基于分数阶傅里叶域特征融合的多工况管道堵塞 识别方法.pdf

由于早期市政排水管道网络的施工水平不足尧运维能力不足及配套设施不合理等袁易产生管道堵塞现象袁同时管网拓扑结构复杂袁管道内部堵塞程度信息难以获取咱1暂遥 污水在管道中流动时泥沙尧有机颗粒物等异物逐渐在管道底部沉积造成轻度堵塞袁减小了管道有效截面积袁致使管道过水能力下降遥 如果不及时处理将逐渐形成严重的堵塞袁进而造成管道压力增高甚至导致管道泄漏遥 国内外学者针对埋地式排水管道健康安全运行的需求袁提出了以应力应变测量法尧压力脉冲波法及管道潜望镜探测等为主的各种管道堵塞检测方法咱2暂袁但这些方法设备布置困难尧设备收购价格和运维费用偏高遥 声学主动检测系统对于不同运行工况下的检测工作袁如管涌尧满管及半管等都非常适用袁并且能够清楚地扫描管道内部结构的形变尧坍塌尧阻塞及断裂等管道缺陷遥 但在实际检测中袁由于管道运行环境复杂袁声波经过声阻抗不连续界面会造成声束聚焦点发散袁使得检测到的信号相差产生畸变袁提取的特征重叠度较高袁难以对故障进行有效识别咱3暂遥 因此袁基于声学主动检测的故障诊断研究的重点和难点之一是对声学信号故障特征的提取和选择遥 针对检测环节产生的信号特征堆叠导致不同工况管道识别率低下的问题袁有必要应用特征融合技术来提高特征的辨别能力袁实现复杂运行状态下管道的故障识别遥在特征融合技术的研究中袁闫菁等提出局部均值分解特征融合方法咱4暂袁从若干乘积函数中提取3个指标特征袁最后通过交叉验证尧局部均值分解特征融合和支持向量机相结合的方法袁成功对管道早期堵塞进行识别遥KE X Q等提出二维特征融合的水声舰船辐射噪声识别方法咱5暂袁利用小波包分解把水下辐射噪声分解为多个子带袁串行融合奇子带和偶子带的8种特征袁并运用Fisher判别DOI:10.20030/ki.1000鄄3932.202304011基于分数阶傅里叶域特征融合的多工况管道堵塞识别方法曹哲a张光辉a冯早a袁b渊昆明理工大学 a.信息工程与自动化学院曰b.云南省人工智能重点实验室冤摘要针对排水管道声学检测的实际应用中袁 声学信号在特征选择缺乏指导的情况下容易提取过高信息重叠度的高维特征导致不同工况管道堵塞识别率低下的问题袁 基于分数阶傅里叶变换渊FractionalFourier Transform袁FRFT冤原理袁提出一种基于FRFT和多核学习渊Multiple Kernel Learning袁MKL冤特征融合的管道多重堵塞识别方法遥 该方法首先把难以区分的原始数据映射到多阶次分数阶傅里叶变换时频平面袁然后计算各阶次的样本熵作为区分度量特征遥 运用MKL自动学习FRFT样本熵特征的系数袁将分数域中阶次选择问题转换为多核网络中的系数交替优化问题袁挖掘特征的深层含义袁最终将这些信息进行多特征融合袁实现了多工况管道堵塞识别遥 实验结果表明院在与不同阶次集合的融合特征对比后袁最终的融合特征提高了不同类别间样本的区分度袁能够有效识别复杂运行状态下多工况管道中的堵塞物尧三通件和管道尾端袁识别准确率达到95%袁在多工况管道堵塞识别中相较于传统特征融合模型识别率显著提高遥关键词声学检测分数阶傅里叶变换特征融合多核学习中图分类号TP274文献标识码A文章编号1000鄄3932渊2023冤04鄄0467鄄104672023 年化 工 自 动 化 及 仪 表矩阵进行特征加权融合袁 提高了特征的识别性能袁成功对水下噪声进行辨别遥 王维博等对电能质量扰动信号的分类提出改进的一维卷积神经网络咱6暂袁先通过3个卷积神经网络子模型分别提取电能质量扰动信号的特征向量袁再将提取到的特征向量融合成新的特征向量袁最后通过BP神经网络实现分类袁结果显示该算法具有更好的识别率和更强的抗噪能力遥 以上研究袁均为对目标样本数据映射到某一特定空间后提取几类特征向量进行特征融合袁 但是实际排水管道运行状态复杂袁 管道堵塞往往是由多个堵塞物组合而成的袁而且三通件和管道尾端的存在更会导致声学主动检测得到的回波信号变得复杂且具有较高的重叠性袁 若仅仅将几类独立的没有统一量纲的特征用特定算法融合袁 会丢失特征本身所表达的信息袁 同时高维特征可能会导致特征内部的关联度加大袁 使得特征的辨识度下降袁 从而降低识别准确率遥 因此袁 如果可以将融合这个概念聚焦到特征本身袁 从多个方面去挖掘特征的深层含义袁 