基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

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CEEMDAN-GRU组合模型的碳排放交易价格预测研究

准确的碳价格预测有助于监管部门观测碳交易市场运行状况及投资者进行科学决策,对实现碳达峰和碳中和具有重要作用。但碳价序列具有非线性、非平稳性和高噪声的特性,很难对其进行准确预测。将完全自适应噪声集合经验模态分解(CEEMDAN)方法与门控循环单元(GRU)相结合,构建一个碳排放交易价格预测模型。该模型基于分解、集成思想,利用CEEMDAN将原始碳价序列分解,获得不同频率的本征模函数(IMF)和残差序列,使用GRU神经网络分别为各子序列建立预测模型,最后集成预测结果得到碳价预测值。以湖北省碳交易市场的日度成交价为例进行实证分析,结果表明:相较于其他5种基准模型,CEEMDAN-GRU模型具有更小的预测误差和更高的拟合优度,在碳价格预测上具有一定的优势。

基于CEEMDAN-SBiGRU-OMHA的短期电力负荷预测

为了提高短期电力负荷预测的精准度,充分挖掘电力负荷数据的复杂相关性,提出了一种优化多头注意力机制的CEEMDAN-SBiGRU组合预测模型,改进了特征提取和特征融合两个模块.首先,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将电力负荷数据分解成多个内在模态函数(IMF)和一个残差信号(RES);同时引入降噪自编码器DAE挖掘数据中受气象因素、工作日类型和温度变化的潜在特征.其次,将提取到的复杂特征输入至堆叠双向门控循环单元(stacked bidirectional gated recurrent unit,SBiGRU)模块中继续学习,以获取隐藏状态.最后,将获取的隐藏状态输入至加入残差机制和层归一化优化的多头注意力(optimized multi-head attention,OMHA)机制模块,可以准确地给重要特征分配更高的权重,解决噪声干扰问题.实验结果表明,CEEMDAN-SBiGRU-OMHA组合模型具有更高的精确性.

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

基于时序聚类CEEMDAN-LSTM的轨道短时客流预测

目的:高效精确的短时客流预测是城市轨道交通运营管理的重要前提,为提高短时客流预测精度,提出一种基于时序聚类的CEEMDAN-LSTM组合模型。方法:以DTW距离为度量标准,采用Kmeans算法对客流时序进行分类,在此基础上通过CEEMDAN算法进行时序分解以弱化样本噪声干扰,再将分量输入到LSTM模型中进行预测。结果:CEEMDAN-LSTM模型在3类客流时序下的预测误差均小于其他4个基线模型,并能有效反映短时客流的变化趋势;考虑时序聚类的预测模型的预测精度与时效性均优于不分类下的预测模型。结论:以合肥南站地铁的短时进站客流数据为例进行实证分析,证实客流时序聚类对预测精度提升的贡献,并与SARIMA、RF、XGBoost、LSTM等4个预测模型比较,CEEMDAN-LSTM模型具有较高的预测精度,且能有效反映实际客流曲线的变化趋势。

基于CEEMDAN和相关性分析的大坝位移预测

大坝位移数据受各种因素的影响,具有非平稳非线性的特征,针对数据预测精度低的问题,提出了一种CEEMDAN-PCCs-TCN-XGBoost组合预测模型.以某重力坝监测数据为例,首先,引入CEEMDAN算法捕捉非平稳数据的趋势信息和波动信息,联合PCCs算法确定影响数据波动的主要因素;其次,为了提高预测精度,趋势信息使用传统HST模型进行预测,波动信息利用主要因素作为输入变量进行预测,再分别应用TCN模型和XGBoost模型对数据进行预测最后累加得到最终预测结果,并将预测结果与EEMD-ARIMA、EEMD-LSTM-MLR等模型对比,结果表明,CEEMDAN-PCCs-TCN-XGBoost组合预测模型对波动频繁的大坝位移数据的预测更精确.

