基于EEMD的远场类谐和地震动人工合成方法

远场类谐和地震动是一种特殊的长周期地震动,振动阶段后期产生多个循环的长周期类谐和加速度脉冲,易对长周期结构带来不利影响。然而,由于远场类谐和地震动实测记录有限,能直接用于结构抗震分析的地震动记录更少。为弥补这一缺陷,该文提出一种基于EEMD的远场类谐和地震动人工合成方法并对该方法的合理性和可行性进行验证。该方法通过对远场类谐和地震动记录进行EEMD分解,得到地震动低频成分的类谐和主脉冲成分与衰减部分,并对二者的拟合重构形成类谐和主脉冲分量进行特征参数识别和简化,提出由类谐和脉冲函数和衰减函数相结合的主脉冲速度模型,最后叠加分解时剔除的高频IMF分量形成人工类谐和地震动。基于此,重新选取3条任意远场类谐和地震动记录的地震动特征参数合成人工地震动,与原始地震动反应谱进行对比分析。结果表明:采用EEMD方法可有效提取原始地震动的低频成分,基于所提类谐和主脉冲速度模型得到的主脉冲时程与原始地震动速度主脉冲时程吻合较好;利用所提的地震动合成方法合成的人工地震动可较好保留原始类谐和地震动的非平稳特性,且与原始地震动较为吻合。

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。

接地导线源航空瞬变电磁系统EEMD法去除传感器运动噪声

航空电磁系统观测值中不仅包含了地下介质的响应,还包含多种噪声成分,其中传感器运动噪声具有频率低、幅值大、非周期等特点,是航空电磁探测系统的主要噪声源之一。针对运动噪声的上述特点,利用EEMD方法对随机信号的分解能力,将航空电磁信号分解为多阶IMFs分量;利用IMFs某阶分量拟合传感器运动噪声,并从航空电磁信号中加以去除,从而获得去除运动噪声后的信号。本文利用EEMD方法对航空电磁仿真信号中运动噪声加以识别和去除,取得了良好的效果。通过与传统样条插值方法去噪效果的对比,表明EEMD法能够有效地去除线圈中的运动噪声,同时将该方法应用于山东某地无人机半航空瞬变电磁系统实测数据处理中,取得了良好的去噪效果。

基于EEMD和WT的运动想象脑电信号消噪方法

采集到的运动想象脑电信号MI EEG(Motor Imagery Electroencephalogram)通常含有大量噪声信号。为了消除噪声同时保留尽可能多的有效信号,本文提出了将集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与改进小波阈值法相结合的消噪方法。改进小波阈值法采用了新的阈值选取规则和阈值函数。首先对信号进行EEMD分解,然后再对高频固有模态函数IMF(Intrinsic Mode Functions)进行改进小波阈值处理,最后将处理后的高频IMF分量和低频IMF分量进行重构得到消噪信号。以信噪比和均方根误差作为消噪效果的定量评价指标,将本文提出的方法与单纯使用EEMD分解消噪法、单独使用改进小波阈值消噪法、EMD与改进小波阈值法相结合消噪法进行比较,结果表明,本文提出的消噪法优于其他三种消噪法。

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。

基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法

近年来,受气候变化及人类活动的影响,使水文情势发生变化,导致频率计算中水文资料不再满足一致性的前提假设。为进行非一致性条件下的水文频率计算,提出基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法,首先应用去趋势预置白Mann-Kendall-Pettitt方法对水文序列进行一致性检验;其次应用EEMD方法对非一致水文序列进行修正;最后对修正的序列进行水文频率计算。统计试验和实例证明,TFPW-MK-Pettitt方法适用于我国水文序列的一致性检验;该方法运用于1956～2012年宜昌站径流序列,检验出有下降趋势;运用EEMD方法对该序列进行修正后,频率计算得出各设计值较未修正的设计值小10%左右。

