CN111982273B - 一种轨道交通车站站台的噪声监测方法 - Google Patents
一种轨道交通车站站台的噪声监测方法 Download PDFInfo
- Publication number
- CN111982273B CN111982273B CN202010638899.5A CN202010638899A CN111982273B CN 111982273 B CN111982273 B CN 111982273B CN 202010638899 A CN202010638899 A CN 202010638899A CN 111982273 B CN111982273 B CN 111982273B
- Authority
- CN
- China
- Prior art keywords
- noise
- channel
- neural network
- sound
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种轨道交通车站站台的噪声监测方法。该方法包括:在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号,将各测点的声音信号进行频谱转换获取各测点的频谱信息;根据各测点的频谱信息判断是否有任何一个通道的等效连续A声级超过容许限值,计算出各通道之间的噪声频率信息及相干函数;将各通道之间的噪声频率信息及相干函数输入到训练好的BP神经网络,该BP神经网络根据预先设定的预警阈值对各通道中的噪声类型进行识别,判断各通道中的噪声是否超标。本发明的方法将信号处理的技术与BP神经网络相结合,提高了神经网络的识别速度。针对城市轨道交通站内噪声声源噪声分布及贡献问题,提出了噪声源识别方法。
Description
技术领域
本发明涉及噪音监测技术领域,尤其涉及一种轨道交通车站站台的噪声监测方法。
背景技术
车站是城市轨道交通的重要组成部分,是连接地铁和外部交通的枢纽,是乘客的候车区和地铁工作人员的工作区域。然而,地下车站是一个相对封闭的地下空间,列车运行产生的噪声、车站正常运营产生的噪声、广播声源及人流噪声使得车站站台成为由多种噪声源组合的混合声场。列车进(出)站会造成站内噪声显著增大,易引起乘客和工作人员不适。随着绿色轨道交通发展,人们对城市轨道交通环境舒适性提出了更高的要求,车站噪声是环境舒适度的重要评价指标之一。
目前,现有技术中的对车站站台噪声环境的评价方案为:利用测试人员随身携带的测试设备进行现场噪声测试,然后依据现行标准规范对站台噪声环境进行评价,但存在以下缺陷:
1、无法实时监测并评价车站噪声环境状态;
2、车站为狭长空间,跨度长120m,部分车站长度达160m,声源发生时,站台不同位置处的噪声值差异显著,现场单点噪声测量无法有效评估站内的噪声环境;
3、车站站台噪声值大小及主要噪声源随着列车不同运行状态变化而差异显著,如列车进(出)站、列车停站、广播及无列车等情况下站内不同位置处的噪声值及频率特效存在显著差异,各运行状态均有可能造成噪声评价指标值出现超标预警,但有些声源为车站安全运营必不可少的声源,不可作为噪声,如广播、列车开关门提示音,当该声源发声时,也会造成车站噪声监测及预警系统出现指标超标预警,现有车站噪声评价方法无法有效判断不同时刻主要作用声源的类型,从而可能引起车站站台噪声监测及预警系统出现误报的情况。
发明内容
本发明的实施例提供了一种轨道交通车站站台的噪声监测方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种轨道交通车站站台的噪声监测方法,包括:
步骤S1、在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号,将各测点的声音信号进行频谱转换获取各测点的频谱信息;
步骤S2、根据各个通道中的测点的频谱信息判断是否有任何一个通道的等效连续A声级超过容许限值,如果是,则执行步骤S3;否则,返回执行步骤S1;
步骤S3、根据各个通道中的测点的频谱信息计算出各通道之间的噪声频率信息及相干函数;
步骤S3、将各通道之间的噪声频率信息及相干函数输入到训练好的BP神经网络,该BP神经网络根据预先设定的预警阈值对各通道中的噪声类型进行识别,并判断各通道中的噪声是否超标。
优选地,所述的步骤S1中的在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号,包括;
根据车站站台噪声布点原则在车站站台的各通道中布置噪声测点,将声压传感器布置在噪声测点位置距站台板高2m处,将数据采集仪通过导线连接各个声压传感器,通过声压传感器按一定时间间隔采集各个单一声源作用下各个通道中的噪声测点处的时域声压样本信号,各个噪声测点处的时域声压样本信号的数量不少于20组,所述各个单一声源包括列车停站、列车进或者出站、广播声源和无车无广播声源。
