CN106706109A - 一种基于时域二维特性的振动源识别方法及*** - Google Patents

Abstract

本发明提供了一种基于时域二维特性的振动源识别方法及***，方法对当前振动源在多个报警点的振动信号进行去噪处理及门限检测，确定各振动信号的占空比，并获取振动信号的过均值频数；根据占空比及过均值频数生成时域二维特征向量，并将时域二维特征向量输入随机向量函数连接RVFL网络进行参数训练，根据参数训练结果判断当前振动源是否为行车振动源。***包括去噪处理单元、占空比获取单元、过均值频数获取单元、时域二维特性获取单元及振动源判定单元。本发明能够根据时域二维特性准确的识别出行车振动信号，且识别过程快速且有效，为控制中心提供了可靠地振动源判定基础，使得控制能在能够根据振动源的类型，做出准确且及时的响应。

Description

一种基于时域二维特性的振动源识别方法及***

技术领域

本发明涉及振动源识别技术领域，具体涉及一种基于时域二维特性的振动源识别方法及***。

背景技术

近年来，随着全球经济的迅猛发展，人们对能源的需求越来越大，管道运输成为输送能源的主要方式。其主要风险之一为管道泄漏，这不仅导致能源浪费、环境污染，还可能给人民生命、财产安全造成巨大威胁，因此保护与光缆伴行的油气管道称为目前光纤预警***的首要任务。

光纤振动安全预警***可以采集这些重要区域周边的各种振动信号，通过分析周边振动信号特征，得出振源类型，若监测出对区域有害的振源出现，可以及时进行预警，并报告危害事件的具***置，达到对重要区域如军事区域或其区域周边的实时保护、减少财产损失的目的。

通过光纤传感***探测光缆周边的振动事件，采集石油管道周边的各种振动信号，提取信号特征参数，实现目标的分类与识别。面对大量复杂的振动信号，如何准确识别目标振源是安全预警***研究的难点。振源识别是基于振源的行为及其属性特征，以计算机为工具，采用模式识别理论，建立振动信号和振源对应关系的一门技术。***对光纤管道采集到的振动信号进行预处理、特征提取和识别，并根据其特征确定破坏事件的类型并进行安全预警，从而实现保障油气管道安全，防患于未然的目的。

现有的研究存在的主要问题是缺乏合适的振动源识别方法，因此，需要建立一种有效的振动源识别方法来实现振动信号的识别，以降低振源识别的错误率。

发明内容

针对现有技术中的缺陷，本发明提供一种基于时域二维特性的振动源识别方法及***，能够根据时域二维特性准确的识别出行车振动信号，且识别过程快速且有效，为控制中心提供了可靠地振动源判定基础，使得控制能在能够根据振动源的类型，做出准确且及时的响应。

为解决上述技术问题，本发明提供以下技术方案：

一方面，本发明提供了一种基于时域二维特性的振动源识别方法，所述方法包括：

步骤1.对当前振动源在多个报警点的振动信号进行去噪处理；

步骤2.对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比；

步骤3.根据平均幅度差函数获取所述振动信号的过均值频数；

步骤4.根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络；

步骤5.对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

进一步的，所述步骤1包括：

步骤1-1.在光纤传感***的各报警点检测到振动源时，接收各报警点发送的振动信号，其中，各报警点的设置位置不同；

步骤1-2.对各所述振动信号进行小波去噪处理。

进一步的，所述步骤2包括：

步骤2-1.对经去噪处理后的振动信号进行门限检测，得到振动信号超过第一门限值的全部振动信号所在的报警点；

步骤2-2.根据所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，计算各所述振动信号的占空比ratio：

