基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

Feature Abstracting and Identification of Acoustic Target in the Battle Field Based on EMD

The method of empirical mode decomposition(EMD) was used for the signal processing and featureing of acoustic target of battle field. According to the signal's characteristics of different targets, some feature vectors in token of the target properties were constructed and abstracted. In the basis of feature abstracting and statistic analysis for large amount of sample signal of the targets, using the maximum subjection classification method based on the fuzzy synthesis judgment, the three typical acoustic target helicopter, tank and traffic vehicle were recognized.

基于EMD-SSSC分解的振动信号去势

提出一种基于经验模态分解和软筛分准则的振动信号去势方法EMD-SSSC(Empirical Mode Decomposition-Soft Sifting Stopping Criterion,EMD-SSSC),根据软筛分准则自适应控制筛分过程,改善本征模态函数的混叠问题,提高经验模态分解的精度与效率,从而有效去除振动信号的趋势项。通过解析函数和两自由度弹簧-质量-阻尼系统验证该方法的有效性和精度,并进一步将其应用于实际岸桥结构健康监测中加速度响应的去势。结果表明:采用EMD-SSSC方法可以准确剔除振动信号中的趋势项,去势精度远高于最小二乘法;所提出方法既可有效用于数值积分中因积分常数的存在而出现的趋势项,也可合理去除工程实际监测信号中的趋势项。

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

联合TVF-EMD和SSA降噪的轴承故障特征提取

针对滚动轴承早期故障信号微弱、故障特征难以提取的问题,文章提出了一种基于时变滤波经验模态分解(time-varying filtering based empirical mode decomposition,TVF-EMD)模态分量自适应融合与奇异谱分析(singular spectrum analysis,SSA)降噪的滚动轴承早期故障特征提取方法。首先,为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列内蕴模态函数(IMF)。其次,为了克服TVF-EMD分解后IMF分量过多的不足,利用IMF的峭度、复杂度和分形维数构造了复合敏感模态判定因子(composite sensitive mode determination factor,CSMDF),通过CSMDF对IMF分量进行降序排列,并依据复合敏感模态判定因子递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SSA对最优融合分量降噪,对降噪后分量进行Hilbert包络谱分析,实现轴承故障的特征提取。通过仿真故障信号以及两个实测故障信号对所提方法的性能进行了试验分析,试验结果表明,该方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确地提取出轴承早期故障特征,实现噪声环境下轴承故障类型的准确识别。

Oil Price Forecasting Based on EMD and BP_AdaBoost Neural Network

Empirical mode decomposition (EMD) and BP_AdaBoost neural network are used in this paper to model the oil price. Based on the benefits of these two methods, we predict the oil price by using them. To a certain extent, it effectively improves the accuracy of short-term price forecasting. Forecast results of this model are compared with the results of the ARIMA model, BP neural network and EMD-BP combined model. The experimental result shows that the root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) and Theil inequality (U) of EMD and BP_AdaBoost model are lower than other models, and the combined model has better prediction accuracy.

基于f-x EMD波场分离的绕射多次波压制方法

自由表面多次波压制(SRME)方法是海洋地震数据处理中的关键步骤。当存在崎岖海底条件时,绕射波十分发育,常规SRME算法很难将复杂绕射多次波有效消除。对压制效果较差的多次波进行成因分析,首先基于f-x EMD波场分离算法,将全数据分解为反射部分和绕射部分,再对其进行多次波预测,获得绕射预测多次波子集:反射-绕射预测多次波、绕射-反射预测多次波和绕射-绕射预测多次波。然后,改进常规SRME算法的迭代过程,在SRME的迭代过程中使用与原数据中多次波更加匹配的绕射多次波子集进行多次波压制。与常规SRME算法的对比结果表明,改进的SRME算法在理论数据和实际数据处理中对多次波的压制都取得更好的效果。

基于EMD-LSTM人工神经网络的云冈石窟环境参数预测

环境参数会直接影响石窟的风化过程,因此,预测环境参数是进行云冈石窟有效保护的重要内容.以云冈石窟第十窟为例,将壁温、环境湿度、环境温度的实测时序数据作为环境参数,使用经验模态分解(empirical model decomposition,EMD)对实测时序数据进行分解,研究了固有模态函数(intrinsic mode function,IMF)分量与实测时序数据的相关性,建立了基于EMD-长短期记忆(long short-term memory,LSTM)的人工神经网络(artificial neural network,ANN)组合模型.使用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(R2)作为评价指标,对比分析了使用组合模型与使用单一LSTM的ANN模型进行环境参数预测的效果.结果表明:IMF分量的变化速率越大,与实测时序数据的相关性就越强;对于组合模型中的LSTM网络模型,当隐藏层层数和初始学习率分别取2和0.001时,组合模型预测效果最优;与单一LSTM的ANN模型相比,使用基于EMD-LSTM的ANN组合模型,环境参数的MAE、RMSE、MAPE值减小、R2值增大,模型预测精度提高;环境参数预测效果主要受环境参数变化幅度的影响,变化幅度越小,组合模型预测效果越好.研究成果对于石窟文物保护具有一定的参考价值.

