论文部分内容阅读
近几年,随着我国城市化建设飞速发展对地下电缆的安全性需求越来越迫切。由于在道路改造和房屋建设等施工过程中,工作人员的疏忽大意导致电缆被挖断的事故频频发生,给国家经济和人民安全带来严重危害。因此,保障地下电缆供电系统不受挖掘设备破坏成为我国电力及城建部门亟待解决的问题。本文在语音识别的基础上,对常用几种挖掘设备(挖掘机、液压冲击锤、电锤、切割机)的声音信号展开深入分析研究,构建了一套基于频谱动态特征的声音信号提取方法和极限学习机(ELM)作为分类器的挖掘设备识别算法。该算法能够有效地检测到威胁电缆安全的挖掘设备在作业时的声音信号,从而进行预警判断,达到对事发地进行定位的目的。本文主要研究工作如下:1.采用八通道的麦克风十字阵列在夜晚较理想的环境下对四种挖掘设备在不同距离作业下采集声音信号,用于建立声音特征库。通过声阵列对不同环境、不同距离下挖掘设备在白天正常作业的声音信号进行采集与识别,进一步验证该算法的有效性。2.采用基于Mel频率倒谱系数(MFCC)特征提取方法、基于一阶差分Mel频率倒谱系数((35)MFCC)特征提取方法、基于二阶差分Mel频率倒谱系数((35)(35)MFCC)特征提取方法和基于频谱动态特征的声音信号提取方法。通过对挖掘设备声音信号的特征提取,进行不同的对比实验。3.在模式识别方面,基于识别率、训练模型和识别时间长短作为本文算法的评价标准。选取BP前馈神经网络、KNN和ELM三种模式识别方法,用于对挖掘设备信号类型的识别对比。4.在实验中,设计了基于MFCC、(35)MFCC、(35)(35)MFCC和频谱动态特征的系数提取以及BP前馈神经网络、KNN和ELM三种分类识别算法的对比实验。进一步讨论了隐含结点个数以及KNN识别算法中K值对识别结果的影响。通过大量实验进行分析,基于频谱动态特征的声音特征提取方法和ELM的识别算法对挖掘设备作业的异常事件识别及预警是稳定的。5.为增强算法的鲁棒性,在地铁施工现场,重新采集挖掘设备声音数据验证每种设备的工作状态。结果表明,该算法能够较准确地对挖掘设备进行识别从而达到预报警的目的。最后将该识别算法通过MATLAB软件建立一个GUI界面。