并将这些特征信息融合袁 充分提高对特征信息的利用程度袁 即可达到提高特征辨识度的目的遥因此袁降低声学信号特征的堆叠袁深度挖掘特征本身所表达的信息是提高多工况管道堵塞识别效果的主要技术手段遥 分数阶傅里叶变换渊Fractional Fourier Transform袁FRFT冤 可以通过阶次的变换表征一个特征多方面的信息袁非常适合对特征信息进行深层次的挖掘遥 FARNAZ P等将这种思想用于语音情感识别咱7暂袁将分数阶傅里叶变换作为一种新的特征提取方法并与时域特征和频域特征进行对比袁结果表明该特征提取方法提高了识别精度遥 MEI J M等将其应用于基于传感器数据融合的齿轮故障诊断中咱8暂袁首先利用FRFT将啮合频率分量作为单分量信号进行分离袁然后计算不同阶次下的包络解调谱特征参数袁通过雷达图融合不同传感器的特征参数袁比起单个传感器袁该方法的故障诊断结果更准确遥 张俊等提出最小二乘FRFT变换咱9暂袁有效杜绝了传输误差的影响袁更精确地实现了快速成像遥 可见袁融合多阶次分数阶傅里叶变换特征袁能使系统抗干扰能力增强袁对目标的辨别能力提高袁但目前阶次选择问题是一个难点咱10暂遥 笔者将支持向量机渊Sup鄄port Vector Machine袁SVM冤 中核函数的选择和FRFT的阶次选择问题联系起来袁将阶次的选择问题转换为多核学习中系数的选择问题遥笔者针对声学信号在特征选择缺乏指导的情况下容易提取过高信息重叠度的高维特征袁导致不同工况管道堵塞识别率低下的问题袁提出基于FRFT特征融合的多工况管道堵塞识别方法袁 通过提取管道声回波信号在不同阶次下分数域样本熵特征袁 并采用多核学习解决分数域样本熵特征的阶次选择问题袁 在端对端的监督学习中袁 将不同的分数阶域的样本熵特征和分类器直接连接袁 通过梯度下降法学习得到一组能直观反映各阶次分数阶傅里叶域样本熵特征识别能力的系数袁 通过加权融合特征最终实现在多工况管道中的堵塞物尧 三通件和管道尾端的识别遥1理论与方法1.1分数阶傅里叶变换分数阶傅里叶变换是一种可以通过旋转角度获得目标时域尧频域以及时频域特征的扫频器咱10暂遥p为分数阶数袁p=1时袁X1渊u冤为x渊t冤的普通傅里叶变换袁随着阶次p从0到1变化袁FRFT平滑地从原始信号变化到傅里叶变换袁因此可以得到信号从时域变化到频域期间的所有特性袁所以在笔者提出的方法中袁最重要的一个步骤是将原本可分性较差的数据映射到一个恰当的分数段空间遥 文献咱11暂提出并推导了一维FRFT的算法袁具体过程如下遥信号x渊t冤的p阶FRFT为院Xp渊u冤=Fp咱x渊t冤暂=肄-肄乙Kp渊t袁u冤x渊t冤dt渊1冤FRFT的核函数 渊不同于多核学习的核函数冤Kp渊t袁u冤为院Kp渊t袁u冤=Ape咱j仔渊0.5u2cot 琢-utcsc 琢+0.5t2cot 琢冤暂Ap=1-icot 琢2仔 姨袁琢=p仔2渊2冤其中袁琢为旋转角度遥分数域的坐标空间如图1所示遥468第 50 卷第 4 期化 工 自 动 化 及 仪 表图1分数域的坐标空间由于分数域的坐标空间是在渊t袁w冤平面上通过坐标旋转产生的袁因此FRFT的变换公式为院u=tcos 琢+wsin 琢v=-tsin 琢+wcos 琢渊3冤只要选择对了合适的阶次袁原始信号与某个chirp基信号的调频率相吻合袁就可以把这个chirp信号的能量集中在这个方向的基向量上袁说明这个阶次具有最好的能量聚集性咱12暂遥1.2样本熵特征样本熵通常运用在故障诊断上袁由于其本身是一种不计数自身匹配的统计量袁因此常用于衡量时间序列的复杂程度咱11暂遥 现介绍样本熵的计算过程遥a.若原始数据为Ai=a1袁a2袁噎袁aN袁长度为N袁依据原始信号重构一个m维向量院bi=咱ai袁ai+1袁噎袁ai+m-1暂袁i=1袁2袁噎袁N-m+1渊4冤b.定义向量bi与bj之间的距离xij为两者对应元素中最大差值的绝对值袁即院xij=distans咱bi袁bj暂=maxk沂咱0袁m-1暂咱|a渊i+k冤-a渊j+k冤|暂i袁j=1袁2袁噎袁N-m+1袁i屹j渊5冤c.将相似容限r作为衡量标准袁计算xij小于该衡量标准的数目xij义袁并得到该数目与xij的总数N-m-1的比值院Bim渊r冤=xij义N-m-1渊6冤d.再求Bim渊r冤的平均值院Bm渊r冤=1N-mN-mi=1移Bim渊r冤渊7冤e.