CN115326193B - 一种工厂作业环境智能监测与评估方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种工厂作业环境智能监测与评估方法。本发明首先获取安装在工厂的所有声音传感器的声音强度，定位出多个声源位置；计算初始声源位置处的声音强度；计算初始声源位置的声音衰减异常系数，基于修正后的偏移量对初始声源位置聚类得到类别；基于声音衰减异常系数筛选出最终类别，最终类别的中心点作为声源估计位置；剔除掉部分声音传感器，得到对应的声源估计位置作为最终声源位置；基于最终声源位置的声音强度对工厂作业环境进行噪声等级划分。本发明根据声源定位结果的粗估计对部分声音传感器剔除；根据剔除不可信声音传感器后的声音传感器，实现当前工厂作业环境智能监测与评估。

Description

一种工厂作业环境智能监测与评估方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种工厂作业环境智能监测与评估方法。

背景技术

在工厂作业环境中，噪声检测常常是工厂作业环境的检测指标之一，如果工厂作业环境中噪声严重，则会危害到厂里工作人员的身心健康。现有的工厂作业环境在进行噪声检测时，常采用定点检测。通过安放声音传感器测得声音的响度值，来评估当前工厂作业环境。但是由于声音检测器的安放位置不对，或者安放数量过少，则不能起到很好的声污染环境检测作用。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种工厂作业环境智能监测与评估方法，所采用的技术方案具体如下：

获取安装在工厂的所有声音传感器的声音强度，选取任意声音传感器作为目标传感器，选取除目标传感器外其他任意两个不重复的声音传感器，通过声音信号三点定位法，重复选取除目标传感器外的其他声音传感器，定位出多个声源位置；

基于声音衰减系数确定初始声源位置处的声音强度；根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，基于所述声音衰减异常系数对均值漂移算法的偏移量进行修正得到修正后的偏移量；基于修正后的偏移量对初始声源位置进行聚类得到至少两个类别；类别内声音衰减异常系数均值最小的类别作为最终类别，所述最终类别的中心点作为声源估计位置；

将声音衰减异常系数均值最大的类别内的声音传感器标记为1；选取标记为1的声音传感器作为目标传感器，重新获取声源估计位置，并对声音传感器进行标记；剔除两次标记均为1的声音传感器；选取剔除后剩余的任意声音传感器进行定位，得到对应的声源估计位置作为最终声源位置，获取最终声源位置的声音强度在预设范围内的最大声音强度作为噪声环境检测值；基于所述噪声环境检测值对工厂作业环境进行噪声等级划分。

优选的，所述修正后的偏移量的获取方法为：

所述修正后的偏移量的计算公式为：

其中，为修正后的偏移量；/>为窗口内声源位置的数量；/>为第q个声源位置在t时刻对应的声音衰减异常系数；/>表示窗口内所有声源的声源位置的坐标；/>是窗口中心的中心声源位置的坐标；/>为以自然常数为底数的指数函数；/>为窗口大小。

优选的，所述根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，包括：

获取声源位置在t时刻的声音强度与窗口的中心声源位置在t时刻的声音强度的强度差值；获取声源位置与窗口的中心声源位置的距离值；所述距离值和所述强度差值的比值为比值系数；计算当前窗口内所有声源位置的比值系数均值，计算声源位置的比值系数和比值系数均值的差值为所述声源位置对应的声音衰减异常系数。

