[发明专利]一种基于声纹识别的结构损伤检测系统及方法

权利要求书

1.一种基于声纹识别的结构损伤检测系统，其特征在于：包括现场敲击检测模块、初级音频异常检测模块、损伤特征分类检测模块、损伤特征复核模块及报警模块；所述现场敲击检测模块用于对现场结构进行检测并获取连续声音信号；所述初级音频异常检测模块用于接收连续声音信号的输入，分析不同时间段声音信号组的声纹特征，对比各项声纹特征是否发生变化并在检测出异常值时，输出各项声纹特征所构成的特征向量至所述损伤特征分类检测模块；所述损伤特征分类检测模块通过机器学习分类算法输出内部损伤的待定损伤类别；所述损伤特征复核模块将待定损伤类别反馈至现场敲击检测模块，现场敲击检测模块根据预先设置的损伤声纹特征，调整敲击检测的频率、强度，然后将待定损伤类别和重新采集的声纹特征所构成的特征向量输入预先训练的分类器，输出复核后的损伤类别至报警模块；所述报警模块记录损伤类型和损伤发生位置。

2.根据权利要求1所述的基于声纹识别的结构损伤检测系统，其特征在于：所述初级音频异常检测模块分析的声纹特征包括波长、强度、衰减特性、声波频谱。

3.根据权利要求2所述的基于声纹识别的结构损伤检测系统，其特征在于：所述初级音频异常检测模块包括时间序列分离器、声谱分析器、时间相关匹配器，所述时间序列分离器将连续声音信号分离出长度、移动时段的声音信号，所述声谱分析器将分离后各个时段的声音信号进行分析并输出波长、强度、衰减特性、声波频谱的时间序列至所述时间相关匹配器，所述时间相关匹配器对声纹特征的时间序列进行检测判断，当判断存在异常时输出变化参数的统计值和当前值。

4.根据权利要求1所述的基于声纹识别的结构损伤检测系统，其特征在于：所述损伤特征分类检测模块的机器学习分类算法包括贝叶斯分类算法。

5.根据权利要求1所述的基于声纹识别的结构损伤检测系统，其特征在于：所述损伤特征复核模块根据不同结构形式、不同结构位置预先设置的损伤声纹特征，反馈至现场敲击检测模块；所述现场敲击检测模块根据损伤声纹特征调整敲击检测的频率、强度，再次执行敲击检测和复核损伤类型。

6.一种基于声纹识别的结构损伤检测方法，其特征在于，包括如下步骤：

步骤1：将现场敲击检测模块采集的连续声音信号依据检测的时间序列，依次导入初级音频异常检测模块，初级音频异常检测模块分析不同时间段声音信号组的包括波长、强度、衰减特性、声波频谱在内的声纹特征，并对比各项声纹特征是否发生变化；

步骤2：当检测出某一时刻异常值后，将各项声纹特征所构成的特征向量作为输入，导入损伤特征分类检测模块，通过机器学习分类算法输出内部损伤的待定损伤类别；

步骤3：将待定损伤类别通过损伤特征复核模块反馈至现场敲击检测模块，根据损伤特征复核模块预先设置的损伤声纹特征，现场敲击检测模块调整敲击检测的频率、强度再次执行敲击检测，然后将待定损伤类别和重新采集的声纹特征所构成的特征向量输入预先训练的分类器，复核损伤类别是否准确；

步骤4：将复核后损伤类型输入报警模块，记录损伤类型和损伤发生位置。

7.根据权利要求6所述的基于声纹识别的结构损伤检测方法，其特征在于：所述步骤1中初级音频异常检测模块将连续声音信号分离成不同时段的声音信号组，并生成不同时段声音信号组的包括波长、强度、衰减特性、声波频谱在内声纹特征的时间序列，对比判断各项声纹特征时间序列是否发生变化，当判断出存在异常时输出变化声纹特征的统计值和当前值。

8.根据权利要求7所述的基于声纹识别的结构损伤检测方法，其特征在于：所述步骤2中损伤特征分类检测模块依据变化声纹特征的统计值和当前值进行分组加权，根据分组加权得到各项声纹特征所构成的特征向量作为输入，采用贝叶斯分类算法对比典型损伤特征数据库输出待定损伤类别。

9.根据权利要求1所述的基于声纹识别的结构损伤检测方法，其特征在于：所述损伤特征复核模块根据不同结构形式、不同结构位置预先设置损伤声纹特征。