基于分?jǐn)?shù)階傅里葉域特征融合的多工況管道堵塞識(shí)別方法

曹哲　張光輝　馮早

摘 要 針對排水管道聲學(xué)檢測的實(shí)際應(yīng)用中，聲學(xué)信號(hào)在特征選擇缺乏指導(dǎo)的情況下容易提取過高信息重疊度的高維特征導(dǎo)致不同工況管道堵塞識(shí)別率低下的問題，基于分?jǐn)?shù)階傅里葉變換（Fractional Fourier Transform，F(xiàn)RFT）原理，提出一種基于FRFT和多核學(xué)習(xí)（Multiple Kernel Learning，MKL）特征融合的管道多重堵塞識(shí)別方法。該方法首先把難以區(qū)分的原始數(shù)據(jù)映射到多階次分?jǐn)?shù)階傅里葉變換時(shí)頻平面，然后計(jì)算各階次的樣本熵作為區(qū)分度量特征。運(yùn)用MKL自動(dòng)學(xué)習(xí)FRFT樣本熵特征的系數(shù)，將分?jǐn)?shù)域中階次選擇問題轉(zhuǎn)換為多核網(wǎng)絡(luò)中的系數(shù)交替優(yōu)化問題，挖掘特征的深層含義，最終將這些信息進(jìn)行多特征融合，實(shí)現(xiàn)了多工況管道堵塞識(shí)別。實(shí)驗(yàn)結(jié)果表明：在與不同階次集合的融合特征對比后，最終的融合特征提高了不同類別間樣本的區(qū)分度，能夠有效識(shí)別復(fù)雜運(yùn)行狀態(tài)下多工況管道中的堵塞物、三通件和管道尾端，識(shí)別準(zhǔn)確率達(dá)到95%，在多工況管道堵塞識(shí)別中相較于傳統(tǒng)特征融合模型識(shí)別率顯著提高。

關(guān)鍵詞 聲學(xué)檢測 分?jǐn)?shù)階傅里葉變換 特征融合 多核學(xué)習(xí)

中圖分類號(hào) TP274? ?文獻(xiàn)標(biāo)識(shí)碼 A? ?文章編號(hào) 1000-3932（2023）04-0467-10

由于早期市政排水管道網(wǎng)絡(luò)的施工水平不足、運(yùn)維能力不足及配套設(shè)施不合理等，易產(chǎn)生管道堵塞現(xiàn)象，同時(shí)管網(wǎng)拓?fù)浣Y(jié)構(gòu)復(fù)雜，管道內(nèi)部堵塞程度信息難以獲取［1］。污水在管道中流動(dòng)時(shí)泥沙、有機(jī)顆粒物等異物逐漸在管道底部沉積造成輕度堵塞，減小了管道有效截面積，致使管道過水能力下降。如果不及時(shí)處理將逐漸形成嚴(yán)重的堵塞，進(jìn)而造成管道壓力增高甚至導(dǎo)致管道泄漏。國內(nèi)外學(xué)者針對埋地式排水管道健康安全運(yùn)行的需求，提出了以應(yīng)力應(yīng)變測量法、壓力脈沖波法及管道潛望鏡探測等為主的各種管道堵塞檢測方法［2］，但這些方法設(shè)備布置困難、設(shè)備收購價(jià)格和運(yùn)維費(fèi)用偏高。聲學(xué)主動(dòng)檢測系統(tǒng)對于不同運(yùn)行工況下的檢測工作，如管涌、滿管及半管等都非常適用，并且能夠清楚地掃描管道內(nèi)部結(jié)構(gòu)的形變、坍塌、阻塞及斷裂等管道缺陷。但在實(shí)際檢測中，由于管道運(yùn)行環(huán)境復(fù)雜，聲波經(jīng)過聲阻抗不連續(xù)界面會(huì)造成聲束聚焦點(diǎn)發(fā)散，使得檢測到的信號(hào)相差產(chǎn)生畸變，提取的特征重疊度較高，難以對故障進(jìn)行有效識(shí)別［3］。因此，基于聲學(xué)主動(dòng)檢測的故障診斷研究的重點(diǎn)和難點(diǎn)之一是對聲學(xué)信號(hào)故障特征的提取和選擇。針對檢測環(huán)節(jié)產(chǎn)生的信號(hào)特征堆疊導(dǎo)致不同工況管道識(shí)別率低下的問題，有必要應(yīng)用特征融合技術(shù)來提高特征的辨別能力，實(shí)現(xiàn)復(fù)雜運(yùn)行狀態(tài)下管道的故障識(shí)別。

