基于ITD-MFCC与卷积神经网络的核电电气设备异音检测技术

针对核电设备小样本异音数据集无法训练出高效预测模型难题，提出一种基于ITD-MFCC和卷积神经网络的电气设备异音检测方法。首先，利用固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)强化信号特征，增强特征辨识度；然后，利用梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients,MFCC)提取与人耳听觉特性关联的时频特征，进一步增强异音特征辨识度；最后，融合所提取特征指标，并利用卷积神经网络对融合特征进行训练，建立异响与数据特征映射关系，实现异音检测。试验结果表明：所设计的模型在小样本数据中准确率达到97.63%，相比于现有的支持向量机(Support Vector Machine,SVM)和BP神经网络模型准确率分别提升10.43%和12.86%。