基于微爆噪声识别模型的油罐沸溢火灾预警方法

1.本发明属于沸溢火灾及声学事件检测领域，基于微爆噪声识别模型的油罐沸溢火灾预警方法。

背景技术：

2.沸溢是油罐火灾中一种突发性的燃烧现象，它的发生常伴随着大量高温油滴喷溅，产生的高温、高热会灼伤消防人员、毁坏周边的消防设备，使灾害损失升级，若能预测沸溢火灾的发生，将有助于消防人员撤离和必要的设备防护，降低沸溢事故造成的危害。微爆噪声是沸溢前兆的重要特征，它与沸溢机理密切相关，是预警沸溢发生的可靠途径。然而，沸溢火灾现场存在多声音事件组成的嘈杂环境声，当存在与微爆噪声频谱结构相近的声音时(如高压水龙头喷溅声)，传统的声音识别检测方法对于信号较弱的沸溢前兆微爆噪声存在误识别，无法达到准确预警的效果。
3.因此，目前亟需一种能够在沸溢火灾现场识别沸溢前兆微爆噪声的方法，解决嘈杂环境声中无法准确识别微爆噪声的问题。
4.本发明提供一种基于微爆噪声识别模型的油罐火灾沸溢预警方法，通过目标声音事件、其他声音事件与环境背景声训练降噪模型与识别模型，所得到识别模型可增强微爆噪声识别率，提高沸溢预警准确性。

