基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

基于经验小波变换的SOFC泄漏故障诊断

固体氧化物燃料电池(SOFC)电堆通常在700℃以上的高温下工作。电堆所用密封剂在高温下易退化失效,导致泄漏故障,引发电堆的热失控和损坏,影响系统运行稳定性。提出一种基于电堆温度和电压信号的经验小波变换(EWT)诊断方法。通过EWT分解温度和电压信号,得到多分辨率分析(MRA),分析其中故障特征明显的MRA信号,求出时域特征,通过设定的阈值判断是否发生泄漏。通过千瓦级电堆实验平台数据,验证EWT诊断方法可较好地检测电堆泄漏故障,且相较于电压信号,温度信号的诊断更迅速。与集合经验模态分解诊断方法相比,EWT方法可更快地诊断出泄漏故障。

EMD-Wavelet降噪模型在动态变形数据处理中的应用

针对由于多路径等因素的影响,采用GPS进行动态监测数据精度不能满足变形分析需要的问题,结合小波和经验模态分解(EMD)数据降噪方法,提出一种新的动态变形数据降噪模型EMD-Wavelet模型。将该模型用于动态坐标序列的降噪处理,通过小波方法对EMD分解的模态分量进行降噪,EMD对降噪后的模态函数进行重构,得到去噪后的坐标序列。与Wavelet、Kalman滤波、Kalman平滑和EMD相比较,EMD-Wavelet模型可以得到相对较高的信噪比和最小的均方根差、归一化绝对误差和偏差,表明EMD-Wavelet模型在GPS动态变形监测数据处理中相对较优。

基于EWT和NeuralProphet-MLP的蜂窝网络流量长期预测方法

蜂窝网络流量长期预测对网络扩展和优化具有重要意义,针对长期预测中数据可用性低以及非线性等弊端所带来的诸多挑战,提出一种基于分解的分频预测模型。分别采用NeuralProphet模型和多层感知机对分解出的低频分量和中高频分量进行预测,最后对各分量预测结果进行逆经验小波变换得到最终结果。在真实的蜂窝网络流量数据集上进行验证,结果表明所提方法相较于传统预测模型在准确度上有较大提升,具有较好的应用价值。

基于EWT-CNN-BiGRU的多特征电力负荷预测模型

针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将时序数据映射至频域以获取子序列,最后,通过卷积神经网络和双向门控循环单元融合模型实现对电力负荷数据的预测。该预测模型使用德国某联合循环电厂的时序数据进行实验验证。结果表明,该预测模型获得99.463%的拟合优度,具有较好的预测效果。

基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略

当前供能管道巡检策略由于对管道的缺陷特征提取不够纯净,导致缺陷定位准确度差,因此,提出了基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略。利用移动GIS技术采集管道数据,根据管道数据采用改进经验小波变换模型对管道缺陷特征进行提取,其树状结构的子频带自分解能够准确分辨出缺陷源信号与其他干扰信号,提取到更加纯净的缺陷特征,并对缺陷特征向量特征集进行滤波,从而计算出管道缺陷的具体位置。在实验论证中,对提出的策略的定位准确性进行了验证,结果表明,提出的策略应用于供能管道巡检中,对管道缺陷定位的准确性较高。

EMD-Wavelet-ICA耦合模型及其在GPS坐标序列降噪中的应用

在分析比较经验模态分解(EMD)、小波变换(Wavelet)和独立分量分析(ICA)优缺点的基础上,提出一种新的EMD-Wavelet-ICA耦合模型。该模型充分利用了EMD的自适应性,对原始信号进行分解获得不同频率的模态函数(IMF),采用标准化模量的累计均值对IMF进行尺度划分;进而分别采用Wavelet和ICA对高频和低频IMF进行降噪,将降噪后的IMF进行多尺度重构,获得降噪后的信号;采用信噪比、标准差、偏差和相关系数等指标对降噪效果进行评价。仿真数据和GPS坐标序列的处理结果表明:与EMD模型和EMD-ICA模型相比,新模型的标准差、偏差均有不同程度的减小;信噪比和相关系数有一定程度的增大,可以获得更好的降噪效果。

