Page 56 - 无损检测2021年第八期
P. 56
余焕伟, 等:
基于高斯混合 - 隐马尔可夫模型的特种设备敲击检测
图 12 MFCC 参数的灰度映射图
进行评价, 选取最优的 m 值。采用 EM 算法进行训
-6 时停止训练, 图 13 为分
练, 当收敛率小于 5×10
别利用敲击声信号得到的模型 A 和利用敲击振动
信号得到的模型 B 的收敛率曲线, 图中纵坐标为对
数收敛率。
图 11 敲击信号的互相关分析
率谱提取、 24 维度三角梅尔滤波器组滤波和离散余
弦变换后得到梅尔系数, 舍弃后 12 维系 数并 用 前
12维系数的一阶差分替换, 最终得到 24 维的 MFCC
参数, MFCC 参数的灰度映射图如图12所示。
4 缺陷识别模型搭建与试验结果分析
4.1 GMM-HMM 模型搭建
敲击样本分为训练和测试两个样本集, 每个试
件的训练样本子集包含 80~100 个样本, 测试集大
小约为训练集的1 / 4 , GMM-HMM 模型包括9 个与
试件类别相对应的子模型, 隐藏状态数为 6 , 其发射 图 13 GMM-HMM 训练时不同模型的收敛率曲线
概率由 m 个高斯子分布函 数 决 定, 主 要 参 数 可 由 在无噪声干扰时, 模型 A 和 B 的识别率分别为
K-mean等聚类算法得到, 文章在参数初始 化时引 96.3% , 100% , 表现出良好的识别效果。在测试信
入 Calinski-Harabasz 指标对不同 m 值的聚类效果 号上混入一定强度的高斯白噪声( 见图 14 ), 混入噪
8
1
2021 年 第 43 卷 第 8 期
无损检测