技术实现要素：

5.本发明提供一种基于微爆噪声识别模型的现场油罐火灾沸溢预警方法，旨在解决嘈杂环境声中无法准确识别沸溢前兆微爆噪声的问题。
6.所述方法包括如下步骤：
7.s1：拾音模块完成沸溢火灾场景的声音信号采集，并对其进行预处理；
8.s2：对预处理后的音频进行数据增强处理，即进行音频降噪，过滤环境背景声；
9.s3：提取降噪后音频的梅尔特征，结合识别模型进行分类，识别目标声学事件，即微爆噪声；
10.s4：统计微爆噪声出现次数，绘制微爆噪声发射频率(ofn)曲线；
11.s5：根据ofn曲线设定阈值，判断沸溢前兆阶段与沸溢的发生，以此达到沸溢预警效果。
12.进一步，所述步骤s2中，预处理具体指对现场采集到的音频数据进行归一化、加窗与分帧处理。
13.进一步，所述步骤s2中，数据增强具体指利用不同的噪声源对训练数据进行加噪，再以目标声学信号的频谱参数为训练目标，以带噪信号的频谱参数作为深度学习神经网络(dnn)的输入，建立降噪模型。
14.可选地，所述目标声学信号或带噪信号的频谱参数包括以下至少一种：过零率、短时能量、频谱形状描述子、梅尔频谱倒谱系数以及对数梅尔频率滤波器系数。
15.进一步，所述步骤s3中，识别模型为由dnn构成的单分类器。
16.再进一步，构建和训练机器学习识别模型的过程具体包括：首先从输入音频中提取梅尔特征和频谱特征，再通过dnn建模。
17.更进一步，所述dnn网络由全连接层和非线性激活层构成；dnn的输入是扁平化的特征矩阵，它输入到d个隐藏的全连接层中，每个层有n个神经元。
18.进一步，所述步骤s4中，ofn函数为：
[0019][0020]
式中：
[0021]
f(t)为t时刻微爆噪声是否出现，若出现f(t)＝1，反之f(t)＝0；
[0022]
δt取值范围一般为5～20s内，取值过低导致ofn曲线不稳定，取值过高导致判断时间延迟于实际时间。
[0023]
y、a为模型修正系数，与δt取值及识别模型准确度相关；
[0024]
进一步，所述步骤s5中，ofn阈值为0、1，当ofn》0时，燃烧进入了沸溢前兆阶段，当ofn》1时，沸溢前兆阶段结束，沸溢阶段开始。
[0025]
本发明有益效果在于：采用本发明提出的基于微爆噪声识别模型的现场油罐火灾沸溢预警方法，可以更加准确地识别嘈杂环境声中微爆噪声。
附图说明
[0026]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0027]
图1为本发明各模块逻辑关系图
[0028]
图2为降噪模型原理示意图
[0029]
图3为识别模型原理示意图
[0030]
图4为各声音事件梅尔特征频谱图
[0031]
图5为ofn曲线示意图
具体实施方式
[0032]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0033]
请参阅图1～图5，一种基于微爆噪声识别模型的现场油罐火灾沸溢预警方法具体包括以下步骤：
[0034]ⅰ.该方法训练过程包括：
[0035]
(1)降噪模型训练过程
[0036]
利用麦克风采集沸溢实验中微爆噪声，将其频谱参数作为训练目标；
[0037]
如图2所示，利用不同的噪声源对训练数据进行加噪，以带噪信号的频谱参数作为深度学习神经网络的输入，建立降噪模型；
[0038]
降噪模型旨在过滤与微爆噪声重叠的环境背景声，其噪声源包括室外开放场景与工业场景常见噪声；
[0039]
噪声源训练数据集来源于mcgill tsp和ntt multi-lingual数据集。
[0040]
在沸溢火灾现场，高压水龙头喷溅声一般作为持续发生声音事件存在，与微爆噪声的发生高度重叠。因此将高压水龙头喷溅声加入噪声源训练数据。
[0041]
(2)识别模型训练过程
[0042]
如图3所示，将作为目标声学事件的微爆噪声与沸溢现场可能出现的声学事件(如火警警笛、高压水龙头喷溅声、人声)的音频信号作为训练数据，对每个声学事件音频信号进行特征截取，并进行相关标注；
[0043]
特征截取指利用fft变换得到声音的幅度谱，取平方得到声音的能量谱，然后利用梅尔滤波器组将声音的能量谱转换到梅尔频率表示，得到声音的梅尔能量谱。梅尔频率与实际频率的关系如下：
[0044][0045]
将不同声学事件的梅尔特征作为单分类器的样本；
[0046]
单分类器由dnn网络构成，dnn的输入是扁平化的特征矩阵，它输入到d个隐藏的全连接层中，每个层有n个神经元；每个全连接层后面采用一个基于整流线性单元(relu)的激活函数。
[0047]ⅱ.该方法识别过程包括：
[0048]
(1)拾音模块完成现场音频采集；
[0049]
利用麦克风实时采集沸溢现场音频。
[0050]
(2)预处理模块将采集的音频进行归一化、分帧、加窗处理；
[0051]
所述归一化处理，将采集到的声音信号归一化到-1～1之间，便于声音信号的后续处理以及神经网络的训练；
[0052]
所述分帧处理，是将一段声音信号分为一组短且等长的时间帧，当声音信号的采样频率为44.1khz时，取1024个点为一帧，且相邻两帧之间有重叠，称为帧移，取帧移为由于环境声信号一般是非平稳的，通过分帧可以增加声音信号的平稳特性；
[0053]
所述加窗处理采用汉明窗处理，可使相邻两帧之间更加平滑，减少频谱泄露。
[0054]
降噪模块根据训练好的降噪模型进行数据增强处理；
[0055]
降噪模型用于过滤室外场景及工厂场景下的环境背景声、高压水龙头喷溅声。
[0056]
(3)特征提取模块提取降噪后音频数据的梅尔特征；
[0057]
特征提取模块的特征提取应与识别模型中训练样本的特征一致，即梅尔特征；
[0058]
利用fft变换得到声音的幅度谱，取平方得到声音的能量谱，然后利用梅尔滤波器组将声音的能量谱转换到梅尔频率表示，得到声音的梅尔能量谱。
[0059]
图4为各声音事件梅尔特征频谱图，从图中可得知各声音事件梅尔频谱特征存在明显差异。
[0060]
(4)判别模块根据训练完的识别模型，实时判定微爆噪声是否出现；
[0061]
识别模型根据特征提取模块输出的音频特征识别目标声音事件；
[0062]
根据识别模型的系统输出矩阵输出微爆噪声的出现时刻。
[0063]ⅲ.该方法预警过程包括：
[0064]
(1)显示模块根据判别模块的输出，绘制ofn曲线并展示；
[0065]
图5为ofn曲线示意图，ofn在沸溢前后差值较大，是判定沸溢及沸溢前兆发生的可靠依据。
[0066]
ofn的计算方式如下：
[0067][0068]
式中：
[0069]
f(t)为t时刻微爆噪声是否出现，若出现f(t)＝1，反之f(t)＝0；
[0070]
δt取值范围一般为5～20s内，取值过低导致ofn曲线不稳定，取值过高导致判断时间延迟于实际时间。
[0071]
y、a为模型修正系数，与δt取值及识别模型准确度相关；
[0072]
(2)通过ofn阈值对沸溢前兆及沸溢的发生做出预警，ofn阈值为0、1；
[0073]
当ofn》0时，沸溢前兆阶段开始；当ofn》1时，沸溢开始。

