一种自动留样取证的噪声监测方法与流程

1.本发明涉及计算机应用与化工交叉技术领域，具体而言，涉及一种自动留样取证的噪声监测方法。

背景技术：

2.近年来，随着现代化工行业的快速发展，化工厂的大型化，噪声扰民问题愈发突出。为了减少噪声对周边环境、居民生活的影响，需要采取一定的措施削弱噪声，防治噪声污染。
3.化工生产噪声来源广，例如压缩空气、高压蒸汽、加热炉等气体压力突变产生的气流噪声，由于球磨机、粉碎机等机械摩擦、震动、撞击或高速旋转产生的机械性噪声，由于变压器等磁场交变、脉动引起的电磁噪声等。由于化工生产噪声污染具有广泛性和持久性，一方面，化工企业生产工艺的复杂性使得噪声源广泛，影响面大；另一方面，只要声源不停止运转，噪声影响就不会停止。因此，需要持续对噪声进行监测，即使已采取了防治措施，也需要持续监测噪声的抑制是否达标，在噪声超标时及时发现并整改，尽量降低噪声的影响程度。
4.例如，实用新型专利cn202058028u，提供了一种取证式噪声集中监测系统，但该方法通过监测噪声信号的幅度确定噪声，不能区分环境中噪声的类别，例如化工生产噪声源和普通环境噪声源。发明专利cn113340401a，提供了一种在线噪声监测方法及装置，采用频谱分析和尖峰匹配方法对噪声实施监测，适合同时产生噪声和较大震动的声源场景，例如建筑类噪声源，但不能较好适应声源复杂的化工生产噪声源模式。

