CN111161756B - 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法 - Google Patents

Abstract

本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，通过对原始扫风声音信号的时域‑频域转换、对时频谱矩阵的能量特征提取及滤波、对时域片段滤波后特征的异常定位以及对哨声轮廓的异常检测来实现。本方法针对叶片扫风音频中可能存在的异常哨声形态提出了针对性的预处理和特征提取、模式识别和异常检测的方法，可以准确识别高频异常哨声的出现。

Description

风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法

技术领域

本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，适用于风机故障检测的技术领域。

背景技术

风电叶片是风机捕获风能的核心部件，需要长期可靠地运行在极其恶劣的户外环境下，难免会遭受雷击、排水孔堵塞等损伤或故障。叶片在旋转过程中会因排水孔堵塞或雷击破孔产生异常的哨音。研究叶片哨音的典型特征，有助于识别叶片排水孔堵塞或雷击破孔等失效模式，对于叶片损伤进行监测，进而开发在线智能监测系统，改善运维效率有十分重要的意义。

为了保持叶片内外气压平衡及确保叶片内部冷凝水及时排出，叶片设计人员在叶尖特定位置设计了排水孔，设计时通过形状和方位的优化巧妙地规避了排水孔引发的哨音问题。然而，当叶片运行在脏污环境或由于叶身内部散落的胶粒导致排水孔被部分堵塞，改变了排水孔的原有形状，边缘的光洁程度也发生变化时，就会在叶片旋转时产生持续的哨音。同时，运行在高雷暴区的风机，也会因为遭受雷击产生破损或孔洞。这些孔洞本身也会引发叶片旋转过程中的哨音产生。哨音的产生是边缘音原理与管定律同时作用的结果。当叶片旋转导致气流流向雷击孔或被部分堵塞的排水孔时，气流到达孔洞对面的边缘后，一分为二，部分流散到孔洞外，其余部分则进入叶片腔体内，这个过程就会产生哨音。叶片腔体的长度决定哨音的频率高低；孔洞所在位置腔体的粗细与能量大小成反比。当孔洞边缘不光滑时，气流冲击粗糙边缘时形成了含有多种频率成分的空气漩涡，孔洞大小不同也会影响气流的强弱差异，最终反应在哨音能量水平上。

专利申请号为CN201810190754.6的专利申请提出了一种基于深度学习的风机叶片故障智能识别方法，能够自动对无人机拍摄的风机视频进行故障识别定位。具体的操作为利用已标注的风机视频帧构建深度学习网络模型；对待检测的风机视频进行帧抓取，识别出故障帧图片；压缩后的故障帧图片输入目标检测网络，获取故障区域样本，并进一步输入深度学习回归网络模型，计算风机叶片故障区域面积。这种方法首先需要大量的视频图像样本并进行人工标注，属于数据标签依赖型方法，在训练和检测时消耗的资源都比较大；此外在进行在线检测时，需要利用无人机或其他装置进行拍摄，并要求风机处于停机状态，周围光源条件较好，因此执行效率较低。

申请号为CN201910603546.9的专利申请提出了基于廓系数优化K-means聚类的效果的音频信号检测方法，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。这一方法通过聚类后簇的类别标签在时域上的条形图是否出现周期性特征来判断故障。二聚类对于在音频中表现特征较弱的故障难以精准检测，对于是否存在周期性特征需要人工判断，难以实现自动化高效检测。另外，申请号为CN201710641430.5的专利同样提出了采用声音采集装置通过音频进行故障诊断的方法，主要截取特征频率，并将特征频率进行对比处理来诊断故障，这一方法等同于振动分析，但音频由于采集精度不如振动信号，而且容易受到噪声干扰，单纯地对音频信号进行频域分析，丢失了伴随叶片扫风的周期性特征。

申请号为CN201510436845.X的专利提出了使用叶片振动信号在时域图中判断周期性冲击的存在进而判断故障的方法，当频率图中会出现叶片特征频率，则说明该叶片出现故障。这类检测方法首先要明确各类异常的特征频率，并且在频域图中需要人工进行判断，同样难以达到自动化高效检测的目的。同样使用叶片摆幅、振动分析方法的类似专利还有申请号为CN201410469897.2，CN201710112804.4，CN201611103177.X的专利等，其中申请号为CN201710112804.4，CN201611103177.X的专利使用激光检测方法解决传感器安装困难的方法，但是成本较高。

