吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (2): 193-201.
• • 下一篇
张 勇a,b , 韦焱文a,b , 王明吉a , 路敬祎b,c , 邢鹏飞a,b , 周兴达a,b
ZHANG Yong a,b , WEI Yanwen a,b , WANG Mingji a , LU Jingyi b,c , XING Pengfei a,b , ZHOU Xingda a,b
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。
中图分类号: