基于DEMD和对称差分能量算子解调的滚动轴承故障诊断

针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。

基于DEMD的视频分割方法及其在视频水印中的应用

提出一种基于方向经验模式分解(directional empirical mode decomposition,DEMD)的视频分割方法,并结合独立分量分析(independent component analysis)技术实现视频水印的嵌入.基于DEMD的视频分割方法除去视频帧中反映图像内光照分布与能量的最低频率固有模态函数(intrinsic mode function,IMF)分量,并选择一种简单有效的运动补偿方法,解决了传统基于直方图方法对光照突变、镜头内物体运动和镜头运动及拉伸的敏感问题,减少了镜头边界识别的误检率,在保证召回率不受影响的前提下提高了视频分割的精确度.使用这种视频分割方法与ICA结合,对分割出的每个视频段进行ICA分析得到一系列独立分量帧,以这些独立分量帧为载体,采用一种改进的基于小波域量化的图像水印技术嵌入水印,实现对视频加入水印的过程.实验结果表明,这种视频水印方法对各种水印攻击均有较好的鲁棒性,同基于传统直方图方法的视频水印方法相比较,对丢帧和持续时间不变减少帧数等攻击具有更好的鲁棒性.

基于DEMD与多尺度几何分析的图像压缩方法

研究了基于方向预测偏差度以及模式经验分解(DEMD)的图像分解方法.对于分解所得到的图像高频信息提出采用基于JPEG 2000的9-7小波进行压缩,而对其他的图像分量则实施Bandelet变换处理.从而得到一种高保真图像压缩新方法.仿真实验表明,本文方法在恢复图像质量方面优于广为采用的JPEG 2000以及原有的几何多尺度分析方法.

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。

多角度基于CEEMDAN-CNN-BiLSTM模型的锂离子电池RUL预测

通过构建模型对锂离子电池剩余使用寿命进行预测,并探究温度及网络参数对所构建模型预测精准度的影响,进而提高模型的预测精准度。提出自适应噪声完全集合经验模态分解(CEEMDAN)和一维卷积神经网络(1D CNN)与双向长短期记忆(BiLSTM)神经网络相结合的锂离子电池剩余寿命预测方法。选取容量作为健康因子,然后利用CEEMDAN对复杂不平稳数据进行分解,得到稳定的分量。利用1D CNN对锂离子电池容量数据进行深度挖掘,最后利用双BiLSTM神经网络建模对锂离子电池剩余使用寿命(RUL)进行预测。采用NASA数据集和CALCE数据集进行测试,在不同温度与网络参数下进行预测效果对比,并与BiLSTM模型、SVR模型、CNN-BiLSTM模型进行预测对比。

基于QMD-HBi GRU的短期光伏功率预测方法

为了解决光伏功率数据固有的强不确定性导致单一预测模型预测精度不高的问题,提出一种基于二次模态分解和混合双向门控循环单元模型(hybrid bi-directional gated recurrent unit, HBiGRU)的短期光伏功率预测方法。首先,为应对光伏功率数据的不确定性,基于自适应噪声完备集合经验模态分解、样本熵和变分模态分解对光伏功率数据进行处理,得到一系列较为平稳的本征模函数分量;其次,构建HBi GRU模型以充分挖掘各分量与光伏功率影响因素之间的特征关系,得到各分量预测结果;最后,将各分量预测结果叠加得到短期光伏功率预测结果。以澳大利亚某地光伏电站数据进行测试,仿真结果表明:所提集成预测模型能够有效提高短期光伏功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%,决定系数提高了22.7%。

基于CVMD-TCN-BiLSTM的短期电力负荷预测

短期负荷数据往往掺杂着不同类型的噪声且波动性大,传统的分解序列方法在提取序列特征时并未考虑到高频噪声的影响。针对上述精准预测问题,介绍一种分解去噪、重构分解的CVMD-TCN-BiLSTM组合预测方法。采用互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)将原始电力负荷数据分解成一组比较稳定的子序列,联合小波阈值法将含有噪声的高频分量去噪,保留含有信号的低频分量进行累加重构。然后利用变分模态分解(Variational mode decomposition,VMD)对去噪后的数据进行二次信号特征提取,得到一组平稳性强且含不同频率的分量。最后,利用时序卷积网络-双向长短时记忆神经网络对各分量进行了预测,并将预测结果进行迭代,获得完整的预测结果。通过对澳大利亚某地的负荷数据作为实例分析,与传统的负荷预测算法相比,验证了所提模型的有效性。

