一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

改进两阶段分解的熵变混合短期风速预测研究

针对风速序列不平稳难以预测的问题,提出了一种混沌麻雀搜索算法(CSSA)优化最小二乘支持向量机(LSSVM)参数的短期风速预测混合模型。模型结合样本熵(SE)和具有自适应噪声改进的互补集成经验模态分解(ICEEMDAN)、变分模态分解(VMD)两阶段分解的数据预处理方法。首先,利用ICEEMDAN分解原始风速序列,且依据SE评估子序列的复杂程度,重构熵值近似的序列,VMD二次分解熵值最大的序列。然后对所有子序列分别建立LSSVM预测模型,同时CSSA对该模型参数优化以提高预测效率。最后将预测的各子序列叠加得到最终风速预测值。通过与经典模态分解等混合模型比较表明,所提基于优化算法的模型预测精度和收敛速度有明显提高。

基于多尺度分解集成组合模型的碳价格预测研究

准确预测碳价格不仅有助于投资者及监管部门的科学决策,而且有助于碳金融市场的健康发展。考虑碳价格预测的复杂性,基于“分解-重构-预测-集成”的建模原则,构建了多尺度碳价格集成组合预测模型。首先,采用改进型自适应白噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)算法对碳价原始序列进行分解,并以综合贡献度指数(comprehensive contribution index,CCI)对分量进行重构,得到短期、长期和趋势分量;然后,采用门限广义自回归条件异方差(threshold generalized auto-regressive conditional heteroscedasticity,TGARCH)模型预测短期分量,以布谷鸟搜索(cuckoo search,CS)算法优化超参数的长短期记忆(long-short term memory,LSTM)神经网络预测长期和趋势分量;在此基础上,采用非线性集成算法对各分量预测结果进行集成,得到最终的碳价预测结果。以湖北碳市场为样本数据进行实证分析,结果表明所构建的预测模型性能最优,预测结果更准确,可为监管部门和企业决策提供有效信息。

基于状态划分和集成学习的轴承剩余使用寿命预测模型

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。

基于CEEMDAN-改进小波阈值的水工结构振动信号联合降噪方法

针对水工结构在泄流激励作用下动力响应信号被噪声淹没的实际问题,提出一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)和改进小波阈值函数联合降噪的方法。对水工结构振动信号先进行CEEMDAN分解,将信号分解成一系列固有模态(IMF)分量,运用自相关函数和互相关系数剔除无效IMF分量,实现振动信号的初次降噪;再利用改进小波阈值函数对含有主要振动信息的IMF分量进行降噪处理,实现含噪信号的二次降噪;最后,将包含主要结构振动信息的IMF分量和残量进行信号重构,得到降噪后的振动信号。通过数值仿真分析,发现CEEMDAN-改进小波阈值联合降噪后信号(10%噪声水平)的信噪比从20.21提升到23.54,均方根误差从0.19降低到0.09,验证了联合降噪具有更高的信噪比和更低的均方根误差,更为接近纯净信号。结合国内某水电站导墙实测数据,运用该方法进行降噪分析,结果表明该方法具有较好的降噪性能和应用前景,可为水工结构流激振动安全诊断提供有效依据。

CEEMDAN和改进多尺度熵的声音信号故障诊断

声音信号采集具有非接触测量的优点,但易受到附近声源的影响而含有较大噪声,不利于故障特征识别。为此,提出一种自适应噪声的完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进多尺度熵的声音信号故障诊断方法。该方法中CEEMDAN改善了EEMD(Ensemble Empirical Mode Decomposition,EEMD)的模态混叠,针对传统多尺度熵中粗粒时间序列长度不同和数据丢失的情况,提出一种平滑粗粒化处理的改进多尺度熵。将该方法应用于行星齿轮箱故障诊断中,可以对不同状态下的声音信号进行识别分类。通过数值仿真和实验数据分析,表明了提出的方法相对于其他方法的有效性和优越性。

基于CEEMDAN改进阈值滤波的微机电陀螺信号去噪模型

为了提高微机电系统(MEMS)陀螺信号的去噪效果,以自适应噪声的完备集成经验模态分解(CEEMDAN)方法为理论基础,并针对常规软阈值和硬阈值函数存在的不足,提出了一种基于改进阈值函数的CEEMDAN滤波去噪模型。该模型首先应用CEEMDAN方法将陀螺信号有效地分解为多个固有模态函数(IMF)分量;其次通过相关系数法判断噪声分量与有效分量的界限;进而对噪声分量进行阈值设置并使用改进阈值函数进行滤波处理;最后重构滤波处理后的噪声分量与有效分量以得到去噪后的信号。实际陀螺信号去噪试验结果显示:所提模型相对于CEEMDAN、集成经验模态分解(EEMD)、经验模态分解(EMD)强制去噪方法及小波分析方法,其信噪比提高了约3.9dB,均方根误差降低了约36%;所提模型相对于CEEMDAN结合软、硬阈值函数的去噪模型,均方根误差降低了30%以上。表明采用所提模型可以对MEMS陀螺输出信号进行有效去噪,提升去噪性能。

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.0148,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy,MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine,GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断

为了提高滚动轴承故障诊断的准确性,实现对故障的精准定位,提出一种基于改进的自适应噪声的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和修正型果蝇优化算法-概率神经网络(Modified Fruit Fly Optimization Algorithm-Probabilistic Neural Network,MFOA-PNN)的轴承故障诊断方法。首先利用ICEEMDAN算法对滚动轴承原始序列信号进行预处理,通过能量矩计算公式求取特征值,并将其作为PNN模型的输入;其次运用MFOA搜索PNN模型的最优平滑参数,通过建立MFOA-PNN模型诊断故障类别。实验表明,MFOA-PNN模型相比PNN模型的诊断准确性有所提高,准确率可以达到99.50%,提高了滚动轴承的经济性和安全性。

基于TVD和ICEEMDAN的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,提出了总变差降噪(TVD)方法。首先,用TVD进行信号降噪处理;然后,利用改进自适应噪声的完备集成经验模态分解(ICEEMDAN)得到一系列模态;最后,对分解得到的模态进行包络解调以提取故障特征。仿真信号分析和滚动轴承故障模拟实验表明:该方法能够准确地提取出滚动轴承微弱故障特征,具有可行性。

基于ICEEMDAN结合MMSVC和WT的HIFU回波信号联合去噪算法

高强度聚焦超声(High intensity focused ultrasound,HIFU)已广泛应用于生物医学领域,其回波信号中的噪声处理是一个非常关键的问题。为了获得更纯净、更清晰的HIFU回波信号,提出了一种基于改进的完全自适应噪声集成经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、最小均方方差准则(Minimum mean square variance criterion,MMSVC)和小波阈值(Wavelet threshold,WT)的联合去噪方法。ICEEMDAN将信号分解为有限个本征模态函数(Intrinsic mode functions,IMF),从而避免杂散模态,减少模态中所含的噪声。MMSVC用于识别被ICEEMDAN分解得到的所有IMF,并将这些IMF分为两部分,高频IMF部分通过WT进行去噪,之后与低频IMF分量重构得到最终去噪信号。在仿真信号的实验中,与其他方法相比,本文所描述的基于ICEEMDAN-MMSVC-WT的降噪方法最大限度地保留了有用信号,大量去除了噪声成分,因而具有更好的去噪效果和应用价值。

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题,提出基于改进的自适应噪声完备集成经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、多尺度排列熵(Multi-scale permutation entropy,MPE)、随机森林(Random forest,RF)特征重要性排序和支持向量机(Support vector machine,SVM)的齿轮箱特征提取与故障诊断方法。首先,通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量(Intrinsic mode functions,IMF);然后,计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征;最后,通过RF算法评估特征重要性,选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明,该方法特征提取和表征能力强,在不同工况下的平均识别率可达99.79%,在多工况和小样本数据集上比其他方法更具稳健性。

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题,提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线,使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线;利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解,减少数据波动所带来的预测误差;建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型,并使用改进麻雀搜索算法(ISSA)优化网络参数,再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明,所提预测模型的预测精度相比其他对比模型更高,且有着更好的泛化能力。