舰船宽带连续谱特征监测技术

张宇

（大连测控技术研究所，辽宁大连 116013）

0 引言

舰船辐射噪声是多年来水声学领域研究的重要对象，它所携带的信息不仅影响了舰船的隐身性能和战斗力，而且反映了舰船自身的健康性能。

舰船有许多用于推进、控制的机械，如柴油机、发电机、电动机、海水泵、空压机、螺旋桨等［1］。这些机械的转动和振动产生的机械噪声，螺旋桨旋转引起的噪声以及水流与船体接触产生的水动力噪声向周围环境中传播，形成了舰船声场。舰船噪声信号的通过特性、线谱、连续谱、时频谱等一系列信号特征都可以看作是舰船的声纹特征。当舰船在正常航行状态（多种机械设备的标准配套工况状态）时，其声纹特征也是稳定的。若声纹特征发生明显变化，则可以判定舰船的机械设备或螺旋桨出现了异常。

宽带连续谱作为舰船的声纹特征之一，从频带内携带能量的角度描述了舰船辐射噪声的特性，对舰船辐射噪声的监测有着不可或缺的作用。本文就是从宽带连续谱的角度，寻找合适的特征提取方法和相似度计算方法，进而制定特征监测方案。

1 特征监测流程

整个流程采用模式识别的方法，分为训练和识别2部分［2］。训练部分通过对一定数量数据样本的训练，提取并统计其参数特征，得到标准参数;识别部分用同样的方法提取待识别数据的参数特征，利用相似度测度的方法与标准参数进行相似度计算，通过阈值对样本进行判决。

特征监测流程由声信号模块、预处理模块、特征提取模块、特征统计模块、相似度计算模块、阈值模块、判决模块、验证模块等组成，如图1所示。

图1 特征监测流程图Fig.1Feature monitoring flow chart

1）声信号模块，是当待测舰船在水听器上方通过时，采集到的一段时间的舰船辐射噪声数据。

2）预处理模块，作用是得到尽量干净的方便处理的声信号，其中包括数据截取、滤波、降采样等。首先，对于采集到的舰船辐射噪声的数据，只关心舰船正横时刻前后一段时间的数据，因此截取舰船正横时刻前后各8 s，共16 s的数据，用于信号处理;然后，对截取的数据进行滤波处理。由于10 kHz以上频率的信号我们不考虑，50 Hz以下频率干扰比较严重，因此，采用50～10 000 Hz的带通滤波;最后，根据处理需要对原始信号进行降采样。

3）特征提取模块，在计算信号1/3oct谱的基础上进行数据的特征提取，特征提取的向量要表征整个谱线。

4）特征统计模块，用来统计训练过程中的特征向量，取相对应特征值的均值，得到1个标准特征向量。

5）相似性计算模块，训练中的相似性计算是标准特征向量分别和用于训练的各组特征向量进行的相似性计算，而识别中是标准特征向量与待测的特征向量进行的相似性计算。

6）阈值模块，首先统计标准特征向量与用于训练的各组特征向量的相似度，再根据虚警概率和漏报概率的具体需要进行分析得到阈值。

7）判决模块，依据阈值模块得出的阈值对未知样本进行判决。

8）验证模块，验证舰船的真实状态，分析判决的正确性，再把得到的结果返回到训练过程的特征统计模块，重新对特征向量进行统计，得到更新的特征向量及阈值，使其具有自我学习功能。

2 特征监测方案

在特征监测的流程中，特征提取模块和相似度计算模块是2个比较重要的模块，它们所采用的方法决定了特征监测的效果和整个特征监测的方案数目。

2.1 特征提取

1）折线法

运用折线法提取出的特征向量包括5个特征值［3］:

①宽带连续谱分析结果中最大谱峰值所在的频带。

②低频斜率kL:低频带辐射噪声幅度随频率增加的上升斜率。

③高频斜率kH:高频带辐射噪声幅度随频率升高的下降斜率。

④频带声压级Lp:选中心频率为1 kHz的频带声压级。

⑤总声压级Lps:即频带声压级之和。

这种方法中，前3个特征值——峰值频带、低频斜率和高频斜率共同描述了谱的形状——单峰折线形，第4个特征值为某一频带的取值，确定了折线的位置，因此称为折线法。图2为折线法示意图。

图2 折线法示意图Fig.2Diagrammatic sketch of fold line method

2）改进折线法

为了提高宽带谱的利用率，采用改进折线法。具体方案如下:将低频斜率kL修改为第1个频带到最大谱峰值频带之间的相邻频带斜率的绝对值之和;同理，高频斜率kH修改为最大谱峰值频带到最后频带之间的相邻频带斜率的绝对值之和。改进后的5个特征值为:①宽带连续谱分析结果中最大谱峰值所在的频带;②低频斜率k′L;③高频斜率k′H;④频带声压级Lp;⑤总声压级Lps。图3为改进折线法示意图。

图3 改进折线法示意图Fig.3Diagrammatic sketch of changing fold line method

3）频带能量法

考虑到1/3oct谱本身就是宽带连续谱的一种特征提取方式，它提取了各频带的能量，即使用1/3oct谱的频带声压级作为宽带连续谱的特征值，组成特征向量。图4为1/3oct谱带级图。

