基于聲音信號的鋼材材質檢測及試驗研究

秦志英， 齊康花， 董桂西， 趙月靜， 劉 堯

(1.河北科技大學機械工程學院，河北石家莊 050018；2.河北省送變電公司線路器材廠，河北石家莊 051130)

?

基于聲音信號的鋼材材質檢測及試驗研究

秦志英1， 齊康花1， 董桂西2， 趙月靜1， 劉 堯1

(1.河北科技大學機械工程學院，河北石家莊 050018；2.河北省送變電公司線路器材廠，河北石家莊 051130)

鐵塔加工過程中需要對角鋼進行夾緊、沖孔、剪切等操作，不同材質的角鋼加工時會發(fā)出不同的聲音，因此提出利用聲音信號檢測Q235和Q345兩種常用角鋼材質。利用傳感器和采集儀搭建試驗系統(tǒng)，采集聲音信號的連續(xù)波形，并提取單個沖孔周期聲音信號的波形作為后續(xù)判別的依據(jù)。針對單個周期的聲音信號，提取美爾頻率倒譜參數(shù)(MFCC)作為特征參數(shù)，并利用動態(tài)時間規(guī)整(DTW)方法計算待測模板與Q235和Q345兩種標準模板之間的距離，距離小者判定為該種角鋼材質。試驗分別采集了4種型號角鋼的2組樣本，驗證了上述方法識別材質的有效性。

應用聲學；聲音信號；MFCC；DTW；材質檢測

角鋼是組成鐵塔的必備原料，若不同材質的鋼材混用，將對鐵塔的使用產生很大的影響。如果發(fā)生倒塔斷線事故，會造成嚴重損失[1]。目前，鐵塔加工企業(yè)對角鋼材質的檢測項目主要包括力學性能和化學成分，通過取樣來檢測角鋼的性能是否符合要求[2]。但是這些方法效率低、檢測周期長，難以適應生產的需要。角鋼在沖孔等加工過程中會發(fā)出一定的聲音，不同材質的鋼材發(fā)出的聲音不同，因此本文提出利用聲音信號檢測鋼材材質。

目前，對于聲音信號識別的研究主要包括對齒輪箱或軸承故障的檢測、說話人聲音檢測等。文獻[3]提出了一種列車軸承的聲音監(jiān)測故障診斷方法，該方法首先對傳感器采集到的軸承聲音信號進行時域多普勒校正，然后利用EEMD方法提取蘊含軸承故障特征信息的本征模態(tài)信號，并計算其包絡譜來判斷軸承是否存在故障；文獻[4]利用聲音信號對齒輪箱的故障進行了識別與檢測，將階次分析和倒譜分析相結合提出了階次倒譜分析,實現(xiàn)了瞬態(tài)過程中利用聲音信號對齒輪箱進行故障診斷的方法；文獻[5]從模式識別角度對含噪聲機械故障分類方法進行優(yōu)化；文獻[6—8]利用聲音信號對說話人的聲音進行識別，建立了普通話語音特性數(shù)據(jù)庫，先提取了美爾頻率倒譜參數(shù)(MFCC)參數(shù)，利用支持向量機(SVM)及矢量量化(VQ)方法進行比對，從而檢測出聲音類型；文獻[9—13]用能量檢測方法檢測背景噪聲環(huán)境下的有用聲音信號，對檢測到的信號提取MFCC特征，使用向量機對提取的特征向量訓練分類模型，完成對含有噪聲的生態(tài)環(huán)境聲音的識別；文獻[14—19]介紹了利用DTW算法對提取的聲音信號進行距離匹配，從而判斷其類別的方法；文獻[20—22]介紹了利用Matlab軟件編程，實現(xiàn)對語音信號的端點檢測的方法。

本文先介紹了聲音識別的原理，然后利用聲音傳感器和采集儀等設備，采集了不同型號兩種材質角鋼的沖孔聲音信號，經過預處理，分別提取了聲音信號的MFCC參數(shù)，采用DTW算法進行識別，初步驗證了用聲音檢測鋼材材質的可行性。

1 聲音信號識別原理

在對聲音信號進行識別時，先對聲音信號進行預處理，設定聲音的參數(shù)，并保存標準信號。當輸入被測信號時，將信號的特征參數(shù)與經過處理的聲音信號特征參數(shù)進行比較，若誤差在允許范圍內則表示聲音匹配，否則表示聲音不匹配[12]。

1.1 預處理

聲音信號的預處理主要是為了使信號便于后續(xù)處理，常用的預處理過程如下[7-11]：

1)濾波 利用Mel濾波器對聲音信號進行濾波。

2)歸一化處理 歸一化處理的目的是去除不同聲音樣本之間的數(shù)量級差異。

3)預加重 預加重通常使用具有6 dB/倍頻程的一階數(shù)字濾波器來實現(xiàn)，

H(z)=1-μz-1，

(1)

式中μ為常數(shù)，通常取0.97；

4)對聲音信號進行加窗和分幀 聲音信號雖然是非線性時變信號，但它具有短時平穩(wěn)的特點，對其進行分幀可以提取其短時特性。通常取幀長為10～30 ms，若采樣率為10 000 Hz，則取每1幀N為256點，幀移M為128點。

1.2MFCC特征提取

MFCC作為典型的聲音特征參數(shù)，能夠準確反映聲音信號的聽覺特征。Mel標度描述了人耳對頻率感知的非線性特性，它與頻率的關系可用式(2)近似表示：

Mel(f)=2 595×lg(1+f/700)。

(2)

對于預處理后的信號，提取MFCC的具體步驟[12-13]如下：

1)對每一幀分別進行離散傅里葉變換(discrete fourier transform，DFT)，以獲得頻譜分布信息；

2)求頻譜幅度的平方，得到能量譜；

3)將能量譜通過1組Mel尺度的三角形濾波器組輸出m(l)，l=1,2,…,L，本文L取24；

4)對所有的濾波器輸出做對數(shù)運算，再進一步做離散余弦變換(discrete cosine transformation, DCT)即可得到1組MFCC參數(shù)。本文取前12個系數(shù)作為MFCC參數(shù)。

(3)

1.3 DTW距離匹配

目前聲音識別比較常用的識別方法主要是模板匹配法，以動態(tài)時間規(guī)整(dynamic time wrapping，DTW)方法為代表，是把時間規(guī)整和距離測度計算結合起來的一種非線性規(guī)整技術。將待測模板和參考模板分別用T和R表示，為了比較它們之間的相似度，可以計算它們之間的距離D[T,R]，距離越小則相似度越高。為了計算這一失真距離，應從T和R中各個對應幀之間的距離算起[14-19]。

圖1 DTW算法搜索路徑Fig.1 DTW algorithm search path

如圖1所示，將待測模板的各個幀號n=1～N在一個二維直角坐標系中的橫軸上標出，把參考模板的各幀號m=1～M在縱軸上標出，網格中的每一個交叉點(n,m)表示這兩幀特征矢量之間的距離d[T(n), R(m)]。DTW算法可以歸結為尋找一條通過此網格中若干格點的路徑，由于任何一種聲音發(fā)音的先后次序不變，所選的路徑必定是從左下角出發(fā)，在右上角結束。

為了找到這條路徑，假設路徑通過的所有格點依次為(n(1), m(1))，…，(n(i), m(i))，…，(n(N), m(M))。為了使路徑不至于過分傾斜，約束斜率在0.5～2的范圍內。如果路徑已經通過了格點(n(i-1), m(i-1))，那么下一個格點(n(i), m(i))只可能是3種情況之一：

(n(i), m(i))=(n(i-1)+1, m(i-1)+2)；

(n(i) , m(i))=(n(i-1)+1, m(i-1)+1)；

(n(i) , m(i))=(n(i-1)+1, m(i-1))。

在滿足上述約束條件時，比較此時格點所對應的幀號距離，并使得沿路徑的累積距離達到最小值，則此時路徑的累積距離為

D[n(i), m(i)]=d[T(n(i)), R(m(i))]+D[n(i-1), m(i-1)]，

(4)

式中D[n(i-1), m(i-1)]由式(5)決定：

D[n(i-1), m(i-1)]=

min{D[n(i-1), m(i)], D[n(i-1), m(i)-1], D[n(i-1), m(i)-2]} 。

(5)

DTW算法按照上面的描述，建立一個N×M的矩陣，得到幀累積匹配距離矩陣d，其d(i,j)值為測試模板第i幀與參考模板第j幀的距離，搜索最佳路徑得出匹配距離D。

2 試驗系統(tǒng)搭建

圖2 角鋼加工示意圖 Fig.2 Schematic drawing angle steel processing

在鐵塔加工企業(yè)中通常采用數(shù)控型鋼聯(lián)合生產線，是一種對角鋼進行夾緊、沖孔、剪切等加工的全自動生產專用設備。圖2所示為角鋼加工示意圖，滾輪實現(xiàn)角鋼的自動輸送，一系列沖孔位置和大小由數(shù)控加工程序自動控制，指定長度的角鋼加工開始前先進行剪切，加工結束后進行剪切和打碼。每次沖孔之前，需要夾緊角鋼，沖孔之后再松開角鋼，因此每一個沖孔周期同時包括夾緊、沖孔、松開動作發(fā)出的聲音，這些聲音之間的間隔時間很短。而兩孔之間存在一定距離的輸送，因此兩次沖孔之間的時間間隔較長。

由于一系列沖孔動作是連續(xù)進行的，利用現(xiàn)成的采集儀只能進行連續(xù)采集。如果需要進一步區(qū)分不同動作產生的聲音信號，可以采樣后用軟件實現(xiàn)，或者在試驗系統(tǒng)中增加行程開關自行開發(fā)采集系統(tǒng)。基于實驗室現(xiàn)有設備搭建的試驗系統(tǒng)如圖3所示，主要由聲音傳感器和信號采集儀2部分組成。

圖3 試驗系統(tǒng)圖Fig.3 Test system diagram

1)傳感器的選擇 選用四川瞭望公司TZ-2KA型聲音傳感器。該聲音傳感器具有寬聲頻范圍、高聲強動態(tài)范圍等特點，將聲音信號以50 mV/Pa 轉化為電壓信號輸出，可測量聲音頻率為20 Hz～20 kHz。該傳感器自帶信號調理盒，實現(xiàn)傳感器的供電及電壓轉換。

2)信號采集儀的選擇 選用江蘇東華公司DHDAS型信號采集儀。該信號采集儀將信號進行A/D轉換，能夠實現(xiàn)信號的實時顯示、存儲，也可進行頻譜分析、統(tǒng)計參數(shù)計算。該采集儀采集得到的信號可導出為Matlab可識別的數(shù)據(jù)文件，從而做進一步分析和處理。

根據(jù)聲音的相關特性可知，距離聲源越近，輻射聲波的能量越大。為了避免其他噪聲信號對所需聲音信號產生的影響，綜合考慮加工現(xiàn)場的環(huán)境，將聲音傳感器放置于距沖頭50 cm處，如圖3 a)所示，圖3 b)所示為信號采集儀。

3 試驗信號采集

圖4 聲音信號時域波形Fig.4 Time-domain waveform of sound signal

在加工過程中，角鋼的型號有4種，寬度(mm，下同)×厚度(mm，下同)分別為63×5，80×6，100×7，90×8。在角鋼的加工過程中，利用聲音傳感器和信號采集儀采集角鋼沖孔時的聲音信號。通過試驗觀察，加工角鋼時聲音信號的最高頻率約為3 000 Hz，因此本文設置對聲音信號的采樣頻率為10 kHz。利用DHDAS采集儀采集到的連續(xù)聲音信號的時域波形如圖4所示，包括一系列沖孔動作發(fā)出的聲音。

為了對一系列沖孔動作進行區(qū)分，可利用Matlab軟件從連續(xù)波形中去掉開始和結束時的聲音，并截取單個沖孔周期的聲音信號[20-22]。針對4種型號的Q235和Q345兩種材質的角鋼，一個沖孔周期的聲音信號如圖5和圖6所示，時長大約為1.2 s，包括夾緊、沖孔和松開動作發(fā)出的聲音。通過觀察每個沖孔周期內聲音信號的時域波形，不能看出明顯的區(qū)別，因此需要對信號做進一步處理和分析。

圖5 Q235聲音信號單周期時域波形Fig.5 Single cycle time-domain waveform of Q235’ s sound signal

