CN113255541A - 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 - Google Patents

一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 Download PDF

Info

Publication number
CN113255541A
CN113255541A CN202110610266.8A CN202110610266A CN113255541A CN 113255541 A CN113255541 A CN 113255541A CN 202110610266 A CN202110610266 A CN 202110610266A CN 113255541 A CN113255541 A CN 113255541A
Authority
CN
China
Prior art keywords
signal
interval
relative entropy
component
data
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.)
Granted
Application number
CN202110610266.8A
Other languages
English (en)
Other versions
CN113255541B (zh
Inventor
王玉涛
靳致宁
杨钢
陆增喜
王大阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202110610266.8A priority Critical patent/CN113255541B/zh
Publication of CN113255541A publication Critical patent/CN113255541A/zh
Application granted granted Critical
Publication of CN113255541B publication Critical patent/CN113255541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明提供一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法，本方法以高炉生产过程中的工艺参数为例进行说明，包括如下步骤：取一段高炉数据中的两个不同区间，并对两个数据中的信号分别使用经验模态分解方法进行分解；对分解后得到的两部分信号分量中的本征模态函数，从频率由高到低的顺序进行逐步重组，并同时计算两部分重组分量间的相对熵，构成相对熵的二维向量；将数据形式最接近的两部分视为两个过程中普遍共存的噪声成分；并对两部分信号中接近于该噪声分布的重组分量进行去除，以达到去噪的目的。该方法可以在噪声信息未知的前提下仅通过数据本身进行去噪，并且可以达到较高水平的信噪比，去噪效果稳定。

Description

一种基于本征模态函数重组信号相对熵的自适应流程工业过 程的工艺参数去噪方法
技术领域
本发明涉及流程工业技术领域，尤其涉及一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法。
背景技术
高炉炼铁是一种典型的流程工业，高炉炼铁是一个多种因素耦合的复杂过程，在实际生产中需要对大部分过程参数的变化趋势进行分析。高炉生产环境具有高温高压的特点，并且伴随有复杂的热扰动与电磁干扰，数据本身的波动较为剧烈，这为后续的分析与建模带来了挑战。现有的数据去噪方法，在得知噪声频率、相位等先验信息的条件下可以对特定的噪声进行去除，但是在高炉参数中噪声成分复杂不同参数含有的噪声特点不同，无法知悉噪声的先验信息，需要做大量的数据实验来确定数据中的周期性噪声，并且无法去除所混有的白噪声成分；使用均值滤波方法进行去噪，又容易造成数据序列中信息的缺失。
发明内容
根据上述提出的数据去噪方法的局限性，以及高炉参数数据的变化特点，而提供一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法对高炉的生产过程参数进行处理。本发明采用的技术手段如下：
一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法，用于对高炉生产过程工艺参数进行去噪，包括如下步骤：
S1：获取高炉炼铁过程中相关的工艺参数，并获取一定长度生产区间数据序列；
S2、在所述生产区间数据序列中取两个不同的区间，分别记为数据区间 P与数据区间Q，每个数据区间长度为原数据区间长度的50％以上；
S3：对区间P与区间Q内的数据序列分别进行经验模态分解，其中区间 P内的数据序列被分解为m个本征模态函数分量与1个余项分量，区间Q内的数据序列被分解为n个本征模态函数分量与1个余项分量；
S4：对得到的本征模态函数分量依据频率由高到低的顺序逐步重组，P 中重组所得到的分量为m个，Q中重组所得到的分量为n个；
S5：计算两个部分重组分量之间的相对熵值并组成二维向量，取得m×n 对相对熵向量；
S6：计算每个相对熵向量到原点的欧式距离，并绘制二维向量的散点图：依据P区间的每一个本征模态重组分量，对与该重组分量相关的相对熵二维向量绘制散点图，即m张散点图，每一张散点图中有n个点；
S7：每一个P相对熵的散点图以向量到原点间的欧式距离为依据，对距离偏差较大的离群点进行排除。计算每一个散点图余下的散点群中心到原点的距离，点群中心距离原点最近的散点图所对应的P重组分量为P区间信号中的最普遍噪声分量组合记为Ps，并计算Q重组分量中与Ps分布形式相近的重组分量记为Qs，Ps与Qs的分布形式十分相近，可以分别看做P、Q信号区间的噪声组合形式；
S8：P，Q区间的信号减去相应的噪声成分完成各自部分的去噪。
进一步地，所述S3具体步骤如下：
S31：设置阈值与最大迭代次数；
S32：对所要处理的数据序列使用三次样条插值法绘制上包络线；
S33：对所要处理的数据序列使用三次样条插值法绘制下包络线；
S34：上包络线与下包络线进行算术平均运算，得到平均曲线；
S35：原数据序列减去平均曲线，得到新的信号，判断新的信号是否满足本征模态函数条件，若满足则记为一个本征模态函数分量，原信号序列减去当前分量代替原始信号进行进一步分解；反之，则对新的信号继续采用上述分解直到取得本征模态函数；
S36：对于最终无法再绘制包络线的数据或达到最大迭代值后的信号，记为余项分量。
进一步地，所述S7具体步骤如下：
S71：以相对熵所构成的二维向量到原点欧式距离为计算依据，去除每个散点图中距离原点差异较大的离群点；
S72：计算每一张散点图中余下的散点的点群中心到原点的距离，点群中心到原点最近的散点图所对应的P重组分量，为P中普遍存在的噪声信号，该信号重组分量记为Ps；
S73：对Q中的重组分量与分量Ps间的相对熵二维向量进行计算，二维向量距离原点最近的Q重组分量记为Qs，该分量为Q中普遍存在的噪声信号，且与Ps的分布形式接近。
进一步地，所述S8具备以下步骤：
S81：P区间的原信号减去Ps重组分量形式或对Ps以外的IMF分量及余项分量重组以完成P区间信号的去噪；
S82：Q区间的原信号减去Qs重组分量形式或对Qs以外的IMF分量及余项分量重组以完成Q区间信号的去噪；
本发明方法是一种数据清洗的方法，为后续高炉参数趋势变化分析与建模提供方便，降低过程中噪声等不必要信息的干扰。高炉过程参数中伴随的噪声成分复杂，并且不同的数据中包含的噪声形式不同，在缺乏数据中噪声数据先验信息的情况下，本发明可以在噪声信息未知的前提下仅通过数据本身进行去噪，并且可以达到较高水平的信噪比，去噪效果较为稳定。本发明适用于高炉中本身趋势变化较为缓慢，但伴随的噪声数据波动频率较高且成分复杂的数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法的流程图。
图2为本发明实施例中所选研究的信号真实变化成分。
图3为本发明实施例中叠加周期性噪声与白噪声后的信号。
图4为本发明实施例中取得的两个数据区间P、Q，其中，(a)为P区间的信号，(b)为Q区间的信号。
图5为本发明实施例中经验模态分解过程的流程图。
图6为本发明实施例中P区间数据分解的结果。
图7为本发明实施例中Q区间数据分解的结果。
图8为本发明实施例中重组分量相对熵所组成的二维向量散点图。
图9为本发明实施例中去噪后的结果图，其中，(a)为P区间的数据去噪结果；(b)为Q区间的数据去噪结果。
图10为本发明实施例中P部分数据的信噪比曲线图，其中，(a)为P 区间分量重组过程的信噪比；(b)为Q区间分量重组过程的信噪比。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所适应的过程数据应具有以下特点：
