基于CEEMD的露天深孔爆破振动信号降噪光滑模型

由于爆破区域地形地质条件的复杂、监测仪器的误差、振动传播介质的反射以及磁场的干扰等原因,采集的原始爆破振动信号常常会掺杂大量的噪声,针对此问题提出了基于互补集合经验模态分解(CEEMD)的信号降噪光滑模型。此模型将爆破振动信号进行CEEMD,基于分解所得到的IMF分量建立低通滤波算法。根据滤波算法的相似度与光滑度,构造目标函数并计算最优解,其对应的滤波算法模型即为爆破振动信号的最优降噪光滑模型。通过构造仿真信号验证了降噪光滑模型算法的可行性,并将模型应用了实际露天深孔爆破振动信号的研究。采用信噪比和均方根误差两种指标对比经验模态分解(EMD)方法、小波阈值法、CEEMD-小波阈值法与滤波算法模型BP3的降噪效果,验证了降噪光滑模型在对露天矿山爆破振动信号降噪方面的有效性,并通过频谱分析进一步验证了降噪光滑模型较CEEMD-小波阈值法的优越性。结果表明:基于CEEMD的露天深孔爆破振动信号降噪光滑模型具有良好的降噪能力,能够在保留原始爆破振动信号真实特征信息的前提下对信号进行降噪,且降噪效果优于EMD方法、小波阈值法和CEEMD-小波阈值法。

基于CEEMD-LSTM-Adaboost模型的白糖期货跨期套利策略

以白糖期货合约SR2201和SR2109的5 min高频数据为研究对象,在验证二者存在长期均衡关系的条件下,构建GARCH模型来刻画残差的ARCH效应,将互补集合经验模态分解(CEEMD)方法与长短期记忆网络(LSTM)、自适应提升算法(Adaboost)相结合,通过预测价差涨跌进行套利操作,设置不同开平仓阈值,在样本区间内进行4种神经网络套利策略对比研究。结果表明:基于CEEMD-LSTM-Adaboost模型的神经网络套利策略应用于白糖期货市场可行有效,并且其在模型预测精度和套利效果方面均比BP、LSTM和LSTM-Adaboost神经网络更具优势。

基于改进CEEMD和RF的低压串联故障电弧识别方法

为了解决完整集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest,RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明:改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。

应用CEEMD降噪与自适应MOMEDA的轴承故障特征提取方法

针对滚动轴承早期故障信号中冲击成分能量低且易被强烈的背景噪声所淹没的问题,该文提出一种基于互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)-小波阈值降噪和参数自适应多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)的滚动轴承故障特征提取方法。将CEEMD与小波阈值降噪结合对原始信号进行降噪;提出一种新的复合指标:峭度-包络波形因子,并以其为适应度函数设计变步长搜索法,对MOMEDA算法的滤波器长度进行寻优;基于寻优的滤波器长度对降噪的信号进行MOMEDA解卷积,并通过包络谱分析识别滚动轴承的故障特征频率。对比实验结果表明:以该文寻找的最优滤波器长度作为MOMEDA的参数,解卷积后包络谱故障频率更加清晰;且相较于传统的MOMEDA算法和小波阈值降噪-MOMEDA方法,该文提出的方法能够更有效地提取强噪声背景下微弱的故障特征信息。

基于CEEMD-VMD-SIST算法的sEMG信号降噪方法

针对基于表面肌电信号(sEMG)的手势识别中,由于传统降噪算法对sEMG信号高频部分分解不当或存在频率混叠现象使得对含噪sEMG信号降噪效果不佳而导致手势识别精度大大降低的问题,提出使用基于互补集合经验模态分解(CEEMD)与变分模态分解(VMD)组合的滑动区间软阈值(SIST)降噪算法(CEEMD-VMD-SIST)对含噪sEMG信号进行降噪处理;使用CEEMD将含噪信号分解为从高频到低频的多个不同本征模态函数(IMF),根据自相关系数客观界定后续降噪模态分量范围,对选中的模态分量采用VMD的SIST方法进行分解降噪并与部分剩余模态分量进行重构;从实验结果中可以看出,在不同信噪比下,所提算法的降噪性能与传统降噪方法相比,信噪比与均方根误差均有明显改善,可以更大程度上保留信号的有用信息,即所提算法的降噪性能更佳。

