基于BP神经网络的电除尘火花放电识别方法技术

本发明专利技术公开了基于BP神经网络的电除尘火花放电识别方法，包括：采集声音信号，得到PCM音频数据；对音频数据预处理；提取音频数据的MFCC、短时能量和短时过零率三种特征参数；建立BP神经网络火花放电音频识别模型；将采集多组的声音信号的三种特征参数作为声音样本；对BP神经网络火花放电音频识别模型进行训练和测试；将采集的待识别声音信号进行三种特征参数的提取，将三种特征参数输入到已达到要求的BP神经网络火花放电音频识别模型中，完成电除尘火花放电声音的识别。本发明专利技术采用声音识别的方法，采集火花放电的声音信号，提取其时域特征和频域特征,并利用BP神经网络建立二分类模型来识别火花放电信号。

Recognition method of spark discharge in electrostatic precipitator based on BP neural network

【技术实现步骤摘要】
基于BP神经网络的电除尘火花放电识别方法
本专利技术涉及声音识别
，具体涉及一种基于BP神经网络的电除尘火花放电识别方法。
技术介绍
目前，我国大气污染严重，已经严重影响人民的生活。相比布袋除尘、机械除尘等方法，静电除尘具有净化效率高、能耗低、处理废气量大等优势，应用最为广泛。实际工程中，为了获得更高的电压，往往都在直流高压的基础上叠加窄脉冲，但电压过高会在除尘本体里产生电场击穿，极板间近似短路，出现火花放电现象，有强烈的光亮并伴随着“啪啪”声。火花放电会导致电场电压瞬间下降，失去除尘效果，甚至可能会损坏设备。迫切需要一种能够检测火花放电的方案，以对除尘电源进行闭环反馈控制，减少火花放电次数。直接测量除尘电源的电压、电流的安全性差，图像识别法又会受到除尘本体遮挡视线的影响。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足提供一种基于BP神经网络的电除尘火花放电识别方法，本基于BP神经网络的电除尘火花放电识别方法采用声音识别的方法，采集火花放电的声音信号，提取其时域特征和频域特征,并利用BP神经网络建立二分类模型来识别火花放电信号。为实现上述技术目的，本专利技术采取的技术方案为：基于BP神经网络的电除尘火花放电识别方法，包括以下步骤：步骤1：采集声音信号，得到PCM音频数据；步骤2：对音频数据进行预处理；步骤3：提取音频数据的MFCC、短时能量和短时过零率三种特征参数；步骤4：使用BP神经网络算法建立BP神经网络火花放电音频识别模型；步骤5：将采集多组的声音信号的三种特征参数作为声音样本，将声音样本的80％的样本作为训练集，剩余的20％的样本作为测试集；对BP神经网络火花放电音频识别模型进行训练和测试；步骤6：将采集的待识别声音信号进行三种特征参数的提取，将三种特征参数输入到已达到要求的BP神经网络火花放电音频识别模型中，完成电除尘火花放电声音的识别。作为本专利技术进一步改进的技术方案，所述的步骤1为：通过MP34DT01的数字MEMS麦克风采集声音信号，得到PDM格式音频数据，将PDM格式音频数据转换为PCM格式的音频数据。作为本专利技术进一步改进的技术方案，所述的步骤2为：对音频数据进行预处理，包括预加重、分帧和加窗处理。作为本专利技术进一步改进的技术方案，所述的步骤5中的声音样本包括火花放电声音样本和非火花放电声音样本；其中火花放电声音样本的采集方式为：采集多组火花放电声音信号，提取火花放电瞬间的两帧数据，将两帧数据的三种特征参数作为火花放电声音样本。作为本专利技术进一步改进的技术方案，所述MFCC为24维或36维。本专利技术的有益效果为：本专利技术采用声音识别的方法，采集火花放电的声音信号，提取其时域特征和频域特征,并利用BP神经网络建立二分类模型来识别火花放电信号，识别准确率高。附图说明图1为本专利技术实施例中声音采集电路结构示意图。图2为本专利技术实施例中PDM转PCM的流程图。图3为本专利技术实施例中火花放电声音的时域波形。图4为本专利技术实施例中强火花的短时能量的波形图。图5为本专利技术实施例中弱火花的短时能量的波形图。图6为本专利技术实施例中强火花的门限过零率的波形图。图7为本专利技术实施例中弱火花的门限过零率的波形图。图8为本专利技术实施例中MFCC特征提取流程图。图9为本专利技术实施例中BP神经网络的设计步骤流程图。具体实施方式下面根据图1至图9对本专利技术的具体实施方式作出进一步说明：本实施例提供一种基于BP神经网络的电除尘火花放电识别方法，包括以下步骤：步骤1：通过MP34DT01的数字MEMS麦克风采集声音信号，得到PDM格式音频数据，将PDM格式音频数据转换为PCM格式的音频数据。本实施例采用型号为MP34DT01的数字MEMS(Micro-Electro-MechanicalSystem)麦克风，内置的电容传感器能够检测声波，体积小、功耗低，信噪比达到63dB，全向灵敏度-26dBFS，且内置滤波器，对电磁干扰具有很高的免疫力，适合工业场合。其2脚LR接地代表选择左声道，通过10K电阻R1上拉代表选择右声道，即U2为左声道，U1为右声道。3脚CLK为时钟引脚，需要主设备为其提供时钟。4脚DOUT为数据输出引脚，输出为PDM(PulseDensityModulation)格式音频数据，抗干扰能力强。MP34DT01的3脚和4脚均用于连接主设备，主设备将PDM格式音频数据转换为PCM格式的音频数据。本实施例选取内核为ARM—M7的STM32F769作为主设备，该芯片拥有内部DFSDM(DigitalFilterforSigmaDeltaModulator)，支持PDM转PCM(PulseCodeModulation)音频数据，流程如图2所示，本质是通过了一个∑-Δ数字抽取滤波器。PCM数据的采样率fs的计算公式如下：其中，Fclk是给PDM提供的时钟频率，本实施例设为3.072MHz，Fosr和Iosr分别是滤波器和积分器的过采样率，本实施例分别设为64和1，可得到fs为48KHz。PCM数据的分辨率Sr由滤波器类型、Fosr、Iosr和右移位数共同决定。本实施例选用SinC3滤波器，其分辨率计算公式如下：Sr＝(±Fosr3*Iosr)＞＞Dig(2)；其中，Dig为右移位数，本文设为3，最终可得16位有效数据。数字麦克风输出的PDM数据流经过DFSDM的转换，最终得到48KHz、16位的PCM音频数据。步骤2：对PCM的音频数据进行预处理，包括预加重、分帧和加窗处理。本实施例对声音进行分帧加窗处理，把信号分为每帧时长为20ms的数据，即在48KHz采样率下为960个采样点。在分析短时能量和过零率时加矩形窗，分析线性预测倒谱系数和梅尔频率倒谱系数时加海明窗。本实施例使用matlab软件读取采集的PCM音频数据并绘制火花放电声音的时域波形如图3所示，火花发生瞬间幅值很高，但持续时间只有几毫秒，瞬间就降到较低幅值，然后经过大约180ms才慢慢衰减结束。步骤3：提取音频数据MFCC、短时能量、短时过零率等三种特征参数；短时能量是一个度量声音信号幅度变化的参数，它体现的是信号在不同时刻的强弱程度，其计算公式如下：采集的声音可以分成很多帧，其中n表示数据帧号，m表示n数据帧中的某一数据点。本实施例根据公式(3)计算得到火花放电短时能量，如图4和图5所示，由于只有火花产生瞬间的幅度强，只有两帧数据包含此时间段，因此这两帧的短时能量特别高，其它都很低。比较图4和图5，强火花放电比弱火花放电的短时能量峰值高。因此，短时能量可以作为衡量火花放电强度的一个主要参数。本实施例设定一个阈值，若短时能量小于该阈值，则把该帧视为静音帧，不再进行后续处理，减小运算压力，提高系统的实时性。短时过零本文档来自技高网...

