采矿与安全工程学报 ›› 2022, Vol. 39 ›› Issue (5): 1061-1070.doi: 10.13545/j.cnki.jmse.2022.0073
• 论文 • 上一篇
孙继平 , 余星辰
摘要： 为及时自动发现煤矿瓦斯和煤尘爆炸并报警 , 为事故应急救援赢得宝贵时间 ,提出了一种 基于互补集合经验模态分解(CEEMD)分量样本嫡与支持向量机(SVM)分类的煤矿瓦斯和煤尘爆 炸声音识别方法:1) 在重点监测区域设置矿用拾音器 , 实时采集环境与设备工作声音;2) 使用 CEEMD对采集到的声音进行分解 ,对每个分量求样本嫡 ,构成该声音的特征量 ,输入到 SVM 中建立煤矿瓦斯和煤尘爆炸识别模型;3) 通过 CEEMD对待测声音分解提取特征量 ,输入训练好的模型中进行识别分类;4) 实验验证 。首先 ,通过信号分解实验得到:与自适应噪声完全集合经验模态分解(CEEMDAN)及集合经验模态分解( EEMD)相比 ,CEEMD算法更适合本方法要求 。其次 ,通 过相似性和相关系数实验得到:CEEMD算法分解模态分量与原信号的相似性和相关性 ,确定选择前9 阶模态分量 (IMF) 作为声音信号提取特征量的对象;通过分析 IMF10 和残余分量 IMF11 的频 谱图 ,取前 9 阶模态分量 ,可去除低频本征干扰 。最后 ,将声音信号特征量输入 SVM、BP神经网络 和相似性测度中做比对研究 , 实验结果表明:SVM 识别分类器的准确率为 85%, 比 BP神经网络和 相似性测度分别高 13%和 22%,整体识别性能高于 BP神经网络和相似性测度。
中图分类号:
