基于CEEMDAN-LZC和SOA-ELM的管道信号识别 |
| |
引用本文: | 张勇,韦焱文,王明吉,路敬祎,邢鹏飞,周兴达.基于CEEMDAN-LZC和SOA-ELM的管道信号识别[J].吉林大学学报(信息科学版),2023(2):193-201. |
| |
作者姓名: | 张勇 韦焱文 王明吉 路敬祎 邢鹏飞 周兴达 |
| |
作者单位: | 1. 东北石油大学物理与电子工程学院;2. 东北石油大学人工智能能源研究院;3. 东北石油大学电气信息工程学院 |
| |
基金项目: | 国家自然科学基金资助项目(61873058);;教育部重点实验室开放基金资助项目(MECOF2019B02); |
| |
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(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。
|
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 |
|