CN101173870A - 复杂噪声基底下短时特征声信号时频域辨识与检测方法 - Google Patents

Abstract

一种信号检测技术领域的复杂噪声基底下短时特征声信号时频域辨识与检测方法，步骤为：第一步，似然帧检测：采用信噪比阈值法检测特征信号似然突变，检测出声强高于基底噪声的突发时短信号；第二步，似然信号时域定位：利用离散小波变换技术检测短时特征声信号的发生和突变点，对于检测到的高于基底噪声的突变声强信号在时域定位，为后续步骤提供热点邻域内信号；第三步，似然信号频谱模板匹配检测：利用位短时特征声信号并利用频谱包络模板匹配对特征声信号进行诊断和识别，确定声强高于背景噪声的突发时短信号是随机噪声信号还是待检测特征声信号。本发明能够高概率的检测并辨识复杂背景噪声基底下时短特征声信号。

Description

复杂噪声基底下短时特征声信号时频域辨识与检测方法

技术领域

本发明是一种信号检测技术领域的方法，特别涉及一种复杂噪声基底下短时特征声信号时频域辨识与检测方法，用于机器故障诊断、产品质量检验、语音识别场合。

背景技术

时短、微弱、声强不定、背景噪声非平稳但具备一定频域特征的突发信号是信号检测与数字信号处理领域的难点。由于实际生产现场中背景噪声往往非常复杂，甚至是非平稳的，因而难以精确估计其概率分布参数，这就大大限制了经典信号检测理论的应用。近年来提出的基于高阶统计量的方法，虽然通过利用噪声高阶统计量的信息，改善了检测的效果，但是也存在着计算方差较大，算法比较复杂的缺点，一般较难做到实时处理。

经对现有技术的文献检索发现，中国专利名称为：复杂背景下微弱信号检测和特征分析系统(专利公开号CN 1609570A)，该专利中公开了一种在复杂噪声背景下通过同时检测声信号过零量和信号增益，结合Nyman-Pearson检测标准完成特征信号的处理以及特征分析，该方法能够在复杂背景下检测到微弱信号，但是整个硬件系统和软件处理方法缺乏对特征信号的辨识功能。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种复杂噪声基底下短时特征声信号时频域辨识与检测方法，使其能够高概率的检测并辨识复杂背景噪声基底下时短特征声信号，为设备维护、生产线产品诊断提供系统的方法，从而克服了现有检测方法不足。

本发明是通过以下技术方案实现的，本发明包括三个步骤：

第一步，似然帧检测：采用信噪比阈值法检测特征信号似然突变，对于检测到的声强高于背景10^θSNR/20倍的信号(θ_SNR为通过实验得出的不同噪声基地预设定的信噪比阈值)判定为似然信号，此步骤旨在检测出声强略高于背景噪声的突发时短信号；

第二步，似然信号时域定位：在第一步检测出的似然帧内，利用离散小波变换技术准确检测短时特征声信号的发生和突变点，并将其在时域定位，为后续步骤提供热点邻域内信号；

第三步，似然信号频谱模板匹配检测：在第二步检测出的突变峰值热点邻域内以峰值点为轴对称截取短时特征声信号，利用位短时特征声信号并利用频谱包络模板匹配对特征声信号进行诊断和识别，以确定声强高于背景噪声的突发时短信号是随机噪声信号还是待检测特征声信号。

所述的似然帧检测是指：根据特征声信号对背景噪声信号强度确定似然信号信噪比阈值，将特征声信号样本声强与本地数据库中不同等级基底噪声对比，设定适用信噪比阈值参数θ_SNR，对短时音频信号帧中信噪比大于θ_SNR的帧判定为特征信号似然帧，似然帧具有待检测信号的时域突变特征；根据不同情况下(如电机突然启动、金属物撞击)声音信号样本的波形、短时能量，经过统计计算获得时域声强信噪比阈值，以确保能够区分本底噪声和突变声信号。因该方法计算简便、便于实时在线处理与检测信号，因此用以作为信号时域分析第一步骤，检测出声强略高于基底噪声的突发时短信号。

所述的似然信号时域定位是指：在特征突变信号奇异性检测与定位中，使用无限光滑、无穷次可微墨西哥草帽小波在不同尺度下分解与重构原始信号，从而精确检测和定位复杂噪声基底下似然信号发生的时域突变点。

