值之差，用e（n）表示。

信號x（n）通過濾波器器的輸出可以得到預(yù)測誤差e（n），該系統(tǒng)的傳遞函數(shù)如下：

稱系統(tǒng)A（z）為LPC 誤差濾波器。在線性誤差e（n）最小的準(zhǔn)則下求解預(yù)測誤差濾波器A（z）的預(yù)測誤差系數(shù)ai，這個過程稱為LPC 分析。

（3）通過Mel 尺度頻率域提取出的梅爾倒譜系數(shù)（MFCC）具有較好的魯棒性，能準(zhǔn)確反映聲音信號的特征。對每一幀信號進行快速傅里葉變換，將時域波形數(shù)據(jù)轉(zhuǎn)換為頻域能量信息并得到各幀信號的頻譜。Mel 濾波器的頻域響應(yīng)為Hm（k），通過濾波器后：

聲音信號x（n）的倒譜為：

式中：參數(shù)N—聲音信號x（n）的長度；C（k）—正交因子。

計算得到MFCC 參數(shù)：

由于聲音是時變信號，但標(biāo)準(zhǔn)的MFCC 系數(shù)只能反映聲音信號的靜態(tài)特性，故需要引入差分系數(shù)來表現(xiàn)聲音信號的動態(tài)特性。將動、靜態(tài)特征結(jié)合起來才能更全面的反應(yīng)聲音信號的整體特征，能有效的提高聲音信號的識別率。采用下面的公式來計算幀間的差分參數(shù)：

式中：dt—第t個一階差分；Ct—第t個倒譜系數(shù)；Q—倒譜系數(shù)的階數(shù)；K—一階導(dǎo)數(shù)的時間差，可取1 或2。

2.3 聲音特征系數(shù)處理

為了使得到的聲音特征參數(shù)能全面的反映聲音信號的時、頻特征，故對聲音特征參數(shù)進行排列和處理。短時能量、LPC 系數(shù)和MFCC 系數(shù)構(gòu)成混合特征矩陣，其第一維為短時能量，第二維為LPC 系數(shù)，第三維到第二十六維為MFCC 系數(shù)。采用主成分分析（PCA）對數(shù)據(jù)進行降維處理，計算主成分的目的是將高維數(shù)據(jù)投影到較低維空間，在一定程度上減少聲音特征矩陣的維度，為聲音信號識別減少計算量。以降維后得到的特征矩陣作為分類為器的輸入特征，這樣分類器不僅計算復(fù)雜度低而且計算量小。聲音特征系數(shù)矩陣為xi，根據(jù)PCA 算法計算原理，分別計算其均值：

通過計算協(xié)方差矩陣的特征向量和特征值并舍棄最小的特征值重新構(gòu)成特征矩陣。因為最小特征值往往與噪聲有關(guān)，舍棄它們不僅能增加樣本的采集密度還能起到一定的去噪效果，如圖2 所示。

圖2 聲音信號特征系數(shù)降維示意圖Fig.2 Schematic Diagram of the Dimensionality Reduction of the Characteristic Signal of the Sound Signal

2.4 聲音信號識別

Adaboost 算法通過將多個弱BP 神經(jīng)網(wǎng)絡(luò)分類器組成強分類器，多次訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)來預(yù)測樣本的輸出，使輸出正確率最高，如圖3 所示。采用留出法將數(shù)據(jù)集分為互斥的兩部分，一部分作為訓(xùn)練集（m組數(shù)據(jù)），一部分作為測試集。初始化測試集數(shù)據(jù)的分布權(quán)值和初始化BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。

用訓(xùn)練集數(shù)據(jù)訓(xùn)練第i個BP 神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練數(shù)據(jù)集的輸出、預(yù)測誤差ei和預(yù)測序列g(shù)（i）。