CEEMD在激光雷达回波信号去噪中的应用研究

激光雷达的回波信号具有典型的非线性、非平稳性特征,其中包含部分高频噪声干扰。较多的噪声干扰会冲淡含有气象信息的回波信号,对激光雷达回波信号进行去噪处理,是利用回波信号反演较准确的机场周围气象情况的基础环节之一。文章利用CCEMD算法有效地解决了EMD算法的模态混叠和EEMD算法的噪声残留等问题,大幅提高了信号分解后的重构效率。通过对仿真模拟信号和能见度激光雷达实测信号进行消噪实验,验证了CEEMD算法去噪性能的有效性。其中,CEEMD算法有效去除了雷达回波信号中的高频噪声,提高了信噪比,以及能见度的测量精度,从而提供了较为准确的机场周围气象情况。

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)误差指标相比于BiLSTM模型分别提高了48.54%、51.32%和44.78%,显著低于其他对比模型。

基于CEEMD和迁移学习的滚动轴承故障诊断研究

【目的】在实际生产环境中,由于机器特征复杂和工况变化,智能诊断模型在跨机组迁移时需要重复训练,这不仅增加了时间成本,还加大了算力资源的消耗。为了解决这些问题,需要开发出一种能适应复杂机器特征并在不同工况下保持高准确度的轴承故障诊断方法,同时,减少模型迁移时所需的重复训练,以便实现更高效的故障识别和预测。【方法】研究提出基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和迁移学习的滚动轴承故障诊断方法。首先,采用CEEMD法对原始信号进行分解,并计算出对应分量的峭度值。其次,采用多核最大均值差异法对源域数据与目标域数据进行域适应处理。最后,在凯斯西储大学轴承数据集和美国机械故障预防技术学会轴承数据集之间进行迁移故障诊断试验及对比分析。【结果】研究结果表明,与直接迁移模型算法相比,基于CEEMD改进的迁移学习网络在不同数据集上的迁移效果更好,其故障诊断的准确率最高。【结论】经试验验证,研究所提的方法表现出良好的变工况跨机组适配能力,具有较高的故障诊断精度,为研究复杂工况下多机组相似故障诊断场景提供了非常有价值的参考。

基于Zoom-FFT-CEEMD和小波包降噪的风电机组齿轮箱故障特征提取和诊断

基于信号处理的风电机组齿轮箱故障诊断是风力发电领域中的重要研究方向。针对风电机组齿轮箱故障特征提取问题,提出了一种基于Zoom-FFT-CEEMD和小波包降噪的方法。通过对在风电机组齿轮箱振动测点所采集到各个测点的振动加速度信号做RMS趋势分析,找出RMS趋势明显上升的测点和时间段。利用小波包降噪技术对该测点的振动信号进行降噪处理,互补集合经验模态分解(CEEMD)得到的分量对振动信号进行多尺度分析,再使用Zoom算法对齿轮箱振动信号进行局部放大,以突出故障信号。利用快速傅里叶变换(FFT)对放大后的信号进行频谱分析,以提高故障特征的提取准确性。实验结果表明,与传统频谱分析法相比,该方法能够有效地提取风电机组齿轮箱的故障特征,具有较高的准确性和稳定性,为风电机组齿轮箱的早期故障诊断提供了一种有效的方法。

基于CEEMD-SSA-LSTM的园区综合能源系统两阶段优化调度

为提升综合能源系统中风电等清洁能源的利用率、减少碳排放,提出一种基于互补集合经验模态分解、麻雀搜索算法、长短期记忆网络的新能源两阶段出力预测的综合能源系统优化调度模型。首先,对历史数据进行互补集合经验模态分解,构建基于麻雀搜索算法优化的长短期记忆网络预测模型;其次,用此预测模型对风电、光伏功率分别进行日前、日内的两阶段功率预测;最后,以包含碳惩罚成本、弃风惩罚成本等因素的日最小运行成本为优化目标,构建基于风电、光伏出力预测结果的综合能源系统日前、日内两阶段调度模型,并通过CPLEX求解制定调度计划。以某园区为例进行仿真分析,结果表明,此两阶段模型使系统购能成本下降9.40%、碳排放惩罚成本减少14.05%,日运行总成本减少12.53%,有效提升了综合能源系统的经济和环保性能。

