基于CEEMD和统计参数的斜拉桥损伤识别方法研究

为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参数方法相结合的斜拉桥损伤识别方法。该方法基于CEEMD方法对斜拉桥动力响应信号进行自适应性分解,确定适用的白噪声幅值标准差并推导CEEMD方法的集成次数,得到各阶IMF分量;采用欧氏距离对分解的IMF分量进行谱系聚类分析以避免模态混叠现象;采用峰度统计参数的有效权重峰度指标方法滤除含噪IMF分量,提取有效IMF分量并重构为有效IMF分量和;利用变异系数统计参数、二阶中心差分法和泰勒展开式推导损伤定位指标,根据四阶统计矩峰度统计参数推导损伤定量指标。用所提方法对某斜拉桥进行损伤识别研究,结果表明:仿真分析的损伤定位识别精度为100%,损伤定量最大误差为1.80%;在高斯白噪声干扰下,损伤定位不受影响,损伤定量最大误差为1.88%;进行实桥的损伤识别,结果表明实桥主梁无损伤。

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。

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。

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ICEEMD的地震信号去噪

ICEEMD是CEEMD的一种最新扩展,其有效解决了CEEMD在信号分解过程中产生的诸多问题,如分解模态中的残留噪声和模态混叠。基于ICEEMD提出一种新的地震信号去噪方法,含噪信号经过ICEEMD分解之后,有效信号集中在更少的模态中,通过重构信号固有的模态可以有效实现地震信号去噪。合成信号例子阐明了ICEEMD去噪方法的效果,并与传统的基于CEEMD的去噪方法进行了对比。实际数据处理结果进一步验证了文中提出方法的优势,即在有效压制随机噪声提高地震资料信噪比的同时,能够最大程度地保护有效信号。

PCA优化CEEMD的DSQ水管倾斜仪信号随机噪声压制方法

提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降维压缩,将其转化为一个能代表全部不同类型指标特点的新参数,并构建IMF分量质量综合评价函数,根据分数排名结果完成原始含噪信号的线性重构。仿真信号和实测信号去噪实验结果皆表明,CEEMD-PCA模型优于卡尔曼滤波、70阶低通FIR滤波等经典模型,能提高原始信号的信噪比,精准完成信号重构,更好地保留有效成分。

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。

CEEMD-SG滤波在固井质量测井资料处理中的应用

目前固井质量评价主要依靠声波变密度测井资料,受双层套管影响,变密度图像有时会因内、外层套管波叠加出现明显的畸变现象,对固井质量的评价产生干扰。为获得真实的变密度图像,剔除“假异常”,将互补集合经验模态分解(CEEMD)和Savitzky-Golay(SG)滤波法联合,提出一种CEEMD-SG滤波方法,并应用于声波变密度测井数据处理。首先使用CEEMD方法对变密度数据进行分解,通过傅里叶变换对原始信号及分解得到的各个固有模态函数(IMF)进行频谱分析,然后选取高频IMF分量使用SG滤波算法进行处理,并将滤波后的高频分量与CEEMD分解得到的低频分量联合重构得到处理后的信号。利用该方法对塔里木油田实际变密度资料进行处理,并与CEEMD、小波阈值去噪、SG滤波三种方法进行对比,结果表明,CEEMD-SG滤波方法能更好地消除双层套管带来的波形叠加干扰,处理后的资料能满足现场验收要求。

基于CEEMD的水下机器人MEMS陀螺降噪方法

MEMS陀螺仪工作时,容易受到各种噪声,尤其是高频噪声影响,不利于导航系统长时间工作,因此需要对数据实时去噪。互补集合经验模态分解(CEEMD)是一种按照自身尺度进行信号分解的算法,信号震荡随着分解级数逐渐减小,能够较好地分离高频和低频信号。以水下机器人MEMS陀螺仪为研究对象,根据水下实测数据,采用CEEMD分解陀螺信号,提取有效信息,并利用Allan方差验证CEEMD的有效性。仿真结果表明CEEMD对随机噪声、高频信号具有良好的降噪效果。

基于CEEMD-MPE与SDAE的局部放电模式识别

针对变压器局部放电故障信息提取困难以及局部放电类型识别准确率低等问题,提出一种基于CEEMD-MPE与SDAE相结合的局部放电模式识别算法。对局部放电原始信号进行CEEMD分解,得到多个固有模态分量(IMF),根据相关系数筛选出系数最大的IMF作为最优分量,计算其不同尺度下的排列熵值;将有效排列熵值作为特征数据集输入到SDAE中进行无监督学习训练;利用Softmax分类器输出放电类型。实验结果表明,该算法识别精准率为98%,召回率为96.67%,F1得分为97.17%,能够快速、准确地识别局部放电类型。

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.

基于CEEMD的爆破振动信号自适应去噪

针对爆破振动信号短时、突变的特点,提出了基于CEEMD的爆破振动信号自适应降噪方法。为解决信噪分量分界点的判定问题,该方法提出依据CEEMD分解得到的噪声分量和有用信号分量自相关函数的波峰宽度特性自适应地判定信噪分量的分界点的方法。对IMF分量消噪阈值函数进行了改进,新阈值函数具有连续和高阶可导性。实验分析表明:采用新阈值函数的CEEMD自适应去噪方法能够有效地去除实测爆破振动信号中夹杂的噪声,并且很好地保留了爆破振动信号的突变细节,去噪效果良好。

基于游程检测法重构CEEMD的短时风功率预测

针对风功率序列间歇波动特征,提出基于补充的集合经验模态分解(CEEMD)的分类组合预测方法。采用CEEMD把风功率信号分解为频域稳定的子序列,利用游程检测法对子序列划分为高、低频和余项3类信号,根据3类重构信号的不同特征,分别选用BP神经网络预测高频信号、支持向量机(SVM)预测低频信号以及非线性回归预测余项,最后叠加3类信号的多步滚动预测值,得到风功率预测结果。为了提高BP神经网络以及SVM的预测效果,提出基于混沌反向学习策略以及自适应变化概率的改进布谷鸟算法(ICS),利用ICS优化BP神经网络与SVM的结构参数。以西北部某风电场为实例研究,结果表明该方法能有效提高预测精度。

基于CEEMD和相关性函数特性的爆破震动信号滤波方法研究

应用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对爆破震动信号进行分解,得到一组IMF分量,对各个分量进行相关性函数特性分析可知,高频噪声在0时刻有最大值,其他时刻取值约为0;低频噪声具有周期函数的自相关函数特性,是岩石爆破震动信号所固有的。据此去除噪声分量,使去噪后的信号更能真实地体现岩石爆破震动特性。以黄河上游某水电站引水发电隧洞实测爆破震动信号为例,将基于CEEMD算法与基于EEMD、EMD算法的信号去噪效果进行对比分析,结果表明:采用EMD、EEMD、CEEMD三种分解方法和相关性函数特性滤波后的信噪比分别为:39.48、40.63、49.07,采用CEEMD算法滤波的信噪比SNR与EMD、EEMD算法相比提高了24.31%和20.78%,从而验证了基于CEEMD和相关性函数特性的滤波方法的实用性与优越性。

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法;实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。

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。