【技术保护点】
1.基于BP神经网络的电除尘火花放电识别方法，其特征在于：包括以下步骤：/n步骤1：采集声音信号，得到PCM音频数据；/n步骤2：对音频数据进行预处理；/n步骤3：提取音频数据的MFCC、短时能量和短时过零率三种特征参数；/n步骤4：使用BP神经网络算法建立BP神经网络火花放电音频识别模型；/n步骤5：将采集多组的声音信号的三种特征参数作为声音样本，将声音样本的80％的样本作为训练集，剩余的20％的样本作为测试集；对BP神经网络火花放电音频识别模型进行训练和测试；/n步骤6：将采集的待识别声音信号进行三种特征参数的提取，将三种特征参数输入到已达到要求的BP神经网络火花放电音频识别模型中，完成电除尘火花放电声音的识别。/n

【技术特征摘要】
1.基于BP神经网络的电除尘火花放电识别方法，其特征在于：包括以下步骤：
步骤1：采集声音信号，得到PCM音频数据；
步骤2：对音频数据进行预处理；
步骤3：提取音频数据的MFCC、短时能量和短时过零率三种特征参数；
步骤4：使用BP神经网络算法建立BP神经网络火花放电音频识别模型；
步骤5：将采集多组的声音信号的三种特征参数作为声音样本，将声音样本的80％的样本作为训练集，剩余的20％的样本作为测试集；对BP神经网络火花放电音频识别模型进行训练和测试；
步骤6：将采集的待识别声音信号进行三种特征参数的提取，将三种特征参数输入到已达到要求的BP神经网络火花放电音频识别模型中，完成电除尘火花放电声音的识别。


2.根据权利要求1所述的基于BP神经网络的电除尘火花放电识别方法，其特征在于：所述的步...

【专利技术属性】
技术研发人员：江莺，谢加武，段峥，张梦琦，宋任刚，仇杨华，戚明阳，杨灿云，陈心愉，俞铭津，殷红莲，倪晓宇，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32