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。

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。

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法。首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别。实验结果表明:该方法对管道信号状态整体识别率达99.33%,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别。

基于卡尔曼滤波的GNSS系统联合定位技术研究

针对在复杂的城市环境中或室内的情况下,单系统卫星信号因受到周围建筑物的遮挡,导致可见性不佳的问题,设计了用联合定位系统对单点进行定位,并分别用卡尔曼滤波算法以及联邦卡尔曼滤波算法对定位结果进行处理。为了验证该结论,采用MC20中的GPS/BDS双模定位接受模块采集定位数据,用集思宝UG905采集的数据作为定位点的基准数据。经滤波处理后的定位数据与基准数据相比,联邦卡尔曼滤波较卡尔曼滤波在直线距离上的误差降低了9.54%,在高程上的误差降低了53.43%。结果表明,利用联邦卡尔曼滤波处理后的定位数据可靠性好,精度高,可以更有效地提高定位的精度和准确性。

基于GA_Elman神经网络的长输管道泄漏检测方法

为提高长输管道泄漏检测的准确率,提出基于GA_Elman神经网络的管道泄漏检测方法,该方法通过使用遗传算法(GA)对Elman神经网络的权值和阈值进行优化,不但克服了Elman神经网络易陷入局部极值的缺陷,而且提高了Elman神经网络的预测精度。实验证明该方法可用于管道泄漏检测,其效果优于BP神经网络与Elman神经网络检测模型,预测精度96.9%。

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。

基于单片机的环境检测与自动调节系统设计

针对目前家用种植环境检测调节系统功能单一、生产成本高、结构复杂的问题及自动调节、无线传输等需求,设计了基于单片机的检测与自动调节系统,使用电脑作为检测终端且能够进行数据存储。采用STC89C52RC单片机为核心,使用DHT11模块获取植物生长环境中的温度和湿度信息,利用BH1750模块获取环境中的光照强度,能够在液晶屏和PC端上实时显示数据参数,以及设置控制参数并通过单片机连接的执行机构对植物生长环境的部分条件进行自动控制。经实测,系统工作稳定,能自动进行检测与调节,具有广阔的应用前景。