优选地,所述的车站站台噪声布点原则相邻两噪声测点间的声压级幅值不超过3dB(A)。
优选地,所述的将各测点的声音信号进行频谱转换获取各测点的频谱信息,包括;
将各个通道中的噪声测点处的时域声压样本信号按一定时间间隔进行频谱转换,时间间隔选取为1-10s,形成各个单一声源作用下各通道的时-频信息集合,根据各通道的时-频信息集合求得各通道之间的时-频互相干函数,对各通道之间的时-频互相干函数进行归一化处理,形成归一化矩阵;
优选地,所述的将各个通道中的噪声测点处的时域声压样本信号按一定时间间隔进行频谱转换,包括:
将各个通道中的噪声测点处的时域声压样本信号进行傅里叶变化,获得各通道的频谱信息集,将全频域按等比级数的间隔划分,使得中心频率fc取做带宽上限f1、下限f2的几何平均值,且频带宽度h=f1-f2和中心频率fc保持一常数关系,h=v×fc,v=2n/2-2-n/2,n为倍频带系数,对噪声的频谱用1/N倍频程进行分析,N正整数,1/N倍频程中心频率从20Hz到20000Hz。
优选地,所述的BP神经网络采用三层结构,该三层结构分别是输入层、隐含层和输出层,输入层节点数为3,隐层的节点数为6,输出层的节点数为1,利用matlab软件对所述BP神经网络进行编程,用各个单一声源作用下各通道的时-频信息来训练所述BP神经网络,训练时神经网络的参数如下:学习速率为0.5,惯性比例因子为0.8,在经过设定数量次数的网络迭代后,得到训练好的BP神经网络。
优选地,所述的将各通道之间的噪声频率信息及相干函数输入到训练好的BP神经网络,该BP神经网络根据预先设定的预警阈值对各通道中的噪声类型进行识别,并判断各通道中的噪声是否超标,包括:
将噪声在各个通道上的频谱值形成一个向量,将噪声在不同通道内的向量按对应频谱值从低到高的顺序排列起来就构成一个状态特征量,将状态特征向量输入训练好的BP神经网络,BP神经网络根据不同声源所产生的声音信号对应的不同特征及状态,对噪声的声源类型进行识别;
利用设定的预警阈值按照所识别的声源类型判断站台各通道位置的噪声是否进行超标预警,若声源识别为广播声源,则不进行超标预警显示;若声源识别为列车进、出站过程,则噪声超过80dB(A)时进行超标预警警报;若声源识别为在无车通过时候室内的环境噪声,则噪声超过70dB(A)时进行超标预警警报。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供的轨道交通车站站台站内声源类型的识别及预警方法,将信号处理的技术与BP神经网络相结合,提高了神经网络的识别速度。针对城市轨道交通站内噪声声源噪声分布及贡献问题,提出了噪声源识别方法。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种城市轨道交通站内噪声源类型识别及预警流程框图。
图2为本发明实施例提供的一种本发明BP神经网络的结构示意图。
图3为本发明实施例提供的一种神经网络训练步骤的流程框图。
图4为本发明实施例提供的一种利用神经网络进行噪声源识别流程图。
图5为本发明实施例提供的一种站内噪声超限噪声源预警流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
针对现有技术中的车站站台噪声的监测与评价中存在的以上缺陷,有必要针对地铁车站多种噪声源,研究信号分析及处理技术,实现城市轨道交通车站环境声源噪声识别及实时监测及准确预警,根据车站声源类型来判断噪声是否超标,减少对站内声压级评价的误判。
图1为本发明实施例提供的一种城市轨道交通站内噪声源类型识别及预警流程框图,包括如下的处理步骤:
步骤S1,在地铁站台内搭建噪声实时监测系统,在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号。将多个声压传感器(N>10)按照车站站台噪声布点原则布置在每个噪声测点位置的距站台板高2m处,采用导线连接传感器与数据采集仪,获取站内噪声实时监测数据。上述车站站台噪声布点原则相邻两噪声测点间的声压级幅值不超过3dB(A)。
步骤S2,对噪声实时监测系统设定预警系统,预警系统中的预警阈值按照国家标准《城市轨道交通车站站台声学要求和测量方法》(GB14227—2006)设定。
地铁车站中,根据各规范要求,列车进、出站过程中站台噪声等效连续A声级规定的最大容许限值为80dB(A),在无车通过时候室内的环境噪声水平限值为70dB(A)。先由识别出的主要噪声源判断预警阈值,也就是当主要噪声源为列车进、出站时,预警限值为80dB(A),其他情况下,站内噪声的预警限值为70dB(A)。当站内噪声大于对应情况下的预警限值时,声源识别系统发出预警并报告对应场景下造成噪声超限的主要噪声源。步骤S3,分别截取列车停站、列车进(出)站、广播声源、无车无广播等单一声源作用下站内各通道处的时域声压样本信号,各单一声源作用下的时域声压样本信号不少于20组,将各通道处的声源信号按一定时间间隔进行频谱转换,时间间隔选取为1-10s,形成各单一声源作用下的各通道的时-频信息集合,该时-频信息集合中包括1/N倍频程函数吗,各通道的时-频信息集合即为各通道的频谱信息。
