一种地下管网保护警示牌及其振动信号识别方法技术

本发明专利技术涉及一种地下管网保护警示牌及其振动信号识别方法，该地下网管保护警示牌包括中心控制器、警示显示屏、声光报警器、太阳能板、锂电池、电源电量检测模块、地震检波器、信号调理模块、测距模块、GSM模块和物联网模块；在程序设计方面，本发明专利技术提出了一种基于LMD和多特征选择提取的地面运动振动信号识别方法，能够有效识别出施工机械等对地下管线有潜在威胁的运动目标振动信号。本发明专利技术旨在解决外力入侵对地下管网造成破坏的问题，当发现施工工地中管网通道上的危险源时，触发声光报警器，并且以物联网方式及手机短信方法通知设备人员前往工地保护地下管网，大大节省人工成本的同时，有效加强了对管网设备的保护，降低管网外损故障的发生。

【技术实现步骤摘要】
一种地下管网保护警示牌及其振动信号识别方法
本专利技术属于地下管网的保护
，涉及一种地下管网保护警示牌及其振动信号识别方法，具体涉及一种物联网的地下管网保护智能警示牌及其基于LMD和多特征选择提取的振动信号识别方法。
技术介绍
近十几年来，随着经济的快速发展和社会的不断进步、城市化历程的加速，地下管网迅速发展，新建配电线路、水管、天然气管道已基本采用地下铺设方式，但是地下管网在传统的人工保护与监管措施下必然存在着许多隐患，也面临着不可忽视的意外破坏风险，其中主要的原因在于施工单位不规范的作业，并且缺乏与政府相关部门的沟通，导致施工机械设备破坏地下管道，根据统计地下管网因外力破坏而导致故障占到故障总原因的50％以上。目前国内外在防止地下管网外损方面的主要方法和研究有：1)管线交底，即告知施工人员管线的大致位置，让其开挖样洞后方可施工，但是许多施工人员为了赶工期，仍存在野蛮施工的情况，在明知地下管网位置的情况下，对其造成破坏；2)在管网通道地面拉设警示带、安装警示牌，但是通过实际使用，警示效果并不显著；3)将管网固化，利用水泥等方式，将直埋管网固化，但此方式投入成本太大，不适合推广使用；4)加派工地驻点人员，即派专人入驻工地进行指导，此种方法反外损效果较好，但需专门人力，增加公司负担，多个工地同时派人驻点也无法实现；5)租用摄像头等对工地监视，此种方法相对派工地驻点人员，减少了人力成本，但一些工地不易安装摄像头，且威胁到地下管网的施工，多是在地面或地下，摄像头易被阻挡或损坏。警示牌具有警示性强、成本低、便于安装和拆除等特点。传统的地下管网保护警示牌插置在地下管网上方地面，通过牌体上书写“下有管网，请勿挖掘”等警示字样对施工机械等潜在目标物进行警示，加之农田中的“稻草人”效应，在实际使用中，经常有施工机械无视传统警示牌，继续施工，且传统警示牌不能远程报警，通知设备主人最终导致地下管网遭受破坏。目前，不少研究开始以振动信号着手，去判断地下管线上方有无危险运动目标，如施工机械等，目前主流的振动信号识别算法以过零算法为主，过零算法其本质是统计一段时间内振动信号幅值大于所设定的阈值的次数，一般情况下，过零算法能够较好识别出频率与振幅相差较大的振动信号，但是过零算法本质上有一些不足，例如在实际情况下阈值大小的设定难以确定合适的值，并且地震检波器采集到的幅值不仅与振动源本身的强度有关，还与地震检波器与振动源距离关系极大，因此会有振动强度不大的运动目标因为离地震检波器距离较近而造成频繁超过所设定的阈值现象，从而导致地面运动目标类型识别错误。
技术实现思路
本专利技术的目的是解决现有技术中存在的上述问题，提供一种地下管网保护警示牌及其振动信号识别方法。本专利技术提供的一种新型地下管网保护警示牌，根据振动信号识别出施工机械等对地下管网有潜在威胁的运动目标时，新型警示牌现场发出声光报警，并且将报警信息上传到物联网云平台，随后实时监测危险目标与警示牌所处距离并将距离信息上传到物联网云平台。为达到上述目的，本专利技术采用的技术方案如下：一种基于LMD(局部均值分解)和多特征选择提取的地面运动振动信号识别方法，首先采集不同地面运动目标振动信号，用LMD方法处理每种振动信号以获得PF分量(乘积函数分量)，其次，从每个PF分量中提取特征，并按FDR(Fisherdiscriminantratio,费舍尔判别率)对提取的特征进行排名，接着将排名靠前的特征作为特征向量，并将特征向量输入到SVM(SupportVectorMachine,支持矢量机)分类器中进行训练得到训练好的SVM分类器模型，最后将实时采集到的当前地面振动信号输入到训练好的SVM分类器模型中，得到当前振动信号的目标类型。现有技术中的振动信号识别方法通常是过零分析算法，以统计一段时间内振动信号幅值大于所设定的阈值的次数为核心，信号类型判别的依据仅在于超过阈值的次数及阈值的设定，忽略了不同地面运动目标的振动信号自身特性，本专利技术提出的基于LMD和多特征选择提取的地面运动振动信号识别方法，能够有效选择出可分性和代表性高的信号特征，将这些可分性高的特征作为分类器的训练样本，能够有效地提高运动目标类型识别的准确率。作为优选的技术方案：如上所述的一种基于LMD和多特征选择提取的地面运动振动信号识别方法，具体步骤如下：(1)利用地震检波器采集不同种类地面运动目标的振动信号，获得每种地面运动目标的十组以上的振动信号；(2)通过LMD方法对采集到的每种运动目标的十组以上的振动信号分别逐个进行分解，从每组振动信号获得n个PF分量PFi(t)和一个残余分量u(t)，其中，t表示时间变量，i＝1,2,...n，一般情况下，2≤n≤5；相同类型的地面运动目标的振动信号分解个数必定相同，不同类型的地面运动目标的振动信号分解个数可能会有不同，当出现不同类型的振动信号所分解的PF分量不同时，则所有类型应该取前n个PF分量研究，n为分解个数最小的类型所分解的PF分量个数。例如A类型十组以上振动信号分解后，每组振动信号都得到4个PF分量和一个残余分量，B类型十组以上振动信号分解后，每组振动信号都得到3个PF分量和一个残余分量，则其后的特征提取时，A、B两种类型的各组振动信号都只取前三个PF分量作为研究对象；(3)计算每种地面运动目标振动信号各PF分量的信号特征(七种类型统计学特征)，本专利技术用了七种特征，但不局限于七种特征，七种以上特征的情况也适用于本专利技术，并使用费舍尔判别准则计算出每种信号特征的FDR，将信号特征按FDR大小排名，并将排名靠前的信号特征提取出来，得到信号特征向量；(4)构建SVM分类器，将步骤(3)得到的信号特征向量作为所述SVM分类器的输入，输出为地面运动目标类型，每种地面运动目标的十组以上振动信号所提取的信号特征向量及其所对应的目标类型作为训练集样本，根据训练集训练SVM分类器，得到训练完成的SVM分类器模型；(5)采用步骤(4)中训练完成的SVM分类器模型进行地面运动目标识别，当检测为挖掘机、电镐等危险目标振动信号时，警示牌现场声光报警，并将危险信息上传到物联网云平台，随后实时监测危险目标与警示牌距离并将距离信息上传到物联网云平台。如上所述的一种基于LMD和多特征选择提取的地面运动振动信号识别方法，步骤(2)中每个PF分量PFi(t)为包络ai(t)和纯调频信号sin(t)的乘积，即PFi(t)＝ai(t)*sin(t)，其中，t表示时间变量，i＝1,2,...n，一般情况下，2≤n≤5。如上所述的一种基于LMD和多特征选择提取的地面运动振动信号识别方法，步骤(3)中排名靠前是指按FDR值从大到小排名的前m名，第m名之前相邻两FDR值的偏差不超过50％，第m名与第m+1名的偏差大于80％。以FDR值大小，能判断此信号特征是否具有优秀的可分性及代表性，以FDR作为多特征的选择的衡量标准，能够对多个特征的可分性作比较，寻找出可分性高的特征。训练样本特征的可分性程度对分类器的性能有着直接的影本文档来自技高网...