重复上述步骤袁进一步得到不同维数下的Bm+1渊r冤曰f.综上袁定义样本熵院SampEN渊m袁r袁N冤=limN寅肄咱-lnBm+1渊r冤Bm渊r冤暂渊8冤当N为有限时袁式渊8冤表示为院SampEN渊m袁r袁N冤=ln Bm渊r冤-ln Bm+1渊r冤渊9冤样本熵的参数选择说明如下院a.嵌入维数m越大就会有越多的信息袁 一般来讲m与数据长度N的关系是N=10m30m袁由于实验数据是4 410个一维信号点袁但是经过端点检测提取多种不同类型堵塞后各类堵塞信号点小于900袁因此取m=2遥b.当相似容量r过大时袁 信号信息会大量丢失曰当r过小时袁统计效果将降低遥 一般r取渊0.100.25冤SD咱12暂袁文中取r=0.15SD渊SD为标准差冤遥1.3多核学习支持向量机多核学习支持向量机咱13暂渊Multiple KernelLearning Support Vector Machine袁MKL鄄SVM冤是一种通过多核函数解决数据在高维空间分布不平坦问题的识别算法袁该方法运用在笔者所提算法的过程如下遥假设xi袁yi|i=1袁2袁噎袁n为端点检测后各类堵塞样本集袁xi为各类堵塞故障样本袁i为样本代号袁yi为标签遥 多核学习方法所要达到的目标为院f渊x冤=ni=1移琢i*窑 K渊xi袁x冤+b*渊10冤其中袁K渊xi袁x冤为给定的正定核函数曰琢i*和b*为训练样本所得到的系数袁可通过求解以下最优化问题得到院minf袁b袁灼12fj渊x冤2HjHj+Cni=1移灼is.t.yi咱fl渊xi冤+b暂逸1-灼i袁坌i灼i逸0袁坌i扇墒设设设设设设设设设设缮设设设设设设设设设设渊11冤其中袁C为规则化参数袁灼i为松弛变量袁fj渊x冤沂Hj袁Hj为同基核Kj相关的再生核希尔伯特空间咱10暂遥正定核函数的表达式为院K渊xi袁x冤=Mj=1移dj jKj渊xi袁x冤袁dj逸0袁Mj=1移dj=1渊12冤其中袁Kj渊xi袁x冤 为第j个基核袁M为基核的数目袁dj为第j个基核的权值遥4692023 年化 工 自 动 化 及 仪 表基核函数的类型尧数目以及相关的参数都会很大程度上影响识别的效果咱14暂袁因此确定基核函数及其参数是多核学习的重点遥 最终输出端得到的合成核降低了特征的维度袁并且该融合特征包含了丰富的特征信息可以达到提高识别性能的目的遥综上袁 笔者所提算法要求得到如下决策函数院f渊x冤=nj=1移afj渊x冤+b渊13冤其中袁a尧b为函数f渊x冤的调节参数遥 每个函数fj渊冤都属于不同的再生核希尔伯特空间咱10暂袁这与不同分数域的阶次特征可以形成一一对应的关系袁每一个核系数可以表征不同分数域特征对分类的贡献程度遥2管道堵塞识别方法构建针对声学信号在特征选择缺乏指导的情况下容易提取过高信息重叠度的高维特征袁导致不同工况管道识别率低下的问题袁笔者提出了基于多阶次分数域特征融合的多工况管道堵塞声学识别方法遥 该方法结构如图2所示袁 具体步骤如下院a.利用声学主动检测平台采集多工况管道堵塞的声响应信号曰b.将小波降噪后的声学响应信号通过基于Mel子带能量端点检测算法进行声学片段分割袁得到包含不同程度堵塞尧三通件尧管道尾端的个体片段曰c.根据选取阶次的不同可以获得同一对象的不同幅值能量特征袁 并计算不同类别个体声学信号片段的各个阶次的样本熵特征袁构建特征集曰d.构建基于多核学习的分数域样本熵特征的识别算法框架袁输入端为多阶次样本熵特征对应的线性核函数袁输出端是各个线性核函数的显性融合袁通过多核学习网络和支持向量机的交替优化算法实现基于多核学习的特征融合袁并得出识别结果遥3实验结果与分析3.1实验设计与信号采集实验平台选取了长15.4 m尧 直径150 mm尧材料为粘土的管道袁 在管道两端各接一个储水箱袁用于模拟真实情况下排水管道内存在的不同水图2基于分数域特征融合的分类识别方法结构位袁并选用55尧40 mm两种不同高度的石质挡板模拟堵塞物遥数据采集平台如图3所示袁 实验人员用计算机控制软件WinMLS产生频率范围1006 000 Hz尧时间长度10 s的正弦扫频信号遥 信号经功率放大器 后 由 扬 声 器 发 射 到 管 道 内 部 袁 接 收 器 以44 100 Hz的采样频率采集声压回波信号袁经滤波器去除背景噪声袁最后上传至计算机存储遥实验采集的多重堵塞的管道类型为含有高度为40 