基于改进EEMD-MB1DCNN的船用柴油机缸套-活塞环故障诊断

针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸套-活塞环故障诊断方法,通过设计固有模态分量IMF信息质量筛选准则对EEMD分解出的IMFs进行重新排序,获得包含更多凸显故障特征成分的重构信号,输入到上述神经网络模型,通过振动信号分析并与现有方法比较,评估所设计IMF信息质量筛选准则与所搭建模型的性能,试验结果显示该方法能准确、有效地识别缸套-活塞环故障类型。在判断该易损件同类型不同磨损程度故障诊断中有较高的准确率,能对故障状况进行有效的特征提取与故障分类。

结合EEMD的噪声对消方法在遥测振动信号降噪中的应用

针对传统降噪方法难以兼顾飞行器遥测振动信号中细节信息损失和降噪性能之间的矛盾,提出一种集合经验模态分解(ensemble empirical mode decomposition,EEMD)和噪声对消相结合的降噪方法。信号经EEMD处理得到本征模态函数(intrinsic mode function,IMF),将第1阶IMF分量和其余IMF分量的累加和分别作为参考噪声和待降噪信号;利用核方法将信号映射到高维特征空间,利用映射到高维空间中的参考噪声和待降噪信号进行噪声对消。计算机仿真结果表明:该方法在避免信号细节信息损失的前提下具有良好的降噪性能,某次飞行器试验中实测数据处理结果证明方法有效和实用。

基于EEMD分解法对北武当观测站形变资料受气压干扰特征分析

本文通过选取北武当观测站的水平摆、伸缩仪,对观测数据受气压干扰明显的典型事件进行分析,研究气压变化如何对观测数据变化产生的影响,并对原始观测数据采用EEMD分解出含有干扰信息的IMF分量;对IMF分量进行Hilbert变换得出Hilbert时频图。结果表明,水平摆和伸缩仪受气压干扰明显,且气压干扰具有延时性。总之,通过EEMD方法对北武当观测站测向资料的分析,说明这种方法对气压干扰的研究有较好的效果,提高了识别干扰信息的能力。

基于EEMD-WPT的温室环境数据优化处理研究

【目的】解决温室系统中的数据采集传感器容易受到多种环境因素的干扰,从而导致数据中存在噪声的问题。【方法】提出一种集合经验模态分解(Ensemble empirical mode decomposition,EEMD)与小波包自适应阈值(Wavelet packet adaptive threshold,WPT)算法联合的数据降噪处理方法,并采用卡尔曼滤波与自适应加权平均算法对降噪后的数据进行融合。【结果】将EEMD-WPT算法应用于含噪温、湿度数据的降噪处理,相较于降噪前的数据,信噪比提升了73.08%。该算法相较于传统WPT算法具有更好的降噪效果,处理后的数据信噪比提升了40.31%,均方根误差降低了84.75%。【结论】该算法能解决数据跳动、冗余和丢失等问题,并为温室控制系统提供了有效的参数,具有较大的实际应用价值。

融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解(EEMD)与卷积神经网络(CNN)相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量(IMF)和残余分量(Res),然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。

联合加权小波和EEMD的GNSS坐标时间序列降噪分析

针对GNSS坐标时间序列中有用信号与噪声难以准确分离这一问题,本文提出加权小波Z变换(weighted wavelet Z-transform,WWZ)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)的降噪方法.通过对西北地区70个陆态网络连续站垂向坐标时间序列的降噪处理,分别采用均方根误差(root mean squared error,RMSE)、信噪比(signal to noise ratio,SNR)、闪烁噪声(flicker noise,FN)振幅及速度不确定度为评价指标,验证了本文方法的降噪效果在一定程度上优于小波降噪和EEMD降噪.结果显示:WWZ-EEMD相比小波降噪和EEMD降噪,降噪后信号序列RMSE分别降低了0.331 mm、0.757 mm,SNR分别提高了1.911 dB、3.635 dB;FN振幅及速度不确定度均有明显改善,验证了本文降噪方法的有效性.

基于EEMD-SpEn (样本熵)联合小波阈值对山西太原GNSS站点时间序列去噪分析

文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先,将原始站点时间序列进行EEMD分解,得到不同IMF (intrinsic mode function)分量,其次,计算每个IMF分量进行样本熵计算,根据样本熵值统计选择一个适当的去噪声阈值。最后,根据样本熵值去除小于阈值的小波系数,并重构IMF分量。得到去噪信号。计算结果显示,通过信噪比,相关系数评估去噪结果,得到结果可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。In this paper, based on ensemble empirical Mode decomposition (EEMD) combined with sample entropy (SpEn), the time series of GNSS stations in Taiyuan, Shanxi Province is denoised. First, the original station time series was decomposed by EEMD to obtain different intrinsic mode function (IMF) components. Secondly, sample entropy was calculated for each IMF component, and an appropriate noise removal threshold was selected according to the sample entropy statistics. Finally, the wavelet coefficients smaller than the threshold are removed according to the sample entropy, and the IMF component is reconstructed. The denoised signal is obtained. The calculation results show that the denoising results are evaluated by signal-to-noise ratio and correlation coefficient, and the results are reliable and high-precision millimeter time series, which provides better service for earthquake prediction.

