基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。     

基于改进的经验模态分解方法的热网管道泄漏检测方法

管道泄漏检测技术是保障管道安全生产的重要手段。为了延长管道使用寿命、及时发现和处理管道泄漏事故,通常采用基于声波检测的管道泄漏检测方法。对基于声波检测的热网管道泄漏检测方法进行了研究。对经验模态分解方法进行了分析,针对其存在的端点效应问题提出了一种改进的方法,经过仿真实验和性能对比,验证了方法的有效性和优越性。将这种改进的EMD算法应用在热网管道泄漏检测中,取得了较好的管道信息处理效果。     

基于自适应变分模态分解的视频心率检测算法

视频心率检测算法不够鲁棒,光照和运动等因素严重影响心率信号的提取。针对此问题,提出一种自适应变分模态分解算法。利用经验模态分解(Empirical mode decomposition, EMD)对远程光学描记术信号(remote photoplethysmography, rPPG)进行分解获取信号的模态数,设计自适应变分模态分解(Variational mode decomposition, VMD)算法,分解rPPG信号获取不同的频率和带宽的模态,根据心率的频率范围和模态的中心频率合成心率信号,然后对心率信号进行功率谱分析计算心率,有效解决了VMD采用固定模态数分解的不足。在公开数据集PURE和UBFC上的实验结果表明,所提方法心率检测平均绝对误差小于5;与经验模态分解等方法相比,均方根误差减小了2.19。     

改进的PSO-VMD算法及其在管道泄漏检测中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题,将粒子群(PSO:Particle Swarm Optimization)与VMD算法结合,提出一种基于混沌和Sigmoid函数改进PSO的优化算法.利用改进的PSO算法优化V...     

参数优化变分模态分解与LSTM的电力物资需求预测

国家电网物资采购管理水平不断提高,线上采购流程逐步完善,但仍存在由于采购计划预估不准导致招投标过程中,供应商利用招投标总标包机制进行价格博弈而造成电网公司采购成本增加,因此,建立准确有效的电力物资需求预测模型具有重要意义。针对电力物资序列的非稳定性、波动性和间歇性特点,提出一种基于参数优化变分模态分解(variational mode decomposition, VMD)与长短时记忆神经网络(long short-term memory, LSTM)的电力物资需求预测方法,选取国网电商专区平台的典型电力物资,采用鲸鱼优化算法(whale optimization algorithm, WOA)参数优化的VMD对原始序列进行模态分解,将分解获得的各模态分量分别构建LSTM模型,最后将各模态的预测值叠加重构为电力物资的预测值。实验结果表明：所提电力物资需求预测方法较LSTM、EMD-LSTM、VMD-LSTM、PSO-VMD-LSTM、SSA-VMD-LSTM有更高的准确率,对电网物资采购预测具有一定实际意义。     

基于改进鲸鱼优化算法的水声传感器网络分簇路由方法

针对水声传感器网络（UASN）能耗效率问题,提出了一种基于改进鲸鱼优化算法的水声传感器网络分簇路由方法 .该方法能够有效平衡UASN中传感器节点的能量消耗,从而延长网络生命周期.同时能够根据簇头剩余能量等因素动态调整簇大小,平衡簇头负载.仿真结果表明：该方法相对其他典型能耗优化方法,能够有效降低整体网络能耗,延长网络生存时间.     

基于二维变分模态分解与自适应分数阶积分的图像去噪方法

针对噪声对图像分辨率的影响,提出了一种基于二维变分模态分解(two-dimensional variational modal decomposition, 2D-VMD)与分数阶积分的去噪算法。首先通过2D-VMD将图像信号分解为若干个不同中心频率的本征模态分量(intrinsic modal components, IMF),筛选有效的低频IMF分量,根据图像信息差异设定阈值,进行分数阶积分自适应选取,对每个有效的分量图进行卷积运算,根据积分阶次用方向掩模去噪算子滤除噪声,最终完成图像去噪。实验结果表明,客观评价参数值均得到提高,该方法在滤除噪声的同时也能够较好地保持图像的轮廓或纹理等细节特征。     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包...     

基于互信息的变模态分解算法及应用

为解决传统变模态分解( VMD: Variable Mode Decomposition) 结合算法中,K 值选择没有标准,从而导致信号提取存在一定程度误差的问题,提出一种基于互信息的变模态分解有效本征模态函数( IMFs: Intrinsic Mode Function) 的判断方法。该算法通过原始信号与VMD 所获得的IMFs 的和之间的差值,实现预置标度K 值的模糊优选提取信号的主要特征。仿真信号实验表明,所提方法具有最大的输出信噪比和最小均方误差( MSE: Mean Square Error) ,实现了K 的模糊优选,并通过实验验证了该方法对管道泄漏信号滤波的有效性。     

