针对分布式光纤传感信号噪声强、识别难的问题,本文提出一种基于优化变分模态分解(Variational Mode Decomposition,VMD)融合梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)特征的海缆裸露状态识别方法,用于识别海上风机...针对分布式光纤传感信号噪声强、识别难的问题,本文提出一种基于优化变分模态分解(Variational Mode Decomposition,VMD)融合梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)特征的海缆裸露状态识别方法,用于识别海上风机海底电缆接入端浅埋和裸露两种状态。首先,利用参数优化的VMD对光纤振动信号进行分解,并利用相关系数法筛选本征模态分量(Intrinsic Mode Function,IMF);其次,融合梅尔频率倒谱系数、原始振动信号和所选IMF的时域和频域特征,以及IMF的能量和熵特征构建高维特征集,利用补偿距离评估技术(Compensation Distance Evaluation Technique,CDET)进行降维;最后,设计长短时记忆网络(Long Short Term Memory Network,LSTM)结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现海缆裸露状态识别。通过现场采集的海缆振动数据进行验证,测试准确率达到100%,结果表明该方法能够准确识别和预测海缆裸露状态。展开更多
文摘针对分布式光纤传感信号噪声强、识别难的问题,本文提出一种基于优化变分模态分解(Variational Mode Decomposition,VMD)融合梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)特征的海缆裸露状态识别方法,用于识别海上风机海底电缆接入端浅埋和裸露两种状态。首先,利用参数优化的VMD对光纤振动信号进行分解,并利用相关系数法筛选本征模态分量(Intrinsic Mode Function,IMF);其次,融合梅尔频率倒谱系数、原始振动信号和所选IMF的时域和频域特征,以及IMF的能量和熵特征构建高维特征集,利用补偿距离评估技术(Compensation Distance Evaluation Technique,CDET)进行降维;最后,设计长短时记忆网络(Long Short Term Memory Network,LSTM)结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现海缆裸露状态识别。通过现场采集的海缆振动数据进行验证,测试准确率达到100%,结果表明该方法能够准确识别和预测海缆裸露状态。
