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。     

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。     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题,提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化,得到最优参数组合;再将最优参数组合输入到变分模态分解算法中,对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量,对最优分量进行包络解调,分析其包络谱判断出轴承的故障类型。结果表明,提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解,提取出最优分量进行分析从而判断出轴承故障类型。     

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.     

基于图像处理的管道泄漏检测与定位

压力曲线上的负压波是管道泄漏的征兆.为快速检测和准确定位压力曲线上的负压波,提出了一种基于图像处理的方法.该方法将压力数值转化为图像灰度值,将压力曲线上的负压波起始点定位等价为图像处理中的边缘检测.利用灰度统计直方图计算一段压力曲线前半段的主流数值,如果压力曲线的后半段偏离主流数值,则表明检测到负压波.对此压力曲线进行灰度拉伸变换,使负压波更为凸显.试验研究表明,该方法可减少系统的误报和漏报,提高定位的精度.     

基于改进的EMD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.     

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。     

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。     

基于自适应遗传算法的入侵检测方法

提出了一种基于自适应遗传算法的入侵检测方法。该方法采用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法并用于入侵检测中。实验结果证明算法显著提高了自身收敛性能,具有很强的自适应能力,用于入侵检测中在保证较高检测率的基础上,对不同类型的攻击检测具有良好的均衡性。     

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。     

基于EMD与坐标寻优的松脱件定位方法

针对目前松脱件定位方法普遍存在的定位误差大的问题,采用多传感器布局方案,提出一种基于经验模态分解（empirical mode decomposition,EMD）与坐标寻优的松脱件定位方法。EMD处理可分离信号不同振动波成分并提取信号主要本征模函数（intrinsic mode function,IMF）分量,使到达时间提取及波速计算更为准确;多传感器布局能有效降低定位偏差,通过制定传感器选取策略选择最优的传感器组合用于定位分析,实现定位的进一步优化。最后搭建平板试验台并与不同定位方法进行对比,结果显示本文方法定位精度最高,最小定位偏差在0.1 m左右。     

基于压电传感器的管道泄漏监测仪的研制

提出了通过提高输油管道泄漏信号的信噪比进而提高泄漏检测的可靠性和灵敏度的方法；在定量分析、比较压阻式压力传感器和压电式动态压力传感器各自信号的特征和信噪比的基础上，提出了基于压电传感器的管道泄漏监测方法。阐述了基于压电传感器的管道泄漏监测、定位原理以及基于MSP430F149单片机的管道泄漏监测仪软、硬件设计方法及实现。现场泄漏检测试验结果表明，基于压电传感器的管道泄漏监测仪可以较好地提高泄漏检测的可靠性和灵敏度。