基于頻譜動態(tài)特征和ELM的挖掘設備識別方法研究.pdf

1、近幾年，隨著我國城市化建設飛速發(fā)展對地下電纜的安全性需求越來越迫切。由于在道路改造和房屋建設等施工過程中，工作人員的疏忽大意導致電纜被挖斷的事故頻頻發(fā)生，給國家經(jīng)濟和人民安全帶來嚴重危害。因此，保障地下電纜供電系統(tǒng)不受挖掘設備破壞成為我國電力及城建部門亟待解決的問題。
　　本文在語音識別的基礎上，對常用幾種挖掘設備(挖掘機、液壓沖擊錘、電錘、切割機)的聲音信號展開深入分析研究，構建了一套基于頻譜動態(tài)特征的聲音信號提取方法和極限學習

2、機(ELM)作為分類器的挖掘設備識別算法。該算法能夠有效地檢測到威脅電纜安全的挖掘設備在作業(yè)時的聲音信號，從而進行預警判斷，達到對事發(fā)地進行定位的目的。
　　本文主要研究工作如下：
　　1.采用八通道的麥克風十字陣列在夜晚較理想的環(huán)境下對四種挖掘設備在不同距離作業(yè)下采集聲音信號，用于建立聲音特征庫。通過聲陣列對不同環(huán)境、不同距離下挖掘設備在白天正常作業(yè)的聲音信號進行采集與識別，進一步驗證該算法的有效性。
　　2.采用基

3、于Mel頻率倒譜系數(shù)(MFCC)特征提取方法、基于一階差分Mel頻率倒譜系數(shù)(MFCC)特征提取方法、基于二階差分Mel頻率倒譜系數(shù)(MFCC)特征提取方法和基于頻譜動態(tài)特征的聲音信號提取方法。通過對挖掘設備聲音信號的特征提取，進行不同的對比實驗。
　　3.在模式識別方面，基于識別率、訓練模型和識別時間長短作為本文算法的評價標準。選取BP前饋神經(jīng)網(wǎng)絡、KNN和ELM三種模式識別方法，用于對挖掘設備信號類型的識別對比。
　　4

4、.在實驗中，設計了基于MFCC、MFCC、MFCC和頻譜動態(tài)特征的系數(shù)提取以及BP前饋神經(jīng)網(wǎng)絡、KNN和ELM三種分類識別算法的對比實驗。進一步討論了隱含結(jié)點個數(shù)以及KNN識別算法中K值對識別結(jié)果的影響。通過大量實驗進行分析，基于頻譜動態(tài)特征的聲音特征提取方法和ELM的識別算法對挖掘設備作業(yè)的異常事件識別及預警是穩(wěn)定的。
　　5.為增強算法的魯棒性，在地鐵施工現(xiàn)場，重新采集挖掘設備聲音數(shù)據(jù)驗證每種設備的工作狀態(tài)。結(jié)果表明，該算法能