根據(jù)預(yù)測序列的預(yù)測誤差計算序列的權(quán)重ai。

然后根據(jù)預(yù)測序列調(diào)整新一輪訓(xùn)練樣本樣的權(quán)重，權(quán)重調(diào)整公式為：

式中：Bi—歸一化因子，在不影響數(shù)據(jù)有效性的前提下使數(shù)據(jù)的權(quán)值和為1。

訓(xùn)練i輪之后的到i組弱分類函數(shù)f（gi，ai），由這些弱分類函數(shù)可以得到強分類函數(shù)h（x）。

圖3 基于Adaboost 的神經(jīng)網(wǎng)絡(luò)識別圖Fig.3 Adaboost-based Neural Network Identification Map

3 實驗驗證

通過設(shè)計和定制夾持機構(gòu)對電能表進行固定，然后通過控制伺服電機按照一定的速度整體搖動被夾持的電能表。利用羅蘭聲卡和得勝DM-24 麥克風(fēng)進行聲音信號采集。采用的持表裝置，如圖4 所示。為了檢驗主成分分析（PCA）對特征系數(shù)降維的效果，將原始混合特征矩陣和降維后的特征矩陣分別輸入基于Adaboost 的BP 神經(jīng)網(wǎng)絡(luò)并測試識別速率，如表1 所示。

圖4 聲音信號采集裝置圖Fig.4 Sound Signal Acquisition Device Diagram

表1 特征降維與不降維的識別速率對比表Tab.1 Comparison of Calculation Rates of Feature Dimensionality Reduction and Non-Dimensionality Reduction

分別將100、500 和1000組聲音信號輸入已經(jīng)訓(xùn)練好神經(jīng)網(wǎng)絡(luò)進行測試。在測試數(shù)組小的時候，使用主成分分析（PCA）對特征系數(shù)進行降維和不降維對識別速率的影響不大。但是隨著測試數(shù)組的增加，降維后的聲音信號由于計算量小故識別速率快。

為了驗證本方法的有效性，采用不同的聲音特征參數(shù)同時輸入基于Adaboost 的BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)，并對比分析其識別率。由于采集的電能表聲音信號只需要判斷是否含有異物，不需要判斷具體的異物種類。由表可知，短時能量是識別率最低的特征參數(shù)，因為其只反應(yīng)了聲音信號的時域特征沒有頻域特征。傳統(tǒng)的LPC 和MFCC 雖然比單一的時域特征識別率高但是計算量大識別率不高。提出的降維后的混合特征參數(shù)不僅計算量小而且識別率高，如表2 所示。。

表2 不同特征參數(shù)的識別率表Tab.2 Identification Rate Table for Different Characteristic Parameters

用提出的方法對電能表進行識別，實驗采用留出法將數(shù)據(jù)集分為互斥的兩部分，一部分作為訓(xùn)練集，一部分作為測試集，經(jīng)過重復(fù)實驗1000 次，通過圖發(fā)現(xiàn)每一次的識別率在90%左右甚至100%，計算1000 次得到的平均識別率在96%左右，如圖5 所示。

圖5 基于Adaboost 的BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)識別對比圖Fig.5 Comparison of BP Neural Network and BP Neural Network Based on Adaboost

4 結(jié)語

根據(jù)電能表內(nèi)異物聲音信號的基本特點提出了一種基于特征降維和神經(jīng)網(wǎng)絡(luò)的電能表內(nèi)異物聲音自動識別方法。首先比較了混合特征經(jīng)由PCA 降維處理前后的識別速率，結(jié)果表明經(jīng)PCA 降維處理后識別速率有所提高，并一定程度消除了混合特征中冗余信息；其次比較了單一特征參數(shù)與混合特征參數(shù)在BP 神經(jīng)網(wǎng)絡(luò)下的識別率及基于Adaboost 的BP 神經(jīng)網(wǎng)絡(luò)下的識別率，其結(jié)果是混合特征參數(shù)明顯較優(yōu)，基于Adaboost 模型組合成的強分類器也明顯優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)，此方法避免了單一參數(shù)及單一神經(jīng)網(wǎng)絡(luò)不能很好擬合數(shù)據(jù)的缺點，提高了識別準(zhǔn)確率，在電能表內(nèi)異物檢測中具有較好的應(yīng)用價值。