根据各通道的时-频信息集合求得各通道之间的时-频互相干函数,对各通道之间的互相干函数进行归一化处理,形成归一化矩阵。
所述频谱转换,将各通道的时域信号进行傅里叶变化,获得各通道的频谱信息集,为简化数据,将全频域按等比级数的间隔划分,使得中心频率fc取做带宽上、下限f1、f2的几何平均值,且频带宽度h=f2-f2总是和中心频率fc保持一常数关系,h=v×fc,v=2n/2-2-n/2,n为倍频带系数。即对噪声的频谱用1/N倍频程进行分析,N包括但不限于1、3、6、12。其中1/N倍频程中心频率从20Hz到20000Hz。
各通道之间的时-频互相干函数按照计算公式计算,Si(f)为第i个通道的1/N倍频程函数,Sij(f)为第i、j通道间的互相关函数的互功率谱。虽然站台不同运营时刻不同声源都有自己独有的频谱信息,单不同声源的频率信息在部分频带存在重叠部分,单一用频率信息进行识别存在误判的可能。同时,由于站台为长空间结构,长度为120~160m,宽度为9~15m,甚至更大,声源经过长距离的衰减及站台建筑装饰面的反射和吸收,即使站台乘客噪声的干扰很小,站台不同通道处所采集的频率信息会存在显著区别,但是,不同运营时刻不同声源作用下站台多个通道信号相互之间的相干函数呈现一定规律,例如,典型岛式站台内单侧列车进站时,噪声大小沿着站台纵向呈现减小趋势,主频率的峰值逐渐减小,进站端通道至出站端通道的相干函数逐渐减小,而当站台广播播放或者站台门关闭时产生的蜂鸣提示音时,站台各区域通道所采集声音的频谱信息差异较小,因此各通道的频率特性及相互之间的相干系数基本一致,其他声源也会呈现一定规律。
步骤S4,对人工所截取的不同声源的频谱样本信息进行BP神经网络训练,选用采用三层结构的BP神经网络,三层结构的BP神经网络能够很好地学习任意非线性函数,三层结构分别是输入层、隐含层和输出层。图3为本发明实施例提供的一种神经网络训练步骤的流程框图。在本发明实施例中,选取的输入层节点数为3,隐层的节点数为6,输出层的节点数为1,利用matlab软件对此BP神经网络进行编程,该神经网络的结构示意图如图2所示。用步骤S3得到的不同类型声源的频谱样本来训练BP神经网络,训练时神经网络的参数如下:学习速率为0.5,惯性比例因子为0.8,在经过近2000次的网络迭代后即达到了比较好的收敛效果。在经此步骤将BP神经网络训练好后,就可以利用BP神经网络进行车站站内噪声源的识别。将地铁车站站内现场不同工况时测得的声音信号经声学分析仪做频谱分析后的数据输入到训练好的BP神经网络,神经网络的输出结果就可以对地铁车站站内的噪声源进行识别。
步骤S5,通过站内实时监测系统,获取各通道所采集的噪声数据,进行等效连续A声级分析,时间间隔取1-10s,若各通道中任何一通道的等效连续A声级超过容许限值,则进行步骤S6,否则循环重复执行步骤S5。
通过实测的噪声数据能够计算得到等效连续A声级(Leq),具体计算方法为:通过用噪声能量平均的方法来评价噪声对人的影响,即在规定的时间内,某一连续稳态声的A声压,具有与随时间变化的噪声相同的均方A声压,则这一连续稳态声的声级就是此时变噪声的等效连续A声级。Leq的计算公式如下:
式中:pA(t)是瞬时A计权声压;p0是参考声压(2×10-5Pa);LA是变化A声级的瞬时值,单位dB;T是某段时间的总量。
步骤S6,按照步骤S3获取站台内实时噪声作用下各通道的频谱信息及互相干函数。
图4为本发明实施例提供的一种利用神经网络进行噪声源识别流程图。将噪声在不同通道上的频谱值形成一个向量,这个向量可以作为这个状态下的特征量,将噪声在不同通道内的向量按对应频谱值从低到高的顺序排列起来就构成一个状态特征量,将状态特征向量输入训练好的BP神经网络,对噪声的声源类型进行识别。
不同声源所产生的声音信号具有不同的特征及状态,可以作为不同的工况用神经网络的识别能力来识别地铁车站站内的主要噪声源。利用目标信号的特征信息,不仅实现有效识别出主要噪声源,而且具有很高的鲁棒性和智能性。预警阈值的设置按照规范《城市轨道交通车站站台声学要求和测量方法》(GB14227—2006)和规范《公共交通等候室卫生标准》(GB9672-1996)中要求的内容,对等候面积200m2以上的铁路车站等等候室内的环境噪声水平限值为70dB(A),对地铁中车站列车进、出站过程站台噪声等效连续A声级规定的最大容许限值为80dB(A)。在遇到车站站内噪声超过预警阈值时,输出超限警报并指出超限时所对应的主要噪声源,可针对性地对站内降噪的措施实施提供依据。