所述的频谱包络模板匹配是指：在设定额定时限的突变信号峰值对称邻域内，分别采用谐波自相关算法和MFCC(Mel倒谱)计算声信号基频和突变信号频谱包络；根据频谱包络实时匹配算法将似然信号频谱包络与本地数据库中特征声信号频谱包络模板进行匹配运算，检验所测得突变信号是否为待检测特征声信号；系统使用前先在本地数据库中通过试验建立特征声信号n阶MFCC系数模型，待检测到似然信号完成第一步和第二步得到实测似然声信号n阶MFCC系数后，将特征声信号n阶MFCC系数和实测似然声信号n阶MFCC系数按照余弦法则比对获得频谱包络特征匹配度，按照匹配度设定阈值给出似然信号为特征声信号的确认，还是为虚假报警的最终判定结果。

本发明时短信号在时域上通常表现为具有主峰值的类脉冲信号，各种随机因素造成的各类突变信号时域特征不明显，无法通过时域分析手段进行似然信号是否为特征信号的判定；同时，常规的时频联合分析方法(如小波分析)也因为时短信号频域分量复杂、不同频段能量存在波动性而失效；而频谱包络能够综合反映不同频段信号能量分布，采用MFCC算法计算MFCC系数可以分辨和表示声信号低频段的频谱包络，因此适合检出时短信号在特定低频段的频域特征。从而，在检测出声信号出现突变的前提下，根据本发明进一步判定突变信号是否为所期望的特征信号。

与现有技术相比，本发明可以在强噪声背景下检测并辨识特征声信号，在同等检测硬件条件下，使用本发明所述方法不仅可以更灵敏的检测到声信号突变发生时间点，同时具有以置信概率(匹配度)方式判断得出所检测信号是否为期望特征信号的功能，从而减小或消除现有系统对微弱声信号只能检测不能辨识造成的误判断。实验证明，对于陶瓷受挤压爆裂产生声信号，设定与标准爆裂声信号特征匹配度阈值为0.85条件下，正确检测概率达到94％以上。

附图说明

图1为本发明方法流程图；

图2为本发明似然信号频谱模板匹配检测利用小波分析定位突变点检测效果图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例为一对陶瓷内芯外包不锈钢壳体的生产线，目的在于检测在包装不锈钢壳体过程中时候造成内芯碎裂，其技术路线是通过检测包装过程中是否有破裂声信号对破裂发生与否进行判断。如图1所示，具体步骤如下：

1.因为破裂信号属于时短、微弱声强信号，通过硬件设备对生产过程中声信号采样，音频帧宽度为30毫秒，帧间重叠为10毫秒。每帧以1毫秒为单位做滑动平均，根据破裂声信号声强高于背景噪声的特点，设定信噪比阈值参数θ_SNR＝0.017db，该阈值略高于背景噪声对短时音频信号帧中信噪比大于θ_SNR的帧判定为特征信号似然帧，似然帧具有待检测信号的时域突变特征；

2.在特征突变信号奇异性检测中，选择在局部化特性和去噪性方面均有良好性能的墨西哥草帽(Mexican hat)基波，即

$\mathrm{\Ψ}\left(t\right)={\left(\frac{2}{\sqrt{3}}\mathrm{\π}\right)}^{1/4}(1-t^2)\exp (-\frac{1}{2}{t}^2)$ t∈R    (1)

基本小波母函数Ψ(t)按照(2)式方式生成连续小波函数族{Ψ_a，b(t)}

${\mathrm{\Ψ}}_{a,b}\left(t\right)={\left|a\right|}^{-\frac{1}{2}}\mathrm{\ψ}\left(\frac{t-b}{a}\right)$ b∈R，a∈R⁺    (2)

连续小波函数族按照 $a=a_0^m,$ $b=n{b}_0{a}_0^m,$ a₀＞1，b₀＞0，m，n∈Z离散化以后可以得到(3)式离散小波基

${\mathrm{\ψ}}_{m,n}\left(t\right)={a_0}^{-\frac{m}{2}}\mathrm{\ψ}(a_0^{-m}t-{\mathrm{nb}}_0)---\left(3\right)$

其中令a₀＝2，b₀＝1，则

${\mathrm{\ψ}}_{m,n}\left(t\right)=2^{-\frac{m}{2}}\mathrm{\ψ}(2^{-m}t-n)$ m，n∈Z    (4)

(4)式成为二进离散小波基。ψ_m，n(t)所张成的函数空间记为

W_m＝span{ψ_m，n(t)，n∈Z}    (5)

显然(5)式满足 $\underset{m=-\∞}{\overset{+\∞}{U}}{W}_m=L^2\left(R\right)$ 和 $\underset{m=-\∞}{\overset{+\∞}{U}}{W}_m=0.$

