翟永杰，彭雅妮，楊 旭，胡東陽，王新穎

（1.華北電力大學(xué) 自動(dòng)化系，河北 保定 071003；2.華北電力大學(xué) 計(jì)算機(jī)系，河北 保定 071003）

0 引言

發(fā)電廠作為我國(guó)電能供應(yīng)的主要來源之一，承擔(dān)著重大的供電任務(wù)。研究更加安全有效的狀態(tài)監(jiān)測(cè)方法，對(duì)保障電廠平穩(wěn)、安全、高效的供能有著重要意義。發(fā)電廠的生產(chǎn)主要依靠汽輪機(jī)、發(fā)電機(jī)等旋轉(zhuǎn)機(jī)械設(shè)備，實(shí)現(xiàn)從機(jī)械能到電能的轉(zhuǎn)換來完成。當(dāng)旋轉(zhuǎn)機(jī)械設(shè)備出現(xiàn)嚴(yán)重故障時(shí)，需要停爐檢修，會(huì)對(duì)發(fā)電廠造成極大的經(jīng)濟(jì)損失。為更好地對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)，實(shí)現(xiàn)早期故障診斷，研究人員針對(duì)多種發(fā)電廠常用旋轉(zhuǎn)機(jī)械設(shè)備的機(jī)理特性，從設(shè)備溫度、電流、振動(dòng)等方面對(duì)設(shè)備的測(cè)點(diǎn)位置、監(jiān)測(cè)方法等做了很多研究。劉耘彰針對(duì)火電廠三大風(fēng)機(jī)（一次風(fēng)機(jī)、送風(fēng)機(jī)、引風(fēng)機(jī)），利用多元狀態(tài)估計(jì)方法（MSET）對(duì)風(fēng)機(jī)進(jìn)行狀態(tài)建模，根據(jù)歷史正常數(shù)據(jù)提出故障預(yù)警的閾值，實(shí)現(xiàn)風(fēng)機(jī)的故障預(yù)警；高明提出一種基于多元狀態(tài)估計(jì)（MSET）和相似性測(cè)度的方法，通過提取正常工況下監(jiān)測(cè)參數(shù)的聚類中心，計(jì)算估計(jì)值與聚類中心的相似性測(cè)度，確定送風(fēng)機(jī)的當(dāng)前工作狀態(tài)，實(shí)現(xiàn)送風(fēng)機(jī)故障的早期預(yù)警；李芒芒利用加速度傳感器采集風(fēng)機(jī)葉片的振動(dòng)信號(hào)，根據(jù)葉片的振動(dòng)模態(tài)參數(shù)來診斷故障，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)確定其損傷程度；張保欽等通過對(duì)風(fēng)機(jī)葉片的振動(dòng)信號(hào)進(jìn)行時(shí)域和頻域分析，提取出最顯著的故障特征，實(shí)現(xiàn)風(fēng)機(jī)葉片的實(shí)時(shí)監(jiān)測(cè)；劉志剛等人將振動(dòng)信號(hào)通過小波包分解，以分解后的能量信息作為輸入能量，使用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別和診斷。

這些研究中，都需要在旋轉(zhuǎn)機(jī)械設(shè)備上選取測(cè)點(diǎn)安裝傳感器來監(jiān)測(cè)設(shè)備參數(shù)，多元狀態(tài)估計(jì)方法（MSET）需要依賴系統(tǒng)正常狀態(tài)時(shí)的歷史數(shù)據(jù)以及各個(gè)參數(shù)之間的關(guān)系，由于監(jiān)測(cè)的參數(shù)較多，往往導(dǎo)致誤報(bào)率較高；振動(dòng)信號(hào)的采集同樣需要傳感器與設(shè)備接觸，對(duì)傳感器的日常維護(hù)有較高要求，且目前的方法在性能和精度上還難以滿足故障預(yù)警的要求。而基于聲音信號(hào)的監(jiān)測(cè)能夠提供一種無接觸式的方法，為上述問題提供解決思路。

