Page 47 - 2022年第53卷第9期

３．４ 对比分析与讨论 该模块为了验证所开发的方法，本研究基于同一组数据集对比了基于运动学的
机械活动分类、基于声学的机械活动分类和基于混合模态的机械活动分类。混淆矩阵分类结果如图 １３—
１５所示，并根据其分别统计了精细活动状态分类（７种类别，如 ４．２节所述）、振动状态分类（４种类
别：高振、低振、静碾、静止）和行进状态分类（ ３种类别：前进、后退、静止）的分类准确率，如表 ５
所示。总体来看，无论是对于单一模态还是多模态方法，活动类别细节层次越高（划分种类越多），识
别结果准确率越差。
表 ５ 不同层级分类准确率

７种活动分类 振动状态分类：高振、低振、静碾、静止 行进方向分类：前进、后退、静止
声学 ６６．５５％ ９０．４１％ ７１．８４％
运动学 ８０．９５％ ８３．４４％ ９６．８４％
多模态 ９０．１７％ ９３．８７％ ９５．６４％

此外，不同模态的数据在不同分类方案中的表现各有优劣。声学数据在识别机械振动状态时准确
率更高（达到了 ９０．４１％），然而在识别机械前进后退活动时准确率较差（７１．８４％），所以在 ７种类别分
类中分类效果较差，准确率仅为 ６６．５５％，这是符合实际情况的，主要是由于碾压机在不同振动状态时
的噪声状态存在较大区别，但是在同一振动状态下的前进后退两种类别中区别较小。与之相反的是，
运动学数据在识别机械行进状态时表现更优，准确率高达 ９６．８４％，然而在振动状态分类识别中表现略
逊一筹，识别准确率为 ８３．４４％，在 ７种类别分类中的识别准确率优于声学数据，但是仍然不够理想，
识别准确率为 ８０．９５％。多模态方法集成了声学数据和运动学数据的优势，相比于声学或运动学单一模
态，在精细活动状态分类时表现最好，准确率分别提高了 ２３．６２％和 ９．２２％。
图 １３—１５的混淆矩阵结果进一步地验证了上述内容。在 ７种类别分类效果中，基于运动学、声学
以及多模态的识别方法在识别静止状态时均表现优良；对于基于声学的分类结果，前进静碾状态与后

图 １３ 行进状态分类混淆矩阵

图 １４ 振动状态分类混淆矩阵

６
— １ ０ ０ —