式(1)中，r为所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，d为各所述振动信号的长度。

进一步的，所述步骤3包括：

步骤3-1.对所述振动信号进行滤波处理；

步骤3-2.根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差；

步骤3-3.根据所述振动信号的平均幅度差，确定所述振动信号的过均值频数。

进一步的，所述步骤3-2包括：

根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差F(k)：

式(2)中，x为所述振动信号，M为滑窗长度，m为M中的某一值；k为平均幅差函数的第k位。

进一步的，所述步骤3-3包括：

步骤3-3a：根据振动信号的平均幅度差值的数量p确定所述振动信号的平均幅度差序列的平均值μ；

步骤3-3b：根据所述平均幅度差序列的平均值μ，确定过均值序列d_m；

步骤3-3c：根据所述过均值序列d_m，获取所述振动信号的过均值频数freq：

式(3)中，α_m为判断过均值序列第m个与第m+1个数值的乘积，当乘积小于0时，则α_m为1，否则α_m为0。

进一步的，所述步骤4包括：

步骤4-1.根据所述振动信号的占空比及过均值频数生成时域二维特征向量e：

e＝[ratio freq]^T (4)

式(4)中，ratio为各所述振动信号的占空比；freq为所述振动信号的过均值频数；

步骤4-2.将所述时域二维特征向量e作为待分类样本输入随机向量函数连接RVFL网络。

进一步的，所述步骤5包括：

步骤5-1.根据激活函数φ(e)对所述RVFL网络中的所述待分类样本进行参数训练，其中，所述激活函数φ(e)为：

式(5)中，φ为隐含层的输出参数：e为待训练分类样本数据，w为网络中输入层到隐层的权值，b为网络中输入层到隐层的偏置b，w和b是同分布的随机变量，在[-200,200]之间随机赋值；

步骤5-2.根据下式(6)计算得到隐含层到输出层的参数量β：

式(6)中，λ为常数量，I为单位对角阵，Y为不同振动信号的标签且Y＝[y₁,y₂,…,y_N]^T，δ为隐含层的输出参数矩阵，L为隐层个数即维度，N为数据个数；

步骤5-3.将隐含层到输出层的参数量β带入输出函数G(e)中，计算得到当前振动源的输出值，其中，所述输出函数G(e)为：

步骤5-4.根据当前振动源的输出值判断当前振动源是否为行车振动源。

进一步的，所述步骤5-4包括：

判断当前振动源的输出值是否大于预设阈值；

若是，则将当前振动源判定为行车振动源；

否则，将当前振动源判定为人工信号。

另一方面，本发明还提供了一种基于时域二维特性的振动源识别***，所述***包括：

去噪处理单元，用于对当前振动源在多个报警点的振动信号进行去噪处理；

占空比获取单元，用于对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比；

过均值频数获取单元，用于根据平均幅度差函数获取所述振动信号的过均值频数；

时域二维特性获取单元，用于根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络；

振动源判定单元，用于对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

由上述技术方案可知，本发明所述的一种基于时域二维特性的振动源识别方法及***，方法对当前振动源在多个报警点的振动信号进行去噪处理及门限检测，确定各振动信号的占空比，并获取振动信号的过均值频数；根据占空比及过均值频数生成时域二维特征向量，并将时域二维特征向量输入随机向量函数连接RVFL网络进行参数训练，根据参数训练结果判断当前振动源是否为行车振动源；能够根据时域二维特性准确的识别出行车振动信号，且识别过程快速且有效，为控制中心提供了可靠地振动源判定基础，使得控制能在能够根据振动源的类型，做出准确且及时的响应。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一的一种基于时域二维特性的振动源识别方法的流程示意图；

