CN108506736B - 一种入侵信号诊断系统和方法 - Google Patents
一种入侵信号诊断系统和方法 Download PDFInfo
- Publication number
- CN108506736B CN108506736B CN201810224196.0A CN201810224196A CN108506736B CN 108506736 B CN108506736 B CN 108506736B CN 201810224196 A CN201810224196 A CN 201810224196A CN 108506736 B CN108506736 B CN 108506736B
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- invasion
- svm
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000009545 invasion Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 239000013307 optical fiber Substances 0.000 claims description 23
- 238000002405 diagnostic procedure Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 239000000835 fiber Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种入侵信号诊断系统和方法，所述入侵信号诊断系统和方法通过采集原始信号，使用EEMD将原始信号分解成IMF分量，然后经过去噪重构，并通过频谱质心法提取重构信号的频谱质心，将其作为特征量导入LS‑SVM进行回归预测，从而诊断出入侵信号。
Description
技术领域
本发明涉及一种入侵信号诊断系统和方法，特别涉及一种基于EEMD结合频谱质心和LS-SVM的入侵信号诊断系统和方法。
背景技术
石油是一种重要的战略物资，在国家经济中起到举足轻重的作用。伴随着中国经济的快速腾飞和石油工业的蓬勃发展，目前中国油气骨干管道里程已突破7万千米。管道运输作为五大运输方式之一，具有安全、经济、保质、无污染等优点，已经成为油气运输的重要途径，承担着我国70％的原油和99％的天然气的运输任务。到2020年，我国油气管网里程将达到20万千米，基本实现全国骨干管线联网。管道输送具有占地少、损耗少、成本低、输量大、快捷方便等优点，但也有管线长、跨区域多、沿途地质状况和自然环境复杂多变等缺点，还有对监控水平、安全保障性要求高等特点。
另一方面，随着军事、民用及商用领域对安全和保密的要求越来越高，安全防范系统的应用范围越来越广泛。输油管道常常分布在复杂的自然环境中，其周围容易遭受来自人类、动物等的强力入侵危害。通过精确诊断输油管周围的入侵信号，能够降低安全防范系统的维护成本，节省人力、物力，提高防患能力。
传统的输油管道检测技术主要依靠管道起始点和结束点采集的信号参数进行泄漏判别，无法实现对管道中段的检测，而光纤传感技术则利用随管道铺设的光纤作为传感单元，实现对输油管道的全程监控，满足长输油管线的漏油定位报警需求。并且随输油管道铺设的光缆可对输油管附近的异常震动做出判断，实现预判功能，提高管道监控安全性。同时，由于光缆的物理特性决定其使用年限长、维护简便、费用低等特点，因此利用光纤传感技术实现长距离输油管道的防漏、防盗检测越来越受到重视。而利用光纤传感技术实现入侵信号的诊断，依赖于信号诊断算法，使用不同的算法，其诊断效果和准确率的差异较大。
针对入侵信号的诊断方法，近年来众多学者做了许多深入的研究。例如：杨雅辉等采用增量式GHSOM神经网络模型处理网络信号入侵，取得了很好的效果，但存在抗噪能力不足的问题，并且神经网络需要大量先验数据作为基础，实际工程中难以得到；皮少华等利用倒频谱诊断分布式光纤Sagnac干涉仪的入侵信号，精确度较高，但对低频谱和低信噪比的入侵信号诊断能力较差；任仲杰等人采用二元矩形相位脉冲调制法结合LC的报警算法诊断入侵信号，取得了良好的成果，但是所述方法在实际运用中需要大量先验数据，存在经验性较强的问题，因此在实际运用中受到较多的限制。何媛等人利用片段高精度分割技术来分割入侵信号，准确率较高，但是存在入侵信号和普通信号频段较接近时诊断容易出现误差的缺点；张燕君等人运用EMD-AWPP和HOSA-SVM算法识别入侵信号，效果显著，但是也存在训练得到的SVM参数对正确识别存在影响的问题；Huang等人提出了一种基于混合特征提取的光纤周界安全系统入侵检测方案，分类率和效率都较高，但存在部分特征向量不是提取自原始数据，从而会污染整个本征模态函数集的缺点。
发明内容
本发明提供一种基于EEMD结合频谱质心和LS-SVM的入侵信号诊断系统和方法，能够很好地反映入侵信号和普通信号的频域特征，从而提高入侵信号的诊断准确率。