考虑多尺度输入及优化CNN-BiGRU的短期负荷预测

短期的负荷预测是市场规划的重要前提且能有效保障电力系统的安全稳定运行,由于电力负荷随机性强、波动性大等问题导致预测精度难以提高,针对于此,提出了一种基于CEEMDAN-PE-SSA-CNN-BiGRU的短期电力负荷预测方法。首先,对于复杂多变的电力负荷数据采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)为子序列,计算其子序列的排列熵(permutation entropy, PE),将熵值相近的子序列重构得到新序列,降低了原始数据非平稳序列对预测精度的影响并优化计算量;其次,对重组序列进行特性分析,根据重组序列不同周期进而选取多尺度输入并搭建CNN-BiGRU预测模型。最后,选用麻雀搜索算法(sparrow search algorithm, SSA)来优化模型超参数通过汇总所有预测序列从而得到最终预测数据。使用本文模型以西班牙用电负荷为实例并与单一模型和组合模型进行对比,实验表明该模型预测效果更佳。

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。

基于模态分解和自注意力机制的短期负荷预测

电力负荷数据的波动性和非平稳性一直是负荷预测的难点,直接构建预测模型的预测效果较差。为此,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和结合自注意力机制(SAM)的双向长短期记忆网络(BiLSTM)的电力负荷预测方法。该方法首先利用CEEMDAN算法将电力负荷数据分解为多个本征模态分量,降低原始负荷数据的波动性;然后对每个负荷分量分别构建SAM-BiLSTM网络预测模型;最后,将分量预测结果叠加重构得到电力负荷预测结果。实验结果表明,CEEMDAN-SAM-BiLSTM算法相比较于SVR、DNN、LSTM和BiLSTM预测精度分别提升了2.78%、1.99%、1.28%和0.96%,有效地提高了负荷预测精度。

基于经验模式分解处理局部放电数据的自适应直接阈值算法

根据局部放电信号的特征,将经验模式分解(EMD)应用于局部放电信号分析中,提出了处理局部放电数据的自适应直接阈值(ADT)算法。首先,将基于EMD的时空滤波方法应用于局部放电数据的预处理中。与传统滤波方法相比,该方法无需预定义滤波器系数,而且能够充分保留原始信号本身所固有的非平稳特征。其次,为了最大限度的抑制噪声干扰,进而提出了ADT算法。该方法不存在小波方法中的小波基选取问题,以多分辨率的EMD为基础,结合3σ准则自适应地确定分解尺度和阈值,是一种完全的数据驱动型方法,具有较好的自适应能力和综合处理性能。仿真数据和试验数据的处理结果表明了该方法的有效性。

基于经验模态分解自适应滤波的次同步振荡ESPRIT分析

ESPRIT是一种可以准确辨识电力系统次同步振荡模态的算法,但在有噪声的情况下模态参数辨识不理想。提出利用经验模态分解滤波进行改进,然后与未经滤波的ESPRIT算法和PRONY算法进行比较以证明其有效性。仿真结果表明,经验模态分解可实现自适应滤波,且基于经验模态分解滤波的ESPRIT算法的准确性进一步提高。鉴于经验模态分解滤波的自适应性和ESPRIT算法辨识的快速、准确特性,可将此方法用于电力系统SSO在线检测,并为大电网的SSO的监测与研究奠定了基础。

基于经验模式分解与混沌分析的直接多步预测模型

直接多步预测不依靠单步预测的结果而直接使用测量数据,效果理想,但往往要求模型能够学习多种不同的目标函数.本文建立的直接多步预测混合模型,使用模式分解方法把原始时间序列分解成不同尺度的基本模式分量,再经混沌分析和神经网络进行组合预测,减小了各步预测模型之间的差别,提高了模型对多种目标函数的学习能力,有效提高了预测精度.最后,通过基准时间序列验证了本模型的优越性.