在特征融合技術(shù)的研究中，閆菁等提出局部均值分解特征融合方法［4］，從若干乘積函數(shù)中提取3個(gè)指標(biāo)特征，最后通過交叉驗(yàn)證、局部均值分解特征融合和支持向量機(jī)相結(jié)合的方法，成功對管道早期堵塞進(jìn)行識(shí)別。KE X Q等提出二維特征融合的水聲艦船輻射噪聲識(shí)別方法［5］，利用小波包分解把水下輻射噪聲分解為多個(gè)子帶，串行融合奇子帶和偶子帶的8種特征，并運(yùn)用Fisher判別矩陣進(jìn)行特征加權(quán)融合，提高了特征的識(shí)別性能，成功對水下噪聲進(jìn)行辨別。王維博等對電能質(zhì)量擾動(dòng)信號(hào)的分類提出改進(jìn)的一維卷積神經(jīng)網(wǎng)絡(luò)［6］，先通過3個(gè)卷積神經(jīng)網(wǎng)絡(luò)子模型分別提取電能質(zhì)量擾動(dòng)信號(hào)的特征向量，再將提取到的特征向量融合成新的特征向量，最后通過BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分類，結(jié)果顯示該算法具有更好的識(shí)別率和更強(qiáng)的抗噪能力。以上研究，均為對目標(biāo)樣本數(shù)據(jù)映射到某一特定空間后提取幾類特征向量進(jìn)行特征融合，但是實(shí)際排水管道運(yùn)行狀態(tài)復(fù)雜，管道堵塞往往是由多個(gè)堵塞物組合而成的，而且三通件和管道尾端的存在更會(huì)導(dǎo)致聲學(xué)主動(dòng)檢測得到的回波信號(hào)變得復(fù)雜且具有較高的重疊性，若僅僅將幾類獨(dú)立的沒有統(tǒng)一量綱的特征用特定算法融合，會(huì)丟失特征本身所表達(dá)的信息，同時(shí)高維特征可能會(huì)導(dǎo)致特征內(nèi)部的關(guān)聯(lián)度加大，使得特征的辨識(shí)度下降，從而降低識(shí)別準(zhǔn)確率。因此，如果可以將融合這個(gè)概念聚焦到特征本身，從多個(gè)方面去挖掘特征的深層含義，并將這些特征信息融合，充分提高對特征信息的利用程度，即可達(dá)到提高特征辨識(shí)度的目的。

因此，降低聲學(xué)信號(hào)特征的堆疊，深度挖掘特征本身所表達(dá)的信息是提高多工況管道堵塞識(shí)別效果的主要技術(shù)手段。分?jǐn)?shù)階傅里葉變換（Fractional Fourier Transform，F(xiàn)RFT）可以通過階次的變換表征一個(gè)特征多方面的信息，非常適合對特征信息進(jìn)行深層次的挖掘。FARNAZ P等將這種思想用于語音情感識(shí)別［7］，將分?jǐn)?shù)階傅里葉變換作為一種新的特征提取方法并與時(shí)域特征和頻域特征進(jìn)行對比，結(jié)果表明該特征提取方法提高了識(shí)別精度。MEI J M等將其應(yīng)用于基于傳感器數(shù)據(jù)融合的齒輪故障診斷中［8］，首先利用FRFT將嚙合頻率分量作為單分量信號(hào)進(jìn)行分離，然后計(jì)算不同階次下的包絡(luò)解調(diào)譜特征參數(shù)，通過雷達(dá)圖融合不同傳感器的特征參數(shù)，比起單個(gè)傳感器，該方法的故障診斷結(jié)果更準(zhǔn)確。張俊等提出最小二乘FRFT變換［9］，有效杜絕了傳輸誤差的影響，更精確地實(shí)現(xiàn)了快速成像。可見，融合多階次分?jǐn)?shù)階傅里葉變換特征，能使系統(tǒng)抗干擾能力增強(qiáng)，對目標(biāo)的辨別能力提高，但目前階次選擇問題是一個(gè)難點(diǎn)［10］。筆者將支持向量機(jī)（Support Vector Machine，SVM）中核函數(shù)的選擇和FRFT的階次選擇問題聯(lián)系起來，將階次的選擇問題轉(zhuǎn)換為多核學(xué)習(xí)中系數(shù)的選擇問題。

