EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量(IMF),剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM(1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM(1,1)模型具有更高的应用价值。

一种EMD端点延拓算法及其在齿轮故障诊断中的应用

经验模态分解(Empirical Mode Decomposition,简称EMD)是目前分析非平稳信号的有效方法,但在分解过程中由于存在着严重的端点效应而影响分解结果。利用灰色理论的GM(1,1)模型来预测和修正端点的延拓值,使得在筛分过程中可以得到有效的三次样条插值包络线,从而抑制端点效应。通过对齿轮故障信号的分解验证,结果表明该方法是合理的。