基于memd的管道阻塞声信号特征提取与识别方法

《基于memd的管道阻塞声信号特征提取与识别方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于MEMO的管道阻塞声信号特征提取与识别方法张浩邹金慧冯早昆明理工大学信息工程与自动化学院云省矿物管道输送工程技术研究中心针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题，提出了基于多元经验模态分解（MEMD）的管道阻塞声信号特征提取及识别方法。利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适成分解，获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量（IMF）,计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机（SVM）对不同运行状态下的管道声信号进行分类识

2、别。实验结果表明：方法能够有效地对管道限塞声信号进行特征提取及识别。关键词：管道阻塞;多元经验模态分解;相关系数;方差贡献率;特征提取;基金：国家自然科学基金资助项目（61563024,51169007）FeatureextractionandrecognitionmethodofpipelineblockageacousticsignalbasedonMEMDZHANGHaoZOUJin-huiFENGZaoFacultyofInformationEngineering&Automation，KunmingUniversityofS

3、cienceandTechnology;Abstract：Aimingatproblemofnon-stationaryandmulti-datadecompositionscaleoftheacousticsignalofpipelineblockage,amethodoffeatureextractionandrecognitionisproposedbasedonmultivariateempiricalmodedecomposition(MEMO).Multi-channelsynchronousadaptivedecompo

4、sition,acousticsignalofpipelineunderthreeoperationstatebyusingMEMO,andthecommonmodeofeachsignalchannelisobtained.Accordingtothecorrelationcoefficientandthevariancecontributionrate,theintrinsicmodefunction(IMF)componentwhichreflectsthemaininformationofthepipelineisselect

5、ed，theenergyproportionoftheselectedIMFcomponentiscalculatedasthecharacteristicvectorofthepipelineoperationstate.Supportvectormachine(SVM)isusedtoclassifytheacousticsignalofpipelineindifferentoperationstate.Experimentalresultsshowthattheproposedmethodcaneffectivelyextrac

6、tandidentifythepipelineblockingacousticsignal.Keyword：pipelineblockage;multivariateempiricalmodedecomposition(MEMD);correlationcoefficient;variancecontributionrate;featureextraction;0引言阻塞是供水管道常见的一种故障，及时检测出管道的阻塞程度并修复尤为重要。近年来，声波检测法广泛应用于故障检测领域。传感器采集的声信号具有非线性、非平稳的特征，同时，处理多通

7、道信号往往存在分解尺度不同的问题U1，因此，如何从多通道的非平稳声信号中提取出管道阻塞特征信息是管道运行状态检测的关键。为了提取信号中的有用持征，国内外许多学者进行了大量的研宄工作，提出了很多有效可行的方法，如小波变换、短时傅里叶变换(short-timeFouriertransform,STFT),经验模态分解(empiricalmodedecomposition,EMD)等，但均存在一定的局限性。小波变换需要预先确定小波基函数，然而小波基函数的选择标准尚不明确Xn;STFT只适用于分析平稳信号皿;EMD自提出以后在信号处理领域得到

8、了广泛的应用，但是在分解时容易出现端点效应、模态混叠、欠包络、过包络等问题。对于多通道的信号，传统分析方法只能逐个通道进行处理，会导致分解的层数和尺度不同，不利于多通道信号的特征提取。本文提出了基于多元经验模态分解lii