筆者針對聲學(xué)信號(hào)在特征選擇缺乏指導(dǎo)的情況下容易提取過高信息重疊度的高維特征，導(dǎo)致不同工況管道堵塞識(shí)別率低下的問題，提出基于FRFT特征融合的多工況管道堵塞識(shí)別方法，通過提取管道聲回波信號(hào)在不同階次下分?jǐn)?shù)域樣本熵特征，并采用多核學(xué)習(xí)解決分?jǐn)?shù)域樣本熵特征的階次選擇問題，在端對端的監(jiān)督學(xué)習(xí)中，將不同的分?jǐn)?shù)階域的樣本熵特征和分類器直接連接，通過梯度下降法學(xué)習(xí)得到一組能直觀反映各階次分?jǐn)?shù)階傅里葉域樣本熵特征識(shí)別能力的系數(shù)，通過加權(quán)融合特征最終實(shí)現(xiàn)在多工況管道中的堵塞物、三通件和管道尾端的識(shí)別。

1 理論與方法

1.1 分?jǐn)?shù)階傅里葉變換

1.2 樣本熵特征

1.3 多核學(xué)習(xí)支持向量機(jī)

2 管道堵塞識(shí)別方法構(gòu)建

針對聲學(xué)信號(hào)在特征選擇缺乏指導(dǎo)的情況下容易提取過高信息重疊度的高維特征，導(dǎo)致不同工況管道識(shí)別率低下的問題，筆者提出了基于多階次分?jǐn)?shù)域特征融合的多工況管道堵塞聲學(xué)識(shí)別方法。該方法結(jié)構(gòu)如圖2所示，具體步驟如下：

a. 利用聲學(xué)主動(dòng)檢測平臺(tái)采集多工況管道堵塞的聲響應(yīng)信號(hào)；

b. 將小波降噪后的聲學(xué)響應(yīng)信號(hào)通過基于Mel子帶能量端點(diǎn)檢測算法進(jìn)行聲學(xué)片段分割，得到包含不同程度堵塞、三通件、管道尾端的個(gè)體片段；

c. 根據(jù)選取階次的不同可以獲得同一對象的不同幅值能量特征，并計(jì)算不同類別個(gè)體聲學(xué)信號(hào)片段的各個(gè)階次的樣本熵特征，構(gòu)建特征集；

d. 構(gòu)建基于多核學(xué)習(xí)的分?jǐn)?shù)域樣本熵特征的識(shí)別算法框架，輸入端為多階次樣本熵特征對應(yīng)的線性核函數(shù)，輸出端是各個(gè)線性核函數(shù)的顯性融合，通過多核學(xué)習(xí)網(wǎng)絡(luò)和支持向量機(jī)的交替優(yōu)化算法實(shí)現(xiàn)基于多核學(xué)習(xí)的特征融合，并得出識(shí)別結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)與信號(hào)采集

實(shí)驗(yàn)平臺(tái)選取了長15.4 m、直徑150 mm、材料為粘土的管道，在管道兩端各接一個(gè)儲(chǔ)水箱，用于模擬真實(shí)情況下排水管道內(nèi)存在的不同水位，并選用55、40 mm兩種不同高度的石質(zhì)擋板模擬堵塞物。

數(shù)據(jù)采集平臺(tái)如圖3所示，實(shí)驗(yàn)人員用計(jì)算機(jī)控制軟件WinMLS產(chǎn)生頻率范圍100～6 000 Hz、時(shí)間長度10 s的正弦掃頻信號(hào)。信號(hào)經(jīng)功率放大器后由揚(yáng)聲器發(fā)射到管道內(nèi)部，接收器以44 100 Hz的采樣頻率采集聲壓回波信號(hào)，經(jīng)濾波器去除背景噪聲，最后上傳至計(jì)算機(jī)存儲(chǔ)。

實(shí)驗(yàn)采集的多重堵塞的管道類型為含有高度為40 mm和55 mm堵塞物的管道、含有高度為40 mm堵塞物和單個(gè)三通件的管道、含有高度為55 mm堵塞物和單個(gè)三通件的管道、含有高度為40 mm和55 mm堵塞物和單個(gè)三通件的管道，每種管道類型的樣本數(shù)量為20組。

