基于CEEMD分量样本熵与SVM分类的煤矿瓦斯和煤尘爆炸声音识别方法

作者：孙继平; 余星辰

来源：采矿与安全工程学报, 2022, 39(05): 1061-1070.

DOI：10.13545/j.cnki.jmse.2022.0073

• 瓦斯和煤尘爆炸
• 声音识别
• 互补集合经验模态分解
• 样本熵
• 支持向量机

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)分量样本熵与支持向量机(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，对每个分量求样本熵，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。

• 单位
  中国矿业大学（北京）