CN117541020A - 一种城市排水泵站调度管理方法及系统 - Google Patents
一种城市排水泵站调度管理方法及系统 Download PDFInfo
- Publication number
- CN117541020A CN117541020A CN202410008278.7A CN202410008278A CN117541020A CN 117541020 A CN117541020 A CN 117541020A CN 202410008278 A CN202410008278 A CN 202410008278A CN 117541020 A CN117541020 A CN 117541020A
- Authority
- CN
- China
- Prior art keywords
- component signals
- value
- component
- signal
- difference
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000005086 pumping Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及优化分解尺度参数技术领域，具体涉及一种城市排水泵站调度管理方法及系统。该方法首先获取排水泵站的排水流量原始数据；根据分量信号的整体特征相似值和整体模态混叠程度值，获取各个分量信号的可合并值；进而根据分量信号的可合并值对分解尺度参数进行调整，获取排水泵站的排水流量去噪数据；最终制定排水泵站的调度方案。本发明结合了相邻分量信号的接近程度和相邻分量信号模态混叠的程度，改善了分解尺度参数的选择，获取更准确的去噪数据，提高了城市排水泵站的调度管理的准确性。
Description
技术领域
本发明涉及优化分解尺度参数技术领域，具体涉及一种城市排水泵站调度管理方法及系统。
背景技术
城市排水泵站调度管理包括泵站的控制以及设备与管网的监控。城市排水泵站调度管理以水泵群机组为主要调控对象，通过实时监测排水泵站的数据，对数据进行分析，并进行调度管理，从而提升城市排水系统的性能。
由于城市排水泵站调度管理中需要实时地、准确地监测流量数据作为调度管理的数据支持，但是在排水泵站中存在较多的电子设备，电子设备产生的电磁干扰往往会影响流量传感器监测数据的准确性，导致流量监测数据存在较大的噪声干扰，因此需要对流量监测数据进行去噪处理。现有技术中可以采用ITD（Intrinsic Time-ScaleDecomposition，本征时间尺度分解算法）算法对流量监测数据进行去噪处理，但是在对流量监测数据去噪过程中，由于分解尺度参数选择不当，会导致难以确定信号噪声的位置，从而使得信号去噪效果差，导致排水泵站的实时监测流量数据的存在误差，最终造成城市排水泵站的调度管理做出错误的调度决策，影响城市排水系统的性能。
发明内容
为了解决现有的ITD分解算法在去噪过程中，由于分解尺度参数选择不当，难以确定信号噪声的位置，导致城市排水泵站的调度管理效果不佳的技术问题，本发明的目的在于提供一种城市排水泵站调度管理方法及系统，所采用的技术方案具体如下：
一种城市排水泵站调度管理方法，所述方法包括以下步骤：
获取排水泵站的排水流量原始数据；
获取所述排水流量原始数据的所有分量信号和所有所述分量信号的分解尺度参数；根据所述分量信号的频率、振幅和分解尺度参数，获取各个所述分量信号的模态特征值；根据相邻分量信号的所述模态特征值的差异，获取各个分量信号的整体特征相似值；
获取各个分量信号对应的不同时间的局部信号段；根据相邻分量信号对应相同时间的所述局部信号段的差异，获取各个所述分量信号的各所述局部信号段的局部差异值；根据分量信号对应所有所述局部信号段的所述局部差异值的区别，获取各个分量信号的整体模态混叠程度值；
根据分量信号的所述整体特征相似值和所述整体模态混叠程度值，获取各个分量信号的可合并值；根据分量信号的所述可合并值对分解尺度参数进行调整，获取各个所述分量信号的更新后分解尺度参数；
基于ITD分解算法根据所有所述分量信号及其更新后分解尺度参数对所述排水流量原始数据进行重构，获取排水泵站的排水流量去噪数据；根据排水泵站的所述排水流量去噪数据，制定排水泵站的调度方案。
进一步地，所述模态特征值的获取公式包括：
；其中，/>为第/>个所述分量信号的所述模态特征值；/>为第/>个所述分量信号的所述振幅；/>为第/>个分量信号的所述频率；/>为第/>个所述分量信号的所述分解尺度参数；/>为归一化函数。
进一步地，所述整体特征相似值的获取方法包括：
将任意一个所述分量信号作为当前分量信号；计算所述当前分量信号和前一个分量信号的所述模态特征值的差值的绝对值，得到所述当前分量信号的第一差异值；根据所述当前分量信号的所述第一差异值，获取所述当前分量信号的所述整体特征相似值；所述第一差异值和所述整体特征相似值呈负相关性。
进一步地，所述局部差异值的获取公式包括：
；其中，/>为第/>个分量信号的第/>个局部信号段的局部差异值；/>为第/>个分量信号的第/>个局部信号段的时间的总数目；/>为在第/>个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第/>个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为归一化函数。
进一步地，所述整体模态混叠程度值的获取方法，具体包括：
将分量信号对应所有所述局部信号段，按照所述局部差异值从小到大的顺序进行排序，构建待分析数据序列；在所述待分析数据序列中，计算所述局部信号段的所述局部差异值的差分，得到各个局部信号段的差分值；将最大的所述差分值对应局部信号段，作为分割信号段；在所述待分析数据序列中，统计所述分割信号段之后的所有局部信号段，作为分量信号的最大差异集合；将其余所有所述局部信号段，作为所述分量信号的最小差异集合；根据所述分量信号的所述最小差异集合和所述最大差异集合，获取分量信号的整体模态混叠程度值。