本发明实施例至少具有如下有益效果：

本发明通过三个声音传感器为一组，获取单次的声源定位结果，得到多组的声源定位结果，通过对多组的声源定位结果进行符合声源衰减规律的聚类，完成最终声源的粗定位。根据最终声源的粗定位结果，进行剔除部分不可信的声音传感器信号，进而得到最终的声音评估结果。采集所有声音传感器的数据，根据当前所有声音传感器的数据完成单次声源头定位结果；根据单次声源头定位结果，完成最终声源定位结果的粗估计，根据声源定位结果的粗估计，完成不可信声音传感器剔除；根据剔除不可信声音传感器后的声音传感器，进而完成当前工厂作业环境智能监测与评估。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明一个实施例所提供的一种工厂作业环境智能监测与评估方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种工厂作业环境智能监测与评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种工厂作业环境智能监测与评估方法的具体实施方法，该方法适用于工厂作业环境智能监测场景。该场景下工厂的作业厂间内安装有多个声音传感器。为了解决通过安放声音传感器测得声音的响度值，来评估当前工厂作业环境，存在声音检测器的安放位置不对，或者安放数量过少，则不能起到很好的声污染环境检测作用的问题。本发明采集所有声音传感器的数据，根据当前所有声音传感器的数据完成单次声源头定位结果；根据单次声源头定位结果，完成最终声源定位结果的粗估计，根据声源定位结果的粗估计，完成不可信声音传感器剔除；根据剔除不可信声音传感器后的声音传感器，进而完成当前工厂作业环境智能监测与评估。

下面结合附图具体的说明本发明所提供的一种工厂作业环境智能监测与评估方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种工厂作业环境智能监测与评估方法的方法流程图，该方法包括以下步骤：

步骤S100，获取安装在工厂的所有声音传感器的声音强度，选取任意声音传感器作为目标传感器，选取除目标传感器外其他任意两个不重复的声音传感器，通过声音信号三点定位法，重复选取除目标传感器外的其他声音传感器，定位出多个声源位置。

在工厂作业环境，进行声环境检测所用声音传感器的安装，选用同一型号的声音传感器，采用定点安装的方式，并通过在初始安装时，在同一个作业厂间所安装实现声音检测的声音传感器，应当保持一定的距离。获取安装在工厂的所有声音传感器的声音强度。其中，各声音传感器数据通过无线连接的方式，将所测声音传感器的声音强度数据传到数据处理中心。在安装所有声音传感器时，需要进行预先获取声音传感器之间的相互方向和距离值，也即预先确定好声音传感器之间的相互方向和距离值。

根据当前所有声音传感器的数据完成初始评估。由于在同一作业厂间，则所有声音传感器数据的信号值近似，但是由于距离声源的位置不同，则所接受到的声音强度值不同，也即声音幅度值不同。并且由于已知声音传感器之间的相互方向和距离值，进而预先完成初始评估。

选取任意声音传感器作为目标传感器，选取除目标传感器外其他任意两个不重复的声音传感器，通过声音信号三点定位法，重复选取除目标传感器外的其他传感器，定位出多个声源位置。也即在进行初始评估时，获取随机第i个声音传感器，并将其作为标准，进而选取其余两个相互之间不重复的声音传感器，比如第j个声音传感器，和第j+1个声音传感器，现有的声音信号三点定位法，可以得到三个声音传感器所定位得到初始声源位置。进而继续以第i个声音传感器作为标准，选取其余两个相互之间不重复的声音传感器，比如第j个声音传感器，和第j+2个声音传感器，通过声音信号三点定位法，可以得到一个新的初始声源位置/>。获取声源对应的所有初始声源位置，其中由于共有N个声音传感器，进而通过排列组合计算，可以得到共有/>个初始声源位置。

步骤S200，基于声音衰减系数确定初始声源位置处的声音强度；根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，基于所述声音衰减异常系数对均值漂移算法的偏移量进行修正得到修正后的偏移量；基于修正后的偏移量对初始声源位置进行聚类得到至少两个类别；类别内声音衰减异常系数均值最小的类别作为最终类别，所述最终类别的中心点作为声源估计位置。