基于EEMD峰度阈值变压器振动信号降噪方法

针对信号中的噪声影响基于振动信号的变压器早期故障诊断结果,提出一种基于集合经验模式分解自相关系数峰度阈值的降噪方法。该方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量,然后根据两者自相关函数特性的不同,利用峰度值剔除噪声,拾取有用信息。仿真信号和变压器振动信号的降噪结果表明,该方法的降噪性能优于其他方法。

基于EEMD的重燃压气机液压IGV系统内泄漏诊断

重型燃气轮机中轴流压气机的进口导叶(IGV)系统中,液压油缸在变化的运动位移和负载条件下工作。液压油缸的内泄漏故障会导致IGV系统累积偏差超过限度,引发燃气发电机组跳闸。针对此故障,根据液压油缸一侧油腔的压力信号,提出了一种基于集合经验模态分解(EEMD)和希尔伯特变换(HT)的诊断方法。该方法先将压力信号通过EEMD方法分解成一系列固有模态函数(IMF)分量,然后应用HT方法对第一个IMF分量进行变换,获得瞬时幅值,最后得到瞬时幅值的绝对均值。通过IGV模拟实验台的实验证明,提出的诊断方法能够有效地检测液压油缸有无内泄漏发生,以及泄漏的程度。

基于EEMD与AR建模的风电场风速预测

针对风速时间序列的非平稳性与非线性，提出一种基于集合经验模式分解（EEMD）与AR建模分析的风电场风速集成预测方法。首先运用EEMD对风速序列进行预处理，将其分解为一系列相对平稳的固有模态分量（IMF），突出原始风速序列的局部特征信息；然后利用AR建模对各分量进行预测分析，降低建模难度与预测成本；最后，将各分量的预测结果利用最小二乘法求得权值后进行集成得到风速序列的预测结果。风电场实测数据验证表明，相比单一的AR建模预测和基于EMD的AR集成预测，该方法有效地提高了预测的精度。

基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。

基于EEMD-MRA方法的LIBS信号处理研究

LIBS技术优点众多,但由于光谱噪声干扰和基体效应等因素,影响了分析的准确度[1];EEMD方法能清晰的将LIBS信号中的不同特征成分自适应的分解开来。MRA方法能够补偿元素信号之间的互干扰,可进一步提高LIBS信号的准确性。通过自行搭建的测试系统获得了标准样品的原始信号,使用EEMD-MRA方法进行处理后,元素浓度曲线的决定系数R^(2)得到了极大的提高,大大的提高数据的准确性,为LIBS信号的处理提供了一种全新的方式。

基于EEMD和Husrt指数的GNSS基准站的垂向速率估计

连续的全球卫星导航系统(GNSS)基准站的坐标时间序列中包含了复杂的噪声信号、非构造形变及其它因素的影响,尤其在垂直方向,对GNSS基准站在国际地球参考框架(ITRF)下的运动速率估计产生了较大的干扰。为进一步提高速率精度,文中采用整体模态分解(EEMD)方法对GNSS基准站的垂向观测时间序列进行分解,并根据各种信号的Hurst值进行分类及重构为噪声信号、季节性信号和长期趋势信号,采用最小二乘方法拟合长期趋势信号得到垂向速率。通过对中国大陆构造环境监测网络(CMONOC)的GNSS台站从2001—2013年近13a的垂向坐标时间序列的实例分析,采用基于EEMD和Husrt指数的最小二乘法能够准确地估计GNSS基准站的垂向速率。

改进集合经验模态分解法在轴承性能演变评估中的应用

针对传统相关系数法没有充分考虑集合经验模态分解(EEMD)后的各内禀模式函数与原数据的非线性相关性及概率密度函数问题,提出一种改进的EEMD法,结合模糊理论对滚动轴承服役过程中的性能演变程度进行评估,通过实验验证所提方法的有效性。案例研究结果表明,滚动轴承服役过程中性能演变系数有明显的单调减小趋势,且最小演变系数值小于0.5,表明轴承振动性能已经发生严重演变。