本发明提供的技术方案是：
一种入侵信号诊断系统，包括
一光纤；
多个传感器，所述传感器被分别设置于光纤用以感知信号；
一光纤激光器，所述光纤激光器与光纤连接；
一滤波器，所述滤波器与所述传感器可通讯地连接，用以滤波传感器感知的信号；
一放大器，所述放大器与滤波器一体地连接；以及
一管理软件平台，管理软件平台与放大器可通讯地连接，用以接收经过放大器放大后的信号，并将信号通过EEMD进行分解，剔除包含高频噪声的IMF，再将剩下的IMF分量重组得到重构信号；
对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用LS-SVM将它们进行训练建模，根据LS-SVM的学习效果反馈确定最优的规则化参数C和核宽度σ；以及将原始信号重构后的频谱质心通过训练好的LS-SVM进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号。
一种入侵信号诊断方法，包括以下步骤:
(a)将原始信号通过EEMD进行分解，剔除包含高频噪声的IMF，再将剩下的IMF分量重组得到重构信号；
(b)对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；
(c)将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用LS-SVM将它们进行训练建模，根据LS-SVM的学习效果反馈确定最优的规则化参数C和核宽度σ；
(d)将原始信号重构后的频谱质心通过步骤(c)中训练好的LS-SVM进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号。
本发明通过EEMD将原始信号分解成IMF分量，然后经过去噪重构，再经过希尔伯特变换(Hilbert Transform，HT)得到重构信号的希尔伯特谱，并通过频谱质心法提取重构信号的SC，将其作为特征量导入LS-SVM，从而诊断出入侵信号，抗干扰能力强，能够很好地适应实际应用环境的需求。
附图说明
图1是本发明的基于EEMD结合频谱质心和LS-SVM的入侵信号诊断系统的结构框图。
图2是本发明的基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法的流程图。
图3是所述入侵信号诊断系统采集的入侵信号图。
图4是经过EEMD分解重构处理后的入侵信号的重构信号图。
图5是入侵信号的重构信号的希尔伯特谱图。
图6是经过EEMD分解重构处理后的普通信号的重构信号图。
图7是普通信号的重构信号的希尔伯特谱图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
在布设输油管道的区域，其周围敷设有安全防范系统，通过光纤采集振动信号。该振动信号由光纤内两束激光的相位差产生，在正常情况下，相位差相对稳定，而当出现危害安全防范系统的入侵行为时，无论该入侵来自人类活动、灾害天气以及动植物破坏，都会使相位差在短时间内发生巨大变化并在一段范围内的光纤上得到反映，从而产生入侵信号。这些信号都具有非线性和非平稳特征，同时都包含有大量的噪声，而EEMD在对原始信号进行分解处理时，能够充分保留原始信号非线性和非平稳的特征，并且具有良好的自适应性和局域特性，弥补了经验模态分解(Empirical Mode Decomposition,EMD)容易发生模态混叠的不足，适用于非平稳信号的滤波和去噪。
如图1所示，在本发明的一个实施例中，其显示有一基于EEMD结合频谱质心和LS-SVM的入侵信号诊断系统，所述入侵信号诊断系统优选地由光纤、光纤激光器、滤波器、传感器、放大器和管理软件平台组成。所述入侵信号诊断系统利用光纤作为传感介质，敷设在防护对象的物理周界上。所述光纤激光器与所述光纤连接，多个传感器被分别可通讯地设置于所述光纤，从而对布防周界上因入侵而产生的振动信号进行实时监测。所述入侵信号诊断系统的光纤具有一预设长度，并设置有多个传感器采样点。当入侵发生时，所述传感器产生探测信号。当无入侵时，所述接收器收到的传感光纤振动幅值相对稳定且很小；当出现入侵动作，外界振动作用于所述传感光纤时，使得所述传感光纤短时间内产生一个高频振动，幅值较大且不稳定，多个采样点能够采集到该干涉信号，其强度和频率与振动的强度和频率有关。所述接收器收到的干涉信号的变化，就可以作为探测信号，对入侵行为进行探测。
如图3所示，其显示有所述入侵信号诊断系统采集到的入侵信号。所述滤波器与所述传感器可通讯地连接，所述放大器分别与所述滤波器和所述管理软件平台可通讯地连接，入侵信号被所述传感器接收后传递给所述滤波器，经过所述滤波器滤波后传递给所述放大器，再经过所述放大器对信号进行放大，并发送给所述管理软件平台，所述管理软件平台通过使用本发明的基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法对信号进行处理和诊断。