mm和55 mm堵塞物的管道尧 含有高度为40 mm堵塞物和单个三通件的管道尧 含有高度为55 mm堵塞物和单个三通件的管道尧 含有高度为40 mm和55 mm堵塞物和单个三通件的管道袁每种管道类型的样本数量为20组遥3.2信号预处理实验用44 100 Hz采样频率采集的包含多种堵塞和三通件的管道声响应信号如图4a所示袁可470第 50 卷第 4 期化 工 自 动 化 及 仪 表以看出多重堵塞的管道由于声波经过声阻抗不连续界面会造成声束聚焦点发散现象袁采集到的噪声和有效信号混合在一起袁难以得到堵塞和管道部件信息遥 因此首先进行小波消噪处理遥 小波分析能把复杂信号重构成不同频域的两部分袁小波分解再重构即可得到降噪后的信号咱15暂遥 实验选用6层db5小波基对原始信号进行降噪袁分解后的信号可以舍去高频分量袁 保留1006 000 Hz的频段分量袁达到去噪的效果遥 从降噪后的时域图渊图4b冤中可以看出不同程度堵塞物尧三通件和管道尾端处出现明显的幅值变化遥由于管道内的声波信号存在大量非平稳噪声袁采用适合的端点检测方法可以有效地提高最终检测信号的抗干扰性遥 采用文献咱16暂提出的端点检测和分割算法袁首先将降噪后的时域信号在1006 000 Hz的频率范围内按Mel频率分布规律划分为8个子带袁 之后通过子带能量构建滤波器组Hm渊k冤渊0约m臆8冤遥对信号进行加窗分帧处理袁其中帧长440尧帧移44袁通过上述Mel滤波器组袁得到每一帧信号的8个Mel子带能量院Ei渊n袁l冤=fhn=fl移H渊n冤|Xi渊l冤|2渊14冤其中袁H渊n冤代表第n个Mel滤波器频率响应袁|Xi渊l冤|2为声信号的短时功率谱袁fh尧fl分别为上尧下图3数据采集平台简图图4信号降噪和端点检测4712023 年化 工 自 动 化 及 仪 表限频率袁l为帧号遥在每一帧信号中袁将检测特征量Emax与检测门限TH和TL进行比较袁每一帧内超过高门限TH的部分为故障声段袁接着向两端延伸直到Emax低于低门限TL袁由此确定有效堵塞片段的开始端和结束端遥 图4c所示为端点检测后的多个堵塞物管道信号袁从图中可知端点检测可以有效提取管道堵塞故障和管道内部配件的声学片段袁有助于对识别对象进行分割袁为后续的特征提取与融合提供理论依据遥3.3各阶次特征的分类性能对于阶次的选择袁前期工作已采用分数阶傅里叶变换对干燥管道内单一类型堵塞特征的分辨能力进行了比较袁选取了轻度堵塞渊20 mm堵塞物冤尧中度堵塞渊40 mm堵塞物冤尧重度堵塞渊55 mm堵塞物冤和无堵塞管道的声学信号进行了上文所述的分数域样本熵特征提取渊0.65臆p臆0.74和p0.50冤袁实验结果如图5所示遥 可以看出袁当0.65臆p臆0.74时可以得到较有区分度的分数阶区间袁但当p0.50时出现了类间特征重叠现象袁 这表明并非所有的分数阶特征都具有辨别能力袁因此在没有先验知识的情况下袁无法确定分数域的最优阶次遥 并且当管道出现多重堵塞情况时袁会因为训练数据与复杂运行状态管道数据不匹配造成特征类内集中度增加和类间分辨性降低袁同时复杂管道运行状态下的三通件和管道尾端也会对识别造成较大的干扰咱17暂遥 因此有必要采用有效的方法确定分数域的阶次袁解决管道复杂运行状态下的堵塞识别问题遥图54类管道样本熵特征为了明确多工况管道下 40 mm堵塞物尧55 mm堵塞物尧三通件和管道尾端4类个体声学片段的分数阶傅里叶域样本熵特征的表征能力袁笔者首先考察单个阶次的分类性能遥 各阶次的特征值和识别结果如图6所示袁 其中阶次p从0变换到1袁步进0.01袁样本数据为经端点检测分割得到的40 mm堵塞物尧55 mm堵塞物尧三通件和管道尾端声学数据片段各60组袁训练集和测试集的比例为2颐1遥数据的交叉项可以在信号映射到恰当的分数阶空间后被消除袁但不同的阶次特征具有不同的分类效果袁在没有先验知识的前提下袁无法预知最优的阶次遥 为了解决阶次的选择问题袁运用多核学习自动学习分数域样本熵特征的系数袁将分数域中阶次选择问题转换为多核网络中的系数交替优化问题袁挖掘特征的深层含义袁经过学习训练后袁得到的系数对应着不同特征的识别分类能力遥对于核函数的选择袁 首先确定核函数的参数袁目前在多核学习的研究中袁确定核函数参数使用最多的是交叉验证法咱18暂遥 