基于EMD和小波包变换的天气雷达回波去噪方法

C波段多普勒天气雷达回波数据由雷达回波信号和噪声构成,噪声严重影响雷达基本反射率的准确性。利用EMD方法对雷达回波信号进行分解后,将含有噪声的高频IMF分量去除,可实现去噪,但是容易损失有用信号。针对有降水特征的雷达基本反射率数据,提出基于EMD和小波包变换的多普勒天气雷达回波去噪方法,并与EMD方法去噪结果进行比较。研究结果表明,该方法能更加有效地去除雷达回波信号中的噪声,并降低了信号特征损失。

小波变换与EMD方法在高铁雨棚数据降噪处理中的适用性分析

针对高铁雨棚长期监测数据中的噪声处理问题,分析了典型高铁雨棚监测信号的噪声特性,在此基础上,采用小波变换和经验模态分解EMD(empirical mode decomposition)方法对雨棚实测风压、应力、振动等典型信号进行降噪处理和对比分析。研究结果表明这两种方法在降低监测数据噪声、提高信噪比方面的有效性,并且通过结合主成分分析PCA(principal component analysis)的综合评估进一步证实了EMD在振动类和应力类数据降噪中的优越性。研究为实际工程中降噪技术的选择和应用提供了理论支持。

基于EMD-KPCA-LSTM的抽水蓄能机组振动预测

针对抽水蓄能机组振动信号时间序列高度非线性、非平稳性等导致常规预测方法难以准确预测的问题,构建了结合经验模态分解(EMD)、由主成分分析(PCA)改进的核主成分分析(KPCA)和长短期记忆神经网络(LSTM)的抽水蓄能机组振动预测模型。该模型利用EMD算法首先将振动信号进行分解,再利用KPCA筛选出关键影响因子,最后通过LSTM对特征序列进行时间动态建模,实现对抽水蓄能机组振动预测。试验结果表明,所建模型相较传统的LSTM、EMD-LSTM等预测模型具有更好的预测效果,可以更精确地预测振动信号的变化趋势。

基于EMD-DRSN和ILSO-SVM的水电机组故障诊断

水电机组的振动信号中蕴藏着丰富的机组状态信息,如果能充分地提取并有效地利用其所含的故障特征,将对识别机组状态、诊断机组故障带来极大的便利。为充分地提取振动信号所蕴含的故障特征,将深度残差收缩网络(DRSN)与经验模态分解(EMD)相结合,前者挖掘数据隐藏信息,后者提取时频特征,进而形成融合特征。随后,为有效利用这些故障特征,采用改进光谱优化算法(ILSO)对支持向量机(SVM)的核函数参数G和惩罚系数C进行寻优,以提高SVM的分类精确度。经分析表明该方法能在一定程度上加深对水电机组故障特征的挖掘,提高故障诊断的效率及准确率。

基于改进EMD-小波包的爆破振动信号降噪方法研究

针对经验模态分解(empirical mode decomposition, EMD)存在模态混叠和降噪效果不佳的问题,依据分解—正交—聚类—降噪—重构的思想,提出了改进EMD-小波包的爆破振动信号降噪方法。该方法融合了核主成分分析的正交性、K-means算法的聚类特性以及小波包的降噪优势,不仅可以消除EMD的模态混叠,也具有良好的降噪效果。研究结果表明:与自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis, CEEMDAN)和EMD方法相比,在模拟信号降噪试验中,改进EMD-小波包方法的信噪比(7.9 dB)最大,均方根误差(2.96)最小。在实测爆破振动信号降噪中,改进EMD-小波包方法降噪后的信号与原始信号相关系数最大为0.91。改进EMD-小波包和CEEMDAN方法的降噪效果相对理想,且改进EMD-小波包方法对10~60 Hz低频信号能量保存效果较好,对60 Hz以上中高频噪声的滤除效果最好。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。

MCKD降噪的EMD-ICA滚动轴承故障诊断方法

滚动轴承在强背景噪声条件下的故障诊断通过经验模态分解(Empirical Mode Decomposition,EMD)构造的信号包络或将信号直接包络,在分析诊断过程中可能不会取得理想结果,诊断效果不够明显。文中提出在最大相关峭度解卷积(Maximum Correlation Kurtosis Deconvolution,MCKD)降噪的基础上进行EMD-ICA的滚动轴承故障诊断方法。首先对强背景噪声信号MCKD降噪,再进行EMD分解,经过相关系数及峭度准则的筛选,构造特征频率突出的合成信号,进行独立分量分析(Independent Component Analysis,ICA)处理;然后根据结构计算出故障频率,与包络解调的频率进行对比,得出诊断结论。通过仿真、实验和实际工程数据验证了该方法的有效性。

基于EMD-DESN的无人机集群航迹目的地预测

无人机(unmanned aerial vehicle,UAV)集群作战样式多样、运动模式复杂,导致集群航迹目的地难以预测。为解决上述问题,本文提出了一种基于经验模态分解(empirical mode decomposition,EMD)和深度回声状态网络(deep echo state network,DESN)的UAV集群航迹目的地预测算法。为使集群运动模型更真实地模拟UAV集群作战过程,本文引入航向误差时变方差,改进了Olfati-Saber集群运动模型的虚拟领导项。为处理因群内的协同作用和集群航向误差导致的运动非平稳性,引入了EMD,对UAV航迹序列进行重构。考虑到获知航迹的时序性,设计了滑窗结构,采用DESN对重构航迹的不同时段进行目的地预测。仿真实验结果表明,本文提出的EMD-DESN算法较基本DESN算法能以更高的准确度预测UAV集群航迹目的地,并能更早地实现稳定的正确预测。

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。