对于实测紧支声信号X(t)，在小波域上的投影为

$W_{m,n}=\⟨X\left(t\right),{\mathrm{\ψ}}_{m,n}\left(t\right)\⟩={\∫}_{R}X\left(t\right)2^{-m}\stackrel{\‾}{\mathrm{\ψ}}(2^{-m}t-n)\mathrm{dt}$ m∈Z   (6)

其中

——ψ的共轭函数

W_m，n——X(t)的m尺度小波谱，为依赖于m，n两参数的二元谱

m——小波尺度参数

n——平移参数

对于任意m尺度上信号X(t)的重构小波逆变换可表示为

$X\left(t\right)=\underset{m}{\mathrm{\Σ}}{X}_m\left(t\right)=\underset{m}{\mathrm{\Σ}}\underset{n}{\mathrm{\Σ}}{W}_{m,n}{\mathrm{\ψ}}_{m,n}\left(t\right)---\left(7\right)$

墨西哥草帽小波无限光滑、无穷次可微，因此它不对单独的噪声点敏感；根据其独特的时域性质，它可以对突变信号进行漫画式的夸张显现，使得包含信息的突变特征点特别突出，对突变峰值奇异点具有良好的定位分析和精度分析。

利用小波分析定位突变点检测效果，如图2所示，给出了两个突变声信号(峰值奇异点)采用Mexican hat小波函数的定位分析结果。第一行信号为实测信号，其中第一峰值为陶瓷体碎裂信号，第二峰值为现场采样铁器撞击发出的声信号；继下4个信号依此为连续4个尺度小波分解后的细节信号，从中可以看出信号的突变点可以被精确检测和定位。

3.截取突变定位点峰值位置左右对称5毫秒的数字信号，采用MFCC算法可分辨和表示声信号低频段的频谱包络，本发明中先对频谱通过谐波抽取得到阶梯谱包络，再对阶梯谱包络进Mel尺度变换，最后通过余弦变换求得MFCC参数，具体计算步骤及公式如下

①采用谐波自相关法提取基音频率F₀；

②对实测信号用汉明窗进行加窗处理，减少Jibbs效应；

③对加窗音频信号进行1024点的DFT变换得到S_[k]，计算求得该帧音频信号的幅度谱，S_[k]＝20log(|S_[k]|)，0≤k＜512；

④逐个在基音频率周期内搜索局部极大值Af_n，(nF₀-F₀/2＜f_n＜nF₀+F₀/2)，n为整数；

⑤如果f_n与f_n+1的间隔d＝f_n+1-f_n＞1.5F₀，则在间隔[f_n+d/4，f_n+3d/4]内再进行极大值搜索；

⑥对得到的极大值序列进行线性插值，得阶梯谱包络S_1[k]；

⑦对阶梯谱包络直接进行Mel尺度拉伸，Mel频率与Hz频率间的关系如下

$m=\frac{1000\ln (1+f/700)}{\ln (1+1000/700)}\≈1127\ln (1+f/700)---\left(8\right)$

式中m的单位为Mel，f的单位为Hz；根据(8)式得

$f=700\left(\exp (\frac{m}{1127}-1)\right)---\left(9\right)$

所使用音频采样信号f＝44.1kHz时，由(8)式计算得m＝4687.06Mel，此处如果按照每10Mel进行一次由Hz频率到Mel频率的阶梯包络计算，得到Mel尺度的包络函数记为S_2[m]，m＝0，1，…，M-1；

⑧求MFCC，计算公式为(10)

$C_n=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{S}_{2\left[m\right]}\cos \left[\frac{2\mathrm{\πmn}}{2M}\right]$ n＝0，1，L，N-1  (10)

式中n为MFCC阶数，C_n为MFCC系数；本实施例中n取为20阶，实验证明此取值已经能够较好的分辨待测信号和虚警信号。

⑨按照计算公式(11)对本地数据库中陶瓷破裂声信号的MFCC系数归一化至[-1，1]区间：

${\mathrm{NC}}_n=\frac{2(C_n-{\min C}_n)}{{\max C}_n-{\min C}_n}-1$ n＝0，1，L，19            (11)

式中NC_n为归一化MFCC系数，minC_n和maxC_n分别20阶MFCC系数中最小、最大值。

上述即为求解MFCC的算法流程，MFCC系数Cn表征了测量信号的频谱包络特征，尤其是比Durbin递推算法求解的LPC系数更能表现信号频谱的低频段特征。

记本地数据库中存储的陶瓷体破裂特征声信号20阶MFCC系数为NC₂₀{0.98，0.94，0.92，0.89，0.84，0.84，0.83，0.82，0.81，0.79，0.74，0.72，0.70，0.64，0.57，0.51，0.45，0.40，0.35，0.29}，实测似然声信号第一峰值处20阶MFCC系数为C1₂₀{0.97，0.94，0.91，0.89，0.86，0.86，0.86，0.81，0.79，0.78，0.74，0.70，0.70，0.68，0.61，0.54，0.46，0.41，0.34，0.26}，第二峰值处20阶MFCC系数为C2₂₀{0.98，0.92，0.92，0.88，0.79，0.73，0.73，0.72，0.71，0.70，0.70，0.69，0.68，0.64，0.63，0.62，0.60，0.52，0.35，0.31}，按照(12)式余弦投影法则计算系数模板的匹配度

