基于排氣聲的發(fā)動(dòng)機(jī)轉(zhuǎn)速識(shí)別

描述

1. 問題陳述

許多人意識(shí)到溫室氣體排放對(duì)環(huán)境有害，但對(duì)道路車輛、發(fā)動(dòng)機(jī)聲音、動(dòng)力傳動(dòng)系統(tǒng)、排氣、輪胎、剎車、風(fēng)噪聲等引起的噪音污染知之甚少。想象一個(gè)車載監(jiān)控系統(tǒng)，它可以繪制出駕駛行為和通過聽排氣、輪胎、風(fēng)噪聲的污染程度。不僅將這些信息提供給駕駛員，以提醒駕駛員如何溫和的駕駛行為會(huì)降低噪音污染，而且還可以預(yù)測(cè)輪胎、動(dòng)力傳動(dòng)系統(tǒng)等的磨損程度。除此之外，該車載監(jiān)控系統(tǒng)還提供噪音污染等級(jí)評(píng)分，供地方當(dāng)局或保險(xiǎn)機(jī)構(gòu)（如果駕駛員同意）給予折扣/獎(jiǎng)勵(lì)以降低噪音，因?yàn)轳{駛員可以通過選擇電動(dòng)汽車，使用較低的噪音輪胎，更好的維護(hù)車輛狀況，最關(guān)鍵的駕駛行為。有了這個(gè)系統(tǒng)，司機(jī)可以共同做出貢獻(xiàn)，以盡量減少對(duì)環(huán)境的噪音污染以及道路上的風(fēng)險(xiǎn)。

2. 范圍和假設(shè)

這里有幾個(gè)過程要實(shí)現(xiàn)：

• 識(shí)別聲音以確定是什么事件
• 根據(jù)識(shí)別結(jié)果對(duì)事件進(jìn)行評(píng)分
• 預(yù)測(cè)時(shí)間序列識(shí)別中的已知失敗

由于多種原因，本項(xiàng)目的范圍有限，例如：

• 數(shù)據(jù)集僅限于一種類型的車輛（實(shí)際上只有一種車輛）
• 僅當(dāng)出于安全考慮車輛不移動(dòng)時(shí)才收集數(shù)據(jù)集，因?yàn)闊o法同時(shí)駕駛車輛和管理項(xiàng)目。
• 感官輸入（音頻）僅針對(duì)排氣聲。
• 機(jī)器學(xué)習(xí)管道僅運(yùn)行 M4 核心。
• 由于社區(qū)帳戶，SensiML 知識(shí)包的分類輸出有限。
• 由于參與者開發(fā)前端應(yīng)用程序的知識(shí)有限，SensiML 開放網(wǎng)關(guān)將用作 GUI。

鑒于上述定義的范圍，假設(shè)這是作為原型研究而不是實(shí)際用例部署，旨在使參與者能夠探索在邊緣設(shè)備上使用機(jī)器學(xué)習(xí)技術(shù)。

1. 提出的解決方案

該原型由幾個(gè)組件組成，如圖 1 所示。

• QuickLogic 的 QuickFeather
• NodeMCU的ESP32
• 鋰離子電池 18650

下面還有其他幾個(gè)軟件包。

• QuickLogic 的 QORC-SDK
• 樂鑫的 ESP-IDF
• 數(shù)據(jù)采集??實(shí)驗(yàn)室、Analytics Studio、SensiML 的開放式網(wǎng)關(guān)

圖 1：原型

?

QuickFeather 和 ESP32 之間的連接使用 UART，其簡(jiǎn)單示意圖如圖 2 所示。

圖 2：連接

?

計(jì)劃安裝點(diǎn)盡量靠近排氣口，不讓樣機(jī)暴露在排氣、水濺等熱源中，如圖3所示。

圖 3：安裝點(diǎn)

?