基于EEMD-SVM-ELM模型的月降水量预测研究

针对地表降水量数据的非线性、非平稳特征,首先利用EEMD对月降水量初始数据进行分解,再利用Lempel-Ziv复杂度算法将分量划分为高频及低频分量,使用粒子群算法(PSO)优化基学习器参数,最终构建EEMD-SVR-ELM月降水量预测模型,并采用该模型对长江下游部分城市的月降水量实际数据进行预测。结果表明,该模型的综合性能最优,具有更高的精确度。相较于单一模型,在M_(MAE)、R_(RMSE)、M_(MAPE)指标上分别降低了37.4%、41.4%、42.5%,DM检验表明该模型显著优于其他模型,说明该模型可作为月降水量预测的一种有效新方法。

基于EEMD-HHT的边坡爆破振动信号分析

爆破工程所处的环境一般复杂多变,爆破振动信号大多呈现瞬时非平稳性特征。因此,为了准确分析爆破振动的信号特征以及传播规律,以首都环线高速公路承平段路基爆破工程为背景,通过引入EEMD分解方法,解决了传统EMD分解方法存在模态混叠的不足;结合HHT变换,对承平段典型路堑边坡岩体爆破振动信号进行了分析。研究结果表明:采用EEMD分解方法提取爆破振动信号中主要的IMF能量层,并对振动信号进行重构,可以达到良好的去噪效果;对施工现场爆破振动信号进行主成分分析、提取之后,瞬时能量和质点振速曲线整体平滑度显著提高,振动信号主成分提取效果良好;Hilbert能量谱可以清晰地体现时间、频率与能量三者之间的关系,展现出了爆破振动信号的时频特性和传播规律;测点振动主频主要分布在10~40 Hz的频率段范围内,近似呈现出随着传播距离的增加而衰减、随着距离的增加衰减幅度减弱的趋势。该分析成果对边坡稳定性分析和邻近建筑物的安全控制具有重要的现实意义。

基于EEMD方法提取唐山井水位固体潮响应特征

以唐山井为研究对象,通过集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)对井水位观测数据进行分解,提取井水位中固体潮引起的井水位变化特征,对重构信号和固体潮理论值进行一元线性回归分析。结果表明,井水位经过EEMD分解后,各高频分量均包含一部分固体潮信息,可通过部分信号分量重构研究相应因素引起的井水位变化特征,提取被其他因素掩盖的信息。在选定时间范围内,井水位对固体潮响应的时间滞后不明显,唐山井水位春季受其它因素的影响较大,夏季对固体潮的响应较好。EEMD方法可较好提取井水位中固体潮变化特征,对分解结果进行重构时需要根据数据实际情况进行选择。

基于EEMD-LSTM组合模型石家庄月降水量预测研究

为了探讨EEMD-LSTM算法对石家庄逐月降水量进行预测的可行性,通过对石家庄市1980-2020年降水数据进行分析发现,该地降水具有不稳定性和复杂性。为解决这一问题,采用经验模态分解(EEMD)方法对降水数据进行预处理,并将提取出的各模态每个子序列(IMF)输入到LSTM神经网络中进行预测。结果表明,EEMD-LSTM算法在石家庄逐月降水量预测中具有较好的性能,其预测结果与实际观测值的误差较小,相应的MAE和RMSE分别为2.12、3.13mm,决定系数为0.92。研究表明,EEMD-LSTM算法可作为一种新的有效工具,用于石家庄市降水量预测研究。

基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解(EEMD)能量熵和金豺优化算法(GJO)优化核极限学习机(KELM)的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。

基于双EEMD与重构的局部放电时延估计方法

对室内电气设备的局部放电检测与定位是保障设备长期稳定运行的有效手段,而时延估计精度是影响局部放电检测与定位准确度的重要因素。为解决局部放电信号在噪声及多径效应影响下的时延估计精度问题,本文提出了一种基于双集合经验模态分解(ensemble empirical mode decomposition,EEMD)与重构的局部放电信号预处理方法。模拟仿真与实验测试结果表明,本文所提出的方法与广义互相关算法相比有效提高了时延估计准确度,且稳定性与鲁棒性更好。本文所提方法有效提高了局部放电信号的信噪比(signal-to-noise ratio,SNR)以及时延估计算法的精度,可用于低SNR及多径效应明显的室内环境中局部放电信号的时延精确估计。