进一步地，所述根据所述分量信号的所述最小差异集合和所述最大差异集合，获取分量信号的整体模态混叠程度值，包括：
在所述分量信号的所述最小差异集合中，计算对应所有所述局部差异值的均值，获取所述最小差异集合的最小差异特征值；
在所述分量信号的所述最大差异集合中，计算对应所有所述局部差异值的均值，获取所述最大差异集合的最大差异特征值；
计算所述最大差异特征值和所述最小差异特征值的差值，获取分量信号的整体模态混叠程度值。
进一步地，所述可合并值的获取方法包括：
根据所述分量信号的所述整体特征相似值和所述整体模态混叠程度值，获取各个分量信号的可合并值；所述整体特征相似值和所述可合并值呈正相关性；所述整体模态混叠程度值和所述可合并值呈正相关性。
进一步地，所述更新后分解尺度参数的获取公式包括：
；/>为第/>个所述分量信号的所述更新后分解尺度参数；/>为第/>个所述分量信号的所述分解尺度参数；/>为第/>个所述分量信号的所述可合并值。
进一步地，所述排水流量去噪数据的获取方法包括：
将各个所述分量信号的所述更新后分解尺度参数代替各个所述分量信号的所述分解尺度参数，构建更新后分量信号；基于ITD分解算法，将预设数量个更新后分量信号进行重构，获取排水泵站的排水流量去噪数据。
进一步地，本发明提出一种城市排水泵站调度管理系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述一种城市排水泵站调度管理方法的步骤。
本发明具有如下有益效果：
本发明主要针对城市排水泵站的调度管理时，获取排水泵站的排水流量原始数据容易受到噪声的干扰，而传统ITD分解算法会存在由于分解尺度参数选择不当，导致分量信号的频率单一性较高且不同频率的噪声信号出现不同时间尺度的分量信号中，难以确定信号噪声的位置，最终导致排水流量原始数据去噪效果差。
为了更好地定位噪声成分并将其去除，需要获取更好的分解尺度参数。当分量信号频率单一性较强，往往相邻分量信号比较接近，说明分量信号中的时间尺度变化较为平缓，此时适当调大分解尺度参数，从而使噪声成分向上层的分量信号集中，进而更好的确定噪声位置。所以为了获取更好的分解尺度参数，需要分析相邻分量信号的接近程度。为了分析相邻分量信号的差异，首先分析各个分量信号的模态特征值，根据相邻分量信号的模态特征值，获取各个分量信号的整体特征相似值；整体特征相似值可以反映相邻分量信号的接近程度，以供后续调整分解尺度参数作为参考。
虽然ITD分解算法可以改善传统经验模态分解算法的模态混叠问题，但ITD分解算法会存在由于分解尺度参数选择不当，会导致产生模态混叠问题。模态混叠会导致难以准确识别和去除噪声成分，从而影响降噪效果。根据分量信号的模态混叠程度，适当调大分解尺度参数，有助于减少相邻分量信号之间的模态混叠现象，更好地定位噪声位置。所以为了获取更好的分解尺度参数，需要分析发生模态混叠的程度。
为了分析发生模态混叠的程度，首先需要获取各个分量信号对应的不同时间的局部信号段；由于模态混叠存在分量信号的局部，所以对分量信号的局部进行分析，避免直接对整条分量信号会引入新的冗余。进而根据相邻分量信号对应相同时间的局部信号段的差异，获取各个分量信号的各局部信号段的局部差异值；由于分量信号代表原始信号的特征，分量信号不可能全部都是模态混叠；当相邻分量信号都没有发生模态混叠，那么局部差异值接近；当相邻分量信号都发生部分模态混叠，那么局部差异值存在较大差异；据分量信号对应所有局部信号段的局部差异值的区别，获取分量信号的整体模态混叠程度值；整体模态混叠程度值反映分量信号发生模态混叠的程度值，以供后续调整分解尺度参数作为参考。
通过可以反映相邻分量信号的差异的整体特征相似值和可以反映分量信号发生模态混叠程度的整体模态混叠程度值，来反映分量信号的可合并值，通过分量信号的可合并值自适应调节分解尺度参数，获取各个分量信号的更新后分解尺度参数，通过更新后分解尺度参数，使ITD分解的分量信号中，所有复杂的噪声成分向上层的分量信号集中，可以更好的定位噪声成分并将其去除，提高多源干扰下的监测信号噪声处理效率与处理精度，获取更准确的去噪数据，提高了城市排水泵站的调度管理的准确性。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种城市排水泵站调度管理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种城市排水泵站调度管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种城市排水泵站调度管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种城市排水泵站调度管理方法的流程图，该方法包括以下步骤：
步骤S1，获取排水泵站的排水流量原始数据。
通过实时监测排水泵站的数据，进行调度管理方法，可以提升城市排水系统的性能。为了对城市排水泵站进行调度管理，首先需要获取排水泵站的排水流量原始数据，由于排水泵站中存在较多的电子设备，电子设备产生的电磁干扰往往会影响流量传感器监测数据的准确性，导致排水流量原始数据存在较大的噪声干扰，导致检测数据质量较低，因此需要对检测数据进行去噪处理，故本发明的主要目的是提高数据去噪精度，保证检测数据的可靠性。