技术实现要素：

5.本发明提供一种自动留样取证的噪声监测方法，用以克服现有技术中存在的至少一个技术问题。
6.本发明实施例提供一种自动留样取证的噪声监测方法，包括：在待监测环境内设置两台声音采集设备，所述两台声音采集设备之间间隔设定距离，且所述两台声音采集设备同时采集声音信号；将所述声音信号表示为时间的函数，其中，i表示声音采集设备的编号，t表示声音的采样周期，n表示离散的采样序号；在不同时间截取所述声音信号，得到多个局部声音序列，其中，表示局部声音序列大小，k表示截取时间点，
휔
表示偏移量；对多个所述局部声音序列分别作离散傅里叶变换，得到多个变换序列
，
푖
表示复数虚部；计算多个所述变换序列的能量谱，得到多个能量谱向量，，表示局部窗口函数；对多个所述能量谱向量进行重组，生成能量谱矩阵，
푢
表示能量谱的次序，
푣
表示能量谱向量的编号；将所述能量谱矩阵作为输入，作为输出，建立神经网络模型；其中，表示对应的线性映射参数，表示线性偏置参数；神经网络模型包括第一隐藏层和第二隐藏层，第一隐藏层为第一隐藏层和第二隐藏层，第一隐藏层为，表示能量谱矩阵，
푚
表示以
푢
为中心的偏移量，为卷积窗，
푝
表示窗口序号，表示偏离参数，
휎
为一非线性函数，定义为；第二隐藏层为；第二隐藏层为，
푞
表示能量谱向量维度，表示线性映射参数，表示线性偏置参数；通过对所述神经网络模型学习，得到神经网络模型的学习代价函数，
표
表示输出值，表示学习样本标记值，
휀
表示学习参数；利用所述学习代价函数迭代计算所述神经网络模型，得到学习后的神经网络模型；采集声音信号，对所述声音信号进行处理，得到能量谱矩阵，将所述能量谱矩阵输入所述学习后的神经网络模型，得到输出值；当所述输出值大于预设值时，所述声音信号噪声超标，将所述声音信号存入数据库，作为留样取证的样本。
7.可选地，所述设定距离的取值范围为50m-100m。
8.可选地，=400。
9.本发明实施例的创新点包括：1、本实施例中，在待监测环境下设置两台同步声音采集设备，通过自动智能化处理技术分析声音信号，完成声音特征的提取和噪声的监测，能够有效识别化工生产噪声，实现噪声的自动监测，是本发明实施例的创新点之一。
10.2、本实施例中，对两台设备采集的声音信号进行处理，并生成可用于识别的数字特征；根据输入声音信号计算能量谱，并根据加窗处理的能量谱构建噪声的识别特征，区分
化工生产噪声，是本发明实施例的创新点之一。
11.3、本实施例中，采用能量谱矩阵提取并分离化工生产噪声与其它背景噪声，采用神经网络模型对噪声进行识别，实现噪声超标识别和超标时的自动留样取证，进而实现了化工生产噪声的持续监测和实时取证，有助于降低化工生产噪声的影响程度，是本发明实施例的创新点之一。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1为本发明实施例提供的噪声监测方法的一种流程图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.需要说明的是，本发明实施例及附图中的术语
ꢀ“
包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
16.本发明实施例公开了一种自动留样取证的噪声监测方法。以下分别进行详细说明。
17.图1为本发明实施例提供的噪声监测方法的一种流程图，请参考图1，本实施例提供的自动留样取证的噪声监测方法，包括：步骤1：在待监测环境内设置两台声音采集设备，两台声音采集设备之间间隔设定距离，且两台声音采集设备同时采集声音信号；步骤2：将声音信号表示为时间的函数，其中，1、2表示声音采集设备的编号，t表示声音的采样周期，n表示离散的采样序号；步骤3：在不同时间截取声音信号，得到多个局部声音序列，其中，表示局部声音序列大小，k表示截取时间点，
휔
表示偏移量；步骤4：对多个局部声音序列分别作离散傅里叶变换，得到多个变换序列，
푖
表示复数虚部；步骤5：计算多个变换序列的能量谱，得到多个能量谱向量
，，、表示局部窗口函数；步骤6：对多个能量谱向量进行重组，生成能量谱矩阵，
푢
表示能量谱的次序，
푣
表示能量谱向量的编号；步骤7：将能量谱矩阵作为输入，作为输出，建立神经网络模型；其中，表示对应的线性映射参数，表示线性偏置参数；神经网络模型包括第一隐藏层和第二隐藏层，第一隐藏层为一隐藏层和第二隐藏层，第一隐藏层为，表示能量谱矩阵，
푚
表示以
푢
为中心的偏移量，为卷积窗，
푝
表示窗口序号，表示偏离参数，
휎
为一非线性函数，定义为；第二隐藏层为；第二隐藏层为，
푞
表示能量谱向量维度，表示线性映射参数，表示线性偏置参数；步骤8：通过对神经网络模型学习，得到神经网络模型的学习代价函数，
표
表示输出值，表示学习样本标记值，
휀
表示学习参数；步骤9：利用学习代价函数迭代计算神经网络模型，得到学习后的神经网络模型；步骤10：采集声音信号，对声音信号进行处理，得到能量谱矩阵，将能量谱矩阵输入学习后的神经网络模型，得到输出值；步骤11：当输出值大于预设值时，声音信号噪声超标，将声音信号存入数据库，作为留样取证的样本。
18.具体地，请参考图1，本实施例提供的自动留样取证的噪声监测方法，首先通过步骤1将两台同步声音采集设备设置在待监测环境下，使两台同步声音采集设备采集时间同步的声音信号。为了使两台声音采集设备采集到的时间同步的声音信号产生差别，本实施例中设置两台声音采集设备间隔设定距离，如此，两台声音采集设备采集到的声音信号之间存在区别，可用于识别声音特征。同时，当两台声音采集设备间隔太远时，一方面会存在部署困难的问题，另一方面还会有声音信号衰减的问题。因此，优选地，两台声音采集设备之间的设定距离的取值范围为50m-100m，如此，既能让两台声音采集设备采集到的声音信号之间存在区别，还能避免声音信号衰减以及部署困难的问题。
19.声音采集设备中安装有无线网络模块，采集到声音信号后，在步骤2中利用无线网络模块同步声音采集设备的时间，将声音信号表示为时间的函数，其中，1、2表示声音采集设备的编号，
푡
=
푛푇
，t表示声音的采样周期，n表示离散的采样序号。通过
将声音信号表示为时间的函数，给采集到的声音信号标记时间戳，以便于后续处理过程中对不同路声音进行同步。
20.将声音信号表示为时间的函数后，在步骤3中，通过从完整的声音信号中截取，得到局部声音序列。为了使得到的局部序列中包括足够的声音特征，需要在不同的时间点进行多次截取，从而可以得到多个局部声音序列，其中，表示局部声音序列大小，k表示截取时间点，k的取值可以为
푘
=0,1,
…
，
휔
表示偏移量，
휔
的取值可以为
휔
=0,1,
…
, 。
21.需要说明的是，在实际应用中，
푘
的取值可以根据实际需要具体设置，为了使局部序列中包含足够的声音特征，同时减少数据的冗余，截取时间点k的取值可以为0，150，300，
···
，150*n，也即，每隔150个采样周期截取一段局部声音序列。局部声音序列越大，声音特征越丰富，但随着局部声音序列增大，数据量也随着增大，因此，为了能使声音信号中包含足够的声音特征。同时避免数据量过大，造成计算量过大，优选的，本实施例中设置局部声音序列大小的取值为400。当然，的取值为400，仅是在本实施例中的一种实施方式，并不作为对本技术的限定，在其他实施例中，的取值可以为其他，如300、500等。
22.步骤4中，对局部声音序列作离散傅里叶变换，得到局部声音序列的傅里叶变换序列。然后通过步骤5计算变换序列的能量谱，，其中，、表示局部窗口函数。在本实施例中，局部窗口函数的定义如下：，，，，，。
23.本实施例中，对两台声音采集设备采集到的声音信号的能量谱分别加窗计算，采用不同的窗口函数，可以反映不同频率的声音差异。通过计算能量谱生成可用于识别的数字特征，用于识别声音信号，区分待识别的化工生产噪声和其他背景噪声。
24.参照步骤5，一个局部声音序列经过处理后，计算得到的能量谱为一六维向量。为了能充分反应声音信号的变化特征，在步骤3中进行多次截取，得到多个局部声音序列，则经过步骤4和步骤5处理后，得到多个六维的能量谱向量。
25.通过步骤6对多个六维的能量谱向量进行重组，可以得到一个6*u维的能量谱矩阵，其中，
푢
表示能量谱的次序，取值1-u，对应于时间顺序，
푣
表示能量谱向量的编号，取值11、12、13、21、22、23，对应于六个能量谱向。优选的，为了能充分反应声音特征，截取次数不宜过少，同时，为了避免数据冗余，截取次数也不宜过多，因此，本实施例中优选截取9次，则可得到9个六维的能量谱向量，进行重组后生成6*9的能量谱矩阵。
26.然后通过步骤7建立神经网络模型，以能量谱矩阵作为输入，噪声达标或不达标的分类作为输出，本实施例中定义作为神经网络模型的输出，其中，表示对应的线性映射参数，表示线性偏置参数，表示第二隐藏层的向量，
휎
为一非线性函数。
27.神经网络模型包括第一隐藏层，第一隐藏层定义为神经网络模型包括第一隐藏层，第一隐藏层定义为，为步骤6中生成的能量谱矩阵，
푚
表示以
푢
为中心的偏移量，为卷积窗，
푝
表示窗口序号，其取值为1-64，卷积窗用于对能量谱的时序特征建模，提取声音信号在短时间内的变化规律，从而实现分辨噪声的特征。表示偏离参数，
휎
为一非线性函数，定义为，非线性函数的作用是使神经网络模型能够更好的拟合现实中的非线性关系。
28.神经网络模型还包括第二隐藏层，第二隐藏层为神经网络模型还包括第二隐藏层，第二隐藏层为，
푞
表示第二隐藏层的向量维度，取值1-256，表示线性映射参数，表示线性偏置参数。第二隐藏层用于建立不同频率能量谱间的相关性，进一步将第一隐藏层的输出映射到256维的特征向量上。
29.得到神经网络模型后，在步骤8中，对神经网络模型进行学习，可得到神经网络模型的学习代价函数，
표
表示输出值，表示学习样本标记值，
휀
表示学习参数。此处对神经网络模型的学习，首先根据步骤1的方法采集声音信号，然后按照步骤2-步骤5的方法计算每组声音信号的六维能量谱向量，接着根据步骤6，将能量谱向量生成时序上的能量谱矩阵，将能量谱矩阵作为学习样本，并人工对该学习样本做出标记，标记值为0或1。本实施例中，学习样本的标记值表示为，，当标记值为1时，表示学习样本对应的声音信号噪声超标，当标记值为0时，表示学习样本对应的声音信号噪声不超标。定义神经网络模型的学习代价函数为，
표
表示输出值，
휀
表示学习参数，取值，以避免学习过程中过快陷入局部极值，优选。
30.步骤9中，利用学习代价函数迭代计算神经网络模型，求得第一隐藏层和第二隐藏层中的参数，例如卷积窗，偏离参数，线性偏置参数等，从而能够得到学习后的神
经网络模型。迭代计算时，可以采用bp（back propagation，后向传播）算法，bp算法可参考现有资料，此处不再进行赘述。
31.然后在步骤10中，采集声音信号，并对声音信号进行处理，生成能量谱矩阵。需要说明的是，步骤10中采集声音信号可以参照步骤1，对声音信号进行处理，生成能量谱矩阵可以参照步骤2-步骤6，此处不再进行赘述。但应当注意的是，当连续采集声音信号时，应当按照步骤3-步骤6中定义的局部声音序列的时长，能量谱矩阵的大小，持续截取符合上述定义的长度的声音信号，并计算能量谱矩阵。每生成一个能量谱矩阵，输入学习后的神经网络模型，按照学习后的模型计算输出值。
32.得到输出值后，在步骤11中判断声音信号中的噪声是否超标，设定预设值，例如设定预设值为0.5，当输出值大于预设值时，即认为对应的声音信号噪声超标，将该声音信号存入数据库中，作为留样取证的样本。
33.本技术提供的自动留样取证的噪声监测方法，通过对采集到的声音信号进行处理，生成可用于识别的数字特征，并采用能量谱矩阵提取、分离化工生产噪声和其他背景噪声，采用神经网络模型对噪声进行识别，当噪声超标时可以自动留样取证，实现了化工生产噪声的持续监测和实时取证，有助于降低化工生产噪声的影响程度。
34.基于上述提供的方法，发明人设置两台声音采集设备之间的设定距离取值为50m
‑ꢀ
100m，局部声音序列大小的取值为400，每隔150个采样周期截取一段局部声音序列，且截取次数为9，也即，得到的能量谱矩阵为6*9维矩阵，进行了实验验证，得到实验结果如表1所示，表1为实验结果示意图。参考表1，实验结果表明，本发明提供的自动留样取证的噪声监测方法的监测正确率超过90%，响应时间在10秒内，监测效率高，识别结果准确。
35.表1本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
36.本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
37.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

技术特征：

1.一种自动留样取证的噪声监测方法，其特征在于，包括：在待监测环境内设置两台声音采集设备，所述两台声音采集设备之间间隔设定距离，且所述两台声音采集设备同时采集声音信号；将所述声音信号表示为时间的函数，其中，i表示声音采集设备的编号，t表示声音的采样周期，n表示离散的采样序号；在不同时间截取所述声音信号，得到多个局部声音序列，其中，表示局部声音序列大小，k表示截取时间点，
휔
表示偏移量；对多个所述局部声音序列分别作离散傅里叶变换，得到多个变换序列，
푖
表示复数虚部；计算多个所述变换序列的能量谱，得到多个能量谱向量，，表示局部窗口函数；对多个所述能量谱向量进行重组，生成能量谱矩阵，
푢
表示能量谱的次序，
푣
表示能量谱向量的编号；将所述能量谱矩阵作为输入，作为输出，建立神经网络模型；其中，表示对应的线性映射参数，
훽
3表示线性偏置参数；神经网络模型包括第一隐藏层和第二隐藏层，第一隐藏层为藏层和第二隐藏层，第一隐藏层为，
퐼 （
푚
+
푢
,
푣
）表示能量谱矩阵，
푚
表示以
푢
为中心的偏移量，为卷积窗，
푝
表示窗口序号，
훽
1表示偏离参数，
휎
为一非线性函数，定义为；第二隐藏层为；第二隐藏层为，
푞
表示能量谱向量维度，表示线性映射参数，表示线性偏置参数；通过对所述神经网络模型学习，得到神经网络模型的学习代价函数，
표
表示输出值，表示学习样本标记值，
휀
表示学习参数；利用所述学习代价函数迭代计算所述神经网络模型，得到学习后的神经网络模型；采集声音信号，对所述声音信号进行处理，得到能量谱矩阵，将所述能量谱矩阵输入所
述学习后的神经网络模型，得到输出值；当所述输出值大于预设值时，所述声音信号噪声超标，将所述声音信号存入数据库，作为留样取证的样本。2.根据权利要求1所述的自动留样取证的噪声监测方法，其特征在于，所述设定距离的取值范围为50m-100m。3.根据权利要求1所述的自动留样取证的噪声监测方法，其特征在于，=400。

技术总结

本发明公开一种自动留样取证的噪声监测方法，涉及计算机应用与化工交叉技术领域，包括：采集声音信号，表示为时间的函数；在不同时间截取声音信号，得到多个局部声音序列，变换得到多个变换序列；计算能量谱，得到多个能量谱向量，并生成能量谱矩阵；建立神经网络模型；通过学习，得到神经网络模型的学习代价函数；迭代计算得到学习后的神经网络模型；将能量谱矩阵输入学习后的神经网络模型，得到输出值；当输出值大于预设值时，将声音信号存入数据库，作为留样取证的样本。本发明在待监测环境下设置两台同步声音采集设备，通过自动智能化处理技术分析声音信号，完成声音特征的提取和噪声的监测，能够有效识别化工生产噪声，实现噪声的自动监测。噪声的自动监测。噪声的自动监测。