图2是本发明实施例二的识别方法中步骤100的一种具体实施方式的流程示意图；

图3是本发明实施例三的识别方法中步骤200的一种具体实施方式的流程示意图；

图4是本发明实施例四的识别方法中步骤300的一种具体实施方式的流程示意图；

图5是本发明实施例五的识别方法中步骤303的一种具体实施方式的流程示意图；

图6是本发明实施例六的识别方法中步骤400的一种具体实施方式的流程示意图；

图7是本发明实施例七的识别方法中步骤500的一种具体实施方式的流程示意图；

图8是本发明具体应用例中的识别方法总流程图；

图9是本发明具体应用例中的时域特征提取流程图(1)；

图10是本发明具体应用例中的时域特征提取流程图(2)；

图11是本发明具体应用例中的RVFL网络原理图；

图12a是本发明具体应用例中的镐刨原始信号振动图；

图12b是本发明具体应用例中的过车原始信号振动图；

图13a是本发明具体应用例中的镐刨信号小波去噪后图；

图13b是本发明具体应用例中的过车信号小波去噪后图；

图14a是本发明具体应用例中的镐刨信号占空比图；

图14b是本发明具体应用例中的过车信号占空比图；

图15a是本发明具体应用例中的镐刨信号64HZ滤波后图；

图15b是本发明具体应用例中的过车信号64HZ滤波后图；

图16a是本发明具体应用例中的镐刨信号AMDF图；

图16b是本发明具体应用例中的过车信号AMDF图；

图17a是本发明具体应用例中的镐刨信号AMDF过均值频数图；

图17b是本发明具体应用例中的过车信号AMDF过均值频数图；

图18是本发明实施例八的一种基于时域二维特性的振动源识别***的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的实施例一提供了一种基于时域二维特性的振动源识别方法的具体实施方式。参见图1，所述识别方法具体包括如下内容：

步骤100：对当前振动源在多个报警点的振动信号进行去噪处理。

在本步骤中，在光纤传感***的各报警点检测到振动源时，接收各报警点发送的振动信号，且各报警点的设置位置不同，并对各所述振动信号进行小波去噪处理。

步骤200：对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比。

在本步骤中，对经去噪处理后的振动信号进行门限检测，得到振动信号超过第一门限值的全部振动信号所在的报警点，以及根据所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，计算各所述振动信号的占空比。

步骤300：根据平均幅度差函数获取所述振动信号的过均值频数。

在本步骤中，对所述振动信号进行滤波处理，根据平均幅度差AMDF函数确定所述振动信号的过均值频数。

步骤400：根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络。

在本步骤中，根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络。

步骤500：对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

在本步骤中，根据激活函数对所述RVFL网络中的所述待分类样本进行参数训练，以及计算得到隐含层到输出层的参数量，将隐含层到输出层的参数量带入输出函数中，计算得到当前振动源的输出值，根据当前振动源的输出值判断当前振动源是否为行车振动源。

从上述描述可知，本发明的实施例能够根据时域二维特性准确的识别出行车振动信号，且识别过程快速且有效，为控制中心提供了可靠地振动源判定基础，使得控制能在能够根据振动源的类型，做出准确且及时的响应。

本发明的实施例二提供了上述识别方法中步骤100的一种具体实施方式。参见图2，所述步骤100具体包括如下内容：

步骤101.在光纤传感***的各报警点检测到振动源时，接收各报警点发送的振动信号，其中，各报警点的设置位置不同。

步骤102.对各所述振动信号进行小波去噪处理。

从上述描述可知，本发明的实施例有效实现了对当前振动源在多个报警点的振动信号的去噪处理，使得后续对数据的处理更为准确。

本发明的实施例三提供了上述识别方法中步骤200的一种具体实施方式。参见图3，所述步骤200具体包括如下内容：

步骤201：对经去噪处理后的振动信号进行门限检测，得到振动信号超过第一门限值的全部振动信号所在的报警点。

步骤202：根据所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，计算各所述振动信号的占空比ratio：

式(1)中，r为所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，d为各所述振动信号的长度。

从上述描述可知，本发明的实施例能够对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果快速且准确的确定各振动信号的占空比。

本发明的实施例四提供了上述识别方法中步骤300的一种具体实施方式。参见图4，所述步骤300具体包括如下内容：

步骤301：对所述振动信号进行滤波处理。

步骤302.根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差。

在本步骤中，根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差F(k)：

式(2)中，x为所述振动信号，M为滑窗长度，m为M中的某一值；k为平均幅差函数的第k位。

步骤303.根据所述振动信号的平均幅度差，确定所述振动信号的过均值频数。

从上述描述可知，本发明的实施例实现了根据平均幅度差函数，准确的获取所述振动信号的过均值频数，为后续步骤400提供了数据处理的基础。

本发明的实施例五提供了上述识别方法中步骤303的一种具体实施方式。参见图5，所述步骤303具体包括如下内容：

步骤303a：根据振动信号的平均幅度差值的数量p确定所述振动信号的平均幅度差序列的平均值μ。

步骤303b：根据所述平均幅度差序列的平均值μ，确定过均值序列d_m。

步骤303c：根据所述过均值序列d_m，获取所述振动信号的过均值频数freq：

式(3)中，α_m为判断过均值序列第m个与第m+1个数值的乘积，当乘积小于0时，则α_m为1，否则α_m为0。

从上述描述可知，本发明的实施例能够根据所述振动信号的平均幅度差，准确计算得到所述振动信号的过均值频数。

本发明的实施例六提供了上述识别方法中步骤400的一种具体实施方式。参见图6，所述步骤400具体包括如下内容：

步骤401.根据所述振动信号的占空比及过均值频数生成时域二维特征向量e：

e＝[ratio freq]^T (4)

