基于CEEMDAN-LZC和SOA-ELM的管道信号识别

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(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)对信号分解，对分解获得的固有模态(IMFs:Intrinsic Mode Functions)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:Seagull Optimization Algorithm)优化后的极限学习机(ELM:Extreme Learning Machine)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(Extreme Learning Machine Optimized by Genetic Algorithm)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。