具体地，通过安装在排水系统管道的关键位置的流量传感器，利用在线监测系统对排水流量数据进行采集，获取排水泵站的各个关键位置的排水流量原始数据。例如在排水泵站的入口和出口处，通过流量传感器采集排水流量原始数据，获取排水泵站的入口的排水流量原始数据和排水泵站的出口处的排水流量原始数据。其中流量传感器有多种类型，其中包括电磁式、超声波式和涡街式等。需要说明的是，排水流量原始数据是排水泵站的各个关键位置的排水流量数据，排水流量原始数据的横轴为时间，纵轴为排水流量值，其中流量值表示单位时间通过排水管道的水体体积，单位是立方米每秒。为了进行时间跟踪和数据分析，排水流量原始数据通常伴随有时间戳，用以记录测量时刻。需要说明的是，当流量传感器输出的是模拟信号时，需要通过模数转换将模拟信号转化为数字信号形式；同时，具体的流量传感器类型及设备放置位置实施者也可根据实施场景进行调整，在此不作限定。需要说明的是，本发明实施例中通过时间戳来记录排水流量，时间戳为本领域技术人员熟知的技术手段，在此不作赘述。
需要说明的是，为了方便运算，本发明实施例中所参与运算的所有指标数据均经过数据预处理，进而取消量纲影响。具体去量纲影响的手段为本邻域技术人员熟知的技术手段，在此不做限定。
步骤S2，获取排水流量原始数据的所有分量信号和所有分量信号的分解尺度参数；根据分量信号的频率、振幅和分解尺度参数，获取各个分量信号的模态特征值；根据相邻分量信号的模态特征值的差异，获取各个分量信号的整体特征相似值。
传统ITD分解算法存在由于分解尺度参数选择不当，难以确定信号噪声的位置，最终导致排水流量原始数据去噪效果差的问题。为了更好的定位噪声成分并将其去除，需要获取更好的分解尺度参数。以相邻的极值点为分解尺度参数的选择，会使得分量信号的频率单一性较高，导致不同频率的噪声信号出现不同时间尺度的分量信号中，导致信号噪声的位置难以确定，进而增大后续对噪声信号处理的复杂程度。当分量信号频率单一性较强，往往相邻分量信号比较接近，说明分量信号中的时间尺度变化较为平缓，此时适当调大分解尺度参数，从而使噪声成分向上层的分量信号集中，进而更好的确定噪声位置。所以为了获取更好的分解尺度参数，需要分析相邻分量信号的接近程度。
为了分析相邻分量信号的接近程度，首先分析各个分量信号的模态特征值；模态特征值可以反映分量信号的分布特征和分解尺度；通过相邻分量信号的模态特征值的差异，获取各个分量信号的整体特征相似值；整体特征相似值可以初步反映分量信号和相邻分量信号的接近程度，以供后续调整分解尺度参数作为参考。
具体的，本发明采用ITD分解算法对信号来分离信号成分，获取IMF（IntrinsicMode Function，固有模态函数）分量信号，通过相邻的极值点确定分解尺度参数。每个分量信号代表了信号中不同的时间尺度和频率。需要说明的是，通过ITD分解算法获取IMF分量信号和所有IMF分量信号的分解尺度参数为本领域技术人员熟知的技术手段，在此不作赘述。本发明实施例中分量信号指的是IMF分量信号，在此不做限定。
优选地，本发明一个实施例中，模态特征值的获取方法包括：
为了提取分量信号的特征，根据分量信号的频率、振幅和分解尺度参数，获取各个分量信号的模态特征值。本发明一个实施例模态特征值的获取公式包括：
；其中，/>为第/>个分量信号的模态特征值；/>为第个分量信号的振幅；/>为第/>个分量信号的频率；/>为第/>个分量信号的分解尺度参数；为归一化函数。需要说明是，在分量信号的时域上，基于峰值检测法获取分量信号的所有振幅的平均值，作为分量信号的振幅。需要说明的是，通过Hilbert（HilbertTransform，希尔伯特变化）变化在分量信号上引入90度相移的虚部，生成解析信号，从而直接计算分量信号的瞬时频率，计算所有瞬时频率的平均值作为分量信号的频率，具体过程属于现有技术，此处不再赘述。
在模态特征值公式中，由于分解尺度小的信号分量越可能是高频信号且高频分量信号的振幅要比低频分量信号的振幅大；通过反映信号分量符合分解尺度小的信号分量程度，来体现分量信号的模态特征；由于反映分量信号的整体振幅，整体振幅越大，越可能是分解尺度小的信号分量，模态特征值越大；/>反映分量信号的整体频率，频率越高，越可能是分解尺度小的信号分量，模态特征值越大；/>反映分量信号的分解尺度参数大小，分解尺度参数越小，越可能是分解尺度小的信号分量。模态特征值综合了整体频率、整体振幅和分解尺度，综合反映分量信号的特征。
优选地，本发明一个实施例中，整体特征相似值的获取方法包括：
将任意一个分量信号作为当前分量信号；计算当前分量信号和前一个分量信号的模态特征值的差值的绝对值，得到当前分量信号的第一差异值；根据当前分量信号的第一差异值，获取当前分量信号的整体特征相似值；第一差异值和整体特征相似值呈负相关性。
为了分析相邻分量信号的接近程度，通过获取整体特征相似值来反映相邻分量信号相似程度，本发明一个实施例中整体特征相似值的获取公式包括：
；其中，/>为第/>个分量信号的整体特征相似值；/>为第/>个分量信号的模态特征值；/>为第/>个分量信号的模态特征值；/>为第/>个分量信号的第一差异值；/>为标准归一化函数，归一化至[0,1]区间内。需要说明的是，计算分量信号与前一个分量信号差异，是为了分量信号与相邻分量信号之间的差异，由于第一个分量信号没有前一个分量信号，此时将其后一个分量信号作为其前一个分量信号进行计算。需要说明的是，ITD分解算法通过迭代的方式对信号进行分解。在每一次迭代中，算法会根据当前信号的特性，选择一个合适的分解尺度参数，将信号分解为多个分量信号，其中分量信号按照一定的顺序排列的。
在整体特征相似值公式中，反映当前分量信号和前一个分量信号的差异，差异越大相似性越小，则通过利用标准归一化函数/>对该差异的相反数进行归一化后所得到的取值就越接近于0，此时整体特征相似值越小。整体特征相似值反映分量信号和相邻分量信号的特征接近程度，以供后续调整分解尺度参数作为参考。
步骤S3，获取各个分量信号对应的不同时间的局部信号段；根据相邻分量信号对应相同时间的局部信号段的差异，获取各个分量信号的各局部信号段的局部差异值；根据分量信号对应所有局部信号段的局部差异值的区别，获取各个分量信号的整体模态混叠程度值。
