基于改进的辛周期模态分解的滚动轴承复合故障诊断方法

辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不同周期的脉冲分量,进而限制了其在复合故障诊断中的应用。对此,提出了改进的辛周期模态分解(improved symplectic period mode decomposition, ISPMD)方法。该方法首先采用求差增强技术和最小噪声幅值反卷积相结合的方法对信号进行降噪,增强周期脉冲,以准确估计故障周期;然后构造对应的周期截断矩阵,并通过辛几何相似变换和周期冲击强度获得辛几何周期分量;最后对残差信号采用迭代分解,进而得到不同周期的辛几何周期分量。试验结果表明,ISPMD能准确提取出周期脉冲分量,是一种有效的滚动轴承复合故障诊断方法。

基于多周期趋势分解和两级融合策略的浪高预测方法

不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。

模式聚类与周期分解的能耗监测及异常检测方法

时间序列异常检测对于能耗监测和管理至关重要。为了解决周期分解算法在时间序列中易受模式不一致影响的问题,文章提出模式聚类和周期分解相结合的异常检测方法。该方法使用密度峰值聚类算法寻找聚类中心点,并通过循环距离度量方法解决子序列相位偏移问题;为了屏蔽不同模式数据间的影响,使用季节分解算法S-H-ESD(seasonal hybrid extreme studentized deviate)在具有相同周期模式的聚类簇中寻找异常点,并评估和筛选检测结果的异常程度。实验结果表明,方法得到了较为理想的效果,适用于复杂周期时间序列的异常检测工作。

Matlab在周期信号分解及频谱中的应用

利用Matlab对方波、锯齿波、三角波等周期信号进行傅里叶级数分解和合成,直观演示了谐波合成过程和吉布斯现象,并且画出方波分解的三维图形,通过调整视角观察信号时域波形与频域频谱的关系。实践表明,将Matlab引入教学可以帮助学生把握重点、理解难点,激发了学生学习兴趣,起到了很好的教学辅助作用,有效地改善了教学效果。

基于周期分解的机床主轴回转误差预报模型

随着精密机械、惯性技术和宇宙科学等学科的发展 ,超高精密零件在这些领域有着重要用途。但是其制造以及测量均受到主轴回转误差的限制。当今加工预测补偿控制已成为精密加工技术的一个发展研究方向。依靠传统的主轴回转误差预测模型仅仅能补偿掉误差成分中可表达的重复误差。本文对主轴回转误差采用了基于周期分解的组合建模方法 ,建立了更有效的预测模型。仿真实验结果表明该模型提高了回转误差的预报精度 。

周期性变量分解的多目标进化算法研究

大规模全局优化问题是目前多目标进化算法领域的研究热点和难点.随着优化问题决策变量增多,计算复杂度剧增.针对上述问题,本文给出周期性分解策略,将合作协同融合到多目标粒子群算法中,给出了周期性变量分解的多目标粒子群优化算法(PDMOPSO).将该算法在标准测试函数ZDT1、ZDT3、ZDT6以及DTLZ1、DTLZ2变量扩展后进行仿真实验,并用ε指标和超体积指标对算法性能进行对比分析.实验结果表明,该算法在解决大规模变量的多目标函数中,变量维度越高,比经典多目标优化算法具有更好的多样性与收敛性,同时计算复杂度显著降低.

我国鸡蛋价格趋势周期分解和冲击效应分析

为研究鸡蛋价格趋势周期和相关因素对鸡蛋价格波动的影响程度,采用B-N分解法对鸡蛋价格波动周期进行分解,用VAR模型研究了蛋鸡配合饲料价格、蛋雏鸡价格对鸡蛋价格波动的脉冲响应,同时采用方差统计比的方法,计算出随机冲击效应对鸡蛋价格的影响。研究结果表明:2000年1月—2014年12月的鸡蛋价格可以划分为8个周期,鸡蛋价格自身供求变化对于鸡蛋价格波动的脉冲响应达到69.37%,蛋鸡配合饲料、蛋雏鸡分别是11.70%、3.05%。短期内随机冲击对于鸡蛋价格波动的影响是100%以上,长期内随机冲击对于鸡蛋价格波动的影响为40%。

中国金融状况周期波动特征及趋势周期分解

本文基于RTV-DFM合成的金融状况指数(FCI)分析中国的金融状况,通过趋势周期分解试图揭示中国金融状况周期波动及长期趋势特征,并在此基础上进行预测。研究发现,本文合成的FCI很好地刻画了中国的金融状况,可作为金融经济变量的先行指标,中国金融周期与货币政策周期高度一致,随机性趋势与FCI趋势高度一致,周期性短期波动与FCI同步反向变化,市场情绪及投资者预期非理性掩护下的随机冲击是中国金融状况剧烈波动的原因。预测显示中国金融状况将渐进式"走出最坏,逼近光明"。

体数据小波分解的周期化技术

:体数据的小波表示及其在体绘制中的应用是近年来的一个研究热点。周期化技术是实现体数据小波分解的一个关键技术 ,但有关文献既未详细讨论也未给出技术细节。鉴于基数B样条小波在体绘制中的重要性 ,本文根据基数B样条小波分解算法及周期小波的概念 ,推导了周期B样条小波分解算法 ,并将该算法应用于体数据的多分辨表示。