如图2所示，其显示有本发明的所述基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法的流程图，其中所述基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法包括以下步骤：
(a)将原始信号通过EEMD进行分解，剔除包含高频噪声的IMF，再将剩下的IMF分量重组得到重构信号；
(b)对重构信号进行希尔伯特变换(Hilbert Transform，HT)得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；
(c)将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用LS-SVM将它们进行训练建模，根据LS-SVM的学习效果反馈确定最优的规则化参数C和核宽度σ；以及
(d)将原始信号重构后的频谱质心通过步骤(3)中训练好的LS-SVM进行分类预测，如果结果是1组，则该信号为普通信号；如果是2组，则该信号为入侵信号。
值得注意的是，本实施例的所述信号诊断方法的所述步骤(3)和步骤(4)中优选地将普通信号和入侵信号分别标记为1组和2组。本领域的技术人员应当知晓，普通信号和入侵信号也可以被标记为其他形式，例如，普通信号和入侵信号也可以被分别标记为a组和b组，只要标记可以区分所述普通信号和入侵信号即可，本发明的所述基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法，在这方面不受限制。
如图4和图6所示，其分别显示有入侵信号和普通信号经过所述基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法中的步骤(a)处理后得到的重构信号。具体的，所述步骤(a)中的EEMD分解过程包括如下步骤：
(i)向目标数据X(t)上加入白噪声序列；
(ii)确定出加入白噪声序列后信号X(t)上的全部极值点；
(iii)用三次样条插值法连接所有极大值点形成上包络线emax(t)，同理得到下包络线emin(t)，求出两条包络线的均值m1(t)＝(emax(t)+emin(t))/2，
给定信号X(t)与m1(t)的差值记为h1(t)，即h1(t)＝X(t)-m1(t)；
(iv)若h1(t)满足IMF的两个条件，则h1(t)作为原始信号筛分出的第一个IMF分量，否则，将h1(t)作为新的X(t)，循环以上步骤，直到hi(t)满足IMF的两个条件，将其作为第一个IMF分量C1(t)；
(v)将C1(t)从X(t)中分离，得到一个去掉高频分量的差值信号r1(t)，即
r1(t)＝X(t)-C1(t)，将r1(t)作为原始数据重复以上步骤(ii)～(v)，得到第二个IMF分量C2(t)，重复n次直至残余信号rn(t)为单调函数，无法再进行筛分，其中rn(t)＝rn-1(t)-Cn(t)；
(vi)每次加入不同的白噪声序列，然后重复以上步骤(i)～(vi)共n次；以及
(vii)将n次得到的各个IMF分量求均值，并将其作为最终的分解结果。
进一步的，由于第1个IMF分量包含信号的最高频部分，而噪声的频率普遍高于信号本身，因此最先分解出来的IMF1包含绝大多数的噪声。在本实施例中，优选地将第1个IMF分量，即IMF1，作为步骤(a)中包含高频噪声的IMF量剔除，再将余下的分量叠加得到重构信号Y(t)，即：
对比图3所示的入侵信号和图4所示的入侵信号的重构信号，通过对比分析可以看出，经过所述步骤(a)的处理后，入侵信号中的大部分高频噪声已被去除。
如图5和图7所示，其分别显示有入侵信号和普通信号经过本发明的基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法中的步骤(b)处理后得到的希尔伯特谱。具体的，所述步骤(c)中的重构信号的频谱质心的计算方法如下：
其中f1～f2为原始信号的频率范围，S(f)为原始信号的能量谱或功率谱，即原始信号通过步骤(a)和步骤(b)处理后得到的希尔伯特谱。对比图5和图7，可以分析得出普通信号和入侵信号的频谱质心差异较大，因此通过EEMD结合频谱质心提取原始信号的特性，可以很好地区分普通信号和入侵信号，提高诊断的准确率。
更进一步的，在本实施例中，所述LS-SVM的核函数优选地选择为RBF函数：
K(xi,x)＝exp{-||x-xi||2/σ2}
RBF函数具有较宽收敛域和较强泛化能力，有很强的学习能力。经过所述步骤(c)的训练集训练后，所述LS-SVM可以根据原始信号经过步骤(a)和步骤(b)处理后得到的频谱质心进行回归预测，从而诊断所述光纤周界防护系统采集的所述原始信号是否为入侵信号。
值得一提的是，所述LS-SVM的核函数的类型不受限制，在本实施例中，所述LS-SVM的核函数被优选地选择为RBF函数。本领域的技术人员应当理解，所述LS-SVM的核函数也可以为其他函数，例如线性核函数等等，主要所述函数可以实现所述LS-SVM对重构信号频谱质心的回归预测即可，本发明的所述基于EEMD结合频谱质心和LS-SVM的入侵信号诊断方法在这方面不受限制。
