本文關(guān)鍵詞： 地下管線 工程器械聲音 統(tǒng)計特征 SVM ELM　出處：《杭州電子科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：地下管線系統(tǒng)是城市重要的基礎(chǔ)設(shè)施,承載著供水排水、能源輸送、電力供應(yīng)、通信傳輸?shù)雀鞣矫娴娜蝿?wù),為城市生活秩序提供了基本條件。然而在城鎮(zhèn)化進(jìn)程中,城市的建設(shè)施工活動日益增多,施工使用的各類設(shè)備對地下管線的安全造成了嚴(yán)重的威脅。由于管線埋于地下,且線路分布廣泛,對于工程器械的外力破壞很難進(jìn)行及時預(yù)防和保護(hù),目前急需有效的智能監(jiān)控系統(tǒng)。經(jīng)過實地考察發(fā)現(xiàn),經(jīng)常造成地下管線挖斷事故的器械主要有手持電鎬、液壓破碎錘、挖掘機和切割機這幾類。本文研究了這幾類破壞性工程器械的工作方式,深入分析了其聲音信號的特性,在此基礎(chǔ)上提出了一種基于統(tǒng)計參數(shù)的特征提取方法,并使用支持向量機(SVM)和極限學(xué)習(xí)機(ELM)分別作為智能分類器,構(gòu)建了一套工程器械的聲音識別算法。該算法可用于地下管線監(jiān)控系統(tǒng),能夠全天候遠(yuǎn)程工作,有效地識別破壞性施工器械,檢測到管線被挖斷的潛在威脅,從而提出預(yù)警,識別算法可以使監(jiān)控系統(tǒng)更加智能化,更有效率地協(xié)助管線維護(hù)單位的工作。本文的主要工作和成果如下:1.采用傳聲器陣列采集工程器械的實際施工聲音,包括多種聲源距離和多種背景環(huán)境,用于聲音樣本庫的建立和識別測試實驗的實施。2.在特征提取方面,研究了梅爾頻率倒譜系數(shù)(MFCC)和線性預(yù)測倒譜頻率(LPCC)特征,并針對其在識別應(yīng)用領(lǐng)域的局限性,提出了一種統(tǒng)計特征提取方法。該方法選取并計算短時幀的統(tǒng)計參數(shù),從時域和頻域兩個方面描述聲音信號。通過信號參數(shù)的變化范圍,設(shè)置了其中相關(guān)的閾值。3.在識別分類方面,通過對SVM和ELM算法的研究,采用這兩種學(xué)習(xí)算法作為智能分類器,進(jìn)行樣本特征的訓(xùn)練建模和測試信號的識別分類。4.對統(tǒng)計特征的時域和頻域參數(shù)分別進(jìn)行了實驗,對比了兩者的識別性能,并分別分析了主要作用。5.對統(tǒng)計特征進(jìn)行了識別性能實驗,并使用MFCC和LPCC特征設(shè)計了對比實驗。統(tǒng)計特征在SVM和ELM兩種分類器下,都準(zhǔn)確識別施工器械,在挖掘機的識別方面具有顯著的優(yōu)勢;而且使用近距離樣本可以識別遠(yuǎn)距離的聲音;對白噪聲干擾下的信號,也能保證較小的特征變化范圍。
[Abstract]:The underground pipeline system is an important infrastructure of the city, carrying the tasks of water supply and drainage, energy transmission, electric power supply, communication transmission and so on, which provides the basic conditions for the order of urban life. However, in the process of urbanization, With the increasing construction activities in cities, the safety of underground pipelines is seriously threatened by all kinds of equipment used in the construction. Because the pipelines are buried underground, and the lines are widely distributed, It is difficult to prevent and protect the external force damage of engineering instruments in time. At present, an effective intelligent monitoring system is urgently needed. Through field inspection, it is found that the main instruments that often cause accidents of underground pipeline breakage include hand-held electric picks and hydraulic hammer. In this paper, the working methods of these kinds of destructive engineering instruments are studied, and the characteristics of their sound signals are analyzed in depth. On this basis, a feature extraction method based on statistical parameters is proposed. Using support vector machine (SVM) and extreme learning machine (ELM) as intelligent classifiers, a set of sound recognition algorithm for engineering instruments is constructed. The algorithm can be used in underground pipeline monitoring system and can work remotely all the time. It can effectively identify destructive construction equipment, detect the potential threat of pipeline breakage, and put forward early warning. The recognition algorithm can make the monitoring system more intelligent. The main work and results of this paper are as follows: 1.According to the microphone array to capture the actual construction sound of engineering instruments, including various sound source distances and background environments, In the aspect of feature extraction, Mel frequency cepstrum coefficients (MFCCs) and linear predictive cepstrum frequency (LPCCC) features are studied, and their limitations in recognition applications are pointed out. In this paper, a statistical feature extraction method is proposed, which selects and calculates the statistical parameters of the short time frame, and describes the sound signal in time domain and frequency domain. In recognition of classification, through the research of SVM and ELM algorithm, the two learning algorithms are used as intelligent classifier. Training modeling of sample feature and recognition classification of test signal. 4. The time domain and frequency domain parameters of statistical feature are tested, and the recognition performance of them is compared. The main function of statistical feature is analyzed. 5. The performance experiment of statistical feature recognition is carried out, and the contrast experiment is designed by using MFCC and LPCC features. The statistical feature is used in SVM and ELM classifier to identify construction equipment accurately. It has significant advantages in excavator recognition, and the use of close-range samples can recognize long-distance sound, and the signal with white noise interference can also ensure a small range of feature changes.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN912.3;TU990.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周剛基;;基于光纖傳感技術(shù)的城市地下管廊綜合監(jiān)控系統(tǒng)的應(yīng)用及發(fā)展[J];中國安防;2015年24期

2 LI DeRen;CAO JianJun;YAO Yuan;;Big data in smart cities[J];Science China(Information Sciences);2015年10期

3 DENG ChenWei;HUANG GuangBin;XU Jia;TANG JieXiong;;Extreme learning machines: new trends and applications[J];Science China(Information Sciences);2015年02期

4 夏文鶴;茹黎南;李明;曹謝東;;基于衛(wèi)星物聯(lián)網(wǎng)技術(shù)的油氣管道遠(yuǎn)程監(jiān)控[J];油氣儲運;2012年12期

5 毛顯源;林軍;康琪;;一種基于ELM與LDA的音頻信號分類算法(英文)[J];上海師范大學(xué)學(xué)報(自然科學(xué)版);2012年06期

6 江甜甜;楊占勇;;地下管線安全監(jiān)測系統(tǒng)[J];儀表技術(shù)與傳感器;2012年05期

7 賀玲玲;周元;;基于改進(jìn)MFCC的異常聲音識別算法[J];重慶工商大學(xué)學(xué)報(自然科學(xué)版);2012年02期

8 劉波霞;陳建峰;;基于特征分析的環(huán)境聲音事件識別算法[J];計算機工程;2011年22期

9 李健;賴平;;埋地管道典型異常事件信號特征提取方法研究[J];傳感技術(shù)學(xué)報;2010年07期

10 呂霄云;王宏霞;;基于MFCC和短時能量混合的異常聲音識別算法[J];計算機應(yīng)用;2010年03期

相關(guān)博士學(xué)位論文 前4條

1 張文娟;基于聽覺仿生的目標(biāo)聲音識別系統(tǒng)研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2012年

2 李新欣;船舶及鯨類聲信號特征提取和分類識別研究[D];哈爾濱工程大學(xué);2012年

3 呂艷新;被動聲目標(biāo)識別理論研究[D];南京理工大學(xué);2011年

4 龍潛;噪聲環(huán)境下的語音識別技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 吳然;校園地下管網(wǎng)三維可視化應(yīng)用研究[D];北方工業(yè)大學(xué);2015年

2 周佳兵;音頻識別技術(shù)在設(shè)備監(jiān)測系統(tǒng)中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2015年

3 李云煥;基于聲音識別的交通信息檢測技術(shù)研究[D];長安大學(xué);2014年

4 左廣宇;城市燃?xì)夤艿赖谌狡茐难芯考皯?yīng)對措施[D];華南理工大學(xué);2014年

5 張嵩;光纖周界安防系統(tǒng)的振動信號識別研究[D];西安電子科技大學(xué);2014年

6 周嶠;基于移動GIS技術(shù)的管道智能巡檢系統(tǒng)開發(fā)與研究[D];東北石油大學(xué);2013年

7 徐艷;基于壓縮感知的車輛音頻特征識別研究[D];長安大學(xué);2013年

8 譚康;地下電纜防外力破壞監(jiān)控中的振動信號識別[D];華南理工大學(xué);2012年

9 姜愉;基于ARM平臺的發(fā)動機聲音識別技術(shù)的研究及實現(xiàn)[D];廣西師范大學(xué);2012年

10 董偉;特征提取及特征優(yōu)選在車輛聲識別中的應(yīng)用研究[D];中北大學(xué);2010年

，

本文編號：1543869