Wavelet-VMD融合算法在管道泄漏检测的研究与应用

为了实现在管道泄漏时精准定位泄漏点,对管道运行过程中泄漏所产生的次声波信号内的干扰噪声问题进行研究,通过研究小波变换、经验模态分解和变分模态分解等常见的降噪算法以及泄漏的声波特点,将小波阈值降噪和变分模态分解进行融合,提出一种新的小波变换-变分模态分解降噪算法。在环形管道实验平台进行实验,应用该算法对实际采集的管道泄漏次声波信号进行降噪处理,实验表明,该融合算法对泄漏信号的降噪性能良好,对于泄漏孔径为Ф4的泄漏点定位精度可达1.71%。

基于AR-EWT和SSI的桥梁结构模态参数识别

为解决随机子空间识别(SSI)算法存在的系统定阶困难问题,避免各模态之间的相互影响,提出一种结合自回归功率谱经验小波变换(AR-EWT)和SSI的桥梁结构模态参数识别方法。首先,采用AR-EWT将结构不同测点的振动响应信号分解成一系列仅含单一模态信息的单分量信号,并利用奇异值分解(SVD)去噪单分量信号。然后,组装所有测点中包含相同模态信息的单分量信号。最后,利用SSI分别处理各组单分量信号,识别结构的自振频率、阻尼比和振型。ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果表明:所提出的AR-EWT结合SSI的模态参数识别方法可避免直接利用SSI识别模态参数时存在的系统定阶问题,提高模态参数识别效率;ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果与直接利用SSI的识别结果、有限元分析结果基本一致。

基于组合注意力模型EAAT的云KPI数据预测方法

为了准确分析云计算集群日常监控中KPI(Key Performance Indicator)数据的动态和变化趋势,并预测后续发展,达到提高云计算集群高可用性的目标,本文提出三分频的基于组合注意力模型的EWT-ARIMA-Auto-TPA (EAAT)云KPI数据预测方法.首先基于经验小波变换(Empirical Wavelet Transform, EWT)得到云KPI数据低中高频的内在模态变量(Intrinsic Mode Functions, IMFs)降低数据预测的复杂程度.其次,根据分解得到的低中高频IMFs信息特征,分别运用ARIMA、Autoformer、TPA-BiLSTM模型对每类IMFs进行预测.最后,将分类预测后结果经过逆变换IEWT加以合并得出预测结果.本文预测方法在谷歌和亚马逊的4个数据集上得到了验证,无论数据是否具有周期性或者稳定性,本文预测方法都有较好的结果,综合效果比对比模型有较大提升.

基于EWT-GRU-RR的配电网短期电力负荷预测模型

随着间歇分布式电源的大规模并入,电力负荷的波动性和非线性特征日益明显,现有单一预测模型较难实现精准预测。本研究提出一种经验小波变换(EWT)、门控循环单元(GRU)和岭回归(RR)相结合的短期电力负荷预测模型EWT-GRU-RR。首先,应用灰色关联度选取与负荷高相关性的气象耦合因素,作为相似日的分类指标;然后,采用皮尔逊系数法对类别内的负荷进行最佳相似日选取以减小计算规模;接着,采用EWT将相似日负荷数据分解得到不同频率的负荷模态序列;最后,采用GRU与RR分别对不同频率模态序列进行多步预测,并将预测分量叠加得到最终负荷预测结果。实验结果表明,本研究所提模型的预测误差较单一预测模型GRU减少了77%以上,较支持向量机回归(SVR)减少了75%以上,较先采用经验模态分解(EMD)进行分解再采用径向基函数神经网络(RBF)和RR组合预测模型EMD-RBF-RR减少了75%以上,较先采用EMD进行分解再采用GRU和RR组合预测模型EMD-GRU-RR减少了76%以上,有效提高了负荷预测精度。

基于经验小波变换的鄱阳湖COD_(Mn)预测

高锰酸盐指数(COD_(Mn))是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_(Mn)时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_(Mn)预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_(Mn)监测数据为研究对象,进行模型性能验证。结果表明:EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_(Mn)时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_(Mn)时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_(Mn)峰值处,该模型依然保持较高稳定的预测性能,说明在数据相对复杂、极端的情况下,该模型依然适用。