图41 /3oct谱带级图Fig.41/3oct band level figure

由于频带能量法使用的特征值较多，更准确地体现了宽带连续谱的特征，当然与此同时，提高了运算量，降低了运算速度。

2.2 相似度计算

相似度测度的方法比较多，根据实际应用的需要在相似度计算模块中采用了3种有代表性的方法:欧氏距离、夹角余弦、相关系数。

1）欧氏距离［4］

在计算2组向量距离的方法中，欧氏距离是最常见的距离之一。由于其具有简单实用、意义明确的特点，被广泛使用。它的取值范围为［0，∞），当2组向量完全相同时，他们的欧式距离为0，相差越大，欧式距离越大。

2）夹角余弦［5］

夹角余弦用来度量2组向量之间夹角的大小，亦称为相和系数，表达式为:

夹角余弦的几何意义是在由N个元素组成的N维空间中，表征2个向量之间夹角的余弦值。一般在使用前需要对向量中各元素进行无量纲化处理，使各元素都为正，这时夹角余弦的取值范围为［0，1］，取值越大表明2组向量夹角越小，二者越接近，值为1时，2组向量完全相同。

3）相关系数

相关系数是多元统计学中用来衡量2组变量之间线性密切程度的无量纲指标，取值范围为［－1，1］。分为正相关、不相关和负相关3类情况。通常在计算时，还要经过处理，将负相关与正相关合并到一起，这时它的取值范围为［0，1］，值越大相关性越强，当值为1时，2组向量完全相同。从上式可以看出相关系数是中心化的夹角余弦，性质与夹角余弦相似。

2.3 组合方案

特征提取模块中所采用的方法和相似度计算模块中所采用的方法进行两两搭配就得到了特征监测的组合方案，共9种，如图5所示。

图5 特征监测方案组成Fig.5Feature detection scheme component

3 海试数据分析

3.1 数据说明

海试的舰船共有6个型号，分别为A型、B型、C型、D型、E型、F型。采集数据共有160条，其中，40条用于训练，120条用于识别验证。

为了避免系统在水下的低频干扰，在采集过程中添加了50～10 000 Hz的带通滤波，因此，重点考虑中心频率为63～10 000 Hz的23个频带，略去50 Hz以下部分。

按舰船类型分类，统计每一种工况下1/3oct谱各频带的均值μ和标准差σ，将同一工况下的μ，μ+ 2σ和μ－2σ分别连成曲线，并在同一张图上显示出来，以表征1/3oct谱的变化范围。图6～图11为各类型的舰船的1/3oct谱的动态曲线。

图6 A型舰船的1/3oct谱均值与2倍标准差界限Fig.61/3oct spectrum mean value and 2 times standard deviation limit of A type ship

3.2 试验结果分析

利用检测理论［6］，对比同一虚警概率下检测概率的大小，进而分析9种组合方案的优劣。分别计算虚警概率为0，5%，10%和20%时的检测概率，并列于表1中。

表1可以看出:

1）各方案的检测概率随虚警概率的增大而增大（检测概率为100%时除外），当虚警概率为20%时，各方案都能得到较高的检测概率;

2）对于特征提取方法，无论采用哪一种相似度计算方法，频带能量法的识别效果都是最好的;

3）对于相似度计算方法，无论采用哪一种特征提取方法，欧式距离的识别效果明显优于夹角余弦和相关系数;

4）得到舰船宽带谱特征监测最优组合方案，即频带能量法与欧式距离相结合。

4 结语

本文从宽带连续谱的角度制定了舰船辐射噪声特征监测流程，运用多种特征提取方法和相似度计算方法，组成了9种特征监测方案。最后利用海上实测数据对多种组合方案进行对比分析，证明了整个特征监测流程的有效性，并得到了最优的组合方案。

［1］刘伯胜，雷家煜．水声学原理［M］．哈尔滨:哈尔滨工程大学出版社，2006．225－227．

LIU Bo-sheng，LEI Jia-yu．Hydroacoustics principle［M］．Haerbin:Haerbin Engineering University Press，2006．225－227．

［2］张宇．基于宽带谱的舰船噪声异常判断技术研究［D］．大连:中国船舶重工集团公司第760研究所，2009．29－32．

ZHANG Yu．Abnormal judgement technical research based on ship broadband radiation noise［D］．Dalian:The 760 Research Institute of CSIC，2009．29－32．

［3］赵艳玲．舰船噪声异常判断［D］．大连:中国船舶重工集团公司第760研究所，2008．23－24．

ZHAO Yan-ling．Ship noise abnormal judgment［D］．Dalian:The 760 Research Institute of CSIC，2008．23－24．

［4］沈清，汤霖．模式识别导论［M］．长沙:国防科技大学出版社，1991．

SHEN Qing，TANG Lin．Introduction of patten recognition［M］．Changsha:National Defense Science and Technology University Press，1991．

［5］孙即祥．现代模式识别［M］．长沙:国防科技大学出版社，2002．

SUN Ji-xiang．Modern patten recognition［M］．Changsha: National Defense Science and Technology University Press，2002．

［6］陈炳和．随机信号处理［M］．北京:国防工业出版社，1996．

CHENG Bing-he．Random signal processing［M］．Beijing: National Defense Industries University Press，1996．