旋轉(zhuǎn)機(jī)械設(shè)備由于內(nèi)部構(gòu)造不同，在不同工況下，機(jī)械振動(dòng)產(chǎn)生的聲音也具有一定的辨識(shí)度。目前研究人員對(duì)可聽聲分析法在設(shè)備故障診斷和在線監(jiān)測(cè)方面進(jìn)行了不少研究。王東峰等研究了小波變換在含有強(qiáng)噪聲信號(hào)的條件下對(duì)故障信號(hào)的間斷點(diǎn)準(zhǔn)確定位的特性；舒暢等提出了基于自適應(yīng)白噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）算法，利用支持向量描述（SVDD）對(duì)典型放電故障進(jìn)行分類與識(shí)別；李建鵬提出振?聲聯(lián)合分析的方法，針對(duì)高壓斷路器的振動(dòng)信號(hào)和聲波信號(hào)展開分析，利用經(jīng)驗(yàn)?zāi)B(tài)分解的方法提取特征，并利用支持向量機(jī)對(duì)斷路器典型機(jī)械故障進(jìn)行了識(shí)別。這些研究都是基于聲音的時(shí)域特征，但對(duì)于時(shí)域特征類似的不同設(shè)備或工況的分類，識(shí)別率就會(huì)降低。文獻(xiàn)[10]針對(duì)三相異步電動(dòng)機(jī)的四種運(yùn)行狀態(tài)，通過計(jì)算頻譜差異提取特征，使用最近鄰分類器、BP 神經(jīng)網(wǎng)絡(luò)和基于文字編碼的改進(jìn)分類器進(jìn)行故障識(shí)別；文獻(xiàn)[11]中選擇單相異步電動(dòng)機(jī)作為研究對(duì)象，提出了基于頻率的特征選擇方法，在利用最近平均分類器對(duì)健康、軸承故障和繞組線圈短路故障的三個(gè)電機(jī)進(jìn)行分類時(shí)，得到了較好的分類效果。這些方法采用從頻域中提取的特征向量作為識(shí)別診斷的依據(jù)，但提取的特征僅考慮到頻域中信號(hào)的部分信息，從而遺漏了頻域部分的有效信息。研究表明，頻譜特征更能表征目標(biāo)特點(diǎn)，而基于梅爾尺度的梅爾濾波器組充分考慮人耳的聽覺特性，能夠提高特征的有效性并且具有很高的識(shí)別性，能夠較好地表現(xiàn)頻域特征的梅爾頻率倒譜系數(shù)（Mel?Frequency Cepstral Coefficients，MFCC）特征，目前還沒有被廣泛運(yùn)用到電力領(lǐng)域中。因此，本文提出一種基于梅爾頻率倒譜系數(shù)的特征融合方法，首先在ESC?50 的部分?jǐn)?shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，同時(shí)提取聲音信號(hào)的MFCC 特征和IMFCC 特征；再將兩者通過差異性指標(biāo)進(jìn)行特征選擇，融合得到新特征，進(jìn)行識(shí)別效果驗(yàn)證；最后在現(xiàn)場(chǎng)采集的電廠設(shè)備聲音數(shù)據(jù)集上進(jìn)行應(yīng)用研究。

1 基于MFCC 和IMFCC 的特征融合算法

1.1 特征生成

特征生成是用較少維數(shù)表征聲音信號(hào)特征的過程，因此設(shè)備聲音識(shí)別率的高低取決于生成的特征是否準(zhǔn)確。特征參數(shù)不僅要表現(xiàn)出聲音的特性，還需要把不同旋轉(zhuǎn)機(jī)械設(shè)備以及同一設(shè)備的不同工況區(qū)分開。發(fā)電廠設(shè)備在運(yùn)行時(shí)包含從低頻到高頻各種頻率成分的振動(dòng)，因此產(chǎn)生的聲音頻域不只分布在低頻部分。而梅爾濾波器組在低頻部分密集，高頻部分稀疏，可能導(dǎo)致設(shè)備聲音的高頻有效信號(hào)缺失等問題。因此，本文選取的兩種聽覺特征分別為基于梅爾濾波器組的MFCC 特征和基于翻轉(zhuǎn)梅爾濾波器組的IMFCC 特征，具體生成過程如圖1 所示。

圖1 MFCC 和IMFCC 特征生成過程

梅爾頻率倒譜系數(shù)是一種具有高識(shí)別性的特征參數(shù)，因此它是許多識(shí)別系統(tǒng)最佳的特征參數(shù)。特征生成方法如下：

1）切分。為了統(tǒng)一聲音樣本的時(shí)長(zhǎng)，將聲音信號(hào)切分為0.5 s，即一個(gè)聲音樣本。

2）預(yù)加重。為了使聲音信號(hào)的頻譜變得平坦，能在低頻到高頻段中用同樣的信噪比求頻譜，本文對(duì)每個(gè)樣本的聲音信號(hào)進(jìn)行預(yù)加重處理。預(yù)加重處理即將聲音信號(hào)通過一個(gè)高通濾波器：