在得到个声源位置后，根据每三个声音信号之间的时间差进行调整，得到在同一时间下，三个声音传感器在时间差校正后的声音检测数据。继而可获取单次声源位置定位时，第i个声音传感器与另外两个声音传感器之间在t时刻下的声音幅度值差值，也即计算目标传感器与除目标传感器外其他两个声音传感器在同一时刻下的幅度值差值，幅度值差值也即声音强度的强度差值。其中，由于在同一个车间，则认为声音衰减系数一致，所以可以根据声音衰减模型得到声源信号在t时刻下的声音幅度值/>，也即声音强度/>。需要说明的是，声音衰减系数也即声音衰减模型，声音衰减系数的构建为本领域技术人员的公知技术，在此不再赘述。

进而得到通过三个声音传感器的单次声源定位得到的声源位置（x,y）和t时刻下的声音强度。其中，所有声音传感器在同一水平线高度，所有只考虑2D平面情况。

由于在单次声源结果中，所有声源定位结果并且一致，常规方法可通过选取声源位置一致的且出现次数的最高声源坐标位置作为声源定位结果，但是如果误差过大，可能声源位置一致的且出现次数的最高并不一定时最优结果，可能也会存在其他声源位置一致但出现次数的与最高出现次数之间的次数差值不大，此时如果仍旧选取声源位置一致的且出现次数的最高作为最终估计声源，则会导致误差较大。并且由于是以出现次数作为声源的确定标准，则本发明选择密度聚类的方法进行聚类，根据聚类结果完成声源的估计定位，由于已知单次声源定位结果中的声源位置（x,y）。对其利用均值漂移算法可以进行密度聚类，进而选取密度最高聚类结果类别对应的中心点可作为最终的声源估计位置。

但是由于均值漂移算法再进行密度聚类时，仅参考值的变化，聚类效果不一定符合声音信号的，所以对均值漂移的偏移量进行调整，由于已知单次声源估计信号的幅度值，则声音强度差异较大的，则不应该被聚类为一类。根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，基于所述声音衰减异常系数对所述均值漂移算法的偏移量进行修正得到修正后的偏移量。

修正后的偏移量的计算公式为：

其中，为修正后的偏移量；/>为窗口内声源位置的数量；/>为第q个声源位置在t时刻对应的声音衰减异常系数；/>表示窗口内所有声源的声源位置的坐标；/>是窗口中心的中心声源位置的坐标；/>为以自然常数为底数的指数函数；/>为窗口大小。在本发明实施例中窗口大小为5*5，在其他实施例中实施者可根据实际情况调整该窗口大小。

其中，表示样本点/>相对于窗口中心点/>的向量。为该第q的样本点对应声源在t时刻的声音强度相对于窗口中心点在t时刻的声音强度的声音衰减异常系数。其值越大，则越不应该被分为一类。因为在考虑两个声源定位结果之间的声音衰减值时，如果声音衰减值越大，其两个声源之间的位置距离越大，则该声源的信号值是合理的，可用于粗定位，如果声音衰减值越小，则应当两个声源之间的位置距离越小，反之则认为该声源的信号值是不合理的，不可用于粗定位。

其中，声音衰减异常系数的求取方法为：获取声源位置在t时刻的声音强度与窗口的中心声源位置在t时刻的声音强度的强度差值；获取声源位置与窗口的中心声源位置的距离值；所述距离值和所述强度差值的比值为比值系数；计算当前窗口内所有声源位置的比值系数均值，计算声源位置的比值系数和比值系数均值的差值为所述声源位置对应的声音衰减异常系数。也即获取第q个的样本点对应声源声源在t时刻幅度值，与窗口中心点声源在t时刻的幅度值的差值绝对值，和第q个的样本点与窗口中心点之间的距离值，计算距离值和差值绝对值的比值得到比值系数，计算当前窗口内的比值系数均值，进而求取第q个的样本点与当前窗口内的比值系数均值之间的差值，得作为第q个的样本点相对于当前窗口内其余样本点而言的比值系数离群程度，进而也可当作为第q个的样本点对应声源在t时刻幅度值的声音衰减异常系数。