$\mathrm{\ρX}=\frac{\⟨{\mathrm{NC}}_{20},{\mathrm{CX}}_{20}\⟩}{\left|{\mathrm{NC}}_{20}\right|\left|{\mathrm{CX}}_{20}\right|}=\frac{{\mathrm{NC}}_0{\mathrm{CX}}_0+{\mathrm{NC}}_1{\mathrm{CX}}_1+{\mathrm{NC}}_2{\mathrm{CX}}_2+L{\mathrm{NC}}_{19}{\mathrm{CX}}_{19}}{\sqrt{{\mathrm{NC}}_0^2+{\mathrm{NC}}_1^2+L{{\mathrm{NC}}_{19}}^2}\·\sqrt{{\mathrm{CX}}_0^2+{\mathrm{CX}}_1^2+L{{\mathrm{CX}}_{19}}^2}}$ CX＝C1，C2  (12)

根据似然信号频谱包络与模板的匹配程度确定匹配度阈值ρ_th＝0.85，如果实际计算匹配度ρX≥0.85，则认为有特征信号产生，否则为虚警信号，经上述计算可见第一峰值匹配度为0.94，第二峰值匹配度为0.69，故可得出结论第一峰值处发生了陶瓷体破裂显现，第二处为突变随机噪声.可见利用本发明实现了利用产品合格性检测并消除了因为突变噪声引发的虚假报警影响。

Claims (4)

1.一种复杂噪声基底下短时特征声信号时频域辨识与检测方法，其特征在于，包括三个步骤：

第一步，似然帧检测：采用信噪比阈值法检测特征信号似然突变，检测出声强高于基底噪声的突发时短信号；

第二步，似然信号时域定位：在第一步检测出的似然帧内，利用离散小波变换技术检测短时特征声信号的发生和突变点，并在时域定位，为后续步骤提供热点邻域内信号；

第三步，似然信号频谱模板匹配检测：在第二步检测出的突变峰值热点邻域内以峰值点为轴对称截取短时特征声信号，利用频谱包络模板匹配对特征声信号进行诊断和识别，确定声强高于基底噪声的突发时短信号是随机噪声信号还是待检测特征声信号。

2.根据权利要求1所述的复杂噪声基底下短时特征声信号时频域辨识与检测方法，其特征是：所述的似然帧检测是指：根据特征声信号对背景噪声信号强度确定似然信号信噪比阈值，将特征声信号样本声强与本地数据库中不同等级基底噪声对比，设定适用信噪比阈值参数θ_SNR，对短时音频信号帧中信噪比大于θ_SNR的帧判定为特征信号似然帧，似然帧具有待检测信号的时域突变特征，然后根据不同情况下声音信号样本的波形、短时能量，经过统计计算获得时域声强信噪比阈值，以确保能够区分本底噪声和突变声信号。

3.根据权利要求1所述的复杂噪声基底下短时特征声信号时频域辨识与检测方法，其特征是：所述的似然信号时域定位是指：在特征突变信号奇异性检测与定位中，使用墨西哥草帽小波在不同尺度下分解与重构原始信号，从而检测和定位复杂噪声基底下似然信号发生的时域突变点。

4.根据权利要求1所述的复杂噪声基底下短时特征声信号时频域辨识与检测方法，其特征是：所述的频谱包络模板匹配是指：在设定额定时限的突变信号峰值对称邻域内，分别采用谐波自相关算法和MFCC计算声信号基频和突变信号频谱包络，根据频谱包络实时匹配算法将似然信号频谱包络与本地数据库中特征声信号频谱包络模板进行匹配运算，检验所测得突变信号是否为待检测特征声信号；系统使用前先在本地数据库中通过试验建立特征声信号n阶MFCC系数模型，待检测到似然信号完成第一步和第二步得到实测似然声信号n阶MFCC系数后，将特征声信号n阶MFCC系数模型和似然信号n阶MFCC系数按照余弦法则比对获得频谱包络特征匹配度，按照匹配度设定阈值给出似然信号为特征声信号的确认，还是为虚假报警的最终判定结果。

Images