3.2 信號(hào)預(yù)處理

實(shí)驗(yàn)用44 100 Hz采樣頻率采集的包含多種堵塞和三通件的管道聲響應(yīng)信號(hào)如圖4a所示，可以看出多重堵塞的管道由于聲波經(jīng)過聲阻抗不連續(xù)界面會(huì)造成聲束聚焦點(diǎn)發(fā)散現(xiàn)象，采集到的噪聲和有效信號(hào)混合在一起，難以得到堵塞和管道部件信息。因此首先進(jìn)行小波消噪處理。小波分析能把復(fù)雜信號(hào)重構(gòu)成不同頻域的兩部分，小波分解再重構(gòu)即可得到降噪后的信號(hào)［15］。實(shí)驗(yàn)選用6層db5小波基對原始信號(hào)進(jìn)行降噪，分解后的信號(hào)可以舍去高頻分量，保留100～6 000 Hz的頻段分量，達(dá)到去噪的效果。從降噪后的時(shí)域圖（圖4b）中可以看出不同程度堵塞物、三通件和管道尾端處出現(xiàn)明顯的幅值變化。

3.3 各階次特征的分類性能

對于階次的選擇，前期工作已采用分?jǐn)?shù)階傅里葉變換對干燥管道內(nèi)單一類型堵塞特征的分辨能力進(jìn)行了比較，選取了輕度堵塞（20 mm堵塞物）、中度堵塞（40 mm堵塞物）、重度堵塞（55 mm堵塞物）和無堵塞管道的聲學(xué)信號(hào)進(jìn)行了上文所述的分?jǐn)?shù)域樣本熵特征提取（0.65≤p≤0.74和p<0.50），實(shí)驗(yàn)結(jié)果如圖5所示。可以看出，當(dāng)0.65≤p≤0.74時(shí)可以得到較有區(qū)分度的分?jǐn)?shù)階區(qū)間，但當(dāng)p<0.50時(shí)出現(xiàn)了類間特征重疊現(xiàn)象，這表明并非所有的分?jǐn)?shù)階特征都具有辨別能力，因此在沒有先驗(yàn)知識(shí)的情況下，無法確定分?jǐn)?shù)域的最優(yōu)階次。并且當(dāng)管道出現(xiàn)多重堵塞情況時(shí)，會(huì)因?yàn)橛?xùn)練數(shù)據(jù)與復(fù)雜運(yùn)行狀態(tài)管道數(shù)據(jù)不匹配造成特征類內(nèi)集中度增加和類間分辨性降低，同時(shí)復(fù)雜管道運(yùn)行狀態(tài)下的三通件和管道尾端也會(huì)對識(shí)別造成較大的干擾［17］。因此有必要采用有效的方法確定分?jǐn)?shù)域的階次，解決管道復(fù)雜運(yùn)行狀態(tài)下的堵塞識(shí)別問題。

為了明確多工況管道下40 mm堵塞物、55 mm堵塞物、三通件和管道尾端4類個(gè)體聲學(xué)片段的分?jǐn)?shù)階傅里葉域樣本熵特征的表征能力，筆者首先考察單個(gè)階次的分類性能。各階次的特征值和識(shí)別結(jié)果如圖6所示，其中階次p從0變換到1，步進(jìn)0.01，樣本數(shù)據(jù)為經(jīng)端點(diǎn)檢測分割得到的40 mm堵塞物、55 mm堵塞物、三通件和管道尾端聲學(xué)數(shù)據(jù)片段各60組，訓(xùn)練集和測試集的比例為2∶1。

數(shù)據(jù)的交叉項(xiàng)可以在信號(hào)映射到恰當(dāng)?shù)姆謹(jǐn)?shù)階空間后被消除，但不同的階次特征具有不同的分類效果，在沒有先驗(yàn)知識(shí)的前提下，無法預(yù)知最優(yōu)的階次。為了解決階次的選擇問題，運(yùn)用多核學(xué)習(xí)自動(dòng)學(xué)習(xí)分?jǐn)?shù)域樣本熵特征的系數(shù)，將分?jǐn)?shù)域中階次選擇問題轉(zhuǎn)換為多核網(wǎng)絡(luò)中的系數(shù)交替優(yōu)化問題，挖掘特征的深層含義，經(jīng)過學(xué)習(xí)訓(xùn)練后，得到的系數(shù)對應(yīng)著不同特征的識(shí)別分類能力。