虽然ITD分解算法可以改善传统经验模态分解算法的模态混叠问题，但ITD分解算法会存在由于分解尺度参数选择不当，会导致产生模态混叠问题。模态混叠会导致难以准确识别和去除噪声成分，从而影响降噪效果。根据分量信号的模态混叠程度，适当调大分解尺度参数，有助于减少相邻分量信号之间的模态混叠现象，更好的定位噪声位置。所以为了获取更好的分解尺度参数，需要分析发生模态混叠的程度。
为了分析发生模态混叠的程度，首先需要获取各个分量信号对应的不同时间的局部信号段；由于模态混叠存在分量信号的局部，所以对分量信号的局部进行分析，避免直接对整条分量信号会引入新的冗余。进而根据相邻分量信号对应相同时间的局部信号段的差异，获取各个分量信号的各局部信号段的局部差异值；当相邻分量信号都没有发生模态混叠，那么局部差异值比较大；当相邻分量信号都发生部分模态混叠，那么局部差异值存在较小差异；根据分量信号对应所有局部信号段的局部差异值的区别，进而获取分量信号的整体模态混叠程度值；整体模态混叠程度值反映分量信号发生模态混叠的程度值，以供后续调整分解尺度参数作为参考。
具体的，因为每个分量信号都对应于排水流量原始数据在不同时间尺度上的振动或成分，由于所有的分量信号和原始数据对应时间节点是一致的，本发明实施例首先获取排水流量原始数据的极值点对应的极值时间节点，根据极值时间节点划分分量信号，获取各个分量信号对应的不同时间的局部信号段，便于从局部对分量信号进行分析。需要说明的是，极值点的获取方法可以使用导数法、峰值检测法等，在此不做限定及赘述。
优选地，本发明一个实施例中局部差异值的获取公式包括：
；其中，/>为第/>个分量信号的第/>个局部信号段的局部差异值；/>为第/>个分量信号的第/>个局部信号段的时间的总数目；/>为在第/>个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第/>个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为归一化函数。需要说明的是，计算第/>个分量信号与/>个分量信号差异，是为了分量信号与相邻分量信号之间的差异，由于第一个分量信号没有前一个分量信号，此时将其后一个分量信号作为其前一个分量信号进行计算。
在局部差异值公式中，反映相邻分量信号局部信号段的局部信号值差异，局部信号值差异越大，局部差异值越大；/>反映相邻分量信号局部信号段内极值点的数量差异，极值点的数量差异越大，分布特征差异程度越大，局部差异值越大；局部差异值综合了局部信号值差异和极值点的数量差异，综合反映了当前分量信号和相邻分量信号的局部段分布差异。
优选地，分量信号代表原始信号的特征，分量信号不可能全部都是模态混叠；当相邻分量信号都发生部分模态混叠，会导致分量信号中部分局部段之间的差异变小，即分量信号的部分局部差异值会变小，进而导致了分量信号局部差异值之间的差异会变大，通过局部差异值的差异反映分量信号发生模态混叠的可能性，获取整体模态混叠程度值。本发明一个实施例中，整体模态混叠程度值的获取方法，具体包括：
由于每个分量信号包含原始信号的不同成分，所以相邻分量信号存在一定差异，当存在模态混叠会导致分量信号中部分局部段之间的差异明显变小，使得部分局部差异值会明显变小。当分量信号存在模态混叠时，部分局部段有着正常差异，部分局部段有着异常差异且差异明显较小，进而导致了分量信号局部差异值之间的差异会变大。
为了分析分量信号对应局部差异值之间的差异情况，将分量信号对应所有局部信号段，按照局部差异值从小到大的顺序进行排序，构建待分析数据序列；在待分析数据序列中，计算局部信号段的局部差异值的差分，得到各个局部信号段的差分值；差分值可以体现局部差异值之间的差异情况。由于模态混叠导致的局部差异值之间的差异变小，明显区分与正常相邻分量信号之间差异的波动情况，通过最大的差分值，找出明显异常波动。将最大的差分值对应局部信号段，作为分割信号段；
由于模态混叠会导致分量信号中部分局部段之间的差异变小，使得部分局部差异值会明显较小，正常的分量信号之间存在一定差异，使得局部差异值存在较大差异。在待分析数据序列中，统计分割信号段之后的所有局部信号段，作为分量信号的最大差异集合；最大差异集合通过统计局部差异值较大部分，反映正常的局部段的差异情况；将其余所有局部信号段，作为分量信号的最小差异集合；最小差异集合通过统计局部差异值较小部分，反映模态混叠导致局部段的差异情况；根据分量信号的最小差异集合和最大差异集合，获取分量信号的整体模态混叠程度值。
优选地，本发明一个实施例中，根据分量信号的最小差异集合和最大差异集合，获取分量信号的整体模态混叠程度值，包括：
在分量信号的最小差异集合中，计算对应所有局部差异值的均值，获取最小差异集合的最小差异特征值；
在分量信号的最大差异集合中，计算对应所有局部差异值的均值，获取最大差异集合的最大差异特征值；
计算最大差异特征值和最小差异特征值的差值，获取分量信号的整体模态混叠程度值。
本发明一个实施例中整体模态混叠程度值的获取公式包括：
；/>为第/>个分量信号的整体模态混叠程度值；/>为第/>个分量信号对应最大差异集合的最大差异特征值；/>为第/>个分量信号对应最小差异集合的最小差异特征值；/>为归一化函数。
在整体模态混叠程度值公式中，当相邻分量信号都没有发生模态混叠，那么局部差异值接近；当相邻分量信号都发生部分模态混叠，那么局部差异值存在较大差异，通过局部差异值的差异反映分量信号发生模态混叠的可能性，获取整体模态混叠程度值；最小差异特征值反映分量信号中差异较小部分的局部信号段的局部差异值；最大差异特征值反映分量信号中差异较大部分的局部信号段的局部差异值；通过反映分量信号局部差异值的差异，当差异越大，分量信号可能存在模态混叠的程度越大，整体模态混叠程度值越大。
