基于GAHE-VMD与SVD-SCEC的管道信号联合去噪法

为了更有效分析管道信号,提出一种基于采用在恶劣环境下的遗传算法(Genetic Algorithms in Harsh Environments,GAHE)优化变分模态分解(Variational Mode Decomposition,VMD)联合奇异值分解(Singular Value Decomposition,SVD)与选择性累计能量贡献率(Selective Cumulative Energy Contribution,SCEC)的互补去噪方法。首先,提出用GAHE算法优化VMD算法并结合相对熵对信号中的中高频噪声进行初步消噪,解决VMD参数难以确定和传统遗传算法收敛慢的问题。其次,提出采用SCEC算法结合SVD算法对信号中残留的中低频噪声进行消噪,解决非线性、非平稳信号中大数量级的直流分量影响奇异值选择的问题。最后,通过实验与分析表明:GAHE优化算法收敛速度更快;SCEC奇异值选择法的抗直流能力更强;所提算法的处理效果较优且算法两部分具有互补特性。

VMD-SG-WT去噪法及其在混沌去噪中的应用

为对混沌信号进行降噪,提出基于变分模态分解(VMD)的混合去噪(VMD-SG-WT)方法,首先基于各分量间的最小巴氏距离确定VMD分解模态参数,通过VMD将混沌信号分解成多个本征模态函数(IMFs);然后分别计算各个IMF分量与原始信号间的相关因数,根据相关关系指标确定IMF分量的含噪程度,对有效成分主导的信息分量重构进行Savitzky-Golay平滑滤波,对噪声主导的噪声分量重构进行小波降噪处理;最后利用平滑的信息分量与小波去噪的噪声分量进行重构,得到最终去噪的信号。采用VMD-SG-WT去噪法对Lorenz系统产生的仿真信号和实测的太阳黑子数序列进行降噪处理,并与局部投影去噪法、小波去噪法、经验模态分解(EMD)去噪法和单一VMD去噪法进行对比。结果表明:VMD-SG-WT去噪法能够有效对混沌信号进行降噪,去噪效果相对优于其他去噪方法的去噪效果。

云相似度测量的变分模态分解去噪方法

为区分VMD(Variational Mode Decomposition)分解后高低频段模态分量,提高VMD算法的去噪效果,提出一种基于云相似度测量的VMD去噪方法。首先,对信号进行VMD分解,通过计算各个模态分量与信号之间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD去噪法和基于互信息的VMD去噪法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28.2141 dB,均方误差相对较低,为6.12×10~4,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。

改进VMD算法在管道泄漏检测中的应用

针对VMD(Variational Mode Decomposition)算法分解后的有效模态分量选择困难以及去噪效果不理想的问题,提出了一种改进的VMD算法。将VMD算法和相关系数以及峭度结合选择有效模态分量,利用小波变换去除筛选后分量的高频噪声,最后将有效模态分量与滤波后的模态分量进行重构。实验结果表明,与其他算法相比,改进的VMD算法能较精确地选取有效模态分量,具有较好的去噪效果,验证了在管道泄漏检测中的有效性。

基于VMD去噪和散布熵的管道信号特征提取方法

针对管道声波信号非线性、非平稳性特点和管道泄漏信号特征提取困难的问题,提出一种管道声波信号特征提取方法。首先,采用变分模态分解(VMD)算法对采集到的声波信号进行去噪,在此过程中采用最小巴氏距离法确定VMD分解的模态个数,并通过评估VMD分解后各本征模态函数(IMF)分量与原始信号的概率密度之间的Wasserstein距离(WD)来筛选有效模态,对筛选的有效模态进行重构。然后,对重构的信号计算其散布熵值作为信号特征参数,最后将特征参数输入极限学习机(ELM)进行工况识别。实验结果表明,本文方法能够较准确地分类识别管道信号,总的识别率达到了100%。