3.4 基于多核學(xué)習(xí)的特征融合與識(shí)別結(jié)果

筆者選取單一階次特征貢獻(xiàn)度最高的前6個(gè)特征進(jìn)行融合（p=0.37、0.38、0.39、0.43、0.44、0.45），按照表2的特征組合學(xué)習(xí)6組分?jǐn)?shù)域樣本熵特征融合系數(shù)，將融合特征輸入SVM分類器中進(jìn)行識(shí)別，并輸出標(biāo)簽，得到分類結(jié)果，不同階次組合的識(shí)別準(zhǔn)確率如圖10所示。觀察圖10可以得出：

a. P4、P5組合下的多核學(xué)習(xí)特征融合結(jié)果大于單個(gè)最優(yōu)階次下的識(shí)別結(jié)果，P4組合的標(biāo)簽輸出結(jié)果如圖11所示，最終識(shí)別結(jié)果為95%，說明所提的特征融合方法可以有效地實(shí)現(xiàn)管道不同堵塞物和內(nèi)部部件的識(shí)別，針對多工況管道堵塞故障診斷問題具有一定的指導(dǎo)意義。

b. 增加核函數(shù)（特征）的數(shù)量不一定會(huì)提高最終多核學(xué)習(xí)特征的識(shí)別能力，反而支持向量機(jī)訓(xùn)練時(shí)會(huì)增加迭代次數(shù)，不僅沒有提高識(shí)別效果，還會(huì)耗費(fèi)較高的訓(xùn)練運(yùn)行時(shí)間。

c. 所提方法將分?jǐn)?shù)域中階次選擇問題轉(zhuǎn)換為多核網(wǎng)絡(luò)中的系數(shù)交替優(yōu)化問題，為目前最優(yōu)階次的選擇問題提供了一定的參考。

為了驗(yàn)證所提方法的有效性，證明深度挖掘特征信息有利于提高識(shí)別效果，選用核函數(shù)為線性核、懲罰系數(shù)為2的SVM對單個(gè)特征進(jìn)行分類，并對比分類結(jié)果。選用的特征為未進(jìn)行分?jǐn)?shù)階傅里葉變換的樣本熵、p=0.39時(shí)的樣本熵，分類結(jié)果見表3。由表3可知，所提方法比起單一的樣本熵特征以及未融合的階次特征具有較好的識(shí)別效果。

4 結(jié)束語

對FRFT用于特征融合這種新方法進(jìn)行了研究，以管道內(nèi)部堵塞物和配件為對象，聲響應(yīng)信號(hào)為實(shí)驗(yàn)樣本，運(yùn)用基于Mel子帶能量的端點(diǎn)檢測算法定位堵塞物、三通件、管道尾端能量信號(hào)的起止端，有效實(shí)現(xiàn)對故障信號(hào)的提取，將片段信號(hào)映射到分?jǐn)?shù)階空間，提取各階次的樣本熵特征作為類間區(qū)分度的指標(biāo)。然后運(yùn)用MKL自動(dòng)學(xué)習(xí)FRFT樣本熵特征的系數(shù)，將分?jǐn)?shù)域中的階次選擇問題轉(zhuǎn)換為多核網(wǎng)絡(luò)中的系數(shù)交替優(yōu)化問題。挖掘特征的深層含義，最終將這些信息進(jìn)行多特征融合，成功地將多工況管道不同程度堵塞物以及內(nèi)部部件進(jìn)行了區(qū)分，效果較為顯著。由此可知，將一種特征通過分?jǐn)?shù)階傅里葉變換從多個(gè)方面挖掘該特征所蘊(yùn)含的深層信息，并將這些特征信息進(jìn)行融合，可以得到較高區(qū)分度的特征，將該特征用于復(fù)雜運(yùn)行狀態(tài)下管道不同堵塞程度和配件的識(shí)別能得到更好的效果。

參 考 文 獻(xiàn)

［1］ 徐唯瑋，張振峰，曾啟星，等.一種市政排水管道堵塞的檢測預(yù)警系統(tǒng)的研究［J］.科技創(chuàng)新導(dǎo)報(bào)，2020，17（7）：22-24.

［2］ 李清平，儲(chǔ)佳偉，姚海元，等.壓力脈沖波法天然氣管道堵塞檢測研究［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2021，17（7）：5-9.

［3］ 趙乃志，陳桂鳳.基于聲學(xué)相位共軛理論的管道裂紋檢測［J］.儀器儀表與分析監(jiān)測，2015（4）：13-17.

［4］ 閆菁，馮早，吳建德，等.LMD特征融合與SVM的供水管道堵塞識(shí)別［J］.傳感器與微系統(tǒng)，2017，36（7）：57-61.

［5］? ?KE X Q，YUAN F，CHENG E.Integrated optimization of underwater acoustic ship-radiated noise recognition based on two-dimensional feature fusion［J］.Applied Acoustics，2020，159（4）：107057.

