基于UMAP语音多特征融合的列车司机疲劳检测

列车司机在司乘作业中全程采用确认呼唤标准用语是保障铁路运输安全的重要一环。通过对列车司机的呼叫应答语音进行疲劳检测,可以有效地评估列车司机的驾驶疲劳状态和注意力程度,辅助监督列车司机保持行车作业质量和注意驾驶安全的风险控制。在基于语音技术的列车司机疲劳检测过程中,针对疲劳特征提取不够充分和所提取特征维数过高导致疲劳检出率低的问题,提出一种基于UMAP(Uniform Manifold Approximation and Projection)语音多特征融合的列车司机疲劳检测模型。首先,考虑到列车司机进入驾驶疲劳状态主要由生理疲劳和心理疲劳引起,因此选取蕴含丰富生理、心理信息的语音信号作为疲劳检测的输入。其次,提取呼叫应答语音信号中能够表征疲劳的韵律类、音质类、语谱类和非线性动力学类特征量及其统计参数族。再利用UMAP算法对该特征矩阵进行特征融合降维,实现高维数据在低维空间的有效表达,去除冗余信息后保留对于疲劳较敏感的特征向量,输入Informer分类器得到疲劳检测结果。实验结果表明,与线性降维算法PCA(Principal Components Analysis)、KPCA(Kernel Principal Component Analysis)和流形降维算法T-SNE(T-distribution Stochastic Neighbor Embedding)相比,通过UMAP算法融合降维后保留的关键特征对于清醒与疲劳的判别性更显著。最后结合Informer分类器可以有效检测出驾驶员的疲劳状态,并达到了91.8%的检测准确率。在准确、鲁棒地识别列车司机疲劳状态以保障行车安全方面,该模型能够满足列车司机疲劳状态检测的应用需求。

基于多过程信号的轧辊磨削表面粗糙度智能预测

由于轧辊磨削表面粗糙度预测困难,且其预测精度不足,为此,笔者提出了一种基于多过程信号的轧辊磨削表面粗糙度智能预测方法。首先,以砂轮转速、磨削深度、拖板速度和头架转速为变量,对轧辊进行了全因素磨削实验,采集了磨削过程中的多过程信号,即声发射信号、振动信号和主轴电流信号,测量了磨后轧辊的表面粗糙度;对信号进行了分段处理,强化了信号与粗糙度的关联,并对粗糙度进行了离散化处理,将回归问题转化为分类问题;然后,提取了各类信号在时域和频域上的众多特征值,并利用主成分分析法(PCA)对其进行了特征降维融合,构建了多种类型的特征输入;最后,利用网格搜索法优化了多层感知机(MLP)网络,得到了粗糙度的预测模型,实现了对轧辊磨削表面粗糙度的智能预测。研究结果表明:相较于单信号方案,多信号方案能够提供更全面、准确的信息;基于PCA的降维融合特征能进一步提高MLP网络的预测效果,其准确率为78.16%,F1值为0.7776,平均偏离距离为0.29。