由于其中密度越集中，则偏移量得越大，但是密度越集中，不代表信号就一定是可信度高的信号，其中因为可能部分声音传感器安装位置不好，导致噪声较多，或者受到了遮挡等原因，导致声音信号数据不可靠，使得在分类时声源定位结果的声音衰减异常系数值较大。进而在计算偏移量时，应当对声音衰减异常系数值大的声源定位结果在聚类时尽量减少其权重，即其所对应的偏移量值应当下降，使得窗口位置更新时，不向着具有声音衰减异常系数值大的声源定位结果的滑动，即使具有较大的密度值。但是由于声音衰减异常系数值大，则修正后的偏移量M的应当越小，所以需要对其进行负相关映射的exp(-x)。

所以修正后的偏移量M的越大，其中密度越聚类，且声源信号的衰减越合理，则越应该被分为一类。

基于修正后的偏移量对初始声源位置进行聚类得到多个类别，进行共得到L个类别。类别内初始声源位置对应的声音衰减异常系数均值最小的类别作为最终类别，所述最终类别的中心点作为声源估计位置，也即在得到L个类别后，选取声音衰减异常系数均值最低的类别的聚类中心点，作为最终的声源定位结果，完成声源定位结果的粗估计。

步骤S300，将声音衰减异常系数均值最大的类别内的声音传感器标记为1；选取标记为1的声音传感器作为目标传感器，重新获取声源估计位置，并对声音传感器进行标记；剔除两次标记均为1的声音传感器；选取剔除后剩余的任意声音传感器进行定位，得到对应的声源估计位置作为最终声源位置，获取最终声源位置的声音强度在预设范围内的最大声音强度作为噪声环境检测值；基于所述噪声环境检测值对工厂作业环境进行噪声等级划分。

但是由于不可信的声音传感器信号会对聚类过程中造成影响，所以选取声音衰减异常系数平均值最高的类别，由于在该类别中声音衰减异常系数平均值最高，则表示当前类别中的声音传感器数据大多不可信，但是并不能说明所有的都不可信。但为了进行筛选，则需要将声音衰减异常系数平均值最高的类别中所对应声音传感器进行标记，属于该类别的声音传感器标记为1，其余标记为0；也即将类别内初始声源位置对应的声音衰减异常系数均值最大的类别内的声音传感器标记为1，其他的所有传感器标记为0。

选取标记为1的声音传感器作为目标传感器，重新获取声源估计位置，并对声音传感器进行标记；剔除两次标记均为1的声音传感器；选取剔除后剩余的任意声音传感器进行定位，得到声源估计位置作为最终声源位置。也即在以第i个传感器信号作为随机初始传感器后，在从声音衰减异常系数平均值最高的类别中随机选取声音传感器作为新的初始化标准，进行重新的最终聚类结果粗定位，得到对应的声源估计位置。

进而得到新的声源定位粗估计结果，再次进行声音衰减异常系数平均值最高的类别中所对应声音传感器标记为1。剔除两次标记均为1的声音传感器，也即在两次标记中都为1的声音传感器则认为出现异常，其所对应的声音数据不可信，进而剔除该声音传感器的信号。

在剔除不可信的声音传感器及其数据后，选取剔除后剩余的任意声音传感器进行定位，得到对应的声源估计位置作为最终声源位置；也即在随机选择一个初始的定位结果，进行声源定位结果的粗估计，得知可信的最终声源定位结果，并获取该声源位置。获取最终声源位置的声音强度在预设范围内的最大声音强度作为噪声环境检测值；基于所述噪声环境检测值对工厂作业环境进行噪声等级划分，也即进一步的根据声音衰减模型得到最终声源位置处在t时刻下的声音强度，取预设范围内时间内的声音强度的最大值，作为当前工厂作业噪声的噪声环境检测值。在本发明实施例中预设范围为10min，在其他实施例中实施者可根据实际情况调整该范围取值。