Claims (9)
1.一种入侵信号诊断方法，其特征在于，所述方法包括以下步骤:
(a)将原始信号通过EEMD进行分解，剔除包含高频噪声的IMF，再将剩下的IMF分量重组得到重构信号；
(b)对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；
(c)将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用LS-SVM将它们进行训练建模，根据LS-SVM的学习效果反馈确定最优的规则化参数C和核宽度σ；
(d)将原始信号重构后的频谱质心通过步骤(c)中训练好的LS-SVM进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号；
所述步骤(a)中EEMD的信号分解包括步骤：
(i)向目标数据X(t)上加入白噪声序列；
(ii)确定出加入白噪声序列后信号X(t)上的全部极值点；
(iii)用三次样条插值法连接所有极大值点形成上包络线emax(t)，同理得到下包络线emin(t)，求出两条包络线的均值m1(t)＝(emax(t)+emin(t))/2；
(iv)给定信号X(t)与m1(t)的差值记为h1(t)，即h1(t)＝X(t)-m1(t)若h1(t)满足IMF的两个条件，则h1(t)作为原始信号筛分出的第一个IMF分量，否则，将h1(t)作为新的X(t)，循环以上步骤，直到hi(t)满足IMF的两个条件，将其作为第一个IMF分量C1(t)；
(v)将C1(t)从X(t)中分离，得到一个去掉高频分量的差值信号r1(t)，即r1(t)＝X(t)-C1(t)，将r1(t)作为原始数据重复以上步骤(ii)～(v)，得到第二个IMF分量C2(t)，重复n次直至残余信号rn(t)为单调函数，无法再进行筛分，其中rn(t)＝rn-1(t)-Cn(t)；
(vi)每次加入不同的白噪声序列，然后重复以上步骤(i)～(vi)共n次；以及
(vii)将n次得到的各个IMF分量求均值，并将其作为最终的分解结果。
2.如权利要求1所述的入侵信号诊断方法，其特征在于，所述步骤(b)中的重构信号的频谱质心的计算方法如下：
3.如权利要求1所述的入侵信号诊断方法，其特征在于，所述步骤(a)中包含高频噪声的IMF为第1个IMF分量IMF1。
4.如权利要求2所述的入侵信号诊断方法，其特征在于，所述步骤(a)中包含高频噪声的IMF为第1个IMF分量IMF1。
5.如权利要求1所述的入侵信号诊断方法，其特征在于，所述步骤(a)中IMF信号分量合成为重构信号的计算公式如下：
6.如权利要求4所述的入侵信号诊断方法，其特征在于，所述步骤(a)中IMF信号分量合成为重构信号的计算公式如下：
7.如权利要求1所述的入侵信号诊断方法，其特征在于，所述LS-SVM的核函数为RBF函数：
K(xi,x)＝exp{-||x-xi||2/σ2}。
8.如权利要求6所述的入侵信号诊断方法，其特征在于，所述LS-SVM的核函数为RBF函数：
K(xi,x)＝exp{-||x-xi||2/σ2}。
9.一种入侵信号诊断系统，其特征在于，包括
一光纤；
多个传感器，所述传感器被分别设置于光纤用以感知信号；
一光纤激光器，所述光纤激光器与光纤连接；
一滤波器，所述滤波器与所述传感器可通讯地连接，用以滤波传感器感知的信号；
一放大器，所述放大器与滤波器一体地连接；以及
一管理软件平台，管理软件平台与放大器可通讯地连接，用以接收经过放大器放大后的信号，并将信号通过EEMD进行分解，剔除包含高频噪声的IMF，再将剩下的IMF分量重组得到重构信号；
对重构信号进行希尔伯特变换得到重构信号的希尔伯特谱，得出每个重构信号的频谱质心；将训练集中普通信号和入侵信号的频谱质心分别标记为1组和2组，运用LS-SVM将它们进行训练建模，根据LS-SVM的学习效果反馈确定最优的规则化参数C和核宽度σ；以及将原始信号重构后的频谱质心通过训练好的LS-SVM进行分类预测，如果结果是1组，则该信号为普通信号，如果是2组，则该信号为入侵信号；
其中EEMD的信号分解包括步骤：
(i)向目标数据X(t)上加入白噪声序列；
(ii)确定出加入白噪声序列后信号X(t)上的全部极值点；
(iii)用三次样条插值法连接所有极大值点形成上包络线emax(t)，同理得到下包络线emin(t)，求出两条包络线的均值m1(t)＝(emax(t)+emin(t))/2；
(iv)给定信号X(t)与m1(t)的差值记为h1(t)，即h1(t)＝X(t)-m1(t)若h1(t)满足IMF的两个条件，则h1(t)作为原始信号筛分出的第一个IMF分量，否则，将h1(t)作为新的X(t)，循环以上步骤，直到hi(t)满足IMF的两个条件，将其作为第一个IMF分量C1(t)；
