多激励复杂系统声音信号的特征提取方法研究

为了确定系统的工作状态,通过一种结合变分模态分解(IVMD)与残差网络(ResNet)的新方法来识别不同种类的声音信号,确定系统受到了何种激励,以此判断系统是否正常工作。首先,利用IVMD方法对声音信号进行分解,以中心频率比(CFR)作为评价指标来确定变分模态分解(VMD)的最优K值;然后结合相关系数(CC)和排列熵(AE)的特点,从分解得到的多个本征模态函数(IMF)中选取3个关键本征模态函数(IIMF),并将其转换成声音信号图像;最后利用残差网络在图像处理方面的优势对转换后的图像进行训练。实验结果表明,上述方法对声音信号判断识别的准确率达到了99.57%,显著优于其它典型的算法。

复杂工况下基于时频图像和CNN-SVM的管道堵塞识别研究

针对复杂工况下管道系统堵塞状态识别模型精度出现偏差的问题,提出一种基于时频图像和卷积神经网络(CNN)对管道内的堵塞物和三通件个体识别方法。首先,利用声波检测管道得到不同工况的低频声压信号,滤波处理后进行平滑伪Wigner-Ville时频分析得到声信号时频分布图;然后,采用大津阈值分割法对单一和复杂工况时频分布图像进行自适应分割,得到堵塞物和三通件时频图像;最后,将单一工况下轻度堵塞、重度堵塞、三通件和管道尾端4种物体的时频图像输入至卷积神经网络-支持向量机(CNN-SVM)模型进行训练,将训练好参数的模型应用于复杂工况下不同程度堵塞物和三通件的自动识别。实验结果表明,所提出的方法对4类目标在复杂工况下的识别率均达到96%以上,识别精度高于传统人工特征提取的模型。验证了堵塞物在不同工况下对声波的影响具有共性,与三通件具有差异性;对复杂工况下管道中不同程度堵塞物和三通件个体进行分析,可以有效克服工况分布差异对模型识别精度造成的偏差。