上述方法都是笼统地对叶片整体做故障诊断的方法，但是并不能起到针对某一特定表现方式的故障模式的诊断作用，也不能具体地识别出哨声，目前利用音频检测手段对风机叶片扫风声音中高频异常哨声进行诊断的技术仍为空白。

发明内容

本方法提出了针对叶片排水孔堵塞或雷击等原因造成的异常哨声进行轮廓提取并进行特征构造和异常检测的方法，能够实现针对高频异常哨声的具体诊断。

根据本申请的一种风机叶片扫风声音信号中异常哨声轮廓的提取方法，包括以下步骤：

(1)将原始音频信号转换为时频域矩阵M₀；

(2)对经过变换的时频域矩阵M₀通过幅值-能量转换关系转变为矩阵M₁；

(3)对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组代表了当前时间范围内原始信号的频域-能量关系，对该数组称为F_t，表示t时刻的频率能量特征；

(4)对F_t进行滤波降噪，得到滤波后的数组F′_t；

(5)对F′_t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；

(6)对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；

(7)将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂；

(8)将二值化矩阵M₂可视化，并将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合；

(9)将提取出哨声轮廓的音频对应的特征向量组合形成哨声特征的样本库，使用检测模型进行训练，构造哨声样本库以进行哨声检测。

其中，所述非零元素分布相关的特征向量可以包括非零元素的最大时间间隔、起止时间和所处频率中的至少一种。

另一方面，本申请还涉及一种风机叶片扫风声音信号中异常哨声轮廓的识别方法，包括以下步骤：

(1)输入待测声音样本，利用如上所述的提取方法进行哨声轮廓提取和特征提取；

(2)使用构造的哨声样本库对待测样本中含非零元素的特征向量进行检测，计算该向量的异常分值；

(3)根据计算出的异常分值的大小，判断是否含有异常哨声。

又一方面，本申请还涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取系统，包括以第一转换模块，其将原始音频信号转换为时频域矩阵M_o；

第二转换模块，其对经过变换的时频域矩阵M₀通过幅值-能量转换关系转变为矩阵M₁；对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组F_t代表了t时刻的原始信号的频域-能量关系；

降噪模块，其对F_t进行滤波降噪，得到滤波后的数组F′_t；

峰值搜索模块，其对F′_t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；

二值化转换模块，其对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂；

特征提取模块，其将二值化矩阵M₂可视化，并将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合。

优选地，上述提取系统还包括：

样本库，其由提取出明显哨声轮廓的音频对应的特征向量组合形成；

异常检测模型，其对所述样本库进行训练，构造哨声样本库以进行哨声检测。

再一方面，本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的识别系统，包括以下模块：

输入模块，其用于输入待测声音样本；

如上所述的异常哨声轮廓的提取系统；

异常分值计算模块，其用于根据所述提取系统对待测样本检测出的特征向量与哨声样本库中的特征向量组合进行比较，计算出待测样本的特征向量的异常分值；

判断模块，其根据所述异常分值计算模块计算出的异常分值判断待测声音样本中是否含有异常哨声。

本申请的方法和系统针对叶片扫风音频中可能存在的异常哨声形态提出了针对性的预处理和特征提取、模式识别和异常检测的方法，可以准确识别高频异常哨声的出现。

附图说明

图1是本申请的一种异常哨声轮廓的提取及识别方法的流程示意图。

图2是实施算例中数据的原始波形和时频谱图。

图3是实施算例中数据的可视化频谱图。

图4是经过频率-能量转换并进行中值滤波去噪后的某不含哨声时刻的频率-能量特征示意图。

图5是经过频率-能量转换并进行中值滤波去噪后的某含哨声时刻的频率-能量特征示意图。

图6是经过二值化的矩阵可视化展示图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。本申请中的方向术语，例如“前后左右”、“上下外内”等均是为了描述的方便，并不构成对保护范围的限定。本领域技术人员知道上述方向之间的简单替换并不脱离本申请的保护范围。

