基于Storm的局部放电信号集合经验模态分解

doi:10.3778/j.issn.1002-8331.1901-0253

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (10): 261-267.DOI: 10.3778/j.issn.1002-8331.1901-0253

基于Storm的局部放电信号集合经验模态分解

杨航，朱永利

华北电力大学控制与计算机工程学院，河北保定 071003

出版日期:2020-05-15 发布日期:2020-05-13

Ensemble Empirical Mode Decomposition of Partial Discharge Signal Based on Storm

YANG Hang, ZHU Yongli

School of Control and Computer Engineering, North China Electric Power University, Baoding, Hebei 071003, China

Online:2020-05-15 Published:2020-05-13

摘要/Abstract

摘要：

电力设备的稳定运行关系到人们的生命和财产安全，通过安装传感器对时序波形信号进行采集，对信号进行分析处理，可以实现对电力设备的故障诊断。集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法在非线性、非平稳的信号处理领域有其独特的优势，但是由于其算法复杂度较大，作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此，借助分布式计算框架Storm并行处理的特点，提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明，两种并行化方案都比传统的串行执行方式速度更快，并且基于分段并行的方式由于其更高的并行度，在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。

关键词: 集合经验模态分解（EEMD）, 并行化, Storm, 波形信号处理

Abstract:

The stable operation of power equipment is related to people’s life and property safety. The fault diagnosis of power equipment can be realized by installing sensors to collect time series waveform signals and then analyzing and processing the signals. Ensemble Empirical Mode Decomposition（EEMD） algorithm has its unique advantages in the field of non-linear and non-stationary signal processing. However, because of its complexity, as an operation-intensive algorithm, its operation speed can not meet the actual needs in the case of serial execution. Therefore, two EEMD decomposition methods based on Storm are proposed for parallel processing of EMD process and segmented parallel processing of signals. Experiments show that both parallel schemes are faster than traditional serial execution schemes, and the piecewise parallel method has more advantages in long signal processing because of its higher parallelism. The two parallel EEMD algorithms provide a reliable solution for the fast processing of time series signals.

Key words: Ensemble Empirical Mode Decomposition（EEMD）, parallelization, Storm, wave signal processing

杨航，朱永利. 基于Storm的局部放电信号集合经验模态分解[J]. 计算机工程与应用, 2020, 56(10): 261-267.

YANG Hang, ZHU Yongli. Ensemble Empirical Mode Decomposition of Partial Discharge Signal Based on Storm[J]. Computer Engineering and Applications, 2020, 56(10): 261-267.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[3]	陈元文. MapReduce技术在物资调运与配载问题中的应用[J]. 计算机工程与应用, 2021, 57(12): 273-278.
[4]	宋峣1，2，3，孙小涓1，2，3，胡玉新1，2，3，雷斌1，2，3，卢晓军4. 基于流式计算的遥感卫星数据快视处理方法[J]. 计算机工程与应用, 2019, 55(10): 77-82.
[5]	蒋溢1，2，罗宇豪1，朱恒伟1. Storm集群下一种基于Topology的任务调度策略[J]. 计算机工程与应用, 2018, 54(7): 84-88.
[6]	熊安萍1，2，朱恒伟1，罗宇豪1. Storm流式计算框架反压机制研究[J]. 计算机工程与应用, 2018, 54(1): 102-106.
[7]	曹国刚，张晴，张培君，王志敏. 基于多核并行化差异进化算法的图像配准方法[J]. 计算机工程与应用, 2017, 53(20): 166-172.
[8]	周志阳，冯百明，杨朋霖，温向慧. 基于Storm的流数据KNN分类算法的研究与实现[J]. 计算机工程与应用, 2017, 53(19): 71-75.
[9]	李明，李天瑞，陈志，杨燕. 基于Spark计算框架的高铁振动数据经验模态分解[J]. 计算机工程与应用, 2016, 52(20): 103-107.
[10]	郑海雁1，2，王远方2，熊政1，李昆明1，崇志宏2，尹飞1. 标签集约束近似频繁模式的并行挖掘[J]. 计算机工程与应用, 2015, 51(9): 135-141.
[11]	董本志，李文浩，景维鹏. 基于Hadoop Streaming的Last比对软件并行化的研究与实现[J]. 计算机工程与应用, 2014, 50(2): 226-230.
[12]	张博，李军怀，王志晓，张璟. RFID并行化定位方法研究与实现[J]. 计算机工程与应用, 2014, 50(15): 181-186.
[13]	孙香玉，冯百明，杨鹏斐. 基于CUDA的BP算法并行化与实例验证[J]. 计算机工程与应用, 2013, 49(23): 31-34.

基于Storm的局部放电信号集合经验模态分解

Ensemble Empirical Mode Decomposition of Partial Discharge Signal Based on Storm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics