基于MFCC的轮胎异常状态监测识别系统构建

文 超

(攀枝花学院交通与汽车工程学院，四川 攀枝花 617000)

基于MFCC的轮胎异常状态监测识别系统构建

文 超

(攀枝花学院交通与汽车工程学院，四川 攀枝花 617000)

构建了基于MFCC的轮胎异常状态监测识别系统，使用声音信号识别汽车轮胎不正常状况。该系统利用声音传感器采集连续的声音信号，从中提取音频识别中运用较广的梅尔频率倒谱系数(MFCC)作为监测序列参数，并利用训练模型对其进行建模训练，使其能够识别汽车轮胎故障信号，及时发现轮胎不正常状态并发出警告信息，从而保证汽车安全行驶。实验证明，该系统能够有效地监控汽车轮胎工作状态。

轮胎；MFCC；噪声

0 引言

轮胎作为汽车的“脚”，平时一直默默地为整体服务，汽车的动力、汽车的载重都必须通过轮胎传递到道路上。轮胎在汽车整体中非常重要，然而轮胎却最容易被忽视。目前，对轮胎的忽视已经产生了严重的后果，轮胎缺陷已经成为导致交通事故的“第一大杀手”。

目前，国外已经设计出了多种轮胎监测系统，并以立法的形式强制要求安装。但是，现有轮胎监控系统只对轮胎气压以及轮胎温度2项参数进行监控，没有对轮胎因为磨损产生的鼓包、轮胎帘布层撕裂或气泡缺陷、轮胎表面附着物等爆胎的诱发因素很好地进行监控。而且为了节省电能，平时采用间隔测量模式[1]，不能长时间保持高密度实时监控状态。本文针对这种情况，设计一种以检测连续的不正常胎噪为切入口的轮胎异常状况实时监控系统。

1 轮胎异常噪声发声机理

(1) 轮胎鼓包导致不正常噪声：1) 胎面鼓包。轮胎产生胎面鼓包现象后，轮胎鼓包与地面接触时可作为一个大的轮胎花纹块而存在。而对花纹块发声进行动力学分析可以得到，花纹块质量越大，噪声声压越大[2]。2) 胎侧鼓包。胎侧鼓包时，鼓包位置轮胎与地面接触面积增大，胎痕加长，噪声加大。同时，侧鼓包后轮胎噪声频率及振幅将发生变化。

(2) 轮胎花纹槽夹杂异物导致不正常噪声：当轮胎花纹槽中夹杂有异物后，首先会影响到轮胎胎面夹杂异物花纹处的弹性，使得轮胎某花纹的弹性变差，花纹块的弹性越差，噪声声压越大。

(3) 轮胎花纹剥落等缺陷导致不正常噪声：轮胎花纹因为冲击或驻波剥离而剥落后，在轮胎的旋转过程中，每当转动到受损伤部位时，都会产生轮胎噪声的变化。

(4) 胎压过低导致不正常噪声：当轮胎胎压过低时，胎痕加长会引起冲击噪声增大，轮胎较软也会使空气泵噪声加大[3]。

(5) 胎压过高导致不正常噪声：胎压过高，轮胎刚度变大，冲击韧性减少，与路面结合部位的撞击噪声就会加大。

2 系统介绍

汽车轮胎噪音监控系统由相应的硬件及软件组成，硬件部分包括声音采集及处理装置。如图1所示。

图1 轮胎异常状况监控系统结构

在系统硬件设置中，首先在每个车轮制动钳上设置一个声音传感器，采集各个车轮运行中的噪声信号并放大，给予驾驶员相应警示。软件部分主要由两大子系统组成，第一个子系统是异常噪声归属判断系统，第二个子系统是各车轮噪声对比系统，可以对相应两轮(驱动轮或转向轮)的噪声进行对比，通过相互验证减少轮胎故障错报、少报的情况。

3 各车轮噪声对比子系统

各车轮噪声对比子系统的算法和判定过程相对而言比较简单，它主要解决2个问题：第一是将相对应两轮胎作为一组来进行分析，把单个轮胎问题诊断转换为各组轮胎出现的问题，二者的判定结果是一样的，即单个轮胎出问题要及时处理，而单组轮胎出现问题报警同样可以达到检测汽车轮胎安全的目的；第二是排除外界周期变化的环境噪声影响，轮胎与路面之间是一个耦合系统，两者之中任意一个发生改变均会影响到噪声的变化。

4 异常噪声归属判断子系统

4.1 系统设计

异常噪声归属判断子系统主要解决第一类有特点噪声的分类问题，它由特征参数提取模块、高斯训练模块、识别模块、结果处理模块等4部分组成，如图2所示。

图2 基于高斯混合模型的异常噪声归属判断子系统

传声器采集到的信号是在声场中某一点距离声源振动的时域信号，再转化为方便使用的有效声压的声压级[4]。

4.2 特征参数提取模块

特征参数提取是指从检测到的汽车轮胎噪声信号中提取出周期变化的声音特征序列，转化为有用的统计数据[5]，这里使用的是梅尔频率倒谱系数(MFCC)。梅尔频率与赫兹频率成非线性对应关系，二者的转换公式为：

(1)

梅尔频率倒谱系数就是利用它们之间的这种关系计算得到MFCC频谱特征[6]，其步骤为：

(1) 对音频信号进行预处理。在预处理部分，需进行以下操作：1) 预加重：使用一阶有限激励响应高通滤波器将信号的频谱变平以降低寄存器(存储单元)的字长有限的影响。2) 分帧加窗：将轮胎音频信号分成一系列一个一个的短时段即连续帧。同时为了减少吉布斯效应影响，增加连续性，每帧予以加窗。

(2) 对其进行快速傅立叶变换：将分帧加窗的音频信号进行快速傅立叶变换后得到各帧的频谱，并对音频信号频谱取模的平方得到其功率谱。

(3) 三角滤波并进行离散余弦变换。定义36个带通三角滤波器，则n=36，综合考虑其满足Mel[f(n)]-Mel[f(n-1)]=Mel[f(n+1)]-Mel[f(n)]，可以求得滤波系数为n(m)，m=1，…，p(p为滤波器阶数)。对所有三角滤波器输出进行对数运算及离散余弦变换后，即得到所求的MFCC特征参数[7]：

(2)

4.3 训练模块

训练模块在系统对音频进行识别之前，采用一定数量的样本对识别模块进行训练，提高识别模块的记忆和识别能力。训练模块模型选择高斯混合模型(GMM)，即用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干个基于高斯概率密度函数(正态分布曲线)形成的模型。高斯混合模型训练的目的是建立模型的参数，即从训练样本中确定出现概率[8]。所以采用EM算法来求极值，EM算法是基于模型的聚类方法。为了增加系统的稳健性和准确率，本文选取多个样本进行训练。训练完成之后系统具备了对所输入音频进行判断分析的能力。

4.4 识别模块

将需要识别的声音经过前端处理后提取特征参数，得到MFCC特征向量集。按照前述步骤将特征参数向量代入高斯混合模型，计算某种声音可能出现的情况下模式样本出现的后验概率值，根据最小错误率对其进行识别。依次重复上述步骤，即可对等待识别的汽车轮胎噪声信号的特征矢量序列逐个进行识别。

5 实验

首先使用各车轮噪声对比子系统对所获取的音频信号频率和声强进行对比，再用异常噪声归属判断子系统对每一个车轮的音频信号进行分析，共选取6种异常轮胎噪音和1个作为对比的正常轮胎噪音。在模拟训练时，每一种都用较长时间的声音来进行训练，通过特征提取将每帧信号转换为MFCC特征矢量。测试时，每种声音均使用5个测试声音文件，共使用30个声音文件，每个文件长度相同，高斯混合模型的高斯分量取为8，实验结果如表1所示，总识别率为86.7%。

表1 识别结果表

对实验结果进行分析，总识别率比较理想，但也可以发现，胎侧鼓包情况识别率很低，因为胎侧鼓包暂时难以给出较好的胎侧鼓包纯净声音对系统进行训练，需要在之后找到更好更全的从动力学方面分析胎侧鼓包异常噪声的方法。

6 结语

本系统采用4个声音采集器采集轮胎滚动中的音频信号，经过汽车CAN总线传输到车载电脑，在系统中，首先进行单组轮胎之间的对比，得到这组轮胎噪声差值，然后对某一轮胎的音频信号提取其MFCC特征参数，以时长较长的单纯音频信号对高斯混合模型进行训练，再按照顺序识别轮胎非正常噪声类型，给予驾驶员相应警告信息，在这个过程中，模型的训练是识别性能的关键。实验证明，MFCC特征参数能有效地描述汽车轮胎运行过程中的噪声信号，效果良好。系统能有效地进行噪声信号的分析判断，与传统汽车轮胎监控方法相比，增加了对轮胎各状态的有效监控，不再局限于温度和压力2项基础指标。且因为本系统各部分均处于车身固定部分，可以通过蓄电池获得稳定供电，从而进行高密度的实时监控，这就解决了传统监控系统因供能不足只能间隔测量的问题，可以更为及时有效地发现轮胎问题。该系统在轮胎安全监控方面具有广阔的应用前景，值得进一步深入研究。

[1]张怀广，宋风中.轮胎压力监测电路设计[J].制造业自动化，2010(5)

[2]朱兴元.轮胎花纹块撞击路面的噪声研究[J].橡胶工业，2003(9)

[3]陈理君，杨立，钱业青，等.轮胎花纹噪声的发声机理[J].轮胎工业，1999(9)

[4]张从鹏，皮世威.设备运行状态声音采集分析系统设计[J].制造业自动化，2013(10)

[5]李宏松，苏建民，黄英来，等.基于声音信号的特征提取方法的研究[J].信息技术，2006(1)

[6]王让定，柴佩琪.语音倒谱特征的研究[J].计算机工程，2003(13)

[7]张军，韦岗.基于相对自相关序列MFCC特征的模型补偿技术[J].信号处理，2003(3)

[8]王源，陈亚军.基于高斯混合模型的EM学习算法[J].山西师范大学学报：自然科学版，2005(1)

2014-06-23

文超(1977—)，男，四川岳池人，硕士研究生，讲师，研究方向：汽车安全性能、自动控制等。