基于OSALPCC与SVM的工程机械声音识别算法研究

随着经济的快速发展,用电量逐年增加,而在配电系统中,由于地下电缆具有占地面积少、供电可靠性高、不易受环境影响的优点,因此其所占比重越来越大。但是在供电过程中,地下电缆经常遭到外力的破坏(主要来自四类工程机械:手持电镐、切割机、机械破碎锤以及挖掘机),影响供电系统稳定性。因此,电缆防破坏成为电力部门所面临的一个重大技术难题。目前电缆防破坏多采用人工巡逻或设立警示牌的形式,但是这些方法人力物力成本较高,并且收效甚微。也有使用分布式光纤传感系统进行振动源检测的,但光纤传感器系统的误报率较高并且不能实现对振动源的分类。针对以上问题,本文提出了基于声音的地下电缆防外力破坏方法。本文对工程机械声音识别整体流程做了详细介绍,研究了噪声环境下工程机械声音信号的特征提取方法以及基于支持向量机(Support Vector Machine,SVM)的工程机械声音信号分类方法,并与K最近邻(k-Nearest Neighbor,KNN)算法进行比较。最终利用LabVIEW平台开发出地下电缆防破坏监控软件。主要研究内容如下:1)工程机械声音信号的采集以及预处理。对声音信号的采集、预加重、分帧、加窗的过程进行了分析。2)工程机械声音信号特性分析以及特征提取。对工程机械声音特性进行分析,将语音领域特征提取算法修改后应用到工程机械声音信号处理上。针对噪声环境下识别率较低的问题,提出了线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)的改进算法单边自相关线性预测系数倒谱系数(One-sided Autocorrelation LPCC,OSALPCC),比较了四种工程机械声音信号特征向量的分布范围,从而得出可以通过该特征向量对工程机械进行分类。3)智能分类算法。介绍了支持向量机(SVM)的原理,并针对两种特征向量(LPCC、OSALPCC)进行分类实验,比较了SVM与KNN两种分类算法,并最终确定采用SVM分类算法。实验中发现两种特征向量都有较高的识别率,但是OSALPCC的抗噪声性能优于LPCC。4)应用软件的开发。基于LabVIEW平台开发了地下电缆防破坏实时监控系统软件用来对算法进行验证,经过现场测试,系统识别率达到90%以上。