采用5折交叉验证方法确定线性核尧二次多项式核尧三次多项式核尧高斯核尧拉普拉斯核尧Sigmoid核的核参数袁然后对单核单域下的分类结果渊p=0.43冤进行了比较袁实验结果见表1袁 可以看出线性核和高斯核为性能最优异的前两个核遥 然后选取识别率最高的4个阶次渊p=0.39尧0.43尧0.44尧0.45冤下样本熵特征作为识别的4个特征渊记作fp1尧fp2尧fp3尧fp4冤袁目前多核学习核函数的组合方式中最广泛的方式是线性组合472第 50 卷第 4 期化 工 自 动 化 及 仪 表方式袁即简单单核相加组合咱18暂袁使用这4个特征和核组成4组实验袁分别为院a.线性核尧线性核尧线性核尧线性核渊LK冤曰b.线性核尧高斯核尧线性核尧线性核渊LK鄄RBF渊1冤冤曰c.线性核尧线性核尧高斯核尧高斯核渊LK鄄RBF渊2冤冤曰d.高斯核尧高斯核尧高斯核尧高斯核渊RBF冤遥表1各类核函数在p=0.43的识别准确率核函数线性核二次多项式核三次多项式核Sigmoid核识别准确率/%93.7590.0090.0090.00高斯核91.25拉普拉斯核88.75实验结果如图7所示遥图7不同核函数组合的识别率由图7的识别率可以看出袁 选择以线性核为基核的多核学习能够保持判别力强的单阶次分数域的特征袁通过系数加权融合后的融合特征提高了识别效果遥实验过程发现基核数目与训练收敛速度有关袁如图8所示袁当特征fp1尧fp2尧fp3尧fp4对应的基核数目为3时训练运行时间仅为1.67 s袁因此文中的基核数目选择3遥图8不同基核数目的训练耗时对比由上文讨论可知最终所用多核函数为院K渊xi袁x冤=Lm=1移3j=1移13djk渊xi袁x冤m渊15冤其中袁n为最终选择阶次融合特征的个数袁k渊xi袁x冤m为第m个阶次对应的核函数袁L为最大阶次数遥 然后将100个阶次样本熵特征作为笔者所确定的以线性核为基核尧 基核数目为3的多核学图6各阶次特征的分类性能4732023 年化 工 自 动 化 及 仪 表习模型的输入袁利用多核网络交替优化得到各个阶次分数阶傅里叶域样本熵特征的权重系数遥图9给出了归一化后的各阶次的识别准确率和特征贡献度袁由两者对比可知袁单一识别准确率最高的几个阶次在多核网络中仍然具有最高的特征贡献度袁 多核学习能让各阶次特征保持较强的分辨能力遥图9各阶次特征贡献度和识别准确率对比3.4基于多核学习的特征融合与识别结果笔者选取单一阶次特征贡献度最高的前6个特征进行融合 渊p=0.37尧0.38尧0.39尧0.43尧0.44尧0.45冤袁 按照表2的特征组合学习6组分数域样本熵特征融合系数袁 将融合特征输入SVM分类器中进行识别袁并输出标签袁得到分类结果袁不同阶次组合的识别准确率如图10所示遥 观察图10可以得出院a.P4尧P5组合下的多核学习特征融合结果大于单个最优阶次下的识别结果袁P4组合的标签输出结果如图11所示袁 最终识 别结 果为95%袁说明所提的特征融合方法可以有效地实现管道不同堵塞物和内部部件的识别袁针对多工况管道堵塞故障诊断问题具有一定的指导意义遥b.增加核函数渊特征冤的数量不一定会提高最终多核学习特征的识别能力袁反而支持向量机训练时会增加迭代次数袁 不仅没有提高识别效果袁还会耗费较高的训练运行时间遥c.所提方法将分数域中阶次选择问题转换为多核网络中的系数交替优化问题袁为目前最优阶次的选择问题提供了一定的参考遥表26组特征组合代码P1P2P3P6阶次组合0.390.39袁0.440.39袁0.44袁0.430.39袁0.44袁0.43袁0.45袁0.37袁0.38P40.39袁0.44袁0.43袁0.45P50.39袁0.44袁0.43袁0.45袁0.37图10不同阶次组合的识别效果图11P4组合的标签输出为了验证所提方法的有效性袁证明深度挖掘特征信息有利于提高识别效果袁选用核函数为线性核尧惩罚系数为2的SVM对单个特征进行分类袁并对比分类结果遥 选用的特征为未进行分数阶傅里叶变换的样本熵尧p=0.39时的样本熵袁分类结果见表3遥 由表3可知袁所提方法比起单一的样本熵特征以及未融合的阶次特征具有较好的识别效果遥474第 50 卷第 4 期化 工 自 动 化 及 仪 表4结束语对FRFT用于特征融合这种新方法进行了研究袁以管道内部堵塞物和配件为对象袁声响应信号为实验样本袁 