式(4)中，ratio为各所述振动信号的占空比；freq为所述振动信号的过均值频数。

步骤402.将所述时域二维特征向量e作为待分类样本输入随机向量函数连接RVFL网络。

从上述描述可知，本发明的实施例能够根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络。

本发明的实施例七提供了上述识别方法中步骤500的一种具体实施方式。参见图7，所述步骤500具体包括如下内容：

步骤501.根据激活函数φ(e)对所述RVFL网络中的所述待分类样本进行参数训练，其中，所述激活函数φ(e)为：

式(5)中，φ为隐含层的输出参数：e为待训练分类样本数据，w为网络中输入层到隐层的权值，b为网络中输入层到隐层的偏置b，w和b是同分布的随机变量，在[-200,200]之间随机赋值。

步骤502.根据下式(6)计算得到隐含层到输出层的参数量β：

式(6)中，λ为常数量，I为单位对角阵，Y为不同振动信号的标签且Y＝[y₁,y₂,…,y_N]^T，δ为隐含层的输出参数矩阵，L为隐层个数即维度，N为数据个数。

步骤503.将隐含层到输出层的参数量β带入输出函数G(e)中，计算得到当前振动源的输出值，其中，所述输出函数G(e)为：

步骤504.根据当前振动源的输出值判断当前振动源是否为行车振动源。

在本步骤中，判断当前振动源的输出值是否大于预设阈值；若是，则将当前振动源判定为行车振动源；否则，将当前振动源判定为人工信号。

从上述描述可知，本发明的实施例对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

为更进一步的说明本方案，本发明还提供一种基于时域二维特性的振动源识别方法的具体应用例。以行车信号为过车信号、以及标准信号为模板为例说明该应用例，该识别方法的具体应用例包括的内容如下：

图8是该识别方法的具体应用例的总体流程。识别的对象包括：人工信号，其为由于使用非电动类工具而产生的振动信号，如镐刨，挖地等；过车信号，其为由于车辆经过而产生的振动信号。

如图8所示的实施例的时域二维识别算法包括：

S101：提取信号时域特征，计算振动数据占空比值；

S102：提取信号时域特征，对振动信号计算AMDF并算出AMDF过均值频数；

S103：将提取到的时域二维特征作为RVFL的输入进行光纤振动信号振源识别。

根据本发明的一个实施例的对信号进行时域特征——占空比提取的过程如图9所示，其包括：

S201：对经过小波去噪处理的振动信号进行检测，将检测出的振动位置的数据置1，原始信号振动图如图12a及图12b所示，经过小波去噪后的人工信号和过车信号如图13a及图13b所示；

S202：统计每段数据中1的个数r；

S203：计算占空比并将将计算得到的占空比数值存入矩阵先生成时域特征一维向量e＝[ratio],人工信号和过车信号的占空比结果如图14a及图14b所示。

根据本发明的一个实施例的时域特征提取过程如图10所示：

S301：对振动信号进行64HZ低通滤波，人工信号和过车信号的滤波结果如图15a及图15b所示

S302：计算各类振动信号的AMDF：

其中，F为平均幅差函数，M为滑窗长度，k为平均幅差函数的第k位，x为所述振动信号。人工信号和过车信号的AMDF如图16a及图16b所示。图中th-m表示AMDF均值。

S303：计算振动信号的AMDF过均值频数，先求出AMDF序列的平均值：

其中，μ为AMDF的平均值，p为AMDF序列数量。

再求出AMDF序列减去平均值的过均值序列：

d_m＝F(m)-μ； (9)