基于变分模态分解参数优化的地震随机噪声去除方法

为解决变分模态分解在地震数据去噪中依赖人工经验,模态分解和去噪效果具有一定随机性和偶然性的问题,提出基于频域奇异值分解信噪比估计的参数优化方法。该方法在参数范围内以较高的估计信噪比为评价参数对模态分量数目与有效模态进行选取,自适应寻找去噪最有效的参数,从而避免主观选取参数的随机性,改善去噪效果。仿真模型实验表明：估计信噪比与真实信噪比的误差为正相关关系,能够有效反映地震数据中噪声程度,所估计信噪比可以作为去噪效果的评价参数。通过仿真模型和实际地震数据对方法进行验证,结果表明基于估计信噪比参数优化后的变分模态分解方法能够有效压制噪声、凸显同相轴信息。     

基于EMD和相关分析的管道泄漏定位检测研究

针对长输管道泄漏检测与定位中噪声干扰问题,提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法.该方法利用EMD分解特性和相关分析技术,提取了包含故障信息的主要固有模态函数(IMF)分量,增强了泄漏信号的本质特征.通过对所提取的IMF主分量进行重构,消除了不相关分量的干扰,提高了泄漏信号的相关程度,从而提高了定位精度.实验验证了该方法的有效性.     

同类多传感器自适应加权估计的数据级融合算法研究

针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.     

基于神经网络的管道泄漏检测方法及仪器

研究了管道泄漏后形成多相湍射流所引发的应力波在管壁中的传播机理,分析了泄漏引发的管道横振、纵振和圆环振动,提出一系列应力波特征提取指标及其离散数据算法。首次提出了以泄漏信号特征指标构造神经网络输入矩阵,建立对管道运行状况进行分类的神经网络模型以检测管道泄漏故障的发生。实验研究了这一新理论的有效性并设计了适用于工业应用的管道检测仪器。     

供水管道检漏方法的合理选择

介绍了几种城市给水系统的检漏方法,并时各检漏方法的优缺点、检漏效果和经济效益进行了比较,指出音听检漏法是最为经济实用的方法.     

基于变分模态分解与蜣螂优化的深度学习大坝变形预测模型

为减轻大坝变形数据非平稳性对预测模型的制约,增强变形预测的可靠性。首先使用变分模态分解(variational mode decomposition, VMD)对大坝变形监测数据分解成若干子序列,随后利用卷积神经网络(Convolutional Neural Networks, CNN)对变形数据空间特征进行提取,结合双向长短时记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)对变形数据进行时域建模并预测,并引入蜣螂优化算法(dung beetle optimizer, DBO)对模型超参数进行寻优,最后将各个子序列的预测值叠加重构得到最终的大坝变形预测值。案例分析结果表明:与BiLSTM、VMD-BiLSTM、VMD-CNN-BiLSTM三个模型进行对比,VMD-DBO-CNN-BiLSTM组合模型各项评价指标均为最优,在大坝变形预测中展现出更高的模型精度和稳定性。     

基于数据融合与单纯形遗传算法的管道损伤识别

为了提高管道损伤识别的准确率,提出了基于数据融合和单纯形遗传算法的两段式的管道损伤位置和程度的识别方法。首先将管道的柔度差曲率矩阵与广义残余力向量差两种信息源通过D-S证据理论融合算法初步判定管道损伤位置,然后通过单纯形遗传算法精确识别管道损伤位置与程度。考虑到基本遗传算法局部搜索不强、易发生早熟的缺点,提出了与局部搜索算法(单纯形搜索算法)相结合的改进策略。数值计算结果表明,考虑2%随机噪声影响情况,采用数据融合进行初步定位的方法大大缩小了可疑损伤区域范围,通过单纯形遗传算法能够进一步精确识别管道损伤位置及程度。本文提出的方法提高了管道损伤位置与程度识别的效率与准确率。     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器; 利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.     

基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法

高压直流(high voltage direct current,HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用.根据上述特征,提出了一种基于变分模态分解(variational mode decomposition,VMD)-麻雀搜索算法(sparrow search algorithm,SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法.利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions,IMF)进行Hilbert变换求取其200～1200 Hz低频段和8～12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极.仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition,EMD)故障信号时会出现模态混叠这一现象,能准确地辨识出故障区域和故障极,具有较好的耐过渡电阻性,并能有效地保护线路全长.     

长输油管道泄漏检测与定位技术研究进展

长输油管道泄漏事故不仅会造成重大经济损失,而且会给生态环境带来灾难性的破坏,因此对长输油管道进行在线实时监测与快速精准定位是保障管道安全运行的核心要素。首先对目前国内外常用的泄漏检测技术进行了分类总结,其次详细论述了长输油管道泄漏检测技术原理、性能及其优缺点,并对长输油管道泄漏检测中存在的微小泄漏、缓泄漏等难点问题进行了重点评述。最后在全面总结现有研究成果的基础上,对长输油管道泄漏检测技术的发展潜力、应用前景、目前存在的问题以及如何进行下一步研究进行了深刻的分析和展望,认为干涉型分布式光纤传感法联合深度学习模式识别技术可以更好地实现远距离输油管道泄漏检测领域的智能化、高效化,并在未来的泄漏检测领域具有良好的应用前景。