大跨径桥梁变形监测数据的组合降噪方法研究

为了准确提取桥梁GNSS监测数据中的有效变形特征,本文充分发挥自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与小波变换(Wavelet Transform,WT)在信号降噪中的优势,将二者结合进行桥梁GNSS监测数据降噪。首先通过CEEMDAN方法将原始监测数据分解为若干个本征模态函数(Intrinsic Mode Function,IMF),并通过相关系数识别出有效IMF分量,包含噪声的IMF分量以及无效IMF分量;其次使用WT软阈值降噪方法对包含噪声的IMF分量进一步降噪;最后重构降噪后IMF分量与有效IMF分量。通过仿真实验数据与苏通大桥实测GNSS数据对本文方法的有效性与优越性进行检验,结果表明,本文方法具有良好的降噪效果,能够有效提取桥梁的真实变形信息。

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。

基于二次自适应支持向量机的光伏输出功率预测

针对传统相似度函数在聚类过程中所存在的问题,提出改进灰色-欧氏距离相似度函数,并将历史样本日模糊聚类分为若干类。另外,考虑到光伏输出数据的复杂性,该文结合小波分解(WD)和集成经验模态分解(EEMD)的各自优势,对光伏数据作双分解处理,得到趋势分量与细节分量,然后采用二次自适应支持向量机模型分别进行光伏功率预测。最后,采用美国俄勒冈州某处光伏发电场的实测数据实验,验证模型的实用性和可行性。

单频载波相位的周跳探测与修复算法研究

为了获得高精度的导航定位结果,必须对载波相位中的周跳进行快速准确地探测与修复。分析了周跳产生的原因及特点,将周跳看作载波相位测量数据的奇异点,在此基础上提出了一种新的载波相位周跳探测与修复方法。首先对载波相位测量数据进行4次差分预处理;然后对差分序列进行小波变换,通过小波系数的模量极大值点的位置准确探测出周跳发生的历元;最后对周跳发生前的相位数据建立基于经验模式分解与径向基神经网络的组合预测模型,通过对比预测值与实际测量值的大小来修复周跳。应用实际数据对算法进行验证,结果表明:新方法适用于单频载波相位数据,可以对1周以上的周跳进行准确探测与修复。

基于自适应无参经验小波变换和选择集成分类模型的运动想象

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,基于澄碧河流域坝首站1979—2019年共41 a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明:EWT-PSO-Elman模型的纳什效率系数为0.913 5,均方根误差为19.451 1,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。

基于EWT-ARMA的短期电离层TEC预测模型

针对电离层总电子含量(TEC)数据非线性、非平稳的特点,在自回归移动平均(ARMA)模型的基础上,结合经验小波变换(EWT),提出一种组合的短期电离层预测方法。采用IGS提供的电离层TEC格网数据进行实验,通过对比分析可知,相较于单一ARMA模型,本文组合模型在太阳活动低年和太阳活动高年5 d内的平均相对精度分别提高4.8%和2.8%,前1 d内组合模型的平均相对精度分别提高7%和6.1%。

EWT-Elman组合模型短期电离层TEC预报

针对电离层总电子含量(TEC)非线性、高噪声的特点,建立基于经验小波变换(EWT)和Elman神经网络的短期电离层组合预报模型。运用该模型对不同地磁环境的电离层TEC时间序列进行建模预报,结果表明,EWT-Elman组合模型可反映电离层TEC的变化特征,地磁平静期预测平均相对精度为93%,均方根误差为1.04 TECu;地磁扰动期预测平均相对精度为92.4%,均方根误差为2.18 TECu。单一Elman模型、EMD-Elman组合模型以及EWT-BP组合模型在地磁平静期平均相对精度最高为90.7%,均方根误差最小为1.33 TECu;地磁扰动期平均相对精度最高为90.7%,均方根误差最小为2.57 TECu。对比其他模型,本文方法预测效果最优。