短时傅里叶变换(STFT)是和傅里叶变换相关的一种常用数学变换，用以确定时变信号其局部区域正弦波的频率与相位。它定义了一个非常有用的时间和频率分布类,其指定了任意信号随时间和频率变化的复数幅度。实际上，计算短时傅里叶变换的过程是把一个较长的时间信号分成相同长度的更短的段，在每个更短的段上计算傅里叶变换,即傅里叶频谱。经STFT处理后的音频信号具有时域和频域的局部化特性，可以借助其分析信号的时频特性。快速傅里叶变换(FFT)是快速计算序列的离散傅里叶变换(DFT)或其逆变换的方法。傅里叶分析将信号从原始域(通常是时间域或空间域)转换到频域的表示或者逆过来转换。FFT会通过把DFT矩阵分解为稀疏(大多为零)因子之积来快速计算此类变换。用FFT计算DFT会得到与直接用DFT定义计算相同的结果；最重要的区别是FFT更快，许多FFT算法还会比直接运用定义求值精确很多。一段信号经过快速傅里叶变换后，可以将时域-幅值转换到频域-幅值关系。

中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊。对一个数字信号序列x_j(-∞＜j＜∞)进行滤波处理时，可以选择很多种不同的处理方式。本申请提供一种滤波方法，其中首先定义一个长度为奇数的L长窗口，L＝2N+1，N为正整数。设在某一个时刻，窗口内的信号样本为x(i-N)，...，x(i)，...，x(i+N)，其中x(i)为位于窗口中心的信号样本值。对这L个信号样本值按从小到大的顺序排列后，中值为在i处的样值，定义中值滤波的输出值如下：

y(i)＝Med[x(i-N)，...，x(i)，...，...，x(i+N)]。

本申请的基于突起程度的峰值搜寻方法可以是在信号中通过一个峰的固有高度和相对于其它峰的位置衡量该峰值的突起程度，一个绝对数值较低的孤立峰的突起程度可能会比绝对值较高，但是在一定的近邻范围内不明显的峰更高。测量峰突起程度的方法可以为：对一个峰值进行标记；从该峰值向左右扩展一条水平线，直到该水平线穿过了原始信号或者到达了信号端点；对于上述步骤中定义的两个区间找到每个区间内信号的最小值，这个点即为波谷点或者信号端点；两个区间的最小值中较大的一个的高度决定了参考水平，峰值在参考水平之上的高度即为其突起水平。

本申请的基于特征空间相似度的异常检测可以是在k-近邻算法中，对于特征空间中的一个样本，如果与之最相似的(即特征空间中距离最近的)k个样本中的大多数都属于某一类别，则该样本的分类结果也是这个类别。在异常检测时，首先构造正常样本的特征库或异常样本的特征库用于训练，在测试阶段，对于输入样本的特征向量，使用其与样本库中最近的一个相邻点的距离作为异常分值，达到异常检测的目的。

根据本申请的风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，通过对原始扫风声音信号的时域-频域转换、对时频谱矩阵的能量特征提取及滤波、对时域片段滤波后特征的异常定位(即，哨声时频谱轮廓提取)以及对哨声轮廓的异常检测来实现。其中的原始扫风声音信号定义为原始音频信号，其通过在设置在风机上或设置在风机外部的音频采集设备来获得。

具体地，本申请的风机叶片扫风声音信号中异常哨声轮廓的提取方法，包括以下步骤：

(1)对原始音频信号(例如，采样率为51.2kHz，时长1分钟)进行短时傅里叶变换，转换为时频域矩阵M₀，矩阵的维度取决于短时傅里叶变换的参数设置，通常设置窗长与FFT点数n_fft相同，范围一般在1024-8192之间，参数n_fft决定了M₀的频率维度(即矩阵M₀的行数)；窗之间的交叠长度n_overlap一般取值为FFT点数的一半，和音频时长共同决定了M₀的时间维度(即矩阵M₀的列数)；在信号上面加窗的窗函数一般可以是hamming窗；

(2)STFT通常使用对数谱进行可视化，对包含一场哨声的音频做初步的判断和筛选；

(3)对经过变换的时频域矩阵M₀内用幅值为单位表示的元素，通过幅值-能量转换关系转变为以分贝为单位表示，得到转换后的矩阵M₁，M₁的维度和M₀保持一致，行数代表了转换后的频域信息，列数代表了转换后的时域信息，矩阵的元素代表着原始元素的能量形式；

(4)对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组代表了当前时间范围内原始信号的频域-能量关系，对该数组称为F_t，表示t时刻的频率能量特征；

(5)通常提取出的F_t由于低频段能量大，高频段能量小，能够观察出近似Γ分布，存在一定的噪声，根据窗口内的样本点个数，选取合适的奇数长窗口，对F_t进行滤波降噪，得到滤波后的数组F′_t；

(6)F′_t依然近似Γ分布，若在高频段内出现异常尖峰，则代表t时间段内该频率对应的点有异常哨声出现；

(7)对F′_t进行基于突起程度的峰值搜寻，若哨声较为明显，则在某一时刻某一频段内哨声能量和风机叶片本身扫风声音以及环境声音有足够明显的对比度，体现到F′_t中即为较为明显的尖峰。则通过设定一个能够体现这一对比度的突起程度，则可以定位到出现异常尖峰的频率点；

(8)对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；

(9)将每一个时间段搜寻到满足条件的峰值对应的横坐标(即频率)重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂，其维度与M₀、M₁相同，元素取值为0/1；需要说明的是，本申请中出现的0、1等参数仅仅是一种标记，本领域技术人员可以当然理解设置为其他的标记也是可行的，并且也是落入本申请的实质范围内；

(10)将二值化矩阵M₂可视化，即能观察到是否提取出了哨声轮廓，将在谱图可视化中观察到的异常哨声轮廓进行了提取和强化；

(11)将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，如非零元素的最大时间间隔、起止时间、所处频率等，形成每个声音样本的特征向量组合；若M₂中无非零元素，则代表该声音完全正常，无异常哨声；上述只提取“非零元素分布相关的特征向量”的方法也被称为半监督的异常检测方法；其中的“非零元素”仅仅是表示对应的非“0”参数，本领域技术人员可以当然理解采用其他的实质类似表述方式也是可行的；

(12)将提取出明显哨声轮廓的音频对应的特征向量组合形成哨声特征的样本库，使用k近邻异常检测模型进行训练，得到能够表征哨声样本库特征空间分布的模型K。

本申请的风机叶片扫风声音信号中异常哨声轮廓的识别方法，包括以下步骤：

(1)输入待测声音样本，并进行哨声轮廓提取和特征提取，具体方法同上述步骤(1)-(12)；

(2)使用模型K对待测样本中含非零元素的特征向量进行检测，计算该向量的异常分值；

(3)根据计算出的异常分值的大小，判断是否含有异常哨声。

需要说明的是，在每个步骤的具体操作中，提到的具体方法仅作为实施例，但实现的途径并不限于所提到的具体方法。如进行尖峰定位的方法不限于根据相对突起程度进行定位的方法；在异常检测时，不限于根据k近邻的半监督式特征空间相似度的检测方法。另外，本申请提到的“高频”是指比叶片本身扫风能量的最强主频高的频段，比如1000hz以上。如果在低频，由于扫风声音太强，哨声会被掩盖。而哨声的形成就是因为比如一些孔洞堵塞了变小，因此振动幅度变大、频率变高。

实施算例

本算例中的数据采集自不同风场空转风机，其中部分由于叶片处排水孔堵塞形成气动不平衡导致出现哨声，数据原始波形和时频谱图如图2所示，可视化频谱图如图3所示。图3中可见在10000Hz-17000Hz频段内伴随着单支叶片存在明显的异常哨声形态。

经过n_fft为8192，n_overlap为1024，窗函数为“hamming”窗的短时傅里叶变换后，对每一个时间范围内的值经过频率-能量转换并进行中值滤波去噪后的、某不含哨声时刻的频率-能量特征示意图如图4所示。图5为某含哨声时刻的频率-能量特征图，发现在15000Hz以上出现了明显异常的尖峰。经过观察和计算，定义突起程度为10并以此为条件进行搜寻。通过对每一时刻的尖峰定位，记录存在尖峰的频率段，再将所有时刻的结果还原回时频域矩阵形式，将定位到尖峰的频率和时刻对应的元素设置为1，否则为0，经过二值化的矩阵可视化展示如图6所示。图6中可见原始信号中存在的哨声已经被准确地定位、提取和增强。

在后续操作中，记录了多组类似的哨声音频，提取了矩阵中非零元素点占总列数的比例、所有非零元素点的最大间隔、非零元素开始到结束的长度占总列数的比例等时域特征，以及矩阵中非零元素所在行的均值、所在最小频率到最大频率的间隔等频域特征，构造为每个样本的多维特征向量并形成哨声轮廓的特征样本库，通过基于k近邻的异常检测模型进行训练。对输入的测试数据，通过同样的步骤进行处理，通过距离哨声特征样本库最近邻的距离即可以实现哨声检测的目的。

本申请的另一方面，对应地还涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取系统，包括以下模块：

第一转换模块，其将原始音频信号转换为时频域矩阵M₀；

第二转换模块，其对经过变换的时频域矩阵M₀通过幅值-能量转换关系转变为矩阵M₁；对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组F_t代表了t时刻的原始信号的频域-能量关系；

降噪模块，其对F_t进行滤波降噪，得到滤波后的数组F′_t；

峰值搜索模块，其对F′_t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；

二值化转换模块，其对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂；

特征提取模块，其将二值化矩阵M₂可视化，并将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合。

本申请的上述提取系统，还可以包括：

样本库，其由提取出明显哨声轮廓的音频对应的特征向量组合形成；

异常检测模型，其对所述样本库进行训练，构造哨声样本库以进行哨声检测。

本申请的又一方面，涉及一种风机叶片扫风声音信号中异常哨声轮廓的识别系统，包括以下模块：

输入模块，其用于输入待测声音样本；

如上所述的异常哨声轮廓的提取系统；

异常分值计算模块，其用于根据所述提取系统对待测样本检测出的特征向量与哨声样本库中的特征向量组合进行比较，计算出待测样本的特征向量的异常分值；

判断模块，其根据所述异常分值计算模块计算出的异常分值判断待测声音样本中是否含有异常哨声。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (6)

1.一种风机叶片扫风声音信号中异常哨声轮廓的提取方法，其特征在于，包括以下步骤：

(1)将原始音频信号转换为时频域矩阵M₀；

(2)对经过变换的时频域矩阵M₀通过幅值-能量转换关系转变为矩阵M₁；

(3)对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组F_t代表了t时刻的原始信号的频域-能量关系；

(4)对F_t进行滤波降噪，得到滤波后的数组F′_t；

(5)对F′_t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；

(6)对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；

(7)将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂；

(8)将二值化矩阵M₂可视化，并将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合；

(9)将提取出哨声轮廓的音频对应的特征向量组合形成哨声特征的样本库，使用检测模型进行训练，构造哨声样本库以进行哨声检测。

2.根据权利要求1所述的提取方法，其特征在于，所述非零元素分布相关的特征向量包括非零元素的最大时间间隔、起止时间和所处频率中的至少一种。

3.一种风机叶片扫风声音信号中异常哨声轮廓的识别方法，其特征在于，包括以下步骤：

(1)输入待测声音样本，利用权利要求1或2中的提取方法进行哨声轮廓提取和特征提取；

(2)使用构造的哨声样本库对待测样本中含非零元素的特征向量进行检测，计算该向量的异常分值；

(3)根据计算出的异常分值的大小，判断是否含有异常哨声。

4.一种风机叶片扫风声音信号中异常哨声轮廓的提取系统，其特征在于，包括以下模块：

第一转换模块，其将原始音频信号转换为时频域矩阵M₀；

第二转换模块，其对经过变换的时频域矩阵M₀通过幅值-能量转换关系转变为矩阵M₁；对矩阵M₁的每一时间点的列进行抽取，抽取出的一维数组F_t代表了t时刻的原始信号的频域-能量关系；

降噪模块，其对F_t进行滤波降噪，得到滤波后的数组F′_t；

峰值搜索模块，其对F′_t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；

二值化转换模块，其对M₁的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M₂；

特征提取模块，其将二值化矩阵M₂可视化，并将M₂作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合。

5.根据权利要求4所述的提取系统，其特征在于，还包括：

样本库，其由提取出明显哨声轮廓的音频对应的特征向量组合形成；

异常检测模型，其对所述样本库进行训练，构造哨声样本库以进行哨声检测。

6.一种风机叶片扫风声音信号中异常哨声轮廓的识别系统，其特征在于，包括以下模块：

输入模块，其用于输入待测声音样本；

如权利要求5所述的异常哨声轮廓的提取系统；

异常分值计算模块，其用于根据所述提取系统对待测样本检测出的特征向量与哨声样本库中的特征向量组合进行比较，计算出待测样本的特征向量的异常分值；

判断模块，其根据所述异常分值计算模块计算出的异常分值判断待测声音样本中是否含有异常哨声。

Images