步骤S4，根据分量信号的整体特征相似值和整体模态混叠程度值，获取各个分量信号的可合并值；根据分量信号的可合并值对分解尺度参数进行调整，获取各个分量信号的更新后分解尺度参数。
如果相邻分量信号的特征接近程度较高，往往增大后续对噪声信号处理的复杂程度，此时可以适当调大分解尺度参数，有助于使噪声成分向上层的分量信号集中，进而更好的确定噪声位置。根据分量信号的模态混叠程度较高，往往难以准确识别和去除噪声成分，适当调大分解尺度参数，有助于减少相邻分量信号之间的模态混叠现象。为了获取更好的调整分解尺度参数，通过可以反映相邻分量信号的差异的整体特征相似值和可以反映分量信号发生模态混叠程度的整体模态混叠程度值，来反映分量信号的可合并值，通过分量信号的可合并值自适应调节分解尺度参数，获取各个分量信号的更新后分解尺度参数，以供后续更好的定位噪声成分并将其去除。
优选地，本发明一个实施例中，可合并值的获取方法包括：
根据分量信号的整体特征相似值和整体模态混叠程度值，获取各个分量信号的可合并值；整体特征相似值和可合并值呈正相关性；整体模态混叠程度值和可合并值呈正相关性。
本发明一个实施例中，可合并值的获取公式包括：
=/>；/>第/>个分量信号的可合并值；/>为第/>个分量信号的整体特征相似值；/>为第/>个分量信号的整体模态混叠程度值。
在可合并值公式中，整体特征相似值可以反映相邻分量信号的相似性，若相邻分量信号的相似性高，说明分量信号中的时间尺度变化较为平缓，此时适当调大分解尺度参数，所以可合并值就越大；整体模态混叠程度值可以反映分量信号发生模态混叠程度，根据分量信号的模态混叠程度，适当调大分解尺度参数，有助于减少相邻分量信号之间的模态混叠现象。所以整体模态混叠程度值越大，可合并值就越大；可合并值可以反映可以调大分解尺度参数的程度，可合并值越大，对分解尺度参数的调大程度越大。
优选地，本发明一个实施例中，更新后分解尺度参数的获取公式包括：
；/>为第/>个分量信号的更新后分解尺度参数；/>为第/>个分量信号的分解尺度参数；/>为第/>个分量信号的可合并值。
在更新后分解尺度参数公式中，将作为分解尺度参数的调整权重，当可合并值越大，对分解尺度参数的调大程度越大，更新后分解尺度参数越大，更新后分解尺度参数的分解尺度值有助于供后续ITD分解算法更好的定位噪声成分并将其去除。
步骤S5，基于ITD分解算法，根据所有分量信号及其更新后分解尺度参数，获取排水泵站的排水流量去噪数据；根据排水泵站的排水流量去噪数据，制定排水泵站的调度方案。
基于上述步骤获取更新后分解尺度参数，使ITD分解的分量信号中，所有复杂的噪声成分向上层的分量信号集中，可以更好的定位噪声成分并将其去除，提高多源干扰下的监测信号噪声处理效率与处理精度，为城市排水泵站的调度管理提供高质量的数据支持。
优选地，本发明一个实施例中，排水流量去噪数据的获取方法包括：
基于ITD分解算法，将各个分量信号的更新后分解尺度参数代替各个分量信号的分解尺度参数，获取更新后分量信号；将预设数量个更新后分量信号进行重构，获取排水泵站的排水流量去噪数据。需要说明的是，本发明实施例中选择的预设数量个分量信号进行重构为舍弃前两层的分量信号，原因在于，前两层的分量信号通常包含了大量噪声，对信号的整体特征影响较小，因此舍弃可以减少信号的冗余信息，提取更重要的分量信号。
具体的，通过上述步骤对城市排水泵的流量传感器监测到的排水流量原始数据进行处理，获取排水流量去噪数据，进而将更准确的排水流量去噪数据传输到远程监控中心，该中心可以集中监控多个排水泵站的排水流量去噪数据。现有的排水泵站调度管理模型对排水泵的运行进行调度管理。如实时控制系统使用实时传感器数据，实时调整排水泵的运行状态。可以通过常见的控制策略根据实时检测的排水流量去噪数据，不断调整排水泵的运行参数，制定相应的排水泵站的调度方案。例如，PID控制（Proportional-Integral-Derivative Control，比例-积分-微分控制）可以根据实时检测的排水流量去噪数据的反馈不断调整排水泵的运行参数，制定相应的排水泵站的调度方案，及时响应排水系统中的突发情况，有助于优化整个城市的排水泵站的调度管理系统。有时城市排水系统的排水流量去噪数据也需要传输到相关的政府监管机构，为政府制定法规和标准提供数据参考。通过上述对排水泵站的排水流量原始数据的有效处理，可以得到较为准确的排水流量去噪数据；准确的排水流量去噪数据为运维人员的监控和分析提供较好的数据支持。
本发明还提出了一种城市排水泵站调度管理系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现上述步骤所描述的一种城市排水泵站调度管理方法。
综上，本发明实施例提供了一种城市排水泵站调度管理方法及系统，本发明实施例中通过。首先获取排水泵站的排水流量原始数据；根据分量信号的整体特征相似值和整体模态混叠程度值，获取各个分量信号的可合并值；进而根据分量信号的可合并值对分解尺度参数进行调整，获取排水泵站的排水流量去噪数据；最终制定排水泵站的调度方案。本发明结合了相邻分量信号的接近程度和相邻分量信号模态混叠的程度，改善了分解尺度参数的选择，获取更准确的去噪数据，提高了城市排水泵站的调度管理的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种城市排水泵站调度管理方法，其特征在于，所述方法包括以下步骤：
获取排水泵站的排水流量原始数据；
获取所述排水流量原始数据的所有分量信号和所有所述分量信号的分解尺度参数；根据所述分量信号的频率、振幅和分解尺度参数，获取各个所述分量信号的模态特征值；根据相邻分量信号的所述模态特征值的差异，获取各个分量信号的整体特征相似值；
获取各个分量信号对应的不同时间的局部信号段；根据相邻分量信号对应相同时间的所述局部信号段的差异，获取各个所述分量信号的各所述局部信号段的局部差异值；根据分量信号对应所有所述局部信号段的所述局部差异值的区别，获取各个分量信号的整体模态混叠程度值；
