基于多尺度梅尔倒谱系数的转辙机声信号状态识别方法

作者：姜琦; 冯庆胜^*

来源：科学技术与工程, 2022, 22(16): 6680-6686.

• 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

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%。

• 单位
  大连交通大学