图5为本发明实施例提供的一种站内噪声超限噪声源预警流程图。利用设定的预警阈值按照所识别的声源类型判断站台各通道位置的噪声是否进行超标预警,如声源识别为广播声源,则不进行超标预警显示,结束预警并循环重复进行步骤S5~步骤S7。若声源识别为列车进、出站过程,则噪声超过80dB(A),进行超标预警警报;若声源识别为在无车通过时候室内的环境噪声,则噪声超过70dB(A),进行超标预警警报。将相应的将预警警报发送给管理员。
综上所述,本发明实施例提供的轨道交通车站站台站内声源类型的识别及预警方法,将信号处理的技术与BP神经网络相结合,提高了神经网络的识别速度。针对城市轨道交通站内噪声声源噪声分布及贡献问题,提出了噪声源识别方法。本发明可用来判断城市轨道交通站内声源的主要类型,并可通过实时获取城市轨道交通运营过程中的噪声数据,排除站内特殊状况对噪声超标监测的影响,实现对站内噪声状况的监测。
本发明实施例对于城市轨道交通车站及时制定合理的减振降噪措施和优化系统设计具有重要的理论及工程实际价值。本发明技术方案对车站站台运行时车站站台内的主要声源类别实时识别,根据声源类别设定预警指标,解决了车站站台噪声实时监测及预警系统出现的评价指标误报警问题。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种轨道交通车站站台的噪声监测方法,其特征在于,包括:
步骤S1、在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号,将各测点的声音信号进行频谱转换获取各测点的频谱信息;
步骤S2、根据各个通道中的测点的频谱信息判断是否有任何一个通道的等效连续A声级超过容许限值,如果是,则执行步骤S3;否则,返回执行步骤S1;
步骤S3、根据各个通道中的测点的频谱信息计算出各通道之间的噪声频率信息及相干函数;
步骤S4 、将各通道之间的噪声频率信息及相干函数输入到训练好的BP神经网络,该BP神经网络根据预先设定的预警阈值对各通道中的噪声类型进行识别,并判断各通道中的噪声是否超标。
2.根据权利要求1所述的方法,其特征在于,所述的步骤S1中的在车站站台的各通道中布置噪声测点,在每个噪声测点通过声压传感器采集声音信号,包括;
根据车站站台噪声布点原则在车站站台的各通道中布置噪声测点,将声压传感器布置在噪声测点位置距站台板高2m处,将数据采集仪通过导线连接各个声压传感器,通过声压传感器按一定时间间隔采集各个单一声源作用下各个通道中的噪声测点处的时域声压样本信号,各个噪声测点处的时域声压样本信号的数量不少于20组,所述各个单一声源包括列车停站、列车进或者出站、广播声源和无车无广播声源。
3.根据权利要求2所述的方法,其特征在于,所述的车站站台噪声布点原则相邻两噪声测点间的声压级幅值不超过3dB(A)。
5.根据权利要求4所述的方法,其特征在于,所述的将各个通道中的噪声测点处的时域声压样本信号按一定时间间隔进行频谱转换,包括:
将各个通道中的噪声测点处的时域声压样本信号进行傅里叶变化,获得各通道的频谱信息集,将全频域按等比级数的间隔划分,使得中心频率fc取做带宽上限f1、下限f2的几何平均值,且频带宽度h=f1-f2和中心频率fc保持一常数关系,h=v×fc,v=2n/2-2-n/2,n为倍频带系数,对噪声的频谱用1/N倍频程进行分析,N正整数,1/N倍频程中心频率从20Hz到20000Hz。
6.根据权利要求1所述的方法,其特征在于,所述的BP神经网络采用三层结构,该三层结构分别是输入层、隐含层和输出层,输入层节点数为3,隐含层的节点数为6,输出层的节点数为1,利用matlab软件对所述BP神经网络进行编程,用各个单一声源作用下各通道的时-频信息来训练所述BP神经网络,训练时神经网络的参数如下:学习速率为0.5,惯性比例因子为0.8,在经过设定数量次数的网络迭代后,得到训练好的BP神经网络。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述的将各通道之间的噪声频率信息及相干函数输入到训练好的BP神经网络,该BP神经网络根据预先设定的预警阈值对各通道中的噪声类型进行识别,并判断各通道中的噪声是否超标,包括:
将噪声在各个通道上的频谱值形成一个向量,将噪声在不同通道内的向量按对应频谱值从低到高的顺序排列起来就构成一个状态特征向量,将状态特征向量输入训练好的BP神经网络,BP神经网络根据不同声源所产生的声音信号对应的不同特征及状态,对噪声的声源类型进行识别;