基于GRA/EEMD-Informer混合模型的光储直柔配电系统多数据预测方法

针对现有时间序列模型预测光储直柔配电系统短期发用电数据精度不高的问题,提出一种基于灰色关联度分析/集合经验模态分解(grey relation analysis,ensemble empirical mode decomposition,GRA/EEMD-Informer)的光储直柔配电系统多数据预测模型,通过灰色关联度分析、模态分解,结合自注意力蒸馏机制,有效捕捉输出和输入之间较精确的长程相关性耦合,降低了时空复杂度,极大缓解了传统编解码的局限性。将已建成并投入使用的光伏发电站某月数据、典型办公建筑某月电力数据及电动汽车充电站运行数据作为原始数据,以均方误差、平均绝对误差、均方根误差作为评价指标对模型进行检验,并进行消融实验与分析,最后与长短期记忆网络(long short-term memory,LSTM)、基于粒子群优化(particle swarm optimization,PSO)算法的长短期记忆网络(PSO-LSTM)、Transformer时间序列预测方法对比,结果表明该方法的拟合程度明显高于其他预测方法,验证了GRA/EEMDInformer算法对提高预测能力的有效性和实用性。

基于EEMD分解的阶次跟踪方法研究

摆线针轮减速器组成零部件繁多、构成复杂,工作时噪声干扰大且多在变转速、往复的复杂工况下工作,因此,难以准确提取其内部的故障特征。针对这一问题,提出了一种基于集合经验模态分解(EEMD)与阶次跟踪分析的方法,对摆线针轮减速器进行了故障诊断。首先,对采集到的时域振动信号和转速信号进行了等角度域差值采样,得到了振动信号的等角域平稳信号;然后,对等角域信号进行了集合经验模态分解,得到了若干个固有模态分量(IMFs),计算了各个固有模态分量的峭度值,选取目标模态分量进行了信号重构;接着,采用快速傅里叶变换得到了故障信号的阶次图;最后,根据减速器的传动方式、各零部件的模数,计算出了各主要部件的故障阶次,对比减速器在故障前后阶次图的能量峰值进行了故障诊断。研究结果表明:该方法能够准确提取包含故障信息的固有模态分量,实现从等时域信号到等角域信号的转换,并提取摆线针轮减速器的滚针故障阶次(8.37阶),故障准确率达到99.6%,可实现摆线针轮减速器在非平稳工况下的故障特征识别,并验证该方法的可行性和有效性。

基于EEMD-ANN的自适应光伏日电量预测方法

随着清洁能源的持续发展,我国光伏电源装机规模不断增大。为了应对其随机性、波动性、不确定性等特点给电网安全运行带来的严峻挑战,研究中结合集合经验模态分解(EEMD)方法对原始时间序列进行处理,将其分解为有限且少量的振荡模式,形成更清晰的信号输入,再通过人工神经网络(ANN)实现历史数据的规律挖掘,构建了基于EEMD-ANN的自适应光伏日电量预测模型。以我国南方某光伏电站日电量过程为例的结果表明,该模型获得的预测结果具有较好的预测精度,是一种实用性较强的光伏电量预测方法。

基于EEMD+RF算法的唐山滦河径流量预测研究

为帮助决策者做好水资源管理,减少洪涝灾害的发生,文章采用随机森林回归(RF)和集成经验模态分解(EEMD)的组合模型对唐山滦河进行逐月径流量预测。结果表明,研究时域内滦河径流量具有良好持续性,呈现波动减少趋势。基于EEMD+RF的径流量预测模型,决定系数、平均相对误差较低,显示了精确预测能力,能为水资源管理提供科学依据。

基于EEMD和小波阈值方法的爆破数据预处理

随着城市建设的发展,爆破事件逐渐增多,其数据记录叠加在地震波形中造成显著干扰。以2016年6月14日黑龙江省牡丹江地震台记录的M_(L)2.0爆破事件为例,选取甚宽频带CTS-1EF地震计垂直向数据记录进行爆破信号的IMF分解及信号重构,以信噪比SNR和相关系数R作为检验指标,对重构效果进行评价。结果显示,采用集合经验模式EEMD和小波阈值方法进行数据预处理,信噪比更大,相关系数接近于1,重构效果优于单一方法。选取镜泊湖火山监测台网记录的8个M_(L)2.3—2.8爆破事件,采用EEMD+小波分解的联合方法进行IMF分解及数据重构,结果表明,高频噪声干扰被有效降低,突显了局部主体信号,随机噪声被有效压制。采用该方法进行降噪处理,重构信号更能反映爆破信号的变化特性,可为爆破数据降噪分析提供依据。

基于GS-SVR和窗函数的EEMD端点效应抑制方法研究

为了解决集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)在分解过程中会出现端点效应的情况,文中提出了一种基于GS-SVR和窗函数的EEMD端点效应抑制方法,该方法首先采用网格搜索算法(Grid Search,GS)优化支持向量机回归(Support Vactor Regression,SVR)方法进行端点延拓,将延拓后的信号进行加窗处理,最后对加窗处理后的信号进行EEMD分解,进而得到有效的本征模态分量。最后基于振动仿真信号和实际采样信号,与传统EEMD分析方法比较以证明该方法的有效性。