(1)数据中噪声以外的成分，即真实成分在工业过程中变化较为缓慢；
(2)数据中的噪声成分复杂，并且噪声波动的频率要高于真实成分的频率；
(3)数据中噪声成分独立于工况变化，普遍存在于生产中的各个阶段。
具体地，如图1所示，本发明包括如下步骤：
S1：获取高炉炼铁过程中相关的工艺参数，并获取一定长度生产区间数据序列；
S2、在所述生产区间数据序列中取两个不同的区间，分别记为数据区间 P与数据区间Q，每个数据区间长度为原数据区间长度的50％以上；
S3：对区间P与区间Q内的数据序列分别进行经验模态分解，其中区间 P内的数据序列被分解为m个本征模态函数分量与1个余项分量，区间Q内的数据序列被分解为n个本征模态函数分量与1个余项分量；
S4：对得到的本征模态函数分量依据频率由高到低的顺序逐步重组，P 中重组所得到的分量为m个，Q中重组所得到的分量为n个；
S5：计算两个部分重组分量之间的相对熵值并组成二维向量，取得m×n 对相对熵向量；
S6：计算每个相对熵向量到原点的欧式距离，并绘制二维向量的散点图：依据P区间的每一个本征模态重组分量，对与该重组分量相关的相对熵二维向量绘制散点图，即m张散点图，每一张散点图中有n个点；
S7：每一个P相对熵的散点图以向量到原点的间的欧式距离为依据，对距离偏差较大的离群点进行排除。计算每一个散点图余下的散点群中心到原点的距离，点群中心距离原点最近的散点图所对应的P重组分量为P区间信号中的最普遍噪声分量组合记为Ps，并计算Q重组分量中与Ps分布形式相近的重组分量记为Qs，Ps与Qs的分布形式十分相近，可以分别看做P、Q信号区间的噪声组合形式；
S8：将与该噪声成分分布形式相近的重组分量去除，完成信号去噪。
其中，所述S3具体步骤如下：
S31：设置阈值与最大迭代次数；
S32：对所要处理的数据序列使用三次样条插值法绘制上包络线；
S33：对所要处理的数据序列使用三次样条插值法绘制下包络线；
S34：上包络线与下包络线进行算术平均运算，得到平均曲线；
S35：原数据序列减去平均曲线，得到新的信号，判断新的信号是否满足本征模态函数条件，若满足则记为一个本征模态函数分量，原信号序列减去当前分量代替原始信号进行进一步分解；反之，则对新的信号继续采用上述分解直到取得本征模态函数；
S36：对于最终无法再绘制包络线的数据或达到最大迭代值后的信号，记为余项分量。
步骤S3实现的是数据的自适应分解，这种信号分解方法依据数据自身的波动，极值特点将信号分解为多个本征模态函数与一个余项分量。其本征模态函数分量随着分解过程的进行，其本征模态函数分量的变化频率逐步降低。数据中噪声成分的频率高于真实成分的变化频率。高频本征模态函数包含噪声成分，并且还能包含一定的白噪声成分。
所述S7具体步骤如下：
S71：以相对熵所构成的二维向量到原点欧式距离为计算依据，去除每个散点图中距离原点差异较大的离群点；
S72：计算每一张散点图中余下的散点的点群中心到原点的距离，点群中心到原点最近的散点图所对应的P重组分量，为P中普遍存在的噪声信号，该信号重组分量记为Ps；
S73：对Q中的重组分量与分量Ps间的相对熵二维向量进行计算，二维向量距离原点最近的Q重组分量记为Qs，该分量为Q中普遍存在的噪声信号，且与Ps的分布形式接近。
其中，相对熵是一种衡量两个数据分布相近程度的统计量。当相对熵的值越小时，两个数据的分布形式越相近，反之，两个数据的分布形式偏差较大。
所述S8具备以下步骤：
S81：P区间的原信号减去Ps重组分量形式或对Ps以外的IMF分量及余项分量重组以完成P区间信号的去噪；
S82：Q区间的原信号减去Qs重组分量形式或对Qs以外的IMF分量及余项分量重组以完成Q区间信号的去噪；
实施例1
步骤1：本实施例中，为了方便去噪效果的定量分析，选用了一段8000 个采样点长度的信号作为仿真数据，该信号变化较为平滑噪声影响程度较小的信号作为信号真实成分，如图2所示，在此之上叠加了几种不同频率和相位的三角函数和多种白噪声作为仿真的数据，如图3所示。
步骤2：任取该数据中的2个区间，分别记为区间P与区间Q。P对应的区间为[1,4000]，Q数据所对应的区间为[4001,8000]，两部分数据如图4(a)、 (b)所示；本实施例中，每个数据区间长度为原数据区间长度的50％。
步骤3：以图5的方法对两个部分的信号分别进行经验模态分解，随着分解的进行所得到的本征模态函数(IMF)的变化频率逐渐降低，最终得到一个余项分量(res)；
Figure BDA0003095507950000071
如图6所示，P区间分解得到的imf分量有9个与1个余项分量，每个 imf分量记为P_imfi，其中(i＝1,2…9)，如图7，Q区间分解得到的本imf 分量有8个与一个余项分量，每个imf分量记为Q_imfj，其中(j＝1,2…8)；
步骤4：对两个部分中的本征模态函数分量依据频率由高到低的顺序逐步重组；
获得重组分量，各部分的重组分量计算形式具体如下：
Figure BDA0003095507950000072
Figure BDA0003095507950000073
步骤5：计算两部分重组分量间的相对熵。相对熵的计算公式如下：
Figure BDA0003095507950000074
根据公式可以看出，相对熵是一种非对称的统计量，即：
KL(Pi||Qj)≠KL(Qj||Pi)
为了可以更清楚的衡量分量之间分布形式的差异与变化，将分量间的相对熵组成二维向量(KL(Pi||Qj),KL(Qj||Pi))。根据各部分分解得到的imf分量个数(P部分9个，Q部分8个)，总共计算得到72个相对熵二维向量；
