基于HMM模型的车辆状态评估

2021-01-23刘旭

廊坊师范学院学报(自然科学版) 2021年3期

【摘要】为通过噪声检测及时发现车辆行驶过程中突发的异常，提出基于隐马尔可夫（HMM）的评估方式，通过选取车辆正常以及异常状态下的噪声采集数据样本作为离线训练样本，得到相应的模型参数;然后将实时数据送入这两类模型进行评估，概率大的为系统当前运行状态。经过试验测试该策略在车辆状态异常评估中有较高的精确度，可用于车辆异常情况的检测。

【关键词】隐马尔可夫模型;噪声检测;梅尔频率倒谱系数

Vehicle Condition Evaluation Based on HMM Model

Liu Xu

（Anhui University of Science and Technology，Huainan 232001，China）

【Abstract】 In order to detect the sudden abnormal in the process of vehicle running through noise detection， this paper proposes an evaluation method based on Hidden Markov model. By selecting the noise collection data samples under normal and abnormal conditions as offline training samples， the corresponding model parameters are obtained; then， the real-time data are sent to these two models for evaluation， and the system current operating state has a high probability. The experimental results show that the model has high accuracy in vehicle fault assessment and can be used for fault detection.

【Key words】 Hidden markov model; noise detection; Mel-frequency cepstral coefficients

〔中圖分类号〕 TP14 〔文献标识码〕 A 〔文章编号〕 1674 - 3229（2021）03- 0000 - 00

0 引言

近年来，汽车工业的发展呈现上升态势，汽车普遍地进入人们的生活，但与此同时也出现了很多问题。车辆故障就是其中一项，在车辆状态异常时，车辆内部产生的噪声与车辆正常情况往往不同。目前，用于车辆状态异常识别识别的方法有神经网络、支持向量机、小波变换等[1]。由于隐马尔可夫模型在声音辨识方面有着普遍的使用，本文将隐马尔可夫模型用于对车辆噪声的评估，从而判断汽车是否处于故障状态，防止车辆意外情况的产生[2]。

汽车噪音即汽车行驶在道路上时，发动机，动力系统，轮胎，气体交换及制动等系统运行时发出的噪声以及汽车行驶因空气动力学而导致噪音的叠加结果。另外，如果汽车某个特定的旋转部件产生故障，或某些部件因车辆行驶过程中产生运动干涉等都会发出非正常行驶噪声。其中车辆内部的噪音主要来自于发动机以及底座上发出的异常噪音，汽车发动机是复杂且应用广泛的机电控制系统，产生故障的概率很大[3]。研究表明，作为汽车核心的主要组成部件，发电机损坏导致的异常占到车辆故障总数的40%。对于汽车异常情况的检测中，一般看重的都是车辆里边的噪音。

1 隐马尔科夫模型

一个完整的HMM包含马尔可夫链和一般随机过程，包括以下元素[4]：

（1）马尔可夫链的状态数为N，记N个状态分别为[][R1，R2…RN]，记t时刻的状态为[Qt]，则[Qt][?R1，R2…RN]。

（2）每个状态的观测值数目为M，记M个观测值分别为[u1，u2…uM]，记t时刻的观测值为[Qt]，则[Qt][?u1，u2…uM]。

（3）初始概率分布矢量为[π]，记N个概率分布[π1，π2…πN]，则[π]=[π1，π2…πN]。

（4）状态转移概率矩阵A=[aijN×N]，其中状态转移概率[aij]=P[qt+1=Rj|qt=Ri] [1≤i，j≤N]，即任意时刻t，若状态为[Ri]，则下一状态为[Rj]的概率。

（5）观测值概率矩阵B=[bjkN×M]，其中观测值概率[bjk]=P[Qt=uk|qt=Rj] [1≤j≤N，1≤k≤N]，即任意时刻t，若状态为[Rj]则观测值为[uk]的概率。

HMM模型[λ=N，M，π，A，B]，简记为[λ=π，A，B]。

综上所述，HMM的组成如下图1所示。

HMM主要解决三类问题：

评估问题：在给定观测序列[Q=Q1，Q2…QT]和模型[λ]的条件下，计算观测变量序列在O的在给定模型下的概率[PQ|λ]，采用前向-后向算法。

解码问题：在给定观测变量序列O和[λ]的条件下，求的使[PQ|λ]最大的[S=q1，q2…qt]，采用Viterbi算法。

学习问题：给定观测序列Q，求得一个[λ]，使得[PQ|λ]最大，采用Baum-Welch算法。

HMM可以通过提取当前车辆状态信息的特征矢量，代入训练好的HMM，经过模式匹配从而识别当前健康状态或故障状态[5]。

2 HMM模型训练

2.1 特征参数提取

在车辆安全评估模型中，根据要求对车辆中出现的异常噪音信号进行有效提取。由于采集到的车辆噪声信号为时域信号，这种时域信号不可直接送至HMM模型进行信号训练，需要通过处理才能进行特征训练，即将某段时长内的数据信号分成等值的若干帧，接着在提取特征参数，送入HMM进行在线训练[6]。本文选取梅尔倒谱系数（MFCC）作为特征信号进行学习。系统数据在经过上述处理后，开始进入MFCC数据分析状态，即将噪音信号输入功率谱后完成转换，转换后的功率信号通过梅尔滤波器组滤波得到表特征系数，对此系数取对数后再进行余弦变换，变换后的特征信号进行MFCC提取，并与一阶的MFCC信号融合后进行判定，最终得到实验所需的特征参数[7]。其中MFCC特征参数的提取流程如图2所示。

