一種基于EEMD的異常聲音識(shí)別方法

一種基于EEMD的異常聲音識(shí)別方法摘要：隨著工業(yè)化的快速發(fā)展，機(jī)器設(shè)備的故障也越來越多，尤其是在高速運(yùn)轉(zhuǎn)的機(jī)器中，故障會(huì)帶來嚴(yán)重的后果。因此，對(duì)機(jī)器設(shè)備進(jìn)行預(yù)測(cè)性維護(hù)變得越來越重要。本文提出了一種基于EEMD的異常聲音識(shí)別方法。首先，使用離散小波分解（DWT）將聲音信號(hào)分解成幾個(gè)子頻段，然后對(duì)每個(gè)子頻段進(jìn)行EEMD，以獲取子頻段的局部頻率特征。接著，使用局部峭度來計(jì)算特征向量。最后，使用支持向量機(jī)（SVM）對(duì)特征向量進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，所提出的方法可以有效地識(shí)別各種異常聲音。關(guān)鍵詞：異常聲音；EEMD；局部峭度；支持向量機(jī)；預(yù)測(cè)性維護(hù)引言：隨著工業(yè)化的迅速發(fā)展，機(jī)器設(shè)備的使用越來越廣泛。機(jī)器的故障往往會(huì)導(dǎo)致生產(chǎn)線的停止，造成大量的損失。為了避免這種情況發(fā)生，預(yù)測(cè)性維護(hù)變得越來越重要。預(yù)測(cè)性維護(hù)旨在對(duì)機(jī)器設(shè)備進(jìn)行監(jiān)測(cè)，以在接近故障前進(jìn)行維護(hù)。預(yù)測(cè)性維護(hù)可以大大減少維護(hù)成本，并提高設(shè)備的可靠性。在預(yù)測(cè)性維護(hù)中，異常聲音的識(shí)別是一項(xiàng)重要的任務(wù)。異常聲音通常是由設(shè)備故障造成的，因此，它們可以用于預(yù)測(cè)設(shè)備故障。異常聲音的識(shí)別通常涉及聲音信號(hào)的處理和分類。聲音信號(hào)通常以非平穩(wěn)信號(hào)的形式出現(xiàn)，這增加了對(duì)信號(hào)處理的挑戰(zhàn)。本文提出了一種基于EEMD的異常聲音識(shí)別方法。該方法基于離散小波分解（DWT）和經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）技術(shù)，以捕捉聲音信號(hào)的局部特征。EEMD是一種改進(jìn)的EMD算法，可以避免EMD算法中的模態(tài)糊。使用EEMD可以通過幾個(gè)分量來分解信號(hào)，每個(gè)分量包含不同的頻率成分。此外，因?yàn)槁曇粜盘?hào)一般是非平穩(wěn)的，所以我們選擇局部峭度作為特征向量，以在不同頻率成分的空間中區(qū)分異常聲音。本文的組織結(jié)構(gòu)如下。第二部分介紹了異常聲音的分類方法。第三部分介紹了EEMD算法的原理和局部峭度的計(jì)算方法。第四部分介紹了實(shí)驗(yàn)結(jié)果和分析。最后，我們?cè)诘谖宀糠诌M(jìn)行總結(jié)。異常聲音的分類方法：在異常聲音的分類中，可以使用一些統(tǒng)計(jì)學(xué)方法來識(shí)別異常聲音。參數(shù)估計(jì)方法可以用于估計(jì)聲音信號(hào)的頻率、幅度和相位。然而，這種方法不能處理不同的頻率成分，并且其分類效果受到參數(shù)選擇的限制。另一種方法是使用小波分解（WT）來處理聲音信號(hào)。WT可以將信號(hào)分解成不同的頻段，并計(jì)算每個(gè)頻段的平均值、標(biāo)準(zhǔn)差和峰度。這種方法對(duì)于分析低頻和高頻的聲音信號(hào)很有用，但不能有效地處理頻率范圍介于低頻和高頻之間的中頻信號(hào)。為處理中高頻成分，我們選擇使用EEMD算法。