根据分量信号的所述整体特征相似值和所述整体模态混叠程度值，获取各个分量信号的可合并值；根据分量信号的所述可合并值对分解尺度参数进行调整，获取各个所述分量信号的更新后分解尺度参数；
基于ITD分解算法，根据所有所述分量信号及其更新后分解尺度参数，获取排水泵站的排水流量去噪数据；根据排水泵站的所述排水流量去噪数据，制定排水泵站的调度方案。
2.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述模态特征值的获取公式包括：
；其中，/>为第/>个所述分量信号的所述模态特征值；/>为第/>个所述分量信号的所述振幅；/>为第/>个分量信号的所述频率；/>为第/>个所述分量信号的所述分解尺度参数；/>为归一化函数。
3.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述整体特征相似值的获取方法包括：
将任意一个所述分量信号作为当前分量信号；计算所述当前分量信号和前一个分量信号的所述模态特征值的差值的绝对值，得到所述当前分量信号的第一差异值；根据所述当前分量信号的所述第一差异值，获取所述当前分量信号的所述整体特征相似值；所述第一差异值和所述整体特征相似值呈负相关性。
4.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述局部差异值的获取公式包括：
；其中，/>为第/>个分量信号的第/>个局部信号段的局部差异值；/>为第/>个分量信号的第/>个局部信号段的时间的总数目；/>为在第/>个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第个分量信号的第/>个局部信号段中，第/>个时间的信号值；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为在第/>个分量信号的第/>个局部信号段中极值点总数量；/>为归一化函数。
5.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述整体模态混叠程度值的获取方法，具体包括：
将分量信号对应所有所述局部信号段，按照所述局部差异值从小到大的顺序进行排序，构建待分析数据序列；在所述待分析数据序列中，计算所述局部信号段的所述局部差异值的差分，得到各个局部信号段的差分值；将最大的所述差分值对应局部信号段，作为分割信号段；在所述待分析数据序列中，统计所述分割信号段之后的所有局部信号段，作为分量信号的最大差异集合；将其余所有所述局部信号段，作为所述分量信号的最小差异集合；根据所述分量信号的所述最小差异集合和所述最大差异集合，获取分量信号的整体模态混叠程度值。
6.根据权利要求5所述的一种城市排水泵站调度管理方法，其特征在于，所述根据所述分量信号的所述最小差异集合和所述最大差异集合，获取分量信号的整体模态混叠程度值，包括：
在所述分量信号的所述最小差异集合中，计算对应所有所述局部差异值的均值，获取所述最小差异集合的最小差异特征值；
在所述分量信号的所述最大差异集合中，计算对应所有所述局部差异值的均值，获取所述最大差异集合的最大差异特征值；
计算所述最大差异特征值和所述最小差异特征值的差值，获取分量信号的整体模态混叠程度值。
7.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述可合并值的获取方法包括：
根据所述分量信号的所述整体特征相似值和所述整体模态混叠程度值，获取各个分量信号的可合并值；所述整体特征相似值和所述可合并值呈正相关性；所述整体模态混叠程度值和所述可合并值呈正相关性。
8.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述更新后分解尺度参数的获取公式包括：
；/>为第/>个所述分量信号的所述更新后分解尺度参数；/>为第/>个所述分量信号的所述分解尺度参数；/>为第/>个所述分量信号的所述可合并值。
9.根据权利要求1所述的一种城市排水泵站调度管理方法，其特征在于，所述排水流量去噪数据的获取方法包括：
基于ITD分解算法，将各个所述分量信号的所述更新后分解尺度参数代替各个所述分量信号的所述分解尺度参数，获取更新后分量信号；将预设数量个更新后分量信号进行重构，获取排水泵站的排水流量去噪数据。
10.一种城市排水泵站调度管理系统，其特征在于，包括处理器，所述处理器执行计算机程序时实现如权利要求1~9任意一项所述一种城市排水泵站调度管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008278.7A CN117541020B (zh) | 2024-01-04 | 2024-01-04 | 一种城市排水泵站调度管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008278.7A CN117541020B (zh) | 2024-01-04 | 2024-01-04 | 一种城市排水泵站调度管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541020A true CN117541020A (zh) | 2024-02-09 |
| CN117541020B CN117541020B (zh) | 2024-03-22 |
Family
ID=89786466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410008278.7A Active CN117541020B (zh) | 2024-01-04 | 2024-01-04 | 一种城市排水泵站调度管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541020B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909621A (zh) * | 2024-03-19 | 2024-04-19 | 青蛙泵业股份有限公司 | 一种污水污物潜水电泵运行状态监测方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156580A (zh) * | 2014-08-03 | 2014-11-19 | 内蒙古科技大学 | 一种用于轴承故障诊断的最优噪声参数选择的elmd算法 |
| US20150030234A1 (en) * | 2012-01-25 | 2015-01-29 | Technische Universiteit Delft | Adaptive multi-dimensional data decomposition |
| KR20160088030A (ko) * | 2015-01-15 | 2016-07-25 | 한국농어촌공사 | 다중수원 지능적 배분공급 스케줄링 방법 |
| CN105807731A (zh) * | 2014-12-31 | 2016-07-27 | 上海远动科技有限公司 | 一种城市排水调度管理系统 |
| CN110276145A (zh) * | 2019-06-26 | 2019-09-24 | 天津神州海创科技有限公司 | 城市排水系统仿真建模与调度方法 |
| CN112013910A (zh) * | 2020-08-27 | 2020-12-01 | 深圳市宏电技术股份有限公司 | 一种排水管网流量检测方法、装置、服务器和存储介质 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN112697479A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种itd多尺度波动分析状态监测方法及装置 |
| WO2022061597A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
| CN115054269A (zh) * | 2022-06-10 | 2022-09-16 | 湖南师范大学 | 一种基于apso-vmd算法的ecg信号去噪方法及系统 |
| CN116380462A (zh) * | 2023-03-20 | 2023-07-04 | 南京航空航天大学 | 一种多尺度均值变分模态分解的轴承振动信号降噪方法 |
| CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
| CN116776168A (zh) * | 2023-08-22 | 2023-09-19 | 惠州帝恩科技有限公司 | 一种试剂管生产数据智能分析方法及系统 |
| CN116906313A (zh) * | 2023-09-12 | 2023-10-20 | 山东亿昌装配式建筑科技有限公司 | 一种建筑节能给排水智能控制系统 |
| CN117111048A (zh) * | 2023-10-24 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于改进itd的多波束海底地形测量回波降噪方法 |
| US20230417622A1 (en) * | 2022-06-10 | 2023-12-28 | Changzhou University | Methods and systems for leakage analysis of urban pipelines and storage media |
-
2024
- 2024-01-04 CN CN202410008278.7A patent/CN117541020B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150030234A1 (en) * | 2012-01-25 | 2015-01-29 | Technische Universiteit Delft | Adaptive multi-dimensional data decomposition |
| CN104156580A (zh) * | 2014-08-03 | 2014-11-19 | 内蒙古科技大学 | 一种用于轴承故障诊断的最优噪声参数选择的elmd算法 |
| CN105807731A (zh) * | 2014-12-31 | 2016-07-27 | 上海远动科技有限公司 | 一种城市排水调度管理系统 |
| KR20160088030A (ko) * | 2015-01-15 | 2016-07-25 | 한국농어촌공사 | 다중수원 지능적 배분공급 스케줄링 방법 |
| CN110276145A (zh) * | 2019-06-26 | 2019-09-24 | 天津神州海创科技有限公司 | 城市排水系统仿真建模与调度方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN112013910A (zh) * | 2020-08-27 | 2020-12-01 | 深圳市宏电技术股份有限公司 | 一种排水管网流量检测方法、装置、服务器和存储介质 |
| WO2022061597A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