式中0.9<<1.0，本文取0.97。

3）歸一化。對(duì)預(yù)處理后的聲音信號(hào)的頻譜進(jìn)行歸一化處理，減小不同類別聲音頻率范圍的差異：

4）分幀、加窗。聲音信號(hào)在短時(shí)是平穩(wěn)的，這個(gè)短時(shí)長(zhǎng)一般為10～30 ms，為便于特征分析，需要對(duì)聲音信號(hào)就進(jìn)行分幀處理。為保證相鄰兩幀之間的平滑過渡，需要對(duì)幀信號(hào)進(jìn)行疊加處理，之后用每一幀乘以一定長(zhǎng)度的窗函數(shù)進(jìn)行加窗濾波處理。本文采用漢明窗，窗函數(shù)為：

5）在每幀信號(hào)乘以漢明窗后，還需要經(jīng)過快速傅里葉變換以得到在頻譜上的能量分布：

6）對(duì)得到的頻譜能量取模的平方，得到離散功率譜，再通過一組梅爾濾波器組進(jìn)行濾波，計(jì)算濾波器組輸出的對(duì)數(shù)能量()：

7）將得到的對(duì)數(shù)能量經(jīng)離散余弦變換（Discrete Cosine Transform，DCT）得到靜態(tài)MFCC 參數(shù)：

式中：為三角濾波器的個(gè)數(shù)；為MFCC 系數(shù)的階數(shù)。

8）經(jīng)加權(quán)差分計(jì)算得到多階動(dòng)態(tài)MFCC 參數(shù)。動(dòng)態(tài)差分參數(shù)包括一階差分和二階差分，將靜態(tài)和動(dòng)態(tài)特征結(jié)合起來能夠有效提高系統(tǒng)的識(shí)別性能，但當(dāng)階數(shù)升高到一定程度時(shí)，系統(tǒng)識(shí)別性能的改善將變得很小，系統(tǒng)的復(fù)雜度卻大大增加。因此，本文僅考慮靜態(tài)參數(shù)和一階差分參數(shù)。

IMFCC 特征提取方法與MFCC 基本相同，唯一差別在于經(jīng)FFT 變換后的信號(hào)需通過翻轉(zhuǎn)梅爾濾波器組濾波，經(jīng)離散余弦變換后得到IMFCC 特征。梅爾濾波器組結(jié)構(gòu)如圖2a）所示，在低頻區(qū)域分布集中，高頻區(qū)域分布稀疏；翻轉(zhuǎn)梅爾濾波器的結(jié)構(gòu)如圖2b）所示，剛好與傳統(tǒng)梅爾濾波器相反，在低頻區(qū)域分布稀疏，在高頻區(qū)域分布集中。

圖2 兩種濾波器結(jié)構(gòu)

1.2 特征選擇

以上兩種濾波器組結(jié)構(gòu)呈互補(bǔ)關(guān)系，可結(jié)合兩種特征參數(shù)的優(yōu)勢(shì)以獲取更好的識(shí)別結(jié)果。但是直接將兩者疊加會(huì)增加特征的維數(shù)，從而增加訓(xùn)練和識(shí)別的計(jì)算量。除此之外，由于特征的各個(gè)維度的區(qū)分度不同，其中維度區(qū)分度很低的冗余特征以及干擾信息會(huì)直接影響識(shí)別性能，因此不能直接疊加，需要進(jìn)行特征選擇。

本文提出一種基于統(tǒng)計(jì)學(xué)的特征選擇方法，按照特征提取方法，提取每段0.5 s 的所有聲音樣本特征，得到個(gè)×的特征矩陣：

式中：為總樣本個(gè)數(shù)；為幀數(shù)；為特征維數(shù)。

計(jì)算M 的平均值，得到個(gè)1×的特征向量′：

將′按照類別分為類，分別計(jì)算每類特征矩陣的平均值，得到一個(gè)×的矩陣，計(jì)算每一維的方差，最終得到1×的方差向量。由于方差向量的第12 維之后數(shù)值差異較小，因此，計(jì)算前12 維方差向量的平均值ˉ，當(dāng)σ>3ˉ時(shí)，選擇第維向量作為特征向量。

