基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

基于变分模态分解的采空区“三带”微震信号能量衰减规律

为探明微震信号能量在采空区“三带”结构中的衰减规律,拟开展采空区覆岩相似模型试验,采集人工激发微震波经由采空区结构传播的微震信号,通过变分模态分解(variational mode decomposition,VMD)处理微震信号,获取各频率下模态分量。针对采空区微震信号在VMD下各模态分量中心频率与能量之间的关系展开分析。根据中心频率法确定微震信号最佳模态数量,并计算微震信号欠分解状态、最佳分解状态、过分解状态下各分量能量;对各震源下信号最佳分解状态时各模态分量能量与中心频率分布关系进行拟合,分析在“三带”结构中,微震信号不同传播状态下各结构层对信号能量影响作用。研究结果表明:(1)在VMD过程中,人工激发震动信号有效模态数量在6~11范围内,微震信号能量随模态数量变化明显。(2)采用幂函数可实现对微震信号模态能量与频率关系的拟合,且拟合状态良好(决定系数大于0.9),其中低频模态分量包含能量占信号总能量近50%;采用高斯函数可以拟合震源各分量能量在频域上的分布表现,拟合状态较好,且表现出高斯单峰特征。(3)微震信号穿越采空区“三带”结构,微震信号能量随震源位置与传感器距离增加而减小,同时信号能量随震源位置到达传感器穿越岩层数量增加而减小,信号能量在经由垮落带时,能量变化明显,相较于裂隙带和弯曲下沉带,垮落带对信号能量衰减作用明显。

GPR信号去噪的变分模态分解

为了进一步提高探地雷达(ground penetrating radar,GPR)数据的信噪比,压制由随机扰动引起的随机绕射能量,将二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)引入二维GPR数据的噪声压制处理中。首先,对GPR数据进行2D-VMD处理,并分析各阶本征模态函数(intrinsic mode function,IMF)分量及其对应的频率-波数域谱来确定雷达剖面中的各回波类型。然后,计算IMF分量与原始数据的互相关系数来确定信号模态和噪声模态,并对信号模态进行重构得到降噪后的数据。理论数据和实测数据测试表明,相比于传统的1D-VMD法,2D-VMD滤波后的含噪正演记录峰值信噪比由6.44 dB增加到7.72 dB;经2D-VMD降噪处理后的雷达剖面在保留有效信号的基础上,可以有效压制随机扰动带来的噪声,并且得到的雷达剖面同相轴连续性更好。

混凝土缺陷信号变分模态分解与超声成像方法

混凝土的强散射特性限制了其中缺陷声波成像的分辨率。该文采用一种依据变分模态分解与全聚焦成像相结合的方法,将接收信号分解成多个本征模态函数,计算各本征模态函数与激励信号的相关系数,对信号加权重构以实现对特征信号的提取,从而提高成像算法对混凝土缺陷间散射波互干扰的鲁棒性。通过设置对比试验,研究了不同缺陷混凝土结构中该信号处理方式对于成像结果的影响。试验结果表明,该方法对于弱散射及散射干扰具有更好的鲁棒性,相比基于原始数据的成像方法能够更好地还原混凝土内部结构。

基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

基于优化变分模态分解的混凝土浅层空洞病害识别

针对开放环境下混凝土空洞病害检测的病害特征识别中噪声干扰、成分识别问题进行了研究,提出了基于优化变分模态分解(improved variational mode decomposition,IVMD)与自由振动衰减速度的混凝土浅层病害声振信号识别方法。该研究建立了混凝土浅层空洞病害的理论模型,仿真了不同工况下的病害特征频率及其变化规律;提出了基于IVMD的信号分解方法,设计了基于Tent混沌与柯西变异优化的麻雀搜索算法联合搜索变分模态分解的关键参数k和α,在最佳分解的基础上提出了基于自相关函数图形、相关系数、衰减系数与频域分布情况的浅层空洞病害本征模态函数(intrinsic mode function,IMF)识别方法;选取幅值衰减评估了特征IMF的衰减速度,得出了基于振动衰减特征的空洞病害识别方法;通过预埋病害模型试验对比分析,验证了所提方法的有效性。研究结果表明,基于IVMD的分解方法能够有效降低噪声及其他成分的干扰,提高空洞病害识别精度和准确度。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