【技术保护点】
1.一种基于LMD和多特征选择提取的地面运动振动信号识别方法，其特征在于：首先采集不同地面运动目标振动信号，用LMD方法处理每种振动信号以获得PF分量，其次，从每个PF分量中提取特征，并按FDR对提取的特征进行排名，接着将排名靠前的特征作为特征向量，并将特征向量输入到SVM分类器中进行训练得到训练好的SVM分类器模型，最后将实时采集到的当前地面振动信号输入到训练好的SVM分类器模型中，得到当前振动信号的目标类型。/n

【技术特征摘要】
1.一种基于LMD和多特征选择提取的地面运动振动信号识别方法，其特征在于：首先采集不同地面运动目标振动信号，用LMD方法处理每种振动信号以获得PF分量，其次，从每个PF分量中提取特征，并按FDR对提取的特征进行排名，接着将排名靠前的特征作为特征向量，并将特征向量输入到SVM分类器中进行训练得到训练好的SVM分类器模型，最后将实时采集到的当前地面振动信号输入到训练好的SVM分类器模型中，得到当前振动信号的目标类型。


2.根据权利要求1所述的一种基于LMD和多特征选择提取的地面运动振动信号识别方法，其特征在于，具体步骤如下：
(1)利用地震检波器采集不同种类地面运动目标的振动信号，获得每种地面运动目标的十组以上的振动信号；
(2)通过LMD方法对采集到的每种地面运动目标的十组以上的振动信号分别逐个进行分解，从每组振动信号获得n个PF分量PFi(t)和一个残余分量u(t)，其中，t表示时间变量，i＝1,2,...n，2≤n≤5；
(3)计算每种地面运动目标振动信号各PF分量的信号特征，并使用费舍尔判别准则计算出每种信号特征的FDR，将信号特征按FDR大小排名，并将排名靠前的信号特征提取出来，得到信号特征向量；
(4)构建SVM分类器，将步骤(3)得到的信号特征向量作为所述SVM分类器的输入，输出为地面运动目标类型，每种地面运动目标的十组以上振动信号所提取的信号特征向量及其所对应的地面运动目标类型作为训练集样本，根据训练集训练SVM分类器，得到训练完成的SVM分类器模型；
(5)采用步骤(4)中训练完成的SVM分类器模型进行地面运动目标识别。


3.根据权利要求2所述的一种基于LMD和多特征选择提取的地面运动振动信号识别方法，其特征在于，步骤(2)中每个PF分量PFi(t)为包络ai(t)和纯调频信号s...

【专利技术属性】
技术研发人员：董浩，周志峰，方宇，赵以恒，张大桂，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31