[發明專利]基于語音信號特征提取應用于沖擊彈性波分析的方法

在審

• 申請號: 201811268287.0
• 申請日: 2018-10-29
• 公開（公告）號: CN109187772A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 吳佳曄;李科;王紅印;劉媛麗;常崟;蘇亞軍;譚長瑞
• 申請（專利權）人: 四川升拓檢測技術股份有限公司
• 主分類號: G01N29/44
• 分類號: G01N29/44
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 高俊

本發明公開了一種基于語音信號特征提取應用于沖擊彈性波分析的方法，包括機架及安裝于機架上的激振錘，還包括安裝在機架上的輪組，所述輪組作為本聯動激振裝置的行走輪系，還包括聯動裝置，所述聯動裝置用于實現激振錘與輪組的聯動：輪組中的行走輪每轉動特定圈數，激發激振錘執行一次錘擊動作。該激振裝置可實現定間距間隔敲擊被測面。

技術領域

本發明涉及沖擊彈性波分析技術領域，特別是涉及一種基于語音信號特征提取應用于沖擊彈性波分析的方法。

背景技術

近年來，大數據、人工智能等在社會、生產的各個方面得到了突飛猛進的發展和應用，這些技術在工程無損檢測行業的過程中還存在一些難點，其中人工智能中機器學習所需特征參數的確立與提取就是難點之一。

現有的沖擊彈性波的分析主要體現為只注重某些特定參數的提取，并根據參數的判斷標準結合分析人員的經驗加以判斷，給出結果。這種傳統的數據解析及分析方法得到的結果存在一定缺陷，具體有一下兩點：

檢測信號中除了目標參數其他相當部分的有用信息未被充分應用，造成有用信息的浪費；某些分析結果需結合經驗加以判斷，不能做到判斷結果精準化、自能化。

發明內容

針對上述提出的人工智能中機器學習所需特征參數的確立與提取就是難點的問題，本發明提供了一種基于語音信號特征提取應用于沖擊彈性波分析的方法，用于解決從檢測信號中提取出可供機器學習并提高機器學習精度的有效的參數的問題。

本方案的技術手段如下，基于語音信號特征提取應用于沖擊彈性波分析的方法，包括依次進行的以下步驟：

A、收集多個已知檢測結果的檢測數據；

B、使用基于語音信號特征提取的方法對步驟A收集到的數據進行特征提?。?/p>

C、將步驟B中提取的特征值建立訓練集，并訓練模型；

D、將需要分析的檢測數據導入步驟C所訓練的模型并生成檢測結果。

具體的，本方案中，針對A步驟中已知檢測結果的檢測數據，用于步驟C中訓練模型。所述步驟C旨在訓練模型以對未知檢測結果的數據進行分析判定，具體訓練方法可為：利用weka軟件讀入訓練集，所述訓練集包括所述已知檢測結果和檢測數據在B步驟中得到的特征，而后在weka軟件中選擇分類功能面板，并選擇樸素貝葉斯或者神經元網路或者隨機森林做為基本分類器并調整分類器參數，通過分類器自動推算、學習，如針對沖擊彈性波用于混凝土密實度判定或內部有無空洞，由步驟B提取的密實數據特征值的變化規律以及不密實數據特征值的變化規律，最后運行軟件根據學習結果建立出模型。進一步的，針對步驟C，可選用交叉驗證方式驗證學習效率。所述密實與否即為A步驟中的已知檢測結果，同時，A步驟中的檢測數據數量優選設置為介于幾百到幾百萬之間。

更進一步的技術方案為：

具體的，所述步驟A的實現步驟為：

A1、采集被測物，在被測物上標記檢測點，使用信號激發裝置激發信號，使信號在被測物內部傳播；

A2、使用信號接收裝置，沿步驟A1檢測點逐點采集在結構物內部傳播后的信號。

具體的，所述步驟B的實現步驟為：

B1、對步驟A2中采集到的信號依次進行預加重、分幀以及加窗處理，得到多個短時分析窗信號；

B2、對B1步驟得到的短時分析窗信號進行快速傅里葉變換得到對應的頻譜；

B3、對B2得到的頻譜通過濾波器得到新的頻譜；

B4、對B3得到的頻譜依次進行取對數、做快速傅里葉變換逆變換處理提取最終特征值。

本發明具有以下有益效果：