1.3 特征融合

兩種特征在經(jīng)過特征選擇后基本去除了冗余特征和干擾信息，可以進(jìn)行融合。本文將特征選擇后具有特定維數(shù)的MFCC特征和IMFCC特征通過首尾相連的方式進(jìn)行組合。通過特征融合后的M?IMFCC特征矩陣為：

式中：為幀數(shù)；為選擇后MFCC 特征的維數(shù)；為選擇后IMFCC 特征的維數(shù)；F為第幀、第維的MFCC特征；E為第幀、第維的IMFCC 特征。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 基于ESC?50 數(shù)據(jù)集的實(shí)驗(yàn)

基于聲音信號(hào)分類的方法多用于環(huán)境音、語音分類，在電力領(lǐng)域還沒有公共數(shù)據(jù)集。本文采用ESC?50數(shù)據(jù)集中具有非平穩(wěn)特性的部分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中包括昆蟲、雨、風(fēng)、洗衣機(jī)、吸塵器、直升機(jī)、發(fā)動(dòng)機(jī)、火車這八類聲音，每類總時(shí)長(zhǎng)為20 s。為保證數(shù)據(jù)一致，均采用44100 Hz 采樣率，幀長(zhǎng)取32 ms，幀移取16 ms，窗函數(shù)采用漢明窗，窗長(zhǎng)取1412 個(gè)采樣點(diǎn)。訓(xùn)練集與測(cè)試集按照7∶3 的比例，在Matlab R2018a 環(huán)境下將八類聲音訓(xùn)練集的特征參數(shù)輸入到SVM 中，運(yùn)用LibSVM 選取徑向基內(nèi)核RBF 核函數(shù)得到八個(gè)分類模型，分別對(duì)MFCC、IMFCC 和M?IMFCC 三種算法進(jìn)行比較，并對(duì)不同特征的結(jié)果進(jìn)行分析。本文采用24 個(gè)梅爾濾波器進(jìn)行濾波，所以MFCC 特征和IMFCC 特征的維數(shù)也是24 維，經(jīng)過特征選擇后，新的特征由MFCC 的第1，2 維和IMFCC 的第1，3 維組成。

表1 為8 種聲音在三種特征下的平均識(shí)別率，每種特征的下腳標(biāo)為特征維數(shù)。從實(shí)驗(yàn)結(jié)果來看，當(dāng)生成的特征維數(shù)均為24 維時(shí)，MFCC 特征的總體識(shí)別率更高，說明聲音信號(hào)低頻段的特征更顯著；兩種特征與選擇后的4 維特征相比，融合特征M?IMFCC 的總體平均識(shí)別率最高，這是因?yàn)樵撍惴ㄈ诤狭藘煞N信號(hào)特征，使得特征更加完整，也改善了MFCC 特征在高頻段缺失有效信息的缺陷，因而識(shí)別率更高；昆蟲音在兩種特征下的識(shí)別效果都很高，說明昆蟲音在低頻段和高頻段具有較少的冗余信息，因此在進(jìn)行特征選擇時(shí)會(huì)失去部分有效信息；風(fēng)聲和吸塵器工作聲音在IMFCC 特征下的識(shí)別率較低，說明兩種聲音的有效特征多分布于低頻段，因此融合高頻特征后的識(shí)別率會(huì)受到干擾。雖然融合特征M?IMFCC 在昆蟲、風(fēng)和吸塵器這三個(gè)類別中的識(shí)別率相對(duì)于MFCC 特征較低，但總體上，融合特征M?IMFCC還是使用較少的特征維數(shù)達(dá)到了較高的分類效果，說明融合特征更適用于有效特征分布于全頻域的聲音分類。

表1 不同特征提取方法識(shí)別率（ESC?50） %

2.2 基于電廠采集數(shù)據(jù)的實(shí)驗(yàn)

根據(jù)公共數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果可以看出，融合特征M?IMFCC 在具有非線性、非平穩(wěn)特性的聲音數(shù)據(jù)集上具有較好的分類效果。為了研究基于聲音信號(hào)的發(fā)電廠設(shè)備監(jiān)測(cè)方法，本文選擇從某火電廠在全封閉、處于穩(wěn)定工況的環(huán)境下，采集的供油泵、連接軸、磨煤機(jī)、磨煤機(jī)箱體、凝結(jié)水泵、凝結(jié)水泵電機(jī)、循環(huán)水泵、引風(fēng)機(jī)這八種設(shè)備音進(jìn)行識(shí)別分類。采集設(shè)備及采集過程如下：