圖6 Q345聲音信號單周期時域波形 Fig.6 Single cycle time-domain waveform of Q345’s sound signal

4 試驗信號處理與材質檢測

為了進一步識別不同型號的兩種角鋼材質的聲音信號，對采集到的單周期聲音信號提取MFCC特征參數(shù)，利用DTW識別算法進行材質檢測，流程圖如圖7所示。首先讀入待測聲音信號，然后利用Matlab軟件對聲音信號進行預處理操作，并提取聲音信號的MFCC參數(shù)。將待測模板中的MFCC特征序列分別與Q235和Q345標準模板中的MFCC特征序列進行比較，利用DTW方法計算匹配距離，每一個待測聲音信號將獲得2個匹配距離，匹配距離最小者為待測聲音信號的識別結果。

針對寬度×厚度為63×5，80×6，100×7，90×8型號的角鋼，分別取10個樣本，其中5個樣本為Q235材質角鋼，5個樣本為Q345材質角鋼。試驗時需要首先確定對應型號Q235材質和Q345材質的聲音信號作為兩個標準模板，各個樣本作為待測模板。

計算所得匹配距離如表1—表4所示，比較兩個匹配距離，匹配距離小的就是該標準模板對應的材質。樣本的檢測結果均正確，說明該方法能有效識別Q235和Q345兩種材質。但在試驗過程中也發(fā)現(xiàn)，當采用不同樣本作標準模板時，表1所示樣本5*會出現(xiàn)識別結果錯誤，即將Q235的樣本誤認為Q345，而將Q345的樣本誤認為Q235。這可能是因為63×5的角鋼厚度較小，沖孔時聲音信號較小，周圍環(huán)境的噪聲影響相應的比較大。在今后的研究中，擬引入改進算法，提高識別的抗噪性；另外，擬引入神經網絡等算法，以降低檢測對于單一標準模板的依賴性，進一步提高檢測的準確率。

圖7 DTW識別算法的流程圖Fig.7 Flow chart of DTW recognition algorithm

模板Q235樣本1樣本2樣本3樣本4Q345樣本5?Q345樣本1樣本2樣本3樣本4Q235樣本5?Q235標準模板6．366．125．616．605．786．146．086．987．437．32Q345標準模板7．587．916．677．447．374．585．616．026．176．38識別結果Q235Q345

表2 型號80×6的測試信號與標準模板DTW匹配距離(×103/mV2)比對結果

表3 型號100×7的測試信號與標準模板DTW匹配距離(×103/mV2)比對結果

表4 型號90×8的測試信號與標準模板DTW匹配距離(×103/mV2)比對結果

5 結 語

本文針對鐵塔加工過程中的實際問題，利用在角鋼加工過程中產生的聲音信號，提取每個周期信號的MFCC參數(shù)，利用DTW算法，可以準確檢測不同型號的Q235和Q345兩種材質角鋼。在采集信號過程中，聲音傳感器應放置在距沖孔區(qū)較近位置，以避免噪聲對信號的干擾；同時，在利用DTW方法進行識別時，取樣的時間不能相差過大，否則會導致幀數(shù)差別過大，造成結果不穩(wěn)定。在加工生產中，該方法能夠方便地對每一根角鋼進行識別，且成本低、效率高，從而有效避免了在鐵塔加工過程中因鋼材材質問題對鐵塔的安全性造成影響。

[1] 何敏娟,梁峰,馬人樂.大型超高鋼結構電視塔模擬地震振動臺試驗研究[J].振動與沖擊,2010,29(1):77-80.

HE Minjuan, LIANG Feng, MA Renle. Shaking table test for a super high steel TV tower[J]. Journal of Vibration and Shock, 2010, 29(1)：77-80.

[2] 肖漢光,何為.基于MFCC和SVM的說話人性別識別[J].重慶大學學報,2009,32(7):770-774.

XIAO Hanguang, HE Wei. Gender recognition of speakers based on MFCC and SVM[J]. Chinese Journal of Chongqing University, 2009,32(7)：770-774.

[3] 田昊,唐力偉,陳紅,等.基于瞬態(tài)聲與階次倒譜的齒輪箱故障診斷[J].振動、測試與診斷,2009,29(2):137-140.