3.1 帶有測(cè)試數(shù)據(jù)集的概念驗(yàn)證

在構(gòu)建項(xiàng)目之前，需要大量閱讀數(shù)據(jù)表、repo、論壇等內(nèi)容，考慮到在完全不同平臺(tái)上的新體驗(yàn)，這個(gè)過程并非沒有挑戰(zhàn)。首先，建立一個(gè)概念驗(yàn)證項(xiàng)目，其簡(jiǎn)單目標(biāo)是識(shí)別人聲，區(qū)分字符“A”、“B”、C”、“D”和不說話。音頻數(shù)據(jù)集在 DCL 中收集并手動(dòng)分割，長(zhǎng)度大小固定為 8000 個(gè)數(shù)據(jù)點(diǎn)，字符作為標(biāo)簽。此外，在 Analytic Studio 中，該項(xiàng)目使用窗口大小為 400 的 AutoML 管道和 20 個(gè)特征級(jí)聯(lián)的滑動(dòng)來組裝。最推薦的語音識(shí)別功能（基于互聯(lián)網(wǎng)和論壇的研究和調(diào)查）將是梅爾頻率倒譜系數(shù)（MFCC）。所以，在 AutoML 設(shè)置中選擇了頻率功能。訓(xùn)練結(jié)果令人印象深刻，準(zhǔn)確率和靈敏度均達(dá)到 99%。該管道生成4個(gè)特征，即MFCC、主頻、譜熵和峰值頻率。特征選擇器是使用信息增益（IG）根據(jù)類之間的差異來選擇特征。在特征向量最小最大尺度變換之后，管道以分層 K 折交叉驗(yàn)證結(jié)束。最后，下載知識(shí)包并在 QF_SSI_AI_APP 中編譯并刷入 QuickFeather。特征選擇器是使用信息增益（IG）根據(jù)類之間的差異來選擇特征。在特征向量最小最大尺度變換之后，管道以分層 K 折交叉驗(yàn)證結(jié)束。最后，下載知識(shí)包并在 QF_SSI_AI_APP 中編譯并刷入 QuickFeather。特征選擇器是使用信息增益（IG）根據(jù)類之間的差異來選擇特征。在特征向量最小最大尺度變換之后，管道以分層 K 折交叉驗(yàn)證結(jié)束。最后，下載知識(shí)包并在 QF_SSI_AI_APP 中編譯并刷入 QuickFeather。

使用 SensiML 開放網(wǎng)關(guān)驗(yàn)證結(jié)果如圖 4 所示。識(shí)別結(jié)果，但實(shí)際上不如訓(xùn)練結(jié)果。靈敏度很好，而準(zhǔn)確度大概在 50% 到 80% 之間。這有幾個(gè)可能的原因，背景聲音/噪聲影響識(shí)別，數(shù)據(jù)集欠擬合/過擬合，模型未優(yōu)化，以及許多其他事情可能出錯(cuò)。其中一個(gè)疑點(diǎn)是，當(dāng)一個(gè)字符長(zhǎng)時(shí)間發(fā)音時(shí)，音頻波形可能會(huì)呈現(xiàn)出相似的形狀、模式和頻率，例如“B”和“D”。也許有一些更好的技術(shù)可以捕捉到這一點(diǎn)，這將是未來 KIV 研究的主題。

圖 4：概念驗(yàn)證測(cè)試

?

備注：由于社區(qū)賬號(hào)，分類輸出限制為每上電1000個(gè)輸出。音頻傳感器配置為 16 kHz，滑動(dòng)窗口大小為 8000 個(gè)數(shù)據(jù)點(diǎn)，僅需 500 秒即可達(dá)到最大輸出限制。

3.2 真實(shí)數(shù)據(jù)集的實(shí)際運(yùn)行

真實(shí)數(shù)據(jù)集被分割并使用表 2 中列出的以下條件進(jìn)行標(biāo)記。

表 2：分類

?