(v)将C1(t)从X(t)中分离，得到一个去掉高频分量的差值信号r1(t)，即r1(t)＝X(t)-C1(t)，将r1(t)作为原始数据重复以上步骤(ii)～(v)，得到第二个IMF分量C2(t)，重复n次直至残余信号rn(t)为单调函数，无法再进行筛分，其中rn(t)＝rn-1(t)-Cn(t)；
(vi)每次加入不同的白噪声序列，然后重复以上步骤(i)～(vi)共n次；以及
(vii)将n次得到的各个IMF分量求均值，并将其作为最终的分解结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224196.0A CN108506736B (zh) | 2018-03-19 | 2018-03-19 | 一种入侵信号诊断系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224196.0A CN108506736B (zh) | 2018-03-19 | 2018-03-19 | 一种入侵信号诊断系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108506736A CN108506736A (zh) | 2018-09-07 |
| CN108506736B true CN108506736B (zh) | 2019-11-29 |
Family
ID=63376835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810224196.0A Active CN108506736B (zh) | 2018-03-19 | 2018-03-19 | 一种入侵信号诊断系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108506736B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110529745B (zh) * | 2019-08-05 | 2021-03-12 | 上海第二工业大学 | 一种频域下光纤检测管道泄漏与位置的算法 |
| CN110886972A (zh) * | 2019-11-28 | 2020-03-17 | 西安戴森电子技术有限公司 | 一种水管异常状态监控系统 |
| CN112115851B (zh) * | 2020-09-16 | 2022-02-08 | 北京邮电大学 | 一种基于cmeemd-gaiw-sw-dfa的分布式光纤信号听觉信息融合方法 |
| CN112232329A (zh) * | 2020-12-17 | 2021-01-15 | 光谷技术有限公司 | 入侵信号识别的多核svm训练、报警方法、装置及系统 |
| CN113053066B (zh) * | 2021-05-31 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种山洪泥石流监测鉴别的装置与灾害预警方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617684A (zh) * | 2013-12-12 | 2014-03-05 | 威海北洋电气集团股份有限公司 | 干涉型光纤周界振动入侵识别算法 |
| CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
| CN105203914A (zh) * | 2015-07-22 | 2015-12-30 | 广东电网有限责任公司电力科学研究院 | 一种突发短路下的变压器绕组状态诊断方法 |
| JP5846724B2 (ja) * | 2010-04-14 | 2016-01-20 | 矢崎エナジーシステム株式会社 | 調整器診断システム、調整器診断装置及び調整器診断方法 |
| CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
| CN107063306A (zh) * | 2017-04-14 | 2017-08-18 | 东南大学 | 一种基于改进的eemd和排列熵的光纤陀螺振动补偿算法 |
| CN107315996A (zh) * | 2017-05-19 | 2017-11-03 | 燕山大学 | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 |
-
2018
- 2018-03-19 CN CN201810224196.0A patent/CN108506736B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5846724B2 (ja) * | 2010-04-14 | 2016-01-20 | 矢崎エナジーシステム株式会社 | 調整器診断システム、調整器診断装置及び調整器診断方法 |