基于CEEMD-MPGA-SVM的人造板家具甲醛释放浓度预测

针对气候舱法检测人造板家具甲醛释放浓度,存在实验周期长,耗能高的问题。对此提出互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与支持向量机(Support Vector Machine,SVM)相结合的多步预测模型,对舱内家具的甲醛释放浓度进行预测。先利用CEEMD对甲醛浓度数据进行降噪,再采用SVM建立预测模型,并使用多种群遗传算法(Multiple Population Genetic Algorithm,MPGA)优化SVM参数。与传统SVM及一阶衰减模型对比结果表明,所建CEEMD-MPGA-SVM预测模型具有更高的预测精度。

CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响,严重失真。为了有效去除信号的噪声,提高回波信号信噪比,提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号,改进小波阈值函数具有高阶可导特性,能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合,可以更有效地去除噪声。首先,对回波信号进行CEEMD分解,得到若干固有模态函数(intrinsic mode function,IMF)。其次,通过相关系数法计算IMF分量与信号的相关系数,确定相关分量和不相关分量。最后,对不相关分量使用小波改进阈值法进行去噪,对相关分量使用粗糙惩罚法进行平滑,再重构信号。基于实测数据的实验结果表明,所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法,信噪比分别提升了2.65 dB和0.58 dB。

基于STA/LTA改进的CEEMD-SVD微震信号降噪算法

针对煤矿井下工作环境复杂,采集到的微震信号包含大量噪声信号,严重影响对微震信号的拾取、定位和反演。采用互补集合经验模态分解(complementary set empirical mode decomposition, CEEMD)联合奇异值分解(singular value decomposition, SVD)与长短时窗法(STA/LTA)相结合的降噪算法。利用CEEMD分解微震信号,得到固有模态分量(inherent modal component, IMF),依据相关系数确定噪声主导的IMF和信号主导的IMF,通过STA/LTA去除CEEMD产生的伪分量。对噪声主导的分量进行SVD分解降噪后与信号主导的分量及剩余分量重构得到降噪后信号。加入模拟噪声信号与实际采集的微震信号进行仿真实验,结果表明本文算法在保证小剩余噪声干扰的情况下,可以节省计算时间。通过与经验模态分解(empirical mode decomposition, EMD)、聚合经验模态分解(ensemble empirical mode decomposition, EEMD)及新型自适应聚合经验模态分解(novel adaptive ensemble empirical mode decomposition, NAEEMD)降噪方法进行对比,依据信噪比、能量百分比及标准差三个评价指标进行定量计算,实验表明该方法具有更好的降噪效果。

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号,为有效降低心音信号的噪声,提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解,然后选取高频部分的IMF分量使用人工鱼群(Artificial Fish-Swarm Algorithm,AFSA)优化小波阈值算法进行去噪,最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明,联合去噪算法在去除心音信号噪声方面效果最好。

基于CEEMD-MI的目标回波参数估计

针对低信噪比情况下目标回波参数估计性能下降问题,提出一种基于互补集总经验模态分解-互信息(CEEMD-MI)的目标回波参数估计算法。利用互补集总经验模态分解(CEEMD)对低信噪比情况下的目标回波进行自适应分解,通过互信息(MI)选取信号成分所在固有模态函数对信号进行重构,再对重构后的信号进行参数估计。仿真和实验数据的处理结果表明,所提方法中心频率估计误差小于0.2%,初相位估计误差小于2.5%。

CEEMD-GRU组合道路噪声预测模型

针对道路降噪问题,为降低主动噪声控制方法中滤波算法收敛性能要求,提出了一种基于互补集合经验模态分解(Complemementary Ensemble Empirical Mode Decomposition,CEEMD)与门控循环单元(Gated Recurrent Unit,GRU)组合的道路噪声预测模型(CEEMD-GRU)。首先,基于CEEMD算法将输入的噪声音频序列分解为多个本征模态函数分量和一个残差分量,以深度挖掘数据隐含的波动信息;其次,利用CEEMD分解的输入噪声序列各分量和输出噪声序列构建CEEMD-GRU神经网络噪声预测模型;最后,基于西安市某路段采集的噪声数据对该模型的有效性进行验证。结果表明:该模型EMA为0.0191,RMSE为0.0308,R^(2)为0.5892,预测声信号能够代替主动噪声控制中自适应控制器的实际初级声信号,为主动噪声控制的控制过程提供了更充分的响应时间。

CEEMD双层分解和Granger因果变量选择风电功率预测

针对风电功率时间序列具有高度随机波动性而无法精准预测的问题,提出一种基于完备集成经验模态分解(CEEMD)、Granger因果关系检验和长短时记忆网络的新型混合预测方法用于预测风电功率。首先,为研究风电功率和风速的隐性相关性,通过CEEMD算法对风电功率和风速时间序列分别进行序列分解,实现双层分解。其次,通过Granger因果关系方法对各风速分量与各风电功率分量进行因果关系检验,分析风电功率分量与各风速分量间的相关性,以此实现各风电功率分量的输入变量选择。最后,采用长短时记忆网络对各风电功率分量进行预测,并集成得到最终的风电功率预测结果。通过风电厂的实际数据进行了试验,并与多个应用广泛的经典模型进行对比,结果表明该方法的预测精度取得了大幅度提高,能够对风电功率实现精准预测。

基于CEEMD和改进SSA-LSSVM风功率预测模型

为了保证电力系统的安全有效运行和便于调度人员调度,准确的风功率预测就变得极为重要,同时更高精度的预测模型也变为了研究热点。针对传统麻雀搜索算法(SSA)存在着容易出现局部最优解与全局搜索效果较差的问题,提出加入混沌序列与交换学习策略的麻雀算法对最小二乘支持向量机(LSSVM)的惩戒和核函数参数寻优,避免了单一预测变量精度不高的问题;同时为了解决预处理数据自相关性,采用完备总体经验模态分解(CEEMD)对其分解,有效降低预测曲线滞后性;最终提出基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型。仿真结果表明:该模型在一定程度上提高了预测精度,提升了该模型在风功率预测中的实际应用价值。

基于CEEMD模糊熵的小电流接地系统单相接地故障选线方法

当单相接地故障发生在小电流接地系统中时,无法迅速准确选出故障线路会破坏电力系统运行的稳定性,因此准确选出故障线路尤为重要。为解决目前提取的信号抖动无法准确找出故障特征的问题,该文采用一种将CEEMD理论与模糊熵理论相结合的选线方法。首先,将各线路的暂态零序电流用CEEMD分解,提取分解得出的高频IMF1分量,并输入模糊熵,计算出模糊熵值。其次,用改进Sigmoid函数提取序列极性,并将极性输入计算出的模糊熵中。最后,通过比较波形的极性来判断是线路故障还是母线故障。并利用模糊熵值构造的混乱程度判据来验证选线结果,利用MATLAB搭建仿真模型,经大量仿真分析后,证明了该文选线方法的准确性。

基于CEEMD的人体微动信息提取信号处理方法

心跳与呼吸信号是人体重要的生命信息,且属于微弱信号。由于心跳和呼吸信号强度较小,在低信噪比条件下从雷达回波中提取微动特征信号存在一定困难。针对低信噪比下人体微动信号的提取,提出了一种基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)的信号重构方法,该方法以单频连续波雷达信号为载体,将含噪回波信号按频率特征分解为多个不同的本征模态分量(Intrinsic Mode Function,IMF),并从中选择合适的分量进行信号的重构,以此提高信号的信噪比。通过仿真实验,验证了该方法处理信号的可行性。