其中，d_m为AMDF序列减去平均值之后的过均值序列。

最后，求出AMDF过均值频数：

其中，freq为过均值频数，α_m为判断过均值序列第m个与第m+1个数值的乘积，当乘积小于0时，则α_m为1，否则为0。人工信号和过车信号的AMDF过均值频数如图17a及图17b所示，将其存入S203步骤中的矩阵生成时域二维向量e＝[ratio freq]^T；

将上述得到的时域二维特征向量作为RVFL网络的输入进行分类。根据本发明的一个实施例的分类流程如图11所示，其包括：

首先，将占空比、AMDF过均值频数两特征生成二维特征向量作为分类器输入层的待分类样本，即e＝[ratio freq]^T。

其次，计算出隐含层的输出参数φ：

其中，φ(e)为激活函数，e为待训练分类的二维特征样本数据，w为网络中输入层到隐层的权值，b为网络中输入层到隐层的偏置b，w和b是同分布的二维随机变量，在[-200,200]之间随机赋值。

然后，利用以下公式计算获得隐含层到输出层的参数量β：

β＝(δ^Tδ+λI)^-1δ^TY (13)

其中，λ为一常数量，在本实施例中设定为0.05，I为单位对角阵，Y为不同振动信号的标签Y＝[y₁,y₂,…,y_N]^T，设置过车信号的标签为0，人工信号的标签为1，δ为隐含层的输出参数矩阵，L为隐层个数即维度，N为数据个数。

最后，根据训练好的β计算输出函数：

本发明人针对上述基于时域二维特征的RVFL网络识别方法，对实测人工信号与过信号进行分类识别仿真。本发明中设定阈值为0.4，对于输出中大于0.4的信号判定为过车信号，小于0.4的信号判定为人工信号。从该仿真结果可以看出，通过时域二维识别方法可以有效地将人工信号与过车信号区分开，识别准确率达到98.88％，标明本发明具有显著的效果。

与现有检测方法相比，本发明的优点包括：

(1)本发明的方法能够有效实现光纤入侵识别；

(2)本发明的方法利用RVFL网络，学习过程权值不需要迭代；

(3)本发明的方法经过小波去噪、占空比和AMDF等方法提取特征再输入到RVFL网络中，可有效地将人工信号与过车信号区别开，准确性较高。

本发明的实施例八提供了一种基于时域二维特性的振动源识别***的具体实施方式。参见图18，所述识别***具体包括如下内容：

去噪处理单元10，用于对当前振动源在多个报警点的振动信号进行去噪处理。

占空比获取单元20，用于对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比。

过均值频数获取单元30，用于根据平均幅度差函数获取所述振动信号的过均值频数。

时域二维特性获取单元40，用于根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络。

振动源判定单元50，用于对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

从上述描述可知，本发明的实施例能够根据时域二维特性准确的识别出行车振动信号，且识别过程快速且有效，为控制中心提供了可靠地振动源判定基础，使得控制能在能够根据振动源的类型，做出准确且及时的响应。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (10)

1.一种基于时域二维特性的振动源识别方法，其特征在于，所述方法包括：

步骤1.对当前振动源在多个报警点的振动信号进行去噪处理；

步骤2.对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比；

步骤3.根据平均幅度差函数获取所述振动信号的过均值频数；

步骤4.根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络；

步骤5.对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

步骤1-1.在光纤传感***的各报警点检测到振动源时，接收各报警点发送的振动信号，其中，各报警点的设置位置不同；

步骤1-2.对各所述振动信号进行小波去噪处理。

3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

步骤2-1.对经去噪处理后的振动信号进行门限检测，得到振动信号超过第一门限值的全部振动信号所在的报警点；

步骤2-2.根据所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，计算各所述振动信号的占空比ratio：

$ratio=\frac{r}{d}---\left(1\right)$

式(1)中，r为所述振动信号超过第一门限值的全部振动信号所在的报警点的个数，d为各所述振动信号的长度。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

步骤3-1.对所述振动信号进行滤波处理；

步骤3-2.根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差；

步骤3-3.根据所述振动信号的平均幅度差，确定所述振动信号的过均值频数。

5.根据权利要求4所述的方法，其特征在于，所述步骤3-2包括：

根据平均幅度差AMDF函数计算得到经滤波处理后的振动信号的平均幅度差F(k)：

$F\left(k\right)=\frac{\underset{m=0}{\overset{M-1}{\Σ}}|x(1+m)-x(1+m+k)|}{\underset{m=0}{\overset{M-1}{\Σ}}\left|x(1+m)\right|+\underset{m=0}{\overset{M-1}{\Σ}}\left|x(1+m+k)\right|}---\left(2\right)$

式(2)中，x为所述振动信号，M为滑窗长度，m为M中的某一值；k为平均幅差函数的第k位。

6.根据权利要求4所述的方法，其特征在于，所述步骤3-3包括：

步骤3-3a：根据振动信号的平均幅度差值的数量p确定所述振动信号的平均幅度差序列的平均值μ；

步骤3-3b：根据所述平均幅度差序列的平均值μ，确定过均值序列d_m；

步骤3-3c：根据所述过均值序列d_m，获取所述振动信号的过均值频数freq：

$freq=\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_m\left(5\right){\mathrm{\α}}_m=\frac{\mathrm{sgn}(-d_m\×d_{m+1})}{2}+0.5---\left(3\right)$

式(3)中，α_m为判断过均值序列第m个与第m+1个数值的乘积，当乘积小于0时，则α_m为1，否则α_m为0。

7.根据权利要求1所述的方法，其特征在于，所述步骤4包括：

步骤4-1.根据所述振动信号的占空比及过均值频数生成时域二维特征向量e：

e＝[ratio freq]^T (4)

式(4)中，ratio为各所述振动信号的占空比；freq为所述振动信号的过均值频数；

步骤4-2.将所述时域二维特征向量e作为待分类样本输入随机向量函数连接RVFL网络。

8.根据权利要求1所述的方法，其特征在于，所述步骤5包括：

步骤5-1.根据激活函数φ(e)对所述RVFL网络中的所述待分类样本进行参数训练，其中，所述激活函数φ(e)为：

$\mathrm{\φ}\left(e\right)=\frac{1}{1+e^{-(we+b)}}---\left(5\right)$

式(5)中，φ为隐含层的输出参数：e为待训练分类样本数据，w为网络中输入层到隐层的权值，b为网络中输入层到隐层的偏置b，w和b是同分布的随机变量，在[-200,200]之间随机赋值；

步骤5-2.根据下式(6)计算得到隐含层到输出层的参数量β：

式(6)中，λ为常数量，I为单位对角阵，Y为不同振动信号的标签且Y＝[y₁,y₂,…,y_N]^T，δ为隐含层的输出参数矩阵，L为隐层个数即维度，N为数据个数；

步骤5-3.将隐含层到输出层的参数量β带入输出函数G(e)中，计算得到当前振动源的输出值，其中，所述输出函数G(e)为：

$G\left(e\right)=\underset{m=1}{\overset{L}{\Σ}}{\mathrm{\β}}_m\mathrm{\δ}(w_m^{T}e+b_m)---\left(7\right);$

步骤5-4.根据当前振动源的输出值判断当前振动源是否为行车振动源。

9.根据权利要求8所述的方法，其特征在于，所述步骤5-4包括：

判断当前振动源的输出值是否大于预设阈值；

若是，则将当前振动源判定为行车振动源；

否则，将当前振动源判定为人工信号。

10.一种基于时域二维特性的振动源识别***，其特征在于，所述***包括：

去噪处理单元，用于对当前振动源在多个报警点的振动信号进行去噪处理；

占空比获取单元，用于对经去噪处理后的振动信号进行门限检测，并根据门限检测的结果确定各振动信号的占空比；

过均值频数获取单元，用于根据平均幅度差函数获取所述振动信号的过均值频数；

时域二维特性获取单元，用于根据所述振动信号的占空比及过均值频数生成时域二维特征向量，并将所述时域二维特征向量作为待分类样本输入随机向量函数连接RVFL网络；

振动源判定单元，用于对所述RVFL网络中的所述待分类样本进行参数训练，并根据所述参数训练的结果判断当前振动源是否为行车振动源。