| CN103617684A (zh) * | 2013-12-12 | 2014-03-05 | 威海北洋电气集团股份有限公司 | 干涉型光纤周界振动入侵识别算法 |
| CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
| CN105203914A (zh) * | 2015-07-22 | 2015-12-30 | 广东电网有限责任公司电力科学研究院 | 一种突发短路下的变压器绕组状态诊断方法 |
| CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
| CN107063306A (zh) * | 2017-04-14 | 2017-08-18 | 东南大学 | 一种基于改进的eemd和排列熵的光纤陀螺振动补偿算法 |
| CN107315996A (zh) * | 2017-05-19 | 2017-11-03 | 燕山大学 | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108506736A (zh) | 2018-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108506736B (zh) | 一种入侵信号诊断系统和方法 | |
| CN103236127B (zh) | 一种光纤围栏入侵监测系统及其模式识别方法 | |
| CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
| CN100504846C (zh) | 基于信息融合的电能质量扰动自动识别方法及系统 | |
| CN108343599B (zh) | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 | |
| CN109171707A (zh) | 一种智能心电图分类方法 | |
| CN104240455A (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
| CN104729667B (zh) | 一种分布式光纤振动传感系统中的扰动类型识别方法 | |
| CN110213222A (zh) | 基于机器学习的网络入侵检测方法 | |
| CN111104891A (zh) | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 | |
| CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
| CN110084094A (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN112985574A (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
| CN107064298A (zh) | 一种运行中风机叶片裂纹的激光检测方法 | |
| CN111597994A (zh) | 一种光纤周界安防入侵事件识别模型构建方法和安防系统 | |
| CN107576380A (zh) | 一种面向φ‑otdr技术的三维振动信号分类方法 | |
| CN114062839A (zh) | 一种铁路电力线路故障定位装置及其方法 | |
| CN106706109A (zh) | 一种基于时域二维特性的振动源识别方法及系统 | |
| CN108205016A (zh) | 声发射塔吊安全检测的工控机系统 | |
| CN116186642B (zh) | 一种基于多维特征融合的分布式光纤传感事件预警方法 | |
| Qu et al. | Study on the algorithm of vibration source identification based on the optical fiber vibration pre-warning system | |
| CN108287197A (zh) | 声发射塔吊安全检测系统的信号处理方法 | |
| CN116399948A (zh) | 一种水闸混凝土底板局部脱空监测方法及系统 | |
| CN106650951A (zh) | 基于时域全局相似度的多通道测量数据自动筛选方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: 310018 No. 928 street, Baiyang street, Xiasha Higher Education Park, Jianggan District, Hangzhou, Zhejiang, China. 928 Patentee before: ZHEJIANG SCI-TECH University Country or region before: China |