基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于EMD和小波包变换的天气雷达回波去噪方法

C波段多普勒天气雷达回波数据由雷达回波信号和噪声构成,噪声严重影响雷达基本反射率的准确性。利用EMD方法对雷达回波信号进行分解后,将含有噪声的高频IMF分量去除,可实现去噪,但是容易损失有用信号。针对有降水特征的雷达基本反射率数据,提出基于EMD和小波包变换的多普勒天气雷达回波去噪方法,并与EMD方法去噪结果进行比较。研究结果表明,该方法能更加有效地去除雷达回波信号中的噪声,并降低了信号特征损失。

联合TVF-EMD和SSA降噪的轴承故障特征提取

针对滚动轴承早期故障信号微弱、故障特征难以提取的问题,文章提出了一种基于时变滤波经验模态分解(time-varying filtering based empirical mode decomposition,TVF-EMD)模态分量自适应融合与奇异谱分析(singular spectrum analysis,SSA)降噪的滚动轴承早期故障特征提取方法。首先,为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列内蕴模态函数(IMF)。其次,为了克服TVF-EMD分解后IMF分量过多的不足,利用IMF的峭度、复杂度和分形维数构造了复合敏感模态判定因子(composite sensitive mode determination factor,CSMDF),通过CSMDF对IMF分量进行降序排列,并依据复合敏感模态判定因子递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SSA对最优融合分量降噪,对降噪后分量进行Hilbert包络谱分析,实现轴承故障的特征提取。通过仿真故障信号以及两个实测故障信号对所提方法的性能进行了试验分析,试验结果表明,该方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确地提取出轴承早期故障特征,实现噪声环境下轴承故障类型的准确识别。

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

基于EMD-ABOD的大坝异常监测数据识别方法研究

大坝监测数据普遍存在异常值,对异常数据进行识别和剔除,可保持模型的稳定性和可靠性,并提高模型的预测或分类性能;同时,可及时发现异常情况,以保证系统的安全运行。因此,将基于角度的异常值检测算法(ABOD)引入大坝监测异常数据识别,首先通过经验模态分解(EMD)提取监测数据的高频本征函数,然后对由高频本征函数构成的新数据进行异常数据识别。对长河坝沉降监测数据的验证结果表明,与其他方法相比,EMD-ABOD可有效提升异常数据识别的准确性。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

EMD算法的改进及在信号去噪中的应用

噪声的干扰在生活中无处不在,本文针对传统EMD算法在信号的非线性和非平稳特性条件下,分解而得的本征模态函数(MF)随时间尺度变化的振荡而造成的模态混叠和噪声干扰等问题进行改进。在此基础上,引入人为添加的高斯白噪声,并根据其均值为0的特点,深入探索基于改进后的EMD算法在信号降噪中的应用。仿真实验对比分析表明,改进后的EMD算法能清晰地判断有用信号和无用信号,有效降低噪声对信号的干扰。

基于改进EMD方法与11/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise,DEMON)谱分析技术已被广泛应用于特征提取领域,但经典DEMON谱提取中高频信号频段的选取会影响DEMON谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition,EMD)方法获得一系列固有模态函数(Intrinsic Mode Function,IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用11/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的DEMON谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典DEMON谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。

基于EMD及闭环测试的飞机直接升力控制系统设计

飞机直接升力水平不均会造成飞机飞行偏航问题,为实现对飞机飞行能力的有效控制,设计基于EMD及闭环测试的飞机直接升力控制系统;在FSEU架构中,设置ARINC429总线闭环机制,联合伺服控制模块与实时机载终端,实现飞机直接升力控制系统应用模式的搭建;根据隐藏EMD信息定义条件,求解质心动力学方程,再按照气动特性原则,计算航向偏离度的具体数值,完成基于EMD的飞机升力控制;以内存网交联环境为基础,配置模型机组织,实现对闭环测试功能的完善;实验结果表明,应用所设计系统可以改善直接升力水平不均的问题,将飞机飞行偏航角控制在0°~20°的数值范围之内,能够实现对飞机飞行能力的有效控制。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