信号与系统课程中周期信号正交分解教学设计探讨

为了激发学生学习兴趣,提高教学成效,文章探讨了信号与系统课程中周期信号正交分解教学设计,即首先论述了理论教学设计,然后阐述了实验教学设计,包括实验设计框图和实验结果分析。

用于周期分解语音活动检测的基频提取方法研究

介绍了基于语音信号周期分解的语音活动检测算法.传统语音活动检测算法在动态低信噪比背景噪声环境下的效果很不理想,这主要是因为传统方法中提取的能量与过零率等检测特征针对的是平稳噪声,对信噪比的变化很敏感.而本文介绍的周期分解语音活动检测方法能较好地解决这个问题,因为语音信号中浊音段的周期性是区别一般噪声信号的重要特征,并且该特征受背景噪声类型和信噪比变化的影响小.在周期分解语音活动检测方法中,基频提取的准确性对最终检测性能有很大影响.针对此情况,提出了自相关、循环均值幅度差分和YIN三种基频提取算法相融合的方法.实验结果表明,在背景噪声为白噪声、汽车噪声、嘈杂人声以及信噪比0dB,5dB,10dB的情况下,该方法相对单一基频提取算法,可以有效提升基频提取与周期分解语音活动检测的准确性.

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

基于周期分解的圆形分布法分析我国流行性乙型脑炎季节性特征

目的探讨基于周期分解的圆形分布法在分析我国乙脑季节特征方面应用的可行性,为乙脑的预防控制工作提供理论依据。方法以2011-2017年84个月的乙脑发病数据为基础,首先运用周期分解法分解出时间序列中的季节因素和长期趋势因素,得到季节指数,并对长期趋势进行拟合,然后构建基于季节性指数的圆形分布法并分析流行性乙型脑炎的季节性特征。结果 2011-2017年我国乙脑的长期趋势最佳模型为ARIMA(0,0,2)(R^2=0.829,平均相对误差MAPE=0.151),我国乙脑高峰期发病数呈逐年下降的趋势,发病流行期在6月至11月,高峰期在7月至9月,高发日在8月22日。结论满足圆形分布法的应用条件时,基于周期分解的圆形分布法在探讨乙脑季节特征方面具有较好的应用价值。

基于周期分解的圆形分布法分析我国流行性乙型脑炎季节特征

目的:探讨基于周期分解的圆形分布法在分析我国流行性乙型脑炎(乙脑)季节特征方面应用的可行性。方法:先使用周期分解法对我国2005年至2014年乙脑发病的季节特征进行分解,再用圆形分布法验证分解出来的季节指数的季节性特征。结果:2005年至2014年我国乙脑发病数呈下降的趋势;乙脑发病呈现出明显的季节性,发病高发日在8月16日,高峰期在7月至9月,流行期在6月至10月。结论:我国乙脑发病具有明显的季节性。满足圆形分布法的应用条件时,基于周期分解的圆形分布法在了解传染病季节特征方面具有较好的应用价值。

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

两个放牧率下藏羊粪在高寒草甸的分解特征

青藏高原拥有全球独特的放牧系统,国内外较少通过定量控制的放牧试验研究放牧率对畜粪分解的作用。用双层盆叠放法比较高寒草甸两个放牧率下藏羊粪的分解规律。8羊/hm^2放牧率下的分解速率大于16羊/hm^2。随着放牧率增加,羊粪C、N、P的归还量、草地残留和淋溶量及其所占比例上升,C、N的大气排放量增加。粪中P的分解与C/N比负相关,C的分解速率与N/P比正相关。用Olson的指数模型拟合,羊粪分解50%和95%所需时间,除了木质素,粪干物质、C、N、P、纤维素、半纤维素的分解时间16羊/hm^2放牧率下均长于8羊/hm^2放牧率。单位重量粪的分解速率,16羊/hm^2放牧率下较快;单位面积草地上,畜粪的分解在16羊/hm^2放牧率下较快。研究结果对于全球变暖背景下,调整高寒草甸放牧策略有指导作用。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

北京市小宗蔬菜价格走势及波动周期分析

近年来,小宗蔬菜价格波动异常频繁,严重影响生产者和消费者利益。该研究选取北京新发地2012年1月至2016年12月生姜、大蒜和大葱平均批发价格的月度数据作为研究对象,分析葱姜蒜价格走势,并运用HP滤波分解模型对葱姜蒜价格进行周期分解,以此剖析其价格波动存在的内在规律。结果表明:葱姜蒜价格相对于水果市场、生猪市场等波动幅度较大,无明显规律性;波动周期较短,市场稳定性差;生姜价格周期存在缩短的趋势,大蒜、大葱价格周期存在扩张的趋势。

鱼雷寿命周期费用研究技术

随着技术的发展,寿命周期费用的研究正日益受到关注。评述了国内外寿命周期费用方面的研究现状,介绍了鱼雷寿命周期费用研究方法的内容及用途,探讨了费用估算的一般方法,在鱼雷寿命周期费用分解原则的基础上给出了鱼雷寿命周期费用分解结构,讨论了寿命周期费用研究方法急需解决的主要问题,并对其今后的发展方向做了展望。

周期特征值问题的Wilkinson型定理

通过引入周期特征值问题的单特征值的偏条件数，运用周期Schur分解定理，得到了周期特征值问题的Wilkinson型定理。