异常声音事件检测是声音识别领域一个新的研究热点,具有很广泛的应用范围。航空发动机是飞机必不可少的一部分,其可靠性对飞机性能和安全飞行至关重要。通常情况下,当飞机发动机出现故障时,都可以归结为发动机产生了异常声音,如果能通过识别发动机的异常声音来检测发动机运行的状态,不仅可以减少运营和维修的成本,也可以减少事故的发生,然而,国内外针对飞机发动机异常声音检测的研究很少。本课题提出了飞机发动机异常声音识别系统的构建方法,该方法结合了信号处理的新理论和新应用,能有效推动航空安全技术智能化的发展。本文的主要内容如下:(1)建立了一个飞机发动机声音库,并对声音库中的声音信号进行预处理,提取出表征声音特征的MFCC参数和GFCC参数,组成飞机发动机声音特征矢量。(2)研究基于GMM-UBM的飞机发动机异常声音识别方法。通过提取的特征参数训练UBM模型,并用MAP自适应算法得到GMM-UBM模型,用GMMUBM模型检测识别发动机声音。最后通过MATLAB仿真实验,验证了特征参数、GMM混合度、特征参数的维数以及特征阶数对异常声音识别系统的影响。实验结果表明,GMM混合度为128时,发动机声音特征为12维MFCC参数时基于GMMUBM的飞机发动机异常声音识别系统的效果最好。(3)研究深度学习方法在飞机发动机异常声音识别中的应用。通过对深度学习基本知识的分析研究,本课题提出了基于MFCC-CNN、MFCC-LSTM-RNN和MFCC-FNN的飞机发动机异常声音识别系统,系统搭建在TensorFlow框架下,用python语言编程运行,通过实验验证了测试数据的时间、训练数据的训练次数以及神经网络的学习率对神经网络系统的影响。实验结果表明,测试时间为训练时间的一半,训练次数Epoch值为30和神经网络的学习率为0.001时,搭建的神经网络系统在飞机发动机异常声音中的平均识别率达到95%以上,结果证明具有很好的鲁棒性。综上所述,本课题搭建的飞机发动机异常声音识别系统,能够得到较好的识别效果,为声音事件检测技术在航空领域的应用提供了方法借鉴。