2.2 训练和评估

针对车辆状态的评估，本文提出基于隐马尔可夫模型来完成数据分析，该模型被广泛应用于大多数状态预测和故障评估中[8]。在车辆安全评估中，利用HMM参与训练，设定安全监测系统在某一时间段内存在的隐变量为[qt]，表示t时刻的隐含状态，该状态是无法通过直接观测得到的，其中，由于每个状态均趋向于不同状态则可用集合[S=S1，S2…SN]来表示。测得安全监测系统在某一时间段内存在m种监测状态，该系列的状态数据每发生一次变化均依赖于前一状态，为[Q1，Q2…QN]，其中初始状态表示为[Q0]，根据隐马尔可夫模型有隐含状态在初始时刻的概率分布为[π]，在隐马尔可夫模型中，其任意时刻状态为[Ki]，下一状态为[Kj]，可记状态转移概率为A，若状态为[Kj]，则观测值为[Rs]，可记输出观测值概率为B，则模型可记为[λ=π，A，B]。训练模型首先计算给定模型[λ]以及观测序列[P]，再对观测序列给定在最大似然度下学习得出其最大概率，通过匹配得到当前状态。

通过训练样本数据分别获得车辆完好运行状态所对应的模型参数[λk=π，Ak，Bk]与故障状态对应的状态模型参数[λq=π，Ak，Bk]，进行评估时，把需要评估的车辆噪声信号转换成对应的特征序列，再分别代入上面训练好的两种模型进行概率评估，概率明显大的即为车辆当前状态。

3 试验测试及分析

3.1 测试方案

利用HMM来完成模拟训练评估，测试安排如下：试验需要车辆正常状况和异常状况下的训练样本，本试验先从中选取训练样本对HMM参数进行训练，然后再从中选取测试样本在分别进行测试[5]。针对这两种状态，分别选取250个样本，其中50个用于训练模型，200个用于识别测试。

3.2 训练

训练时先对采集的样本数据进行分析处理，得到系统设置时长20s内的时域噪声信号，再按照上文描述对应的处理过程对相应的数据实行分帧处理，选定每帧周期时长为0.1s，数据样本分为200帧子数据集，再对每一单帧数据集进行 MFCC 特征提取，获得每一个单帧数据集所对应特征向量送入HMM进行在线训练，得到对应的模型参数。

3.3 结果分析

由上述实验测试提取某段时间内采集到的特征信号，经过对数据进行预处理，将某段时长内的数据信号分成等值的若干帧，构造其特征序列后提取特征向量，送入HHM来实行在线训练评估。实验数据如下表1所示，結果发现对测试样本的错误识别率不高于5%，由此可以得知该模型在车辆状态评估中有很好的准确度，可用于车辆异常识别。

4 结论

本文针对车辆故障问题提出隐马尔可夫模型来预测车辆状况，先收集数据提取特征信号再利用HMM对其进行训练，在最大似然度下学习得出其最大概率，通过匹配得到车辆当前运行状态[9]。结果显示，对车辆噪声通过MFCC提取特征参数后再对HMM模型进行训练，从而对车辆状态进行评估，准确度很高。同时在往后的研究中还可以进一步增加样本数量，训练车辆更多不同故障状态的HMM模型，这样通过对相应的模型的训练能更加精确地判断车辆的不同故障状态。

参考文献：

[1] 刘应吉. 车辆状态监测与故障诊断新方法研究[D].沈阳：东北大学，2008.

[2] 张帅林. 基于HMM的关键词语音识别技术在智能家居中的应用研究[D]. 兰州：兰州交通大学，2017.

[3] 李增芳，何勇，宋海燕.基于主成分分析和集成神经网络的发动机故障诊断模型研究[J].农业工程学报，2006（4）：131-134.

[4] 张杰，黄志同，王晓兰.语音识别中隐马尔可夫模型状态数的选取原则及研究[J].计算机工程与应用，2000（1）：67-69+133.

[5] 吴毅斌，翟春平，张宇，等.基于隐马尔可夫模型的舰船水下噪声评估方法[J].舰船科学技术，2019，41（17）：121-124.

[6] 郑继明，吴渝，杨春德等. 基于小波特征提取的音频检索技术研究.重庆：重庆邮电大学，2010-06-03.

[7] 陆振波，章新华，朱进.基于MFCC的舰船辐射噪声特征提取[J].舰船科学技术，2004（2）：51-54.

[8] 卢微.隐马尔可夫模型在自然语言理解研究中的应用[J].电脑与信息技术，2007（1）：33-35.

[9] 楼振凯，侯福均，楼旭明.基于极大似然的马尔可夫链初始状态估计的数学规划[J].南京师范大学学报（自然科学版），2019，42（2）：50-56+60.

[收稿日期] 2021-01-28

[基金项目] 2018安徽省自然科学基金面上项目（NO.1808085MF169）;2018年度安徽高校自然科学研究项目