基于多尺度梅尔倒谱系数的转辙机声信号状态识别方法

摘要：

为了准确地识别铁路转辙机所处的工作状态,保证列车能够安全行驶并转向,提出了一种基于声音信号的转辙机状态识别方法.首先将声音信号预处理后提取其梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC);为更加全面表征转辙机声信号的特点,对MFCC进行改进得到多尺度MFCC特征;引入卷积神经网络(convolutional neural network,CNN)构建转辙机声信号识别模型,并采用五折交叉验证法获得两种特征的识别准确率.将S700K型转辙机在4种状态下运行时采集的真实声音信号进行训练和测试.结果表明:多尺度MFCC特征可使转辙机声音状态识别准确率至少提高7.5％.并且在低信噪比(signal-to-noise ratio,SNR)下,多尺度MFCC特征也有更好的表现,其准确率相较传统MFCC可提升35％.

关键词：梅尔倒谱系数(MFCC)、卷积神经网络(CNN)、交叉验证、状态识别、转辙机

所属期刊栏目：22

分类号：U284(铁路通信、信号)

资助基金：辽宁省自然科学基金;辽宁省省重点实验室项目

在线出版日期：2022-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：6680-6686