基于EMD降噪与BP神经网络的变速器滚动轴承故障诊断

变速器是汽车正常行驶的关键部件,变速器滚动轴承在动力传动过程中,承受着极高的机械负荷与热负荷。变速器滚动轴承故障诊断的研究对于提高车辆行驶的安全性有着重要的意义。结合滚动轴承振动故障诊断的特点和需求,本文提出一种经验模态分解(EMD)与BP神经网络的故障诊断方法。该方法先将采集的振动信号经过EMD分解成一系列的含有主要特征信息的固有模态函数(IMF),然后通过求取IMF信息熵提取出轴承故障特征信号,再结合BP神经网络分类器,可有效地诊断并识别变速器滚动轴承故障,识别准确率达到80.0%以上。

基于EMD与DCNN混合智能煤岩识别方法研究

针对现有煤岩识别模型和方法准确率低、稳定性差、难以在工程实践中获得应用的问题,提出了基于经验模式分解(EMD)与深度卷积神经网络(DCNN)的混合智能识别方法。首先,应用EMD对采煤过程中的振动信号进行分解,得到一系列的本征模式分量(IMF)。然后利用DCNN进行IMF信息的融合,并自动提取特征信息。最后使用Softmax实现煤岩分界的智能识别。工程应用试验数据表明,该方法能够有效、准确地实现煤岩分界的识别,并具有良好的稳定性。

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合(EMD-MLP)的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数(Intrinsic Mode Function,IMF)分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。

小波变换与EMD方法在高铁雨棚数据降噪处理中的适用性分析

针对高铁雨棚长期监测数据中的噪声处理问题,分析了典型高铁雨棚监测信号的噪声特性,在此基础上,采用小波变换和经验模态分解EMD(empirical mode decomposition)方法对雨棚实测风压、应力、振动等典型信号进行降噪处理和对比分析。研究结果表明这两种方法在降低监测数据噪声、提高信噪比方面的有效性,并且通过结合主成分分析PCA(principal component analysis)的综合评估进一步证实了EMD在振动类和应力类数据降噪中的优越性。研究为实际工程中降噪技术的选择和应用提供了理论支持。

基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测

针对水位时间序列具有线性与非线性混合、不确定性高等特点带来的预测困难问题,提出了一种基于经验模态分解(EMD)、长短时记忆网络(LSTM)和深度极限学习机(DELM)的EMD-DELM-LSTM组合模型,其中DELM和LSTM采用并联结构预测,并与EMD串联连接。首先使用EMD将原始信号分解为若干个具有单一特征的本征模态函数(IMFs),再将IMFs分类重组为高、中、低频信号后输入DELM-LSTM并联结构中进行预测并重构。以广州某大学重要湖泊为例验证模型的有效性,结果表明,与EMD-LSTM、EMD-DELM、LSTM、DELM和BiLSTM模型相比,本模型在不同时间尺度下的预测性能均有显著提升,其中40 min时间尺度下的预测性能提升效果最为明显,分别较对比模型提升43.08%、22.92%、45.79%、30.92%和47.31%。可见,本模型对于不同时间尺度的水位预测具有良好的可靠性和稳定性。

基于小波降噪和EMD-AR谱的地下电缆防破坏监测系统

电力电缆在当今社会发展和城市运作中扮演着非常重要的角色。随着人们用电量增加,电缆的铺设量也在同步增加。为防止电缆遭到破坏,对电缆管廊周围环境振动信号进行监测,及时发现潜在威胁,保障电缆正常工作,提出一种基于Matlab小波降噪算法和EMD-AR谱分析的地下电缆防破坏振动监测系统。该系统由太阳能供电模块、六轴陀螺仪姿态感应模块、振动传感器模块、物联网通信模块组成,主控芯片使用STM32F4单片机。采用小波阈值降噪算法去除复杂高频噪声,提高信号的可识别度,随后将去噪后信号进行经验模态分解(EMD),并对前6个固有模态函数(IMF)分量进行AR谱分析,最后将前6个IMF分量的AR谱累加得到信号的能量对比图。研究表明,该方法的应用准确分析出振动类型,能够给电缆管廊附近振动的监测分析提供更加简单便捷的方法,有效保护电缆的安全稳定运行。