TIAN Hao, TANG Liwei, CHEN Hong, et al. Fault diagnosis of gearbox by using transient acoustic signal and order cepstrum[J]. Journal of Vibration, Measurement & Diagnosis, 2009, 29(2)：137-140.

[4] 樊彬彬,陳紅冬,劉純.500 kV輸電線路鐵塔橫擔變形材質檢測及失效分析[J].湖南電力,2009,29(4):18-22.

FAN Binbin, CHEN Hongdong, LIU Chun. Material test of cross arm of 500 kV transmission line tower[J]. Hunan Electric Power, 2009, 29(4)：18-22.

[5] 劉方,沈長青,何清波,等.基于時域多普勒校正和EEMD的列車軸承道旁聲音監(jiān)測故障診斷方法研究[J].振動與沖擊,2013,32(24):104-109.

LIU Fang, SHEN Changqing, HE Qingbo, et al. Wayside acoustic fault diagnosis for locomotive bearings based on doppler effect correction and EEMD method in time domain[J]. Journal of Vibration and Shock, 2013, 32(24)：104-109.

[6] 王憲忠,吳鳳林,張東浩,等.基于SVM后端校正的含噪聲機械故障分類方法[J].機械強度,2014,36(2):179-182.

WANG Xianzhong, WU Fenglin, ZHANG Donghao, et al. Noisy fault classification of mechanical based on SVM back-end correction[J]. Mechanical Strength, 2014, 36(2)：179-182.

[7] 王偉,鄧輝文.基于MFCC參數(shù)和VQ的說話人識別系統(tǒng)[J].儀器儀表學報,2006,27(6):2253-2255.

WANG Wei, DENG Huiwen. Speaker recognition system using MFCC features and vector quantization[J]. Chinese Journal of Scientific Instrument, 2006,27(6)：2253-2255.

[8] 賀玲玲,周元.基于改進MFCC的異常聲音識別算法[J]. 重慶工商大學學報(自然科學版),2012,29(2):52-57.

HE Lingling, ZHOU Yuan. Abnormal audio recognition algorithm based on improved MFCC[J].J Chongqing Technol Business Univ(Nat Sci Ed),2012,29(2):52-57.

[9] 惠博.語音識別特征提取算法的研究及實現(xiàn)[D].西安：西北大學,2008.

HUI Bo. The Research of Feature Extraction Algorithm for Speech Recognition and the Realization[D]. Xi’an: Northwestern University,2008.

[10]陳勇,屈志毅,劉瑩,等.語音特征參數(shù)MFCC的提取及其應用[J].湖南農業(yè)大學學報(自然科學版),2009,35(1):106-107.

CHEN Yong, QU Zhiyi, LIU Ying, et al. The extraction and application of phonetic characteristic parameter MFCC[J].Journal of Hunan Agricultural University(Natural Sciences),2009,35(1):106-107.

[11]顏鑫,李應.利用抗噪冪歸一化倒譜系數(shù)的鳥類聲音識別[J].電子學報,2013,41(2):295-300.

YAN Xin, LI Ying. Anti-noise power normalized cepstral coefficients in bird sounds recognition[J]. Acta Electronica Sinica, 2013,41(2):295-300.

[12]COWING M, SITTER R. Comparison of techniques for environmental sound recognition[J]. Pattern Recognition Letters, 2003, 22(15)：2895-2907.

[13]姚曉欣.環(huán)境異常狀況聲音特征研究[D].北京：北方工業(yè)大學,2014.

YAO Xiaoxin. Research on Sound Characteristics of Environmental Abnormalities[D]. Beijing: North China University,2014.

[14]劉長明,任一峰.語音識別中DTW特征匹配的改進算法研究[J].中北大學學報(自然科學版), 2006,27(1):37-40.

LIU Changming, REN Yifeng. A research on improving the algorithm for DTW feature -matching in speech recognition[J].Journal of North University of China (Natural Science),2006,27(1):37-40.

[15]陳立萬.基于語音識別系統(tǒng)中DTW算法改進技術研究[J].微計算機信息,2006,22(2):267-269.

CHEN Liwan. Discussion of DTW programming improved way on speech recognition[J]. Microcomputer Information, 2006,22(2):267-269.

