地下管线系统是城市重要的基础设施,承载着供水排水、能源输送、电力供应、通信传输等各方面的任务,为城市生活秩序提供了基本条件。然而在城镇化进程中,城市的建设施工活动日益增多,施工使用的各类设备对地下管线的安全造成了严重的威胁。由于管线埋于地下,且线路分布广泛,对于工程器械的外力破坏很难进行及时预防和保护,目前急需有效的智能监控系统。经过实地考察发现,经常造成地下管线挖断事故的器械主要有手持电镐、液压破碎锤、挖掘机和切割机这几类。本文研究了这几类破坏性工程器械的工作方式,深入分析了其声音信号的特性,在此基础上提出了一种基于统计参数的特征提取方法,并使用支持向量机(SVM)和极限学习机(ELM)分别作为智能分类器,构建了一套工程器械的声音识别算法。该算法可用于地下管线监控系统,能够全天候远程工作,有效地识别破坏性施工器械,检测到管线被挖断的潜在威胁,从而提出预警,识别算法可以使监控系统更加智能化,更有效率地协助管线维护单位的工作。本文的主要工作和成果如下:1.采用传声器阵列采集工程器械的实际施工声音,包括多种声源距离和多种背景环境,用于声音样本库的建立和识别测试实验的实施。2.在特征提取方面,研究了梅尔频率倒谱系数(MFCC)和线性预测倒谱频率(LPCC)特征,并针对其在识别应用领域的局限性,提出了一种统计特征提取方法。该方法选取并计算短时帧的统计参数,从时域和频域两个方面描述声音信号。通过信号参数的变化范围,设置了其中相关的阈值。3.在识别分类方面,通过对SVM和ELM算法的研究,采用这两种学习算法作为智能分类器,进行样本特征的训练建模和测试信号的识别分类。4.对统计特征的时域和频域参数分别进行了实验,对比了两者的识别性能,并分别分析了主要作用。5.对统计特征进行了识别性能实验,并使用MFCC和LPCC特征设计了对比实验。统计特征在SVM和ELM两种分类器下,都准确识别施工器械,在挖掘机的识别方面具有显著的优势;而且使用近距离样本可以识别远距离的声音;对白噪声干扰下的信号,也能保证较小的特征变化范围。