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。

基于SVD-EEMD和TEO*的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。

基于EEMD的地铁隧道爆破振动信号分析与应用研究

针对EMD(empirical mode decomposition,经验模态分解)方法在处理爆破振动信号时存在模态混叠的问题,引入EEMD(ensemble empirical mode decomposition,集合经验模态分解)方法,对爆破振动信号进行去噪处理,并分析城市隧道掘进爆破振动信号的特征信息,从而研究城市隧道掘进爆破振动效应。以乌鲁木齐轨道交通1号线爆破开挖工程为依托,利用现场爆破振动监测数据,采用EEMD方法与EMD方法对原始爆破振动信号进行去噪处理,运用信噪比(SNR)法和均方根误差(RMSE)法对所得结果进行量化评估并进行比较,从而获得较准确的信号去噪方法,然后运用希尔伯特变换对去噪后的爆破振动信号进行时间-频率和能量分布特征分析。研究表明:1)EEMD法去噪结果信噪比和均方根误差分别为30.51和0.005 5,EMD法去噪结果信噪比和均方根误差分别为20.88和0.010,EEMD去噪法要优于EMD去噪法;2)在文章所述起爆方式下,隧道爆破振动的能量一般集中在频率段5~80 Hz,且主要分布在50 Hz以下的低频段,应采取合理的降震增频措施来控制爆破振动对建(构)筑物的影响;3)爆破振动瞬时能量峰值与振速峰值所在的时刻一致,说明瞬时能量谱能较好地体现爆破过程中振动效应随时间的变化规律;4)基于信号去噪及分析的研究结论,提出地铁隧道爆破振动控制技术。

基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型。该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测,最后将IMF序列和R进行等权求和得到渗流量预测值;讨论了该模型训练集的样本数及时长、预测集个数的选择和突跳点的处理等相关情况。工程算例验证结果表明,EEMD-RVM模型拟合预测精度高,且预测精度明显高于RVM模型以及GA-BP模型,验证了该模型的可行性。

基于HS算法优化的EEMD-RNN混凝土坝位移预测模型

由于混凝土坝位移的监测过程中存在噪声误差,使得智能算法预测位移时容易出现过拟合、局部最小值及收敛速度慢等缺点。为了解决上述存在的问题,首先采用集合经验模态分解法(EEMD)对位移实测值进行分解,得到不同频次的分量IMF和剩余量R,然后通过递归神经网络(RNN)对各分量和剩余项进行训练,得到环境量和时效与IMF及R的映射关系,最后通过模型得到的映射关系可求各分量和剩余项的响应预测值,并进行等权求和可得位移的预测值。在RNN训练过程中引入和声搜索算法(HS)对其进行优化,系统性去噪,以一定的概率限差函数进行扰动以得到最优解,从而优化了RNN的权重及阈值,提高了模型的健壮性。以某混凝土坝为计算案例,结果表明,HS-EEMD-RNN模型的整体拟合和预测的精度较高、过拟合程度小,与EEMD-RNN模型对比可知,HS算法可以明显提高其模型精度,并且对位移过程线的突跳值预测的精度高。

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS(Mask Signal)和EEMD(Ensemble Empirical Mode Decomposition)方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。

基于EEMD和萤火虫算法优化SVM的溶解氧预测

养殖池塘中的溶解氧(DO)对水产品的生长和品质有着至关重要的作用。为了提高溶解氧预测的准确性和有效性,提出了一种基于集合经验模态分解(EEMD)和萤火虫算法(FA)优化支持向量机(SVM)的组合预测模型。首先,将DO时间序列通过集合经验模态分解为一组去除噪声的并相对稳定的子序列。接着,利用相空间重构(PSR)重建分解子序列,在相空间中用SVM对各子序列进行建模预测。然后,利用萤火虫算法对SVM的参数进行优化,建立基于SVM的预测模型,最后得到原始DO序列的预测值。为了获得未来24小时的预测结果,采用单点迭代法实现多步预测。仿真结果表明,所提出的EEMD-FA-SVM组合预测模型比FA-SVM、EEMD-FA-BP和EEMD-PSO-SVM等模型具有更好的预测效果,能够满足现代渔业养殖水质精细化管理的高需求。