利用设定的预警阈值按照所识别的声源类型判断站台各通道位置的噪声是否进行超标预警,若声源识别为广播声源,则不进行超标预警显示;若声源识别为列车进、出站过程,则噪声超过80dB(A)时进行超标预警警报;若声源识别为在无车通过时候室内的环境噪声,则噪声超过70dB(A)时进行超标预警警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638899.5A CN111982273B (zh) | 2020-07-06 | 2020-07-06 | 一种轨道交通车站站台的噪声监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638899.5A CN111982273B (zh) | 2020-07-06 | 2020-07-06 | 一种轨道交通车站站台的噪声监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982273A CN111982273A (zh) | 2020-11-24 |
CN111982273B true CN111982273B (zh) | 2022-08-16 |
Family
ID=73438296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010638899.5A Active CN111982273B (zh) | 2020-07-06 | 2020-07-06 | 一种轨道交通车站站台的噪声监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982273B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729528B (zh) * | 2020-12-07 | 2022-09-23 | 潍柴动力股份有限公司 | 一种噪声源识别方法、装置及设备 |
CN113049953B (zh) * | 2021-02-25 | 2024-01-30 | 国网新源控股有限公司 | 通过噪声进行故障定位的方法、装置、介质和设备 |
CN112763180B (zh) * | 2021-04-08 | 2021-07-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 声学风洞内高速列车受电弓模型气动噪声快速预测方法 |
CN113298134B (zh) * | 2021-05-20 | 2023-07-28 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 |
CN113505524B (zh) * | 2021-06-16 | 2023-11-28 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
CN115235614A (zh) * | 2022-09-23 | 2022-10-25 | 广州声博士声学技术有限公司 | 一种城市环境噪声实时监测方法、系统、设备及存储介质 |
CN115879797B (zh) * | 2022-11-29 | 2023-06-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线路设计低碳优化综合评估方法 |
CN116863906B (zh) * | 2023-08-29 | 2023-11-10 | 中化学交通建设集团运营管理(山东)有限公司 | 一种建筑结构噪声监测与隔音处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016062788A1 (en) * | 2014-10-24 | 2016-04-28 | Ait Austrian Institute Of Technology Gmbh | Microfluidic chip for biological analysis |
CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
CN109074820A (zh) * | 2016-05-10 | 2018-12-21 | 谷歌有限责任公司 | 使用神经网络进行音频处理 |
CN109243496A (zh) * | 2018-10-31 | 2019-01-18 | 东方智测(北京)科技有限公司 | 声音识别方法和系统 |
CN109405958A (zh) * | 2018-09-29 | 2019-03-01 | 北京交通大学 | 一种城市轨道交通车站站内空间噪声实时监测系统 |
JP6605170B1 (ja) * | 2019-05-15 | 2019-11-13 | 株式会社小野測器 | 学習装置及び推定装置 |
CN111341339A (zh) * | 2019-12-31 | 2020-06-26 | 深圳海岸语音技术有限公司 | 基于声学矢量传感器自适应波束形成和深度神经网络技术的目标语音增强方法 |
-
2020