［6］? ?王維博，張斌，曾文入，等.基于特征融合一維卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類［J］.電力系統(tǒng)保護(hù)與控制，2020，48（6）：53-60.

［7］? ?FARNAZ P，RASHIDI S，SHEIKHANI A. Application of fractional Fourier transform in feature extraction from ELECTROCARDIOGRAM and GALVANIC SKIN RESPONSE for emotion recognition［J］.Biomedical Signal Processing and Control，2021，69：102863.

［8］? MEI J M，REN G，CHANG C.Multiple information fusion based on single component feature and diagn-osis of gears early fault［J］.Vibroengineering PROC-EDIA，2018，18（3）：52-56.

［9］ 張俊，王偉，向聰，等.基于多重分?jǐn)?shù)階傅里葉變換ISAR快速成像算法［J］.火控雷達(dá)技術(shù)，2021，50（1）：1-7；25.

［10］ 酒明遠(yuǎn)，陳恩慶，齊林，等.基于多核學(xué)習(xí)的多階次分?jǐn)?shù)階傅里葉變換域人臉識(shí)別［J］.光電工程，2018，45（6）：134-142.

［11］ 郭學(xué)衛(wèi)，申永軍，楊紹普.基于樣本熵和分?jǐn)?shù)階傅里葉變換的滾動(dòng)軸承故障特征提取［J］.振動(dòng)與沖擊，2017，36（18）：65-69.

［12］ 李書樂，馬潔.變工況下滾動(dòng)軸承的故障特征提取［J］.機(jī)械科學(xué)與技術(shù)，2022，41（1）：1-8.

［13］ LU C K，SHAFTO P.Conditional Deep Gaussian Pro-cesses：Multi-Fidelity Kernel Learning［J］.Entropy，2021，23（11）：1545.

［14］? ?WANG L，WANG H Q，F(xiàn)U G Y.Multiple Kernel Learning with Minority Oversampling for Classifying Imbalanced Data［J］. IEEE Access，2021，9：565-580.

［15］ 史楊梅，張倩倩.基于小波降噪和XGBoost融合特征選擇的軸承故障診斷［J/OL］.軸承，1-8［2023-04-17］.http：//kns.cnki.net/kcms/detail/41.1148.TH.20220421.1700.002.html.

［16］ 王靜宇，張純，許楓.復(fù)雜環(huán)境下基于聽覺子帶能量特征的鳥鳴聲端點(diǎn)檢測［J］.計(jì)算機(jī)應(yīng)用，2022，42（z1）：310-315.

［17］? DATTA S，SHIBAYAN S.A review on different pipeline fault detection methods［J］.Journal of Loss Prevention in the Process Industries，2016，41：97-106.

［18］ 張嬌陽.基于多核學(xué)習(xí)的支持向量機(jī)方法研究［D］.北京：北京建筑大學(xué)，2019.

（收稿日期：2022-11-15，修回日期：2023-06-14）

Method for Identifying Pipeline Blockage Based on Fractional Fourier

Domain Feature Fusion? under Multiple Operating Conditions

CAO Zhea， ZHANG Guang-huia， FENG Zaoa，b

（a. Faculty of Information Engineering and Automation； b. Yunnan Key Laboratory of Artificial Intelligence，

Kunming University of Science and Technology）

Abstract? ?In practical applications of acoustic detection for drainage pipelines， lack of guidance in feature selection makes the extraction of high-dimensional features with high information overlap and it may cause low recognition rates in identifying different blockages in pipelines under different operating conditions. Through basing on Fractional Fourier Transform （FRFT） and Multiple Kernel Learning （MKL） feature fusion， a pipeline multi-blockage identification method was proposed. In which， having the indistinguishable raw data mapped to the time-frequency plane of multiple orders of fractional Fourier transform， and then having the sample entropy of each order calculated as a discriminative feature measure. Through? using MKL to automatically learn the coefficients of the FRFT sample entropy features， the? order selection in the fractional domain was transformed into an alternating optimization problem in the multiple kernel network， including having the deep meaning of features explored and the multi-feature fusion ultimately achieved? to identify multi-condition pipeline blockage. Experimental results show that， compared with the fusion features from different order sets， the final fusion feature can improve the discrimination between different categories of samples， and can effectively identify blockages， T-joints， and pipe ends in complex operating conditions within multi-condition pipelines； and the recognition accuracy can reache 95%， which is a significant improvement compared to traditional feature fusion models in multi-condition pipeline blockage identification.

Key words? ?acoustic detection， fractional Fourier transform， feature fusion， multiple kernel learning