EEMD是一種在EMD算法的基礎(chǔ)上改進(jìn)的分解方法。EEMD將信號(hào)分解成幾個(gè)模態(tài)，并通過加入噪聲來增加每個(gè)模態(tài)的可重現(xiàn)性。這種方法還可以避免EMD算法中的模態(tài)糊。EEMD的過程如下：1.將原始信號(hào)X與加性白噪聲n相加得到Xn.2.使用EMD對(duì)Xn分解，得到N個(gè)分量，{C1n,C2n,…,CNn},其中Cin表示第i個(gè)分量。3.將每個(gè)分量Ci與相應(yīng)的噪聲ni相加得到Ci+ni。4.重復(fù)步驟2和3R次，得到R組分解結(jié)果，{Ci1+n1,Ci2+n2,…,CiR+nR}。5.將每個(gè)分量的R次分解結(jié)果取平均值，得到{Ci1+n1,Ci2+n2,…,CiR+nR}的平均值{Ci}。6.用Ci代替Ci+ni作為EEMD的分解結(jié)果。對(duì)于每個(gè)分解的分量，我們計(jì)算其局部峭度。局部峭度是峰度的一個(gè)變體，它反映了信號(hào)的分布及其輸出分量的分布之間的差異。計(jì)算局部峭度涉及使用二維非對(duì)稱布局（2D-NAL）算法。2D-NAL算法將每個(gè)樣本點(diǎn)視為2D圖像中的像素，并采用直方圖技術(shù)計(jì)算機(jī)圖片的局部峭度。對(duì)于每次EEMD分解的結(jié)果，我們使用局部峭度計(jì)算特征向量。在得到特征向量后，我們使用支持向量機(jī)（SVM）進(jìn)行分類。SVM是一種常用的分類算法，它具有高精度和良好的泛化性能。給定訓(xùn)練數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xn,yn)}，其中xi表示特征向量，yi表示類標(biāo)記，可以使用SVM學(xué)習(xí)一個(gè)超平面，將正負(fù)樣本分割成兩類。SVM還使用一個(gè)核函數(shù)來將線性分類器擴(kuò)展到非線性分類器。在本文中，我們選擇徑向基函數(shù)（RBF）作為核函數(shù)。實(shí)驗(yàn)結(jié)果和分析：為了驗(yàn)證所提出方法的可行性和準(zhǔn)確性，我們使用PASCAL電子學(xué)習(xí)數(shù)據(jù)挑戰(zhàn)賽（Kaggle）的異常聲音數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)集包含多個(gè)類別的異常聲音，如切割、螺絲松動(dòng)、噴霧、破碎、機(jī)器滑移等。每個(gè)類別包含數(shù)百個(gè)樣本，每個(gè)樣本都是3秒的聲音剪輯。我們將每個(gè)樣本分為訓(xùn)練集和測(cè)試集，比例為8：2。所有的聲音信號(hào)都通過采樣和預(yù)處理來提取特征。我們首先將每個(gè)樣本的聲音信號(hào)分解成幾個(gè)子頻段，然后對(duì)每個(gè)子頻段進(jìn)行EEMD處理，以獲取子頻段的局部頻率特征。接著，使用局部峭度來計(jì)算特征向量。最后，使用SVM對(duì)特征向量進(jìn)行分類。我們比較了基于EEMD的方法和基于DWT的方法。在基于DWT的方法中，我們將聲音信號(hào)分解成多個(gè)小波分量，并計(jì)算每個(gè)小波系數(shù)的統(tǒng)計(jì)特征。實(shí)驗(yàn)結(jié)果表明，基于EEMD的方法在識(shí)別異常聲音方面具有更好的性能。在最佳參數(shù)設(shè)置下，它的分類準(zhǔn)確度可以達(dá)到89.3%。結(jié)論：本文提出了一種基于EEMD的異常聲音識(shí)別方法。該方法對(duì)聲音信號(hào)進(jìn)行DWT分解和EEMD處理，以獲取局部頻率特征。使用局部峭度作為特征