根据当前工厂作业的噪声环境检测值，基于噪声等级划分标准对工厂作业环境进行噪声等级划分，得到工厂作业噪声环境评估结果。需要说明的是，噪声等级划分标准为本领域技术人员的公知技术，在此不再赘述。

综上所述，本发明获取安装在工厂的所有声音传感器的声音强度，选取任意声音传感器作为目标传感器，选取除目标传感器外其他任意两个不重复的声音传感器，通过声音信号三点定位法，重复选取除目标传感器外的其他声音传感器，定位出多个声源位置；基于所述声音衰减模型确定初始声源位置处的声音强度；根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，基于所述声音衰减异常系数对所述均值漂移算法的偏移量进行修正得到修正后的偏移量；基于修正后的偏移量对初始声源位置进行聚类得到至少两个类别；类别内声音衰减异常系数均值最小的类别作为最终类别，所述最终类别的中心点作为声源估计位置；将类别内声音衰减异常系数均值最大的类别内的声音传感器标记为1；选取标记为1的声音传感器作为目标传感器，重新获取声源估计位置，并对声音传感器进行标记；剔除两次标记均为1的声音传感器；选取剔除后剩余的任意声音传感器进行定位，得到对应的声源估计位置作为最终声源位置，获取最终声源位置的声音强度在预设范围内的最大声音强度作为噪声环境检测值；基于所述噪声环境检测值对工厂作业环境进行噪声等级划分。本发明采集所有声音传感器的数据，根据当前所有声音传感器的数据完成单次声源头定位结果；根据单次声源头定位结果，完成最终声源定位结果的粗估计，根据声源定位结果的粗估计，完成不可信声音传感器剔除；根据剔除不可信声音传感器后的声音传感器，进而完成当前工厂作业环境智能监测与评估。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种工厂作业环境智能监测与评估方法，其特征在于，该方法包括以下步骤：

获取安装在工厂的所有声音传感器的声音强度，选取任意声音传感器作为目标传感器，选取除目标传感器外其他任意两个不重复的声音传感器，通过声音信号三点定位法，重复选取除目标传感器外的其他声音传感器，定位出多个声源位置；

基于声音衰减系数确定初始声源位置处的声音强度；根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，基于所述声音衰减异常系数对均值漂移算法的偏移量进行修正得到修正后的偏移量；基于修正后的偏移量对初始声源位置进行聚类得到至少两个类别；类别内声音衰减异常系数均值最小的类别作为最终类别，所述最终类别的中心点作为声源估计位置；

将声音衰减异常系数均值最大的类别内的声音传感器标记为1；选取标记为1的声音传感器作为目标传感器，重新获取声源估计位置，并对声音传感器进行标记；剔除两次标记均为1的声音传感器；选取剔除后剩余的任意声音传感器进行定位，得到对应的声源估计位置作为最终声源位置，获取最终声源位置的声音强度在预设范围内的最大声音强度作为噪声环境检测值；基于所述噪声环境检测值对工厂作业环境进行噪声等级划分；

所述修正后的偏移量的计算公式为：

其中，M为修正后的偏移量；q为窗口内声源位置的数量；Q_q为第q个声源位置在t时刻对应的声音衰减异常系数；(x_q,y_q)表示窗口内所有声源的声源位置的坐标；(x′,y′)是窗口中心的中心声源位置的坐标；exp为以自然常数为底数的指数函数；S为窗口大小；

所述根据窗口内声源位置之间的距离和声音强度之间的差异，计算初始声源位置的声音衰减异常系数，包括：

获取声源位置在t时刻的声音强度与窗口的中心声源位置在t时刻的声音强度的强度差值；获取声源位置与窗口的中心声源位置的距离值；所述距离值和所述强度差值的比值为比值系数；计算当前窗口内所有声源位置的比值系数均值，计算声源位置的比值系数和比值系数均值的差值为所述声源位置对应的声音衰减异常系数。