论文部分内容阅读
土壤振动信号在线分析与识别作为一种新兴的周界安全监测技术,近年来得到了蓬勃发展。基于土壤振动信号分析与识别的周界安全预警系统,不但能够把传统的事后报警转变为事前预防,而且能够实现对周界事件的智能分类。土壤振动信号分析具有原始输入数据量大、实时性要求高的特点。
本文工作源于863课题“油气管道光纤安全预警技术与装备研究”,以分布式光纤传感器采集的土壤振动信号为输入,重点研究土壤振动信号分析与识别,从而实现油气管道预警与管道事件智能分类。为此,本文提出了一个基于土壤振动信号分析与识别的周界预警与智能感知方法模型,围绕该模型,主要工作如下:
1)土壤振动信号分割:本文提出了基于相关系数与希尔波特变换的自适应阈值窗口能量切分算法,该方法能够简单而快速地将真正有效的振动信号从原始土壤信号中切分出来。实验表明:不但不存在漏切、误切情况,保证了预警系统不会出现漏报、虚警,而且振动信号精确切分率为95.9％,确保了土壤振动信号特征的完整性。
2)土壤振动信号去噪:本文提出了小波分层阈值去噪算法,该方法能将淹没在大量背景噪声中的土壤振动信息有效地提取出来,大大提高了土壤振动信号的信噪比,为后续识别打下了良好基础。
3)特征提取与特征选择:本文提取的土壤振动信号特征来源于三方面:基于小波包的时频分析(32维)、反映人耳听觉特性的MFCC系数(Mel-FrequencyCepstral Coefficients)(24维)、时域上幅度包络变化(30维)。为了获得精炼而有效的特征,本文还用PCA(主成分分析)对提取出的86维特征进行了降维,最后获得43维独立、正交的土壤振动信号特征向量。
4)基于人工神经网络的多级分类器设计:本文分类器包括两级,一级分类器由SVM支持向量机与BP神经网络组合而成,实现对单一信号片段识别。二级分类器基于投票机制实现对事件分类,同时考虑了用户规则、可信度、报警级别因素。另外,为了能够让分类器具有自适应、自学习功能,分类器中还加入了增量学习模块。
经过在真实的油气管道应用环境中实验测试,本文提出的方法不但能够满足实时性要求,而且对八大类土壤振动事件(打夯、打桩、农耕、电钻、钻井、大型机械、砸钢管、火车),振动信号片段识别率达到90.38％,事件识别率达到94.35％,完全满足实际应用需求。
本文提出的基于土壤振动信号分析与识别的周界预警与智能感知方法模型具有通用性。目前已经在长距离石油天然气管道中成功应用,并将要投入短途雷区预警系统中,未来可以进一步推广到整个周界安全预警、地震监测等领域。