類似的方法用于構(gòu)建此管道。窗口大小設(shè)置為 400 和 10 個(gè)特征級(jí)聯(lián)，并選擇頻率作為 AutoML 管道中的特征生成器。盡管數(shù)據(jù)集中存在一些異常值，但訓(xùn)練結(jié)果似乎可以接受，如圖 5 所示。

圖 5：訓(xùn)練結(jié)果

?

一些類之間存在一些混淆，“EngIdle_AC_OFF”、“Eng1k”和“Ramp_DOWN”。此外，“Ramp_DOWN”和“Ramp_UP”也存在精度較低的問題，如圖 6 所示。

圖 6：混淆矩陣

?

該管道使用 MFCC 和 Spectral Entropy 作為特征生成器，使用 IG 作為特征選擇器，其中在將其輸入模型之前將應(yīng)用 Min Max Scale 變換。該模型使用模式匹配引擎 (PME) 分類器，并通過層次聚類和神經(jīng)元優(yōu)化進(jìn)行優(yōu)化，如圖 7 所示。

圖 7：模型摘要

?

最后，知識(shí)包使用 QF_SSI_AI_APP 編譯并加載到 QuickFeather 并通過 ESP32 流式傳輸?shù)介_放網(wǎng)關(guān)。原型的位置如圖 3 所示，分類結(jié)果正在通過穩(wěn)定的腳控制油門踏板傳輸?shù)今{駛座的筆記本電腦。分類輸出主要顯示如圖 8 所示發(fā)動(dòng)機(jī)怠速（約 800 rpm）時(shí)的“EngIDL_AC_OFF”和“Eng1K”?？赡艿脑蛑皇?800 rpm 和 1000 rpm 之間的排氣聲音非常相似。

圖 8：發(fā)動(dòng)機(jī)怠速時(shí)的分類

?

盡管如此，發(fā)動(dòng)機(jī)轉(zhuǎn)速高于 1000 rpm 的分類令人印象深刻，如圖 9 所示。當(dāng)發(fā)動(dòng)機(jī)以恒定轉(zhuǎn)速懸停時(shí)，它可以識(shí)別正確的發(fā)動(dòng)機(jī)轉(zhuǎn)速。這展示了使用 SensiML 知識(shí)包閃爍的邊緣設(shè)備 (QuickFeather) 的功能。最好的是，知識(shí)包是由 AutoML 管道構(gòu)建的，沒有太多的代碼破解或數(shù)據(jù)科學(xué)方面的密集知識(shí)。

圖 9：發(fā)動(dòng)機(jī)在恒定轉(zhuǎn)速下的分類

?

發(fā)動(dòng)機(jī)加速或減速時(shí)的識(shí)別是非常隨機(jī)的。這可能與數(shù)據(jù)集有關(guān)。數(shù)據(jù)集是在車庫環(huán)境中收集的，如果有更好的資源和環(huán)境，例如由 ECU 控制的發(fā)動(dòng)機(jī)以執(zhí)行預(yù)設(shè)的速度曲線，數(shù)據(jù)集將非常干凈并顯著改進(jìn)模型。

4。結(jié)論

該項(xiàng)目是一個(gè)半成品，因?yàn)樗粚?shí)現(xiàn)了部分目標(biāo)，即識(shí)別道路車輛引起的噪聲污染并向用戶提供反饋。盡管范圍沒有最初計(jì)劃那么大，但識(shí)別部分已經(jīng)完成，還檢測(cè)動(dòng)力傳動(dòng)系統(tǒng)、風(fēng)噪聲等。它需要多學(xué)科的技能和資源，如電子設(shè)計(jì)、腳本編碼等來完成整個(gè)項(xiàng)目，這是一個(gè)寫作時(shí)的時(shí)間和知識(shí)方面的限制。因此，該項(xiàng)目正在結(jié)束，以記錄整個(gè)過程中的所有努力和研究。最后，盡管學(xué)習(xí)曲線陡峭，但這個(gè)項(xiàng)目非常有趣，真正令人興奮的是，QuickFeather 和 SensiML 的存在為業(yè)余愛好者和