基于CEEMDAN与LSTM的煤炭港口粉尘质量浓度混合预测

煤炭在储运过程中产生的粉尘严重危害港口城市的空气质量,准确预测粉尘污染有助于预测污染风险并采取预防措施。由于港口复杂的气象和有限的作业条件,煤炭港口粉尘质量浓度存在强非线性与非平稳性的特点,传统方法难以准确预测港口的粉尘质量浓度。基于完全自适应噪声集合经验模态分解(CEEMDAN)和长短期记忆网络模型(LSTM)的煤炭港口粉尘质量浓度混合预测法,以我国北方某煤炭港口为例,先采用CEEMDAN将原始粉尘质量浓度分解为多个本征模态函数,再使用LSTM对每个本征模态函数进行预测,整合后获得最终的粉尘质量浓度预测结果。结果表明:上述方法与传统方法相比具有更高的预测精度,有助于港口对粉尘污染加强管理,更有利于减轻煤炭港口粉尘污染对港城居民的不利影响。

基于改进小波阈值—CEEMDAN的变压器局部放电超声波信号白噪声抑制方法

为了有效去除变压器局部放电超声信号中的白噪声干扰,提高后续局部放电模式识别及定位的准确性,提出了一种基于改进小波阈值和自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的变压器局部放电超声波信号去噪方法。首先,通过对放电信号进行CEEMDAN分解得到一系列由高频到低频的本征模函数IMF(intrinsic mode function);然后,利用多尺度排列熵(multi-scale permutation entropy,MPE)算法计算各阶IMF分量的排列熵PE(permutation entropy),根据各IMF的排列熵值确定信号的去噪阈值与有效阈值。对高于去噪阈值的IMF分量采用改进小波阈值法进行去噪处理,对低于有效阈值的IMF分量视为基线漂移进行剔除。最后,通过重构去噪分量与剩余分量来获得去噪后的超声波信号。仿真和实验结果均表明,文中所提出的去噪算法大大提高了信号的信噪比,并保留了原始超声波信号中的有效信息,对提高后续利用超声波信号进行局部放电模式识别及定位的精确性具有重要意义。

基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于CEEMDAN功率分解的火电厂混合储能容量优化配置

为了解决火电机组跟随自动发电量指令(Automatic generation control, AGC)响应延迟大、超调大等问题,提出一种基于完全噪声辅助聚合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的混合储能系统容量优化配置方法。首先,通过某时间段火电机组跟随AGC指令输出曲线,获得混合储能系统需要提供的功率。在此基础上,利用CEEMDAN将需求功率进行分解,获得不同频率下火电机组与AGC指令之间的误差。选择合适的储能元件,构建火电厂响应AGC指令的混合储能系统结构模型,在考虑能量型储能元件磷酸铁锂电池与功率型储能元件飞轮储能系统两类不同储能设备工作特性的情况下进行功率分配。在考虑储能系统荷电状态(State of charge, SOC)、容量与充放电功率等约束下,建立以综合成本最小为目标的容量优化配置模型,将功率分解结果与容量配置模型联合优化,获得最优功率分配情况和对应的储能配置方案。提供工程案例分析,结果表明所提方法可以有效弥补火电机组跟随AGC指令的延迟功率响应,提高火电机组供电可靠性和经济效益,同时相较于单一储能元件,本方案所设计混合储能系统拥有更优经济性。

基于CEEMDAN-VMD-PSO-LSTM模型的桥梁挠度预测

针对桥梁运行阶段的健康状态监测,构建了CEEMDAN-VMD-PSO-LSTM模型对桥梁挠度进行预测。该模型主要分为二次模态分解平稳化、粒子群优化(PSO)算法和长短期记忆(LSTM)网络预测三大模块,共有5个步骤:①利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对桥梁原始挠度序列进行初次模态分解,分解为若干本征模态分解函数(IMF);②使用样本熵(SampEn/SE)计算各IMF分量的复杂度,并通过K-means聚类为高频、中频和低频3个IMF分量;③通过变分模态分解(VMD)算法对高频IMF分量进行二次模态分解;④分别对各个IMF分量通过PSO算法得出LSTM最优超参数组合;⑤将各最优超参数分别代入LSTM模型进行训练,并将各预测结果融合为最终的预测结果。结果表明:该预测方法具有最高的预测精度,为智慧桥梁的安全监测监控提供了新的技术方法。

基于CEEMDAN‑TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解(complete ensemble empirical model decomposition with adaptive noise,CEEMDAN)与可调品质因子小波变换(tunable Q⁃factor wavelet transform,TQWT)相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数(intrinsic mode function,IMF)分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解(empirical mode decomposition,EMD)方法,仿真信号经所提方法去噪后的波形失真百分比下降了44.94%;相较于仅使用CEEMDAN,现场信号经所提方法去噪后的噪声抑制比提高了26.64%。