运用基于Mel子带能量的端点检测算法定位堵塞物尧三通件尧管道尾端能量信号的起止端袁有效实现对故障信号的提取袁将片段信号映射到分数阶空间袁提取各阶次的样本熵特征作为类间区分度的指标遥 然后运用MKL自动学习FRFT样本熵特征的系数袁将分数域中的阶次选择问题转换为多核网络中的系数交替优化问题遥挖掘特征的深层含义袁最终将这些信息进行多特征融合袁成功地将多工况管道不同程度堵塞物以及内部部件进行了区分袁效果较为显著遥 由此可知袁将一种特征通过分数阶傅里叶变换从多个方面挖掘该特征所蕴含的深层信息袁并将这些特征信息进行融合袁 可以得到较高区分度的特征袁将该特征用于复杂运行状态下管道不同堵塞程度和配件的识别能得到更好的效果遥参考文献咱1暂徐唯玮袁张振峰袁曾启星袁等.一种市政排水管道堵塞的检测预警系统的研究咱J暂.科技创新导报袁2020袁17渊7冤院22-24.咱2暂李清平袁储佳伟袁姚海元袁等.压力脉冲波法天然气管道堵塞检测研究 咱J暂.中国安全生产科学技术袁2021袁17渊7冤院5-9.咱3暂赵乃志袁陈桂凤.基于声学相位共轭理论的管道裂纹检测咱J暂.仪器仪表与分析监测袁2015渊4冤院13-17.咱4暂闫菁袁冯早袁吴建德袁等.LMD特征融合与SVM的供水管道堵塞识别 咱J暂.传感器与微系统袁2017袁36渊7冤院57-61.咱5暂KE X Q袁YUAN F袁CHENG E.Integrated optimizationof underwater acoustic ship鄄radiated noise recognitionbased on two鄄dimensional feature fusion 咱J暂.AppliedAcoustics袁2020袁159渊4冤院107057.咱6暂王维博袁张斌袁曾文入袁等.基于特征融合一维卷积神经网络的电能质量扰动分类咱J暂.电力系统保护与控制袁2020袁48渊6冤院53-60.咱7暂FARNAZ P袁RASHIDI S袁SHEIKHANI A.Applicationof fractional Fourier transform in feature extractionfromELECTROCARDIOGRAMandGALVANICSKINRESPONSEforemotionrecognition 咱J暂.Biomedical Signal Processing and Control袁2021袁69院102863.咱8暂MEI J M袁REN G袁CHANG C.Multiple informationfusion based on single component feature and diagn鄄osis of gear爷s early fault咱J暂.Vibroengineering PROC鄄EDIA袁2018袁18渊3冤院52-56.咱9暂张俊袁王伟袁向聪袁等.基于多重分数阶傅里叶变换ISAR快速成像算法咱J暂.火控雷达技术袁2021袁50渊1冤院1-7曰25.咱10暂酒明远袁陈恩庆袁齐林袁等.基于多核学习的多阶次分数阶傅里叶变换域人脸识别 咱J暂.光电工程袁2018袁45渊6冤院134-142.咱11暂郭学卫袁申永军袁杨绍普.基于样本熵和分数阶傅里叶变换的滚动轴承故障特征提取咱J暂.振动与冲击袁2017袁36渊18冤院65-69.咱12暂李书乐袁马洁.变工况下滚动轴承的故障特征提取咱J暂.机械科学与技术袁2022袁41渊1冤院1-8.咱13暂LU C K袁SHAFTO P.Conditional Deep Gaussian Pro鄄cesses院Multi鄄Fidelity Kernel Learning 咱J暂.Entropy袁2021袁23渊11冤院1545.咱14暂WANG L袁WANG H Q袁FU G Y.Multiple KernelLearning with Minority Oversampling for ClassifyingImbalanced Data 咱J暂.IEEE Access袁2021袁9院565-580.咱15暂史杨梅袁张倩倩.基于小波降噪和XGBoost融合特征选择的轴承故障诊断 咱J/OL暂.