基于MFCC的高铁隧道衬砌脱空智能识别

衬砌脱空作为高铁隧道常见病害之一，威胁车辆和人员安全。目前，高铁隧道衬砌脱空检测多采用人工敲击听声的方法进行判断，受主观影响较大，准确率会受到影响。基于传统叩诊法原理并结合声音识别技术，对高铁隧道衬砌脱空的智能识别进行研究。采集京广高铁某隧道敲击检查的270段敲击声音样本，分析密实和脱空状态下的时域和频域特征。分析发现：衬砌背后密实与脱空时域波形特征和短时能量均有显著差异；密实状态下主频与次主频在6 200 Hz左右，脱空状态下主频与次主频在800 Hz左右。提取36维梅尔频率倒谱系数（MFCC），降维处理后作为机器学习数据集。采用极端梯度提升（XGBoost）算法训练与测试，建立基于MFCC的高铁隧道衬砌脱空智能识别模型，与优化的支持向量机（CV-SVM）模型和梯度提升决策树（GBDT）模型相比，识别准确率更高，达到96.87%。该模型可用于衬砌背后脱空的定性识别，相较于人工检测，智能化和信息化程度极大提升，对智能化和自动化诊断高铁隧道衬砌脱空缺陷具有重要意义。