步骤6：计算每个二维向量到二维空间原点的欧式距离，计算方式如下：
Figure BDA0003095507950000081
步骤7：如图8所示，为了方便过程分析，此步骤进行散点图的绘制。以P区间的重组分量为基准，第i张散点图绘制与重组分量Pi有关的散点图, 总共绘制了9张散点图，每一个分量绘制8个点，使用不同的颜色对每个分量的散点进行区分；
使用箱线图法，去除每一个分量所对应8个散点中的离群点后，求其余点的中心。离原点最近的中心所对应的分量记为公共噪声部分。依据计算可得P6重组分量的中心离远点最近；
步骤8：信号重组过程中去除与P7分布相近的重组部分。即P信号的重组分量为P_imf8，P_imf9及其余项分量；Q信号重组分量与其分布形式相近的为Q5，对其去除后将Q_imf6，Q_imf7，Q_imf8及其余项进行重组。两部分重组后的结果分别如图9(a)、(b)所示。
P部分信号重组后的信噪比曲线如图10(a)，从第8个imf分量开始重组； Q部分的重组过程的信噪比曲线如图10(b),从第6个imf分量开始重组。可以看出，两部分数据所获得的信噪比处于较高水平。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法，用于对高炉生产过程工艺参数进行去噪，其特征在于，包括如下步骤：
S1：获取高炉炼铁过程中相关的工艺参数，并获取一定长度生产区间数据序列；
S2、在所述生产区间数据序列中取两个不同的区间，分别记为数据区间P与数据区间Q；
S3：对区间P与区间Q内的数据序列分别进行经验模态分解，其中区间P内的数据序列被分解为m个本征模态函数分量与1个余项分量，区间Q内的数据序列被分解为n个本征模态函数分量与1个余项分量；
S4：对得到的本征模态函数分量依据频率由高到低的顺序逐步重组，P中重组所得到的分量为m个，Q中重组所得到的分量为n个；
S5：计算两个部分重组分量之间的相对熵值并组成二维向量，取得m×n对相对熵向量；
S6：计算每个相对熵向量到原点的欧式距离，并绘制二维向量的散点图；
S7：分别对每一个P相对熵的散点图以向量到原点间的欧式距离为依据，对距离偏差较大的离群点进行排除，基于此完成信号去噪。
2.根据权利要求1所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，每个数据区间长度为原数据区间长度的50％以上。
3.根据权利要求1所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，所述S3具体步骤如下：
S31：设置阈值与最大迭代次数；
S32：对所要处理的数据序列使用三次样条插值法绘制上包络线；
S33：对所要处理的数据序列使用三次样条插值法绘制下包络线；
S34：上包络线与下包络线进行算术平均运算，得到平均曲线；
S35：原数据序列减去平均曲线，得到新的信号，判断新的信号是否满足本征模态函数条件，若满足则记为一个本征模态函数分量，原信号序列减去当前分量代替原始信号进行进一步分解；反之，则对新的信号继续采用上述分解直到取得本征模态函数；
S36：对于最终无法再绘制包络线的数据或达到最大迭代值后的信号，记为余项分量。
4.根据权利要求1所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，所述步骤6中绘制二维向量的散点图具体包括如下步骤：依据P区间的每一个本征模态重组分量，对与该重组分量相关的相对熵二维向量绘制散点图，即m张散点图，每一张散点图中有n个点。
5.根据权利要求1所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，所述S7采用的排出方法选择箱线图法。
6.根据权利要求1所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，所述S7具体步骤如下：
S71：以相对熵所构成的二维向量到原点欧式距离为计算依据，去除每个散点图中距离原点差异较大的离群点；
S72：计算每一张散点图中余下的散点的点群中心到原点的距离，点群中心到原点最近的散点图所对应的P重组分量，为P中普遍存在的噪声信号，该信号重组分量记为Ps；
S73：对Q中的重组分量与分量Ps间的相对熵二维向量进行计算，二维向量距离原点最近的Q重组分量记为Qs，该分量为Q中普遍存在的噪声信号，且与Ps的分布形式接近。
7.根据权利要求6所述的基于本征模态函数重组信号相对熵的自适应高炉参数去噪方法，其特征在于，所述S8具备以下步骤：
S81：P区间的原信号减去Ps重组分量形式或对Ps以外的IMF分量及余项分量重组以完成P区间信号的去噪；
S82：Q区间的原信号减去Qs重组分量形式或对Qs以外的IMF分量及余项分量重组以完成Q区间信号的去噪。
CN202110610266.8A 2021-06-01 2021-06-01 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 Active CN113255541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110610266.8A CN113255541B (zh) 2021-06-01 2021-06-01 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110610266.8A CN113255541B (zh) 2021-06-01 2021-06-01 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法