轴承袁1鄄8咱2023鄄04鄄17暂.http:/ mm堵塞75.00召回率精确率75.0055 mm堵塞召回率68.18精确率80.00三通件召回率84.21管道尾端精确率召回率80.0084.21p=0.39时的样本熵90.0090.0090.0090.4895.0095.0095.00100.00笔者方法95.0090.4890.0094.74100.0095.2495.00100.004752023 年化 工 自 动 化 及 仪 表AbstractManaged pressure drilling 渊MPD冤 is a complicated drilling technology.The control of chokevalve on automatic choke manifold is key to realizing accurate control of bottom hole pressure.Firstly袁 hav鄄ing the hydraulic choke valve爷s dynamic model in the MPD device established and the proportional servovalve selected as valve position control system爷s actuator.Through controlling the spool movement of pro鄄portional servo valve袁 the hydraulic oil爷s inflow in hydraulic choke valve爷s hydraulic cylinder was changedand the position of hydraulic choke valve was controlled曰 secondly袁 having a hydraulic choke valve爷s posi鄄tion control strategy based on deep reinforcement learning proposed袁 through the exchange between the hy鄄draulic choke valve and the intelligent agent袁 this strategy has the deep Q鄄network渊DQN冤 algorithm adopt鄄ed to make proportional servo valve control hydraulic choke valve position曰 finally袁 both simulation andfield test verified the effectiveness of the valve position control strategy to provide a guarantee for the suc鄄cessful implementation of MPD.Key wordshydraulic choke valve袁 valve position control袁 MPD袁 reinforcement learning袁 DQN algo鄄rithm袁 proportional servo valvepipeline fault detection methods 咱J暂.Journal of LossPrevention in the Process Industries袁2016袁41院97-106.咱18暂张娇阳.基于多核学习的支持向量机方法研究咱D暂.北京院北京建筑大学袁2019.渊收稿日期院2022-11-15袁修回日期院2023-06-14冤Method for Identifying Pipeline Blockage Based on Fractional FourierDomain Feature Fusion under Multiple Operating ConditionsCAO Zhea袁 ZHANG Guang鄄huia袁 FENG Zaoa袁b渊a.Faculty of Information Engineering and Automation曰 b.Yunnan Key Laboratory of Artificial Intelligence袁Kunming University of Science and Technology冤AbstractIn practical applications of acoustic detection for drainage pipelines袁 lack of guidance in featureselection makes the extraction of high鄄dimensional features with high information overlap and it may causelow recognition rates in identifying different blockages in pipelines under different operating conditions.Through basing on Fractional Fourier Transform 渊FRFT冤 and Multiple Kernel Learning 渊MKL冤 feature fu鄄sion袁 a pipeline multi鄄blockage identification method was proposed.In which袁 having the indistinguishableraw data mapped to the time鄄frequency plane of multiple orders of fractional Fourier transform袁 and thenhaving the sample entropy of each order calculated as a discriminative feature measure.ThroughusingMKL to automatically learn the coefficients of the FRFT sample entropy features袁 the order selection inthe fractional domain was transformed into an alternating optimization problem in the multiple kernel net鄄work袁 including having the deep meaning of features explored and the multi鄄feature fusion ultimatelyachieved to identify multi鄄condition pipeline blockage.Experimental results show that袁 compared with thefusion features from different order sets袁 the final fusion feature can improve the discrimination betweendifferent categories of samples袁 and can effectively identify blockages袁 T鄄joints袁 and pipe ends in complexoperating conditions within multi鄄condition pipelines曰 and the recognition accuracy can reache 95%袁 whichis a significant improvement compared to traditional feature fusion models in multi鄄condition pipelineblockage identification.Key wordsacoustic detection袁 fractional Fourier transform袁 feature fusion袁 multiple kernel learning渊Continued from Page 427冤476