[16]萬春.基于DTW的語音識別應用系統(tǒng)研究與實現(xiàn)[J].集美大學學報(自然科學版),2002,7(2):104-108.

WAN Chun. Research and application of DTW-based speech recognition[J]. Journal of Jimei University (Natural Science),2002,7(2):104-108.

[17]文翰,黃國順.語音識別中DTW算法改進研究[J].微計算機信息,2010,26(7):195-197.

WEN Han, HUANG Guoshun. A research on improving DTW in speech recognition[J].Microcomputer Information,2010,26(7):195-197.

[18]郭利剛,趙凡.聲音匹配識別算法的研究與實踐[J].中國傳媒大學學報(自然科學版),2007,14(1):20-25.

GUO Ligang, ZHAO Fan. Research and practice of sound match recognition algorithm[J]. Journal of Communication University of China(Science and Technology), 2007, 14(1):20-25.

[19]張震宇.基于Matlab的語音端點檢測實驗研究[J].浙江科技學院學報,2007,19(3):197-201.

ZHANG Zhenyu. Experimental study on speech endpoint detection based on Matlab[J]. Journal of Zhejiang University of Science and Technology, 2007, 19(3):197-201.

[20]李振國,宋吉江,李月然.基于虛擬儀器的聲音識別系統(tǒng)設計[J].山東理工大學學報(自然科學版),2011,25(1):101-103.

LI Zhenguo, SONG Jijiang, LI Yueran. Design of audio-recognition system based on virtual instrument[J]. Journal of Shandong University of Technology (Natural Science Edition), 2011,25(1):101-103.

[21]韓琪.基于虛擬儀器的數(shù)據(jù)采集與分析系統(tǒng)研究與設計[D].北京：北京交通大學,2012.

HAN Qi. The Research and Design of Date Acquisition and Analysis System[D].Beijing: Beijing Jiaotong University,2012.

[22]劉羽.語音端點檢測及其在Matlab中的實現(xiàn)[J].計算機時代,2005(8):25-26.

LIU Yu. Voice activity detection and its implementation in Matlab[J].Computer Age,2005(8):25-26.

Steel material detection based on sound signal and the experimental research

QIN Zhiying1, QI Kanghua1, DONG Guixi2, ZHAO Yuejing1, LIU Yao1

(1. School of Mechanical Engineering, Hebei University of Science and Technology, Shijiazhuang, Hebei 050018, China; 2. Hebei Electrical Transmission and Transformation Engineering Company, Shijiazhuang, Hebei 051130, China)

In the machining process of iron tower, the angle steel needs to be operated through clamping, punching, shearing, etc, and different material produces different sound, so it is advised to use sound signal to detect steel materials Q235 and Q345. Experiment system is constructed by using the sound sensor and signal acquisition system, so the continuous sound signal is acquired, and the sound wave of single punching cycle is exacted for the follow-up judgement. For the sound signal in one cycle, MFCC(Mel Frequency Cepstrum Coefficient) parameters are extracted as characteristic parameters, and the distances between the being measured template and the two standard templates of Q235 and Q345 are computed by the DTW (Dynamic Time Warping) method. As a result, which distance is smaller determines the template. In the experiment, two sets of samples for four kinds of angle steels are acquired, respectively, which proves the validity of the method for steel material detection.

applied acoustics； sound signal; MFCC; DTW; material detection

1008-1542(2016)03-0275-08

10.7535/hbkd.2016yx03010

2015-10-22；

2015-12-01；責任編輯：馮 民

國家自然科學基金(11002046)；河北省自然科學基金(A2011208007)

秦志英(1976—)，女，河北贊皇人，副教授，博士，主要從事機械測試技術與系統(tǒng)動力學方面的研究。

E-mail:qinzhy76@163.com

TP39

A

秦志英， 齊康花， 董桂西，等.基于聲音信號的鋼材材質檢測及試驗研究[J].河北科技大學學報,2016,37(3):275-282.

QIN Zhiying, QI Kanghua, DONG Guixi, et al.Steel material detection based on sound signal and the experimental research[J].Journal of Hebei University of Science and Technology,2016,37(3):275-282.