基于连续卷积神经网络的自动统计发动机摩托小时的方法与流程

本发明属于声音信号处理和深度学习，具体涉及一种基于连续卷积神经网络的自动统计发动机摩托小时的方法。

背景技术：

1、摩托小时是装备维修保障的一个重要参考数据，直接关系到发动机寿命、保养周期。但一些老式装备车辆并未安装摩托小时表，无法直接读取到发动机工作时长，往往需要人工采集，无法保障数据的准确性和实时性，严重影响了装备维修部门根据装备技术状态制定装备的维修、保养、动用计划。因此，急需一种自动统计发动机摩托小时的检测方法，辅助用户完成装备技术状况信息的采集与传输。

2、卷积神经网络(cnn)被广泛的应用到声音数据的时频特征提取，但由于其卷积核的离散性质，标准的cnn需要特定任务的架构，这将核绑定到特定的数据分辨率，不适合建模全局上下文，因为构造大型离散卷积核需要大量的参数。此外，传统的cnn依赖于局部卷积核，结合任务相关的深度值和池化层来建模远程依赖。连续卷积神经网络continuouscnn(ccnn)模型通过构建一个单一的cnn架构，可以用于任意分辨率、长度和维度的数据。将ccnn模型用到发动机工作声音的识别，可以减少声音数据的采样率、时长等不统一对识别准确率可能造成的影响。

技术实现思路

1、(一)要解决的技术问题

2、本发明要解决的技术问题是如何提供一种基于连续卷积神经网络的自动统计发动机摩托小时的方法，以解决老式装备车辆并未安装摩托小时表，无法直接读取到发动机工作时长，人工采集带来的各种问题。

3、(二)技术方案

4、为了解决上述技术问题，本发明提出一种基于连续卷积神经网络的自动统计发动机摩托小时的方法，该方法包括如下步骤：

5、s1、装备发动机声音信号采集：通过在装备靠近发动机侧安装声音采集设备，获取各种工况时发动机声音信号；

6、s2、发动机声音信号时频特性分析：针对采集的不同工况下的发动机声音信号，分析其时频特性，归纳总结发动机工作状态时声音的振动规律，便于下一步有针对性的对装备发动机声音信号预处理；

7、s3、装备发动机声音信号预处理；基于小波变换的方法对装备发动机声音信号进行筛选、滤波预处理，更有利于提高识别准确率；

8、s4、装备发动机工作声音特征提取：对预处理后的发动机声音数据分别提取梅尔频率倒谱系数(mel frequency cepstrum coefficient,mfcc)特征和log-mel特征；

9、s5、装备发动机工作声音log-mel特征与mfcc特征融合：对log-mel特征与mfcc特征进行融合，将这两类特征通过拼接的方式得到融合后的特征图，为进一步识别提供输入；

10、s6、基于连续卷积神经网络(ccnn)进行装备发动机声音分类识别：将融合后的特征数据送入ccnn进行训练，迭代n次后，保留损失值最小的模型作为最终的发动机声音分类识别模型，用于后续装备发动机声音的分类识别；

11、s7、发动机摩托小时计算：通过每分钟对发动机运行状态的识别结果建立对应的时间戳，形成发动机状态时间序列；通过对时间序列的突变点分析，纠正可能由其他干扰造成的错误、漏检、多检数据，修正发动机状态时间序列；并根据修正后的发动机状态时间序列，通过计算发动机的起止时间计算出发动机的单次工作时长。

12、(三)有益效果

13、本发明提出一种基于连续卷积神经网络的自动统计发动机摩托小时的方法，本发明设计了一个基于连续卷积神经网络的自动统计发动机摩托小时的方法，通过对环境中装备发动机声音进行识别，可有效判断发动机是否处于工作状态，进而对发动机的工作时长进行统计。

技术特征：

1.一种基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，该方法包括如下步骤：

2.如权利要求1所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述s1中的声音信号中不仅包含发动机工作的成分，还包含装备其他部件、环境干扰的声音成分。

3.如权利要求1所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述s1中的工况包括：

4.如权利要求1所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述s1中声音信号采集时，每分钟采集一次，每次采集时长0.5s。

5.如权利要求1-4任一项所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述步骤s2具体包括：利用连续小波变换对各工况下采集到的声音信号进行时频变换，对比室内无噪声干扰和室外存在较强干扰状态下的差异，分析发动机声音信号中的固有成分；发动机在不同档位下工作时，对比分析发动机的低频声音和高频共振区域的变化规律；同时分析上述声音信号各分量的高阶统计量特征，不同背景干扰情况下可区分发动机工作状态和背景噪声分量信号的独有特征，为下一步的信号预处理的噪声分离提供标准。

6.如权利要求5所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，高阶统计量特征包括：均方根、峭度。

7.如权利要求5所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述步骤s4中mfcc特征提取的具体过程包括：

8.如权利要求7所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，倒谱分析包括：取对数，做逆变换，逆变换通过dct离散余弦变换来实现，取dct后的第2个到第13个系数作为mfcc系数。

9.如权利要求7所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述步骤s4中log-mel特征提取的具体过程包括：

10.如权利要求6所述的基于连续卷积神经网络的自动统计发动机摩托小时的方法，其特征在于，所述步骤s6中，n＝100。

技术总结
本发明涉及一种基于连续卷积神经网络的自动统计发动机摩托小时的方法，属于声音信号处理和深度学习技术领域。本发明包括：装备发动机声音信号采集，发动机声音信号时频特性分析，装备发动机声音信号预处理，装备发动机工作声音特征提取，装备发动机工作声音Log‑Mel特征与MFCC特征融合，基于连续卷积神经网络(CCNN)进行装备发动机声音分类识别，发动机摩托小时计算。本发明通过对环境中装备发动机声音进行识别，可有效判断发动机是否处于工作状态，进而对发动机的工作时长进行统计。

技术研发人员：梁翠萍,贺志洋,李子健,魏宇鋆,秦蕾,陈玺,张丹,蒋遂平
受保护的技术使用者：北京计算机技术及应用研究所
技术研发日：
技术公布日：2024/8/27