采用的設(shè)備為96 通道聲像儀。設(shè)備采用一體化集成設(shè)計(jì)，包括96 通道麥克風(fēng)陣列、數(shù)據(jù)采集器和攝像頭，如圖3 所示。麥克風(fēng)陣列采用平面多臂對(duì)數(shù)螺旋陣結(jié)構(gòu)，平面陣中心安裝攝像頭。該設(shè)備小巧輕便，可手持或用三腳架支撐測(cè)量，適于狹小空間內(nèi)的聲場(chǎng)測(cè)量，可應(yīng)用于工業(yè)設(shè)備噪聲源分析等方面。

圖3 96 通道手持聲像儀實(shí)物圖

通常陣列與被測(cè)設(shè)備距離1 m 左右，如果是大型設(shè)備，可能需要進(jìn)一步拉大距離使設(shè)備在聲像儀監(jiān)控范圍內(nèi)。確定采集裝置位置后，固定裝置并開始采集。采集設(shè)備通過聲像定位來調(diào)整采集頻率，因此采集到的聲音信號(hào)能很好地表征被測(cè)設(shè)備的特性。這些聲音按照時(shí)間序列被放入8 個(gè)文件夾中，每類每個(gè)通道的聲音時(shí)長(zhǎng)平均為150 s。

為保證樣本數(shù)量和計(jì)算時(shí)間的合理性，本文選擇1 通道的聲音信號(hào)，并且將聲音信號(hào)的時(shí)間序列打亂，保證樣本的隨機(jī)性。八類設(shè)備聲音信號(hào)的時(shí)、頻域分布如圖4 所示。

圖4 八類設(shè)備的時(shí)、頻域分布

由圖4 供油泵（a）、連接軸（b）、磨煤機(jī)（c）、磨煤機(jī)箱體（d）、凝結(jié)水泵（e）、凝結(jié)水泵電機(jī)（f）、循環(huán)水泵（g）、引風(fēng)機(jī)（h）這八種設(shè)備的時(shí)域、頻域分布可知：八類設(shè)備在正常工作時(shí)，在時(shí)域上的分布差異并不明顯；八類設(shè)備聲音的頻域信號(hào)集中分布于低頻段（200～300 Hz），其中部分設(shè)備聲音的頻域信號(hào)在中頻段（200～300 Hz，800～1000 Hz）和高頻段（1000 Hz 以上）上有零散分布，相對(duì)于時(shí)域分布，頻域具有更明顯的差異。

將八類設(shè)備音按照特征提取、特征選擇的方法處理后，八類設(shè)備聲音的′按照類別分布，如圖5 及圖6 所示。根據(jù)圖5 和圖6 的箱型圖可以看出：對(duì)于MFCC 特征，前三維特征與其他維的特征差異較大，且基本沒有異常值出現(xiàn)；對(duì)于IMFCC 特征，第一維特征與其他維特征具有明顯差異，特征分布較為密集。這說明這幾維特征具有一定的穩(wěn)定性，且能夠充分體現(xiàn)不同類別的聲音信號(hào)的差異性。最終經(jīng)過差異性指標(biāo)計(jì)算，選擇MFCC特征的1，2，3 維和IMFCC 的第1 維特征作為火電廠八類設(shè)備聲音信號(hào)的融合特征M?IMFCC。

圖5 MFCC 特征的M′N 的箱型圖分布

圖6 IMFCC 特征的M′N 的箱型圖分布

為進(jìn)一步證明融合特征M?IMFCC 在非線性、非平穩(wěn)特征信號(hào)上分類的有效性，針對(duì)電廠設(shè)備總共1200 s的聲音信號(hào)，首先將采樣率統(tǒng)一到16000 Hz，幀長(zhǎng)取32 ms，幀移取10 ms，窗函數(shù)采用漢明窗，窗長(zhǎng)取512 個(gè)采樣點(diǎn)，隨機(jī)挑出所有樣本的10%，20%，30%，40%，50%，60%，70%，80%作為訓(xùn)練樣本，其余作為測(cè)試樣本使用，在Matlab R2018a 環(huán)境下，使用SVM 分類器對(duì)MFCC、IMFCC、M?IMFCC 三種算法進(jìn)行比較及分析。