Publications (2)

Publication Number Publication Date
CN113255541A true CN113255541A (zh) 2021-08-13
CN113255541B CN113255541B (zh) 2023-08-29

Family

ID=77185828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110610266.8A Active CN113255541B (zh) 2021-06-01 2021-06-01 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法

Country Status (1)

Country Link
CN (1) CN113255541B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116124456A (zh) * 2023-02-15 2023-05-16 广东海洋大学 一种自适应的滚动轴承故障特征提取诊断方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550426A (zh) * 2015-12-08 2016-05-04 东北大学 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN106940688A (zh) * 2017-01-08 2017-07-11 广东工业大学 一种emd虚假分量识别的数学模型建模方法
CN108304768A (zh) * 2017-12-12 2018-07-20 重庆邮电大学 一种基于emd去噪和imf判别能量熵的磨音特征提取方法
CN108644618A (zh) * 2018-05-09 2018-10-12 常州大学 基于vmd分量相对熵分析的管道泄漏定位方法
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN109613399A (zh) * 2018-12-13 2019-04-12 西安理工大学 一种基于vmd能量相对熵的线路故障选线方法
CN110309608A (zh) * 2019-07-05 2019-10-08 东北大学 一种针对时滞不确定信息的高炉铁水硅含量预报方法
US20200329988A1 (en) * 2019-04-22 2020-10-22 First Institute of Oceanography, Ministry of Natural Resources Functional network analysis systems and analysis method for complex networks
US20200394409A1 (en) * 2019-01-03 2020-12-17 Lucomm Technologies, Inc. System for physical-virtual environment fusion

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550426A (zh) * 2015-12-08 2016-05-04 东北大学 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN106940688A (zh) * 2017-01-08 2017-07-11 广东工业大学 一种emd虚假分量识别的数学模型建模方法
CN108304768A (zh) * 2017-12-12 2018-07-20 重庆邮电大学 一种基于emd去噪和imf判别能量熵的磨音特征提取方法
CN108644618A (zh) * 2018-05-09 2018-10-12 常州大学 基于vmd分量相对熵分析的管道泄漏定位方法
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN109613399A (zh) * 2018-12-13 2019-04-12 西安理工大学 一种基于vmd能量相对熵的线路故障选线方法
US20200394409A1 (en) * 2019-01-03 2020-12-17 Lucomm Technologies, Inc. System for physical-virtual environment fusion
US20200329988A1 (en) * 2019-04-22 2020-10-22 First Institute of Oceanography, Ministry of Natural Resources Functional network analysis systems and analysis method for complex networks
CN110309608A (zh) * 2019-07-05 2019-10-08 东北大学 一种针对时滞不确定信息的高炉铁水硅含量预报方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116124456A (zh) * 2023-02-15 2023-05-16 广东海洋大学 一种自适应的滚动轴承故障特征提取诊断方法及装置

Also Published As

Publication number Publication date
CN113255541B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111189639A (zh) 一种基于瞬时频率优化vmd的轴承故障诊断方法
Wang et al. A new image denoising method based on Gaussian filter
CN107463604A (zh) 一种基于重要点的时间序列固定分段算法
CN103116875A (zh) 自适应双边滤波图像去噪方法
CN104992164B (zh) 一种动态振荡信号模型参数辨识方法
Heinz et al. Iterative excitation signal design for nonlinear dynamic black-box models
CN113255541A (zh) 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法
CN112199888B (zh) 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质
CN111427266A (zh) 一种针对带扰动的非线性系统辨识方法
CN109450405A (zh) 一种应用于ad采集中的复合式软件滤波方法及系统
Chandra et al. A new strategy of image denoising using multiplier-less FIR filter designed with the aid of differential evolution algorithm
CN110543162B (zh) 一种强噪声下的运动控制系统多重故障辨识方法
CN112396567B (zh) 基于法向修正与位置滤波两步法的散乱点云去噪方法
CN112764345B (zh) 基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法
CN114332081A (zh) 基于图像处理的纺织品表面异常判定方法
CN108279567B (zh) 用于鲁棒控制的系统辨识方法
Lima et al. On the steady-state MSE performance of the set-membership NLMS algorithm
CN114842178A (zh) 一种基于电子产品的在线可视化交互系统及方法
CN112330566B (zh) 图像去噪的方法、装置及计算机存储介质
Wang et al. Non-linear image enhancement using opportunity costs
Schoukens et al. Nonparametric initial estimates for Wiener-Hammerstein systems
CN111475500B (zh) 一种自动发现审计规则和异常数据的方法
TWI439952B (zh) 模糊類神經系統建構方法
CN114549514A (zh) 设备运行参数确定方法、装置、电子设备及存储介质
CN109271687B (zh) 一种动态载荷自适应时域识别方法

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