| CN112697479A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种itd多尺度波动分析状态监测方法及装置 |
| CN115054269A (zh) * | 2022-06-10 | 2022-09-16 | 湖南师范大学 | 一种基于apso-vmd算法的ecg信号去噪方法及系统 |
| US20230417622A1 (en) * | 2022-06-10 | 2023-12-28 | Changzhou University | Methods and systems for leakage analysis of urban pipelines and storage media |
| CN116380462A (zh) * | 2023-03-20 | 2023-07-04 | 南京航空航天大学 | 一种多尺度均值变分模态分解的轴承振动信号降噪方法 |
| CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
| CN116776168A (zh) * | 2023-08-22 | 2023-09-19 | 惠州帝恩科技有限公司 | 一种试剂管生产数据智能分析方法及系统 |
| CN116906313A (zh) * | 2023-09-12 | 2023-10-20 | 山东亿昌装配式建筑科技有限公司 | 一种建筑节能给排水智能控制系统 |
| CN117111048A (zh) * | 2023-10-24 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于改进itd的多波束海底地形测量回波降噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHOUJUN WU等: "A Method for Determining Intrinsic Mode Function Number in Variational Mode Decomposition and Its Application to Bearing Vibration Signal Processing", 《SHOCK AND VIBRATION》, 31 December 2020 (2020-12-31), pages 1 - 16 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909621A (zh) * | 2024-03-19 | 2024-04-19 | 青蛙泵业股份有限公司 | 一种污水污物潜水电泵运行状态监测方法及系统 |
| CN117909621B (zh) * | 2024-03-19 | 2024-05-24 | 青蛙泵业股份有限公司 | 一种污水污物潜水电泵运行状态监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541020B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117541020B (zh) | 一种城市排水泵站调度管理方法及系统 | |
| CN110454687B (zh) | 一种基于改进vmd的管道多点泄漏定位方法 | |
| CN116955938B (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
| CN116933044B (zh) | 一种供电数据智能处理方法及系统 | |
| CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
| CN103033567A (zh) | 一种基于导波的管道缺陷信号识别方法 | |
| CN117828350A (zh) | 跨工况不平衡数据的轴承故障诊断方法及系统 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN112446326B (zh) | 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 | |
| CN117037834B (zh) | 一种会议语音数据智能采集方法及系统 | |
| CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN114441111B (zh) | 一种管道泄漏次声波信号分析方法及系统 | |
| CN114034375B (zh) | 一种特高压输电线路噪声测量系统及方法 | |
| CN117874433B (zh) | 一种水处理用深度脱氮生物过滤装备监测系统 | |
| CN116304584B (zh) | 一种基于包络谱峰值筛选的自适应噪声滤波方法 | |
| CN117875053B (zh) | 用于设备运行监测的声音传感器布局优化方法及系统 | |
| CN118069998B (zh) | 一种基于物联网的食用菌生产环境智能调控方法 | |
| CN117316184B (zh) | 一种基于音频信号的事件检测反馈处理系统 | |
| CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
| CN116773211A (zh) | 一种电站燃气轮机结垢定量表征检测方法 | |
| CN118013252A (zh) | 一种基于多元电流二次特征形态识别的机器缺陷诊断方法 | |
| CN118553265A (zh) | 基于连续卷积神经网络的自动统计发动机摩托小时的方法 |
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 |