圖7 展示了三種算法在不同訓(xùn)練樣本數(shù)量下的分類準(zhǔn)確率。圖7a）為ESC?50 部分?jǐn)?shù)據(jù)集上的測(cè)試結(jié)果，圖7b）為電廠設(shè)備聲音數(shù)據(jù)集上的測(cè)試結(jié)果。從圖7 的實(shí)驗(yàn)結(jié)果可以看出，隨著訓(xùn)練樣本的增加，融合特征M?IMFCC 在兩個(gè)數(shù)據(jù)集上的平均識(shí)別率均高于MFCC 特征和IMFCC 特征，證明了融合特征M?IMFCC 的優(yōu)越性。從電廠設(shè)備聲音數(shù)據(jù)集的測(cè)試結(jié)果可以看出，融合特征M?IMFCC 在少樣本前提下依然具有很高的識(shí)別率，在訓(xùn)練樣本為總樣本的70%時(shí)，識(shí)別率基本達(dá)到穩(wěn)定狀態(tài)。MFCC 特征和IMFCC 特征隨著訓(xùn)練樣本集的擴(kuò)增，識(shí)別率逐漸上升，MFCC 特征在訓(xùn)練樣本數(shù)量達(dá)到80%時(shí)，識(shí)別效果才能接近于融合特征；MFCC 特征的識(shí)別率一直稍高于IMFCC 特征，這是由八類設(shè)備聲音的頻域分布特性導(dǎo)致的；融合特征M?IMFCC 在訓(xùn)練樣本數(shù)量為70%和80%的識(shí)別率之間僅相差0.14%。因此，本文認(rèn)為在訓(xùn)練樣本數(shù)量達(dá)到70%時(shí)，融合特征具有最好的識(shí)別效果。

圖7 在SVM 中三種特征提取方法的識(shí)別率

八類設(shè)備聲音信號(hào)在訓(xùn)練樣本數(shù)量為總樣本數(shù)量的70%的識(shí)別結(jié)果如表2 所示。

表2 不同特征提取方法識(shí)別率（發(fā)電廠設(shè)備） %

發(fā)電廠設(shè)備聲音數(shù)據(jù)集的平均識(shí)別率如表2 所示。根據(jù)表2 可以看出：當(dāng)特征維數(shù)均為24 維時(shí)，MFCC 特征的平均識(shí)別率整體偏高，說明這八類發(fā)電廠設(shè)備的工作聲音在低頻部分具有更明顯的特征；從三種特征的平均識(shí)別率來看，融合特征M?IMFCC 在除供油泵以外的其他七類設(shè)備中都表現(xiàn)出了更好的識(shí)別效果；而供油泵在MFCC 和IMFCC 特征上相比于其他設(shè)備識(shí)別率更高，這表明供油泵的這兩種聲音特征基本都是有效特征。因此，在使用本文方法進(jìn)行特征選擇時(shí)，會(huì)丟失一部分有效信息，從而降低識(shí)別率，而相較于MFCC 特征，供油泵平均識(shí)別率僅降低了1.09%，總體平均識(shí)別率卻提高了4.12%。

3 結(jié)論

為了將基于聲音信號(hào)的非接觸式監(jiān)測(cè)方法應(yīng)用于發(fā)電廠設(shè)備的日常監(jiān)測(cè)，實(shí)時(shí)掌握設(shè)備的運(yùn)行狀態(tài)，以便實(shí)現(xiàn)設(shè)備的故障診斷，避免損失電廠效益，本文提出一種融合MFCC 特征和IMFCC 特征的方法。在MFCC和IMFCC 特征的基礎(chǔ)上，通過差異性指標(biāo)進(jìn)行特征選擇和特征融合，并在ESC?50 部分?jǐn)?shù)據(jù)集以及電廠設(shè)備聲音數(shù)據(jù)集上，對(duì)三種特征進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：融合后的M?IMFCC 特征能夠通過較少的維數(shù)表征聲音信號(hào)頻域部分的有效信息，有效去除了MFCC 和IMFCC 特征中存在的冗余特征和干擾信息，降低了計(jì)算量，提高了識(shí)別速率；能夠準(zhǔn)確地反映電廠設(shè)備聲音信號(hào)的非平穩(wěn)特性和各設(shè)備之間的差異性，解決了從頻域中全面捕獲聲音信號(hào)特征的問題，實(shí)現(xiàn)了八類電廠設(shè)備聲音信號(hào)的識(shí)別；融合特征M?IMFCC 的訓(xùn)練樣本需求較少，準(zhǔn)確率高，更適用于設(shè)備的故障診斷研究。