基于CEEMDAN的多时间尺度的北京市PM_(2.5)浓度影响因素研究

研究PM_(2.5)浓度的主要影响因素,对提升北京市空气质量具有重要意义。与以往仅限于原始时间尺度的研究不同,本文基于CEEMDAN方法考察了多时间尺度下年平均风速、城市绿化、人口密度、产业结构和能源强度对北京市PM_(2.5)浓度波动的影响,并与原始时间尺度的主导因素进行对比。研究发现:原始尺度的北京市PM_(2.5)浓度影响因素是不同时间尺度内影响因素合力作用结果,不同时间尺度下影响因素不同。城市绿化、人口密度、产业结构和能源强度在多时间尺度中起到短期增强波动的作用,城市绿化和产业结构是贯穿于各个时间尺度的具有趋势性,决定北京市PM_(2.5)浓度基本走势的影响因素。

基于CEEMDAN-HT的永磁同步电机匝间短路振动信号故障特征提取研究

由于长时间处于高负荷运行状态,永磁同步电机(permanent magnet synchronous motor, PMSM)定子绕组线圈匝与匝之间的绝缘性能容易降低,导致出现匝间短路,此时电机的振动强度会发生改变。针对此现象,提出将自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与希尔伯特变换(Hilbert transform, HT)结合,构成一种CEEMDAN-HT非线性信号分析方法,并将其应用于提取振动信号故障特征。首先,利用CEEMDAN算法分解振动信号,得到一系列本征模态函数(intrinsic mode function, IMF),并将主元分析中的方差贡献率用于识别包含故障特征信息的IMF。其次,使用HT对方差贡献率较高的IMF进行分析,并以三维联合时频图呈现时间、瞬时频率与幅值,得到了主要故障特征。最后,使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障试验平台,通过对比有限元仿真结果与试验结果,对提出的方法进行了有效性和准确性验证。

融合 OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

基于CEEMDAN-GAF的变压器机械故障检测方法

针对基于振动信号的传统变压器机械故障检测方法中需要选择多个特征量这一缺点,文中介绍了一种基于自适应白噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与格拉姆角场(gramian angular field,GAF)的配电变压器机械故障判别方法。所提方法利用CEEMDAN对信号进行重构并应用GAF变换获得重构信号的二维图像,通过对二维图像灰度处理、二值化后将所得二值矩阵用于训练径向基函数(radical basis function,RBF)神经网络,实现对于机械故障的检测。选用一台变压器进行了故障模拟及测试,结果表明该方法准确有效。工程实际中通过持续大量采集变压器运行数据优化RBF神经网络的分类函数,可以实现不同类型故障的精准识别,具有较高的参考价值。

基于CEEMDAN-FastICA-MCNN的多传感信息融合轴承故障诊断

针对轴承振动信号易受噪声干扰、变工况及单一传感器提取特征信息不完备的问题,提出基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise,CEEMDAN)、快速独立分量(Fast Independent Components Analysis,FastICA)降噪和多输入卷积神经网络(Multiple-input Convolutional Neural Networks,MCNN)的多传感信息融合轴承故障诊断方法。首先分别对多传感采集的振动信号划分数据集,并输入CEEMDAN得到本征模态函数(Inherent Nodal Function,IMF);随后,选择峭度大于3的IMF构造观测信号,其余IMF构造虚拟噪声信号,作为两个输入源输入FastICA,分离出特征向量;最后,设计MCNN识别故障类型。在CWRU和XJTU-SY数据集上的正确率分别为99.94%和99.64%。在信噪比为-8 dB的抗噪性能测试中,正确率分别为96.95%和98.29%;在信噪比为0 dB的抗噪性能测试中,正确率分别为99.00%和99.23%。对比实验结果表明此方法能够提取更为全面的故障特征信息,获得更高的准确率。

基于CEEMDAN多尺度改进排列熵和SVM的空化噪声特征提取

当水下航行器处于高速航行时就会形成空化噪声,所产生的噪声会严重影响水下航行器的性能和安全。螺旋桨噪声包含着丰富的空化信息,是识别空化状态的有效手段。针对改进排列熵在单尺度下对原信号进行分析,无法有效区分不同空化状态,提出了将改进排列熵与自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)相结合的空化噪声特征提取方法。首先,采用CEEMDAN方法对水下航行器螺旋桨的空化噪声进行分解,提取具有空化特征的固有模态函数(intrinsic mode function, IMF)分量;其次,选取相关系数最高的IMF分量并计算其多尺度改进排列熵(multi-scale improved permutation entropy, MIPE);最后,基于多尺度改进排列熵,建立支持向量机的特征分类模型。仿真和试验结果表明,该方法具有更好的可分性。