一种基于ITD算法的直扩信号检测算法

固有时间尺度分解(ITD)算法是一种局域波分解算法,该文对直接序列扩频信号ITD分解,提出了一种通过频域粗搜索和细搜索分别检测直扩信号码片速率和载波频率的快速算法。该算法以瞬时幅度作为分析参量,先设置截止频率对信号低通滤波处理,并通过引入伴随频率达到抑制噪声的目的,利用了固有时间尺度分解算法时频分辨率高,运算速度快的优势。仿真结果显示在-15dB信噪比下能够有效地检测出码片速率和载波频率。

基于EMD和有向因子图的航天器故障诊断

为了消除噪声对提取传感器信号中故障特征的影响,同时在系统模型不精确条件下,描述故障在系统部件间的传播方式.本文提出了一种基于经验模态分解(EMD)和有向因子图(DFG)的故障诊断方法.对传感器信号进行经验模态分解得到的内部模态函数(IMF),提出采用能量做为其零点区间包含噪声成分的评价指标,基于信号内部模态函数的区块能量消除其噪声成分.对无法精确建模的物理系统,提出使用有向因子图描述系统组成部件间的因果关系,应用概率推理实现故障诊断.通过对航天器电源系统供电模块的实例分析,验证了方法的有效性.

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解(EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.

基于优化求导经验模式分解法的谐波检测方法

为准确实时监测抑制电力系统谐波,提出优化求导经验模式分解(DEMD)算法的谐波电流检测法。该法将电流信号分解成内在模式函数(IMF),精确捕捉信号中非线性和不稳定的谐波分量;该法用端点的一阶导数为参数用埃尔米特多项式得到上下包络线,以此解决端点效应问题。使用该法设计了谐波检测器并进行仿真实验,结果表明:该法可精确地分解信号的基波和谐波分量,余量与原信号的趋势分量相关系数(CORR)为0.998,相对均方根误差(RRMSE)仅0.0191,抑制了端点效应;且该法能够实时跟踪检测非平稳信号,基波与原信号延时仅为4μs,满足有源电力滤波器(APF)需要。

冲激超宽带雷达生命信号提取的新方法

冲激超宽带生命探测雷达中,传统的平均相消法不能有效去除直达波,从而影响目标回波信号的提取;同时对回波数据中呼吸、心跳信息的提取仍然基于FFT从频域上进行,因而呼吸信号谐波对心跳信号检测的干扰未得到很好解决。针对这两个问题,采用宽带互相关法对回波时延进行估计,然后提取各个回波时延序列的均值与方差作为特征量,采用C-均值聚类算法对回波进行分类,实现直达波与目标回波的分离;采用经验模态分解将目标回波时延序列分解成有限个固有模态函数,从时域上提取呼吸和心跳信号,从而避免呼吸谐波对心跳信号检测的干扰。

基于方向经验模型分解的纹理合成

提出的纹理合成算法首先将样本纹理通过方向经验模型分解求得其固有方向;然后在该方向上进行方向经验模型分解,获得一系列分解图像;在各级图像上应用方向经验模型分解提取出的特征值来搜索匹配块,采用相关搜索来完成各级图像的合成;将其进行合并,得到在该方向上的合成图像;最后沿固有方向进行逆旋转变换,得到最终的合成结果.实验结果表明,该算法不仅合成质量高,而且简单、快速.

基于经验模态分解算法的直驱XY平台交叉耦合迭代学习控制

在直驱XY平台系统的交叉耦合迭代学习控制(crosscoupled iterative learning control,CCILC)过程中,由于每次运行时轮廓误差的累积,会导致系统出现收敛速度降低甚至发散的现象。针对这一问题,提出一种与经验模态分解(empirical mode decomposition,EMD)算法相结合的CCILC控制方法。首先设计CCILC控制器,直接降低轮廓误差。然后,利用EMD算法分解CCILC过程中的轮廓误差,筛选并剔除其中的发散分量,提高收敛速度和轮廓精度。仿真和实验结果表明,与传统CCILC相比,所提出的控制方法能够使直驱XY平台系统的轮廓跟踪效果更好,并且使输出轨迹在较少的迭代次数下快速且精确地收敛到期望轨迹。