基于ICEEMDAN-ELM的管道声信号识别方法研究

摘要

cqvip:针对管道声信号的非平稳性和数据处理的多尺度问题,提出一种基于改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)和极限学习机(ELM)相结合的管道脉冲声信号特征识别方法。首先模拟不同状态下的管道运行工况,采集管道在不同运行状态下的脉冲响应声信号并经过ICEEMDAN分解得到若干个不同特征尺度的固有模态函数(IMF)分量;综合相关系数和方差贡献率作为相关判据,筛选出表征管道阻塞信息的IMF分量,选取声压级作为管道运行状态的特征值构造特征向量,最后,通过极限学习机(ELM)对管道阻塞状态进行分类。研究结果表明,该方法可以很好描述管道状态信息,相比于支持向量机(SVM)与BP神经网络计算精度更高,计算时间更短。