文档名：基于CEEMDANLZC和SOAELM的管道信号识别
摘要：针对管道信号特征提取困难,从而影响分类精度的问题,提出了一种将信号处理和智能算法相结合的管道信号检测方法.首先,利用CEEMDAN(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise)对信号分解,对分解获得的固有模态(IMFs:IntrinsicModeFunctions)使用相关系数法获取有效的模态分量并进行信号重构;其次,计算重构信号的Lempel-Ziv复杂度和裕度作为特征参数;最后,将获取的特征参数输入到海鸥优化算法(SOA:SeagullOptimizationAlgorithm)优化后的极限学习机(ELM:ExtremeLearningMachine)进行分类,并用实验室数据进行验证.实验结果表明,与常规极限学习机(ELM)和遗传算法优化后的极限学习机GA-ELM(ExtremeLearningMachineOptimizedbyGeneticAlgorithm)相比,SOA-ELM模型能有效的识别管道信号类型,且具有较高的识别率和较快的诊断速度.
作者：张勇 韦焱文 王明吉 路敬祎 邢鹏飞 周兴达 Author：ZHANGYong WEIYanwen WANGMingji LUJingyi XINGPengfei ZHOUXingda
作者单位：东北石油大学物理与电子工程学院,大庆163318;东北石油大学人工智能能源研究院,大庆163318东北石油大学物理与电子工程学院,大庆163318东北石油大学人工智能能源研究院,大庆163318;东北石油大学电气信息工程学院,大庆163318
刊名：吉林大学学报（信息科学版） ISTIC
Journal：JournalofJilinUniversity(InformationScienceEdition)
年，卷(期)：2023, 41(2)
分类号：TN911.72
关键词：自适应噪声完备集合经验模态分解 Lempel-Ziv复杂度 海鸥优化算法 极限学习机 管道信号
机标分类号：TN911.7TP391.41S
在线出版日期：2023年6月19日
基金项目：国家自然科学基金，教育部重点实验室开放基金基于CEEMDAN-LZC和SOA-ELM的管道信号识别[
期刊论文] 吉林大学学报（信息科学版）--2023, 41(2)张勇 韦焱文 王明吉 路敬祎 邢鹏飞 周兴达针对管道信号特征提取困难,从而影响分类精度的问题,提出了一种将信号处理和智能算法相结合的管道信号检测方法.首先,利用CEEMDAN(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise)对信号分解,对...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于CEEMDAN-LZC和SOA-ELM的管道信号识别 Identification Method of Pipeline Signals Based on CEEMDAN-LZC and SOA-ELM
基于CEEMDAN-LZC和SOA-ELM的管道信号识别.pdf
- 文件大小:
- 2.43 MB
- 下载次数:
- 60
-
高速下载
|
|