基于逐次变分模态分解的飞轮-火电一次调频控制策略

随着新型电力系统的大力建设与推广,火电机组面临的调频压力增大,提出一种逐次变分模态分解的飞轮-火电一次调频控制策略。首先,以飞轮储能和火电机组为研究对象,建立考虑新能源占比的飞轮-火电一次调频模型;其次,将一次调频功率指令利用逐次变分模态方法分解,由火电机组响应分解后的低频功率指令,同时设计飞轮储能下垂优化控制方法,实现飞轮储能与火电机组响应频率变化的协同控制;最后在不同工况下仿真验证,结果表明所提策略可有效避免火电机组一次调频时的频繁出力,减小火电机组响应频率变化时的调控要求,同时可最大限度地利用飞轮储能调频容量并保证飞轮储能调频期间的运行安全,进一步提升了系统的频率响应能力。

改进变分模态分解与多特征的通信辐射源个体识别方法

针对通信辐射源指纹特征难以提取和单一特征识别率不高的问题,并考虑到通信辐射源细微特征的非线性、非平稳特点,该文提出了一种基于改进变分模态分解和多特征的通信辐射源个体识别方法。首先,为了获得变分模态分解的分解层数和惩罚因子的最优组合,采用鲸鱼优化算法对通信辐射源符号波形信号的变分模态分解方法进行了改进,该方法以序列复杂度为停止准则,使每个符号波形信号能够自适应地分解出包含非线性指纹特征的高频信号分量和数据信息的低频分量;然后,根据相关阈值选取能够最佳表征辐射源非线性特征的高频信号分量层数,分别对其提取模糊熵、排列熵、Higuchi维数以及Katz维数并组成多域联合特征向量;最后,通过卷积神经网络实现通信辐射源个体识别分类,利用ORACLE公开数据集进行实验。实验结果表明:该方法有较高的识别精度且具有良好的抗噪声性能。

一种基于逐次变分模态分解的谐波检测方法

传统谐波检测算法受噪声影响导致检测精度低,并且边界处容易出现畸变。对此,本文基于逐次变分模态分解,提出一种结合小波降噪和特征波形匹配延拓的谐波检测方法。首先,通过构造的自适应小波阈值函数对信号进行平滑降噪,剔除不良数据对分解结果的干扰;其次,利用特征波形匹配延拓法对信号边缘进行延拓后再裁剪,遏制边界效应带来的波形端点处畸变;最后,使用逐次变分模态分解对谐波信号进行检测,提取稳态谐波的幅频信息以及定位暂态谐波的起止时刻。仿真实验表明,本文提出的方法有效降低了噪声的干扰,并减轻边界效应造成的波形畸变。在电弧炉实例信号仿真中,幅值平均误差和频率平均误差分别为0.545%和0.146%。

基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

基于多元变分模态分解和混合深度神经网络的短期光伏功率预测

针对传统分解预测方法忽略太阳辐照度等多维气象因素与光伏功率在时域和频域上的耦合关系以及深度神经网络在训练中出现的特征学习效率低、训练速度慢、过拟合等问题,提出基于多元变分模态分解(MVMD)和混合深度神经网络的短期光伏功率预测方法。首先,采用MVMD对光伏功率及多维气象序列进行时频同步分析,将其分解为频率对齐的多元本征模态函数,从而降低序列中非线性和波动性的影响。其次,针对多元本征模态函数,分别建立基于混合深度神经网络的预测模型。该模型采用卷积神经网络和双向长短时记忆神经网络来分别提取光伏功率及气象序列的空间相关特征和时间相关特征,并采用注意力机制来增强对重要时间点特征的学习权重。此外,使用残差连接来加快网络的训练速度以及缓解过拟合问题。通过实际工程实验分析,验证了该文方法的优越性。

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019年整年长沙市实际数据验证结果表明,提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。

基于变分模态分解与深度集成组合模型的瓦斯涌出量预测

为提高瓦斯涌出量预测精度,提出一种基于变分模态分解(variationalmode decomposition,VMD)的注意力机制(attentionmechanism,AM)-长短期记忆(longshortterm memory, LSTM)网络与极端梯度提升(extreme gradient boosting, XGBoost)组合的预测模型。利用VMD将瓦斯涌出量原始数据分解为高、低频率的分量,以长短期记忆网络时序分析模型为基础,将分解后的高频分量作为其输入。同时,引入注意力机制提取瓦斯涌出量影响因素时序数据中的关键信息,增强序列数据中关键信息的表达,提高模型的预测精度。利用XGBoost模型对低频分量进行预测,将高、低频分量的预测结果进行叠加求和,得到最终的瓦斯涌出量预测值。根据实验结果,引入注意力机制后模型的预测精度明显高于无注意力机制的预测模型,且所提出的组合模型的预测精度均高于对应的单一模型和其他对比模型,验证了该方法的有效性。

基于图像信息熵与多元变分模态分解的电缆局放信号去噪方法

局部放电(PD)检测是评估交联聚乙烯(XLPE)电缆绝缘状态的主要手段。针对电缆终端与中间接头局部放电现场检测时存在白噪声、周期性窄带干扰,以及去噪过程中自适应性较弱的问题,该文提出了一种基于图像信息熵与新型自适应多元变分模态分解的去噪方法。首先,对信号进行多元变分模态分解,重组信号并转换成灰度图像,进而计算图像一维信息熵。在考虑算法执行效率的同时,将Pearson相关系数与图像信息熵优化算法的模态参数相结合。其次,通过计算各本征模态分量的峭度来判定其主导分量的性质特征,利用峭度对噪声敏感的特性区分PD特征信息与噪声干扰分量,进而对噪声干扰分量进行3σ准则滤波。最后,通过新型改进小波阈值算法得到去噪信号。利用该方法对PD信号进行去噪,并与基于Spearman的变分模态分解(S-VMD)法、自适应集合经验模态分解(NAEEMD)法、短时傅里叶变换-奇异值分解(STFTSVD)法进行对比分析。结果表明,该方法对现场PD信号具有良好的抑噪性能,且耗时少、执行效率高、工程应用价值高。

基于混沌理论、变分模态分解和长短期记忆网络的地磁变化预测方法

针对地磁变化场的非平稳性、非线性以及物理模型难以预测的特点,提出了一种改进的长短期记忆网络预测方法并进行了验证。首先应用变分模态分解方法对地磁台站数据进行去噪,再根据地磁变化的混沌特性引入混沌理论对样本集进行优化,最终以长短期记忆网络预测地磁变化并对改进前后的方法进行了对比。结果显示,优化方法的预测效果较稳定,平均绝对误差小于2 nT,相关指数R~2超过0.8,预测值与实测值的拟合度较高,有效预测时长可达2.5天,且在中国大陆的泛用性较好。

基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法

电力负荷序列易受多重外部因素影响而呈现复杂性,不利于精准预测。为此,提出一种基于变分模态分解(variational mode decomposition,VMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short-term memory network,CNN-LSTM)相结合的短期电力负荷并行预测方法。先采用VMD将负荷数据分解为规律性强的各本征模态函数(intrinsic mode function,IMF)及残差;再将各分量分别输入到各自对应的CNN-LSTM混合预测网络,获得各初始预测值,并将该值与由气候、日期类型等组合得到的相关因素特征集相结合,进一步得出修正预测值;最终,叠加各分量修正预测值即得到完整预测结果。在实际负荷数据上做验证分析,结果表明,考虑相关外部因素特征集后日负荷预测平均相对误差均值可降低2.18%。与几种常规负荷预测方法进行效果对比,验证了该方法的有效性和可行性。

基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测

为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。