技术特征：

1.一种基于微爆噪声识别模型的现场油罐火灾沸溢预警方法，其特征在于，该方法具体包括如下步骤：s1：拾音模块完成现场声音信号的采集；s2：对预处理后的音频进行数据增强处理；s3：提取降噪后音频的梅尔特征，结合识别模型进行分类，识别目标声学事件，即微爆噪声；s4：统计微爆噪声出现次数，计算实时微爆噪声发射频率(ofn)；s5：根据ofn值设定阈值，预警沸溢前兆及沸溢的发生。2.根据权利要求1所述的数据增强处理，其特征在于，所述数据增强处理具体指利用不同的噪声源对训练数据进行加噪，再以目标声学信号的频谱参数为训练目标，以带噪信号的频谱参数作为深度学习神经网络的输入，建立降噪模型。3.根据权利要求2所述的频谱参数，其特征在于，所述频谱参数包括以下至少一种：过零率、短时能量、频谱形状描述子、梅尔频谱倒谱系数以及对数梅尔频率滤波器系数。4.根据权利要求3所述的目标声学信号与带噪信号，其特征在于，所述带噪信号的噪声源数据集来源于mcgill tsp和ntt multi-lingual数据集；所述目标声学信号为微爆噪声信号。5.根据权利要求1所述的识别模型，其特征在于，所述识别模型为由dnn网络构成的单分类器，构建和训练机器学习识别模型具体包括：首先从音频样本中提取梅尔特征和频谱特征，再通过dnn建模。6.根据权利要求5所述的音频样本，其特征在于，所述音频样本包括目标声学事件的微爆噪声与沸溢现场可能出现的声学事件(如火警警笛、高压水龙头喷溅声、人声)。7.根据权利要求1所述的ofn曲线，其特征在于，所述ofn的计算方式为：y、a为模型修正系数，与δt取值及识别模型准确度相关。8.根据权利要求1所述ofn阈值，其特征在于，所述ofn阈值为0、1，当ofn>0时沸溢前兆开始，当ofn>1时沸溢开始。

技术总结

本发明提供一种基于微爆噪声识别模型的油罐火灾沸溢预警方法，以解决现实火灾场景中嘈杂环境声影响下，油罐火灾沸溢前兆阶段的微爆噪声无法准确识别的问题。该方法包括：在训练阶段，将目标声音事件、其他声音事件以及包括高压水龙头喷溅声的环境背景声作为样本，分别提取上述三类音频信号的梅尔特征并将其输入神经网络，经训练后得到嘈杂环境声中微爆噪声的识别模型；在识别阶段，将现场采集的音频预处理后进行音频降噪，再将其音频特征输入训练好的识别模型，得到微爆噪声的出现时间；在预警阶段，根据微爆噪声的出现时间计算实时OFN值(微爆噪声发射频率)，通过OFN阈值判断沸溢的前兆阶段及沸溢的发生，最终实现油罐沸溢火灾的预警。火灾的预警。火灾的预警。