為提高管道缺陷識別精度,利用補充集合經驗模態(tài)分解方法（CEEMD）和模糊C-均值（FCM）聚類算法,提出CEEMD-FCM的管道缺陷識別模型。首先,分析管道缺陷信號波形特征,引入粒子群優(yōu)化算法（PSO）改進小波閾值降噪方法,實現(xiàn)管道缺陷信號的降噪;然后,采用CEEMD分解缺陷信號,并借助能量熵原理提取缺陷的特征參量;最后,利用模擬退火算法（SA）和遺傳算法（GA）優(yōu)化FCM,完成管道缺陷的分類。結果表明:基于CEEMD-FCM模型的管道缺陷識別方法的綜合識別精度達到87. 5%,可實現(xiàn)石油化工領域管道缺陷模式的精準識別,保障管道安全運行,降低事故發(fā)生率。 

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 基于PSO-WTD的缺陷信號降噪
    1.1 PSO-WTD降噪算法原理
    1.2 PSO-WTD降噪效果驗證
2 基于CEEMD的缺陷特征提取
3 基于改進FCM的缺陷分類
4 實例分析
5 結論


【參考文獻】：
期刊論文
[1]基于CEEMD互近似熵和FCM滾動軸承故障診斷[J]. 凌鵬,陳躍威.  計算機仿真. 2018(03)
[2]一種基于EEMD-SVD和FCM的軸承故障診斷方法[J]. 張立國,康樂,金梅,李盼.  計量學報. 2016 (01)
[3]基于HHT和模糊C均值聚類的軸向柱塞泵故障識別[J]. 姜萬錄,盧傳奇,朱勇.  吉林大學學報(工學版). 2015(02)
[4]基于對應分析的冗余模糊C均值聚類算法研究[J]. 曾山,同小軍,桑農,李蓉燁.  華中科技大學學報(自然科學版). 2012(02)
[5]經驗模態(tài)分解及其在降噪方面的應用[J]. 王思文,鄭衛(wèi)剛.  機械制造. 2011(10)
[6]基于BP神經網絡的管道缺陷模式識別與精確定量識別[J]. 洪仁植,王樹達,常亮.  大慶石油學院學報. 2008(01)
[7]基于模糊聚類的油田往復壓縮機氣閥故障診斷研究[J]. 王朝暉,姚德群,段禮祥.  機械強度. 2007(03)



本文編號：3674730