- 2020-07-06 CN CN202010638899.5A patent/CN111982273B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016062788A1 (en) * | 2014-10-24 | 2016-04-28 | Ait Austrian Institute Of Technology Gmbh | Microfluidic chip for biological analysis |
CN109074820A (zh) * | 2016-05-10 | 2018-12-21 | 谷歌有限责任公司 | 使用神经网络进行音频处理 |
CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
CN109405958A (zh) * | 2018-09-29 | 2019-03-01 | 北京交通大学 | 一种城市轨道交通车站站内空间噪声实时监测系统 |
CN109243496A (zh) * | 2018-10-31 | 2019-01-18 | 东方智测(北京)科技有限公司 | 声音识别方法和系统 |
JP6605170B1 (ja) * | 2019-05-15 | 2019-11-13 | 株式会社小野測器 | 学習装置及び推定装置 |
CN111341339A (zh) * | 2019-12-31 | 2020-06-26 | 深圳海岸语音技术有限公司 | 基于声学矢量传感器自适应波束形成和深度神经网络技术的目标语音增强方法 |
Non-Patent Citations (1)
Title |
---|
北京地铁岛式站台噪声的初步研究;李杰 等;《中国安全生产科学技术》;20120831;第8卷(第8期);第153-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111982273A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982273B (zh) | 一种轨道交通车站站台的噪声监测方法 | |
CN110458248B (zh) | 基于多测点振动信号的变压器异常状态检测方法 | |
CN102148033B (zh) | 一种语言传输系统清晰度测试方法 | |
US20220065977A1 (en) | City-scale acoustic impulse detection and localization | |
CN104050964A (zh) | 音频信号还原度检测方法及系统 | |
CN105136280A (zh) | 一种多源噪声环境下测试单一噪声品质的系统及方法 | |
CN102122823A (zh) | 电力系统振荡扰动源定位的方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN106205606A (zh) | 一种基于语音识别的动态定位监控方法及系统 | |
CN106228107B (zh) | 一种基于独立成分分析的超声导波断轨监测方法 | |
CN113029327B (zh) | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 | |
CN103994817A (zh) | 一种基于长距离光纤多发事件的振动振源的识别方法 | |
CN108181059A (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN109581268B (zh) | 一种光纤电流互感器故障诊断方法及装置 | |
CN103050128B (zh) | 基于抖动失真的语音频客观质量评价方法及系统 | |
CN109933933B (zh) | 一种噪声治理方法和设备 | |
CN103925989B (zh) | 基于acf和iacf的交通噪声自动识别方法 | |
CN112992182B (zh) | 车辆风噪水平测试系统及其测试方法 | |
CN104730384A (zh) | 基于不完全s变换的电能扰动识别与定位方法 | |
CN109269452A (zh) | 一种基于dvs的振动源与传感通道垂直距离的近似计算方法 | |
CN113048404B (zh) | 一种城市气体管道微小泄漏诊断方法 | |
CN111968671B (zh) | 基于多维特征空间的低空声目标综合识别方法及装置 | |
CN114158004A (zh) | 一种基于图卷积神经网络的室内无源移动目标检测方法 | |
CN110146276B (zh) | 一种基于无线传感器的索力与抗弯刚度监测方法及系统 | |
CN110796036B (zh) | 一种用于提高结构模态参数识别精度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |