快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。

快速自适应经验模态分解方法的基本原理及其性能评估

经验模态分解是一种有效的信号分解方法,尤其是针对非平稳非线性信号。然而,随着研究的深入,学者们发现该方法中存在着诸多弊端。根据Bhuiyan的研究,提出了一种针对一维信号的快速自适应经验模态分解方法。通过大量的数值仿真,证明这种方法不但能克服传统方法的弊端、得到高质量的分解结果,还能大幅度地提高计算效率。

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法

针对风电场风速时序的不可控特性以及短期风速预测精度低的问题,提出基于改进快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和Elman-Adaboost的组合预测模型。首先,采用加余弦函数改进FEEMD方法将风速数据分解为相对平稳的本征模态函数分量;然后,运用样本熵(sampleentropy,SE)计算分量复杂度并按复杂度对分量进行重构;最后,基于Elman-Adaboost方法的单步直接预测方法来预测重构后分量下一天24 h的风速值,将所有分量的预测叠加得到最终的预测结果。选择预测点时间前24、48和72 h风速数据作为神经网络的输入维数,比较不同维数对预测精度的影响。实验证明,改进FEEMD-SE-Elman-Adaboost组合预测模型可以有效地提高风电场短期预测的精度。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。

基于快速多维经验模态分解的北半球冬季近地表气温和积雪覆盖频率变化趋势提取

北极正在以全球平均水平2倍的速度变暖,而北半球中纬度冬季出现明显的变冷趋势。这种异常的气候模式受到广泛关注。使用改进的快速多维经验模态分解方法,提取北半球中纬度近地表气温和积雪覆盖频率的长期趋势和变化率。从累积变化趋势来看,自1990年代开始,亚欧大陆中部地区变冷,西伯利亚高压增强,积雪覆盖频率增大;但从变化速率来看,欧亚大陆中部的快速变冷和积雪覆盖频率的快速增加主要发生在1990—2000年代,之后变率趋缓。因此,随着变化率进一步降低,北半球中纬度冬季的快速变冷可能发展为一个短期而非长期趋势。本研究展示的近地表气温和积雪覆盖频率趋势的演化过程,对探究北半球中纬度变冷的成因有重要意义。

基于快速集合经验模态分解的桥梁动态特性分析

GNSS技术与传统的桥梁变形检测手段相比,具备实时持续监控、受气候环境影响较小、高精度、高采样率、自动化、全天候的优点,基于GNSS的长时间的高采样率监测,可提供桥梁结构的动态特性信息。对受环境因素等影响含有大量噪声的GNSS桥梁结构变形监测坐标时间序列进行精度频率等特性的识别提取,是该类大型工程安全运营的关键。通过假设一组模拟仿真信号数据为例,采用快速集合经验模态分解(FEEMD)数据分解算法,获取能反映桥梁安全运行状态的频率等特性。

基于二层分解的PSO-LSTM模型风电功率超短期预测

为提升风电功率预测精度,提出基于二层分解技术和粒子群优化长短期记忆(PSO-LSTM)神经网络组合的超短期风电功率预测模型。对风电功率原始数据,采用快速集合经验模态分解(FEEMD)方法将其分解为一系列本征模态函数(IMF)分量和余项,针对高频分量采用变分模态分解(VMD)进行二层分解。运用样本熵来解决分量个数过多、计算量繁杂的问题。通过偏自相关函数(PACF)筛选出与预测值关联程度高的元素确定输入维数。最后,选用PSO来优化LSTM相关参数建立预测模型并叠加获得最终值。试验结果表明,该组合模型有效提高了预测精度。

基于快速EEMD单通道混合信号分离算法的研究

单通道盲源分离是一种特殊的欠定盲源分离情况,常规的盲源分离算法不再适用。本文针对此问题提出通过快速经验模态分解(EEMD)将由多路信号混合成的单通道信号分解为多路本征模态函数,采用主成分分析估计源信号的个数,利用快速独立成分分析恢复出相互独立的多路源信号。并对单通道语音混合信号进行了仿真,与经验模态分解和小波变换算法进行了比较,速度快且分离效果较好,仿真结果验证了算法的有效性。

基于快速EEMD的自适应滤波算法在输电线路激光测距中的应用

为提高输电线路激光测距的精度,提出一种基于快速集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应滤波算法。首先,应用EEMD对含噪的激光测距信号进行分解,得到了激光测距信号的本征模态函数(Intrinsic Mode Function,IMF)分量。同时,对EEMD进行改进,加设阈值筛选IMF分量,提高算法的运行速度。再次,采用基于最小均方算法(Least Mean Square,LMS)的自适应滤波器对分解得到的IMF分量进行去噪。然后,将所得到的IMF分量重构,得到了去噪后的激光测距信号。最后,经模拟试验,结果证明应用该方法得到信号的去噪效果好,确实能提高输电线路激光测距的精度。

基于FEEMD-NTEO的风电场送出线路故障定位

针对集合经验模态分解(EEMD)用于双馈风电场送出线路行波故障定位中行波检测精度不高,存在模态混叠、抗噪能力弱及故障定位实时性不好等问题,提出了一种基于快速集合经验模态分解(FEEMD)与改进Teager能量算子(NTEO)结合的行波故障定位方法。该方法利用FEEMD对故障电流行波信号进行分解,分解为平稳的固有模态分量和残差分量,消除噪声成分,保留信号的完整性;然后采用NTEO算法对分解的高频信号再次去噪,增强故障行波突变特征,精确标定行波波头。仿真结果表明,所提方法能够快速将故障行波波头精确标定,且去噪效果好,与FEEMD-TEO、EEMD-NTEO行波检测方法相比,提高了故障定位的精度和速度。

列车轴箱轴承在途鲁棒可视化故障诊断方法

为使列车轴箱轴承在非平稳工况下的故障识别更加有效,本文提出基于融合相关熵特征的鲁棒可视化滚动轴承故障诊断方法。通过快速集成经验模态分解FEEMD对轴承振动信号进行时频分解,提取本征模函数IMF矩阵;计算IMF与原始信号的线性相关系LCC作为相关熵的调幅系数,进而通过相关统计计算获得样本集的多维相关熵矩阵CM;利用主元分析PCA对CM进行数据空间变换,通过提取变换后的融合相关熵矩阵ICM,实现相关熵矩阵的可视化。通过实验分别提取匀加速、匀速及匀减速3种运行工况下的滚动轴承ICM特征,通过对比EMD、EEMD和FEEMD 3种信号分解方法,发现FEEMD的信号分解效率更高,且ICM比传统特征对非平稳工况下轴承故障辨识的鲁棒性更好。FEEMD-ICM为轴箱轴承快速、客观且稳定的故障诊断实现提供了可靠的理论依据和技术支持。

电站锅炉管阵列内声传播特性及时延值测量

对电站锅炉管阵列内声传播特性及时延值进行研究,利用Fluent软件对非均匀温度场与均匀温度场、不同管排数及不同布置方式的管阵列内声传播特性进行对比,并搭建管阵列实验台,引入快速集合经验模态分解(EEMD)算法对管阵列内时延值进行测量.结果表明:管阵列内声传播存在声阻带,且在非均匀温度场集合经验模态分解下声阻带向低频段移动,管排数越多,声阻带效应越明显,管道间节距对错列与顺列布置方式下的声阻带有一定影响;基于快速EEMD处理,选用低频段声信号能够获得有效时延值.

基于FEEMD-SAPSO-BiLSTM组合模型的短时交通流预测

为了提高短时交通流的预测精度和预测速度,基于交通流量序列的不平稳性和随机性,提出了快速集合经验模态分解(fast ensemble empirical mode decomposition, FEEMD)和自然选择自适应变异粒子群算法(selection adaptive particle swarm optimization, SAPSO)优化双向长短时记忆网络(bidirection long short-term memory, BiLSTM)相结合的预测模型。首先,利用FEEMD将原始不平稳的交通流量序列分解成多个较平稳的固有模态分量(intrinsic mode function, IMF)和残差分量(resdiue, Res),并滤除掉噪声部分,提高建模精度;其次,引入复合多尺度排列熵(composite multiscale permutation entropy, CMPE)检测交通流量子序列的随机性并根据随机性的相近程度对其进行聚类重组,简化模型的构建,提高预测精度;然后,对重组后的子序列使用BiLSTM进行预测,并利用SAPSO优化BiLSTM的权值和阈值,进一步提高组合模型的预测精度和预测速度;最后,将各子序列预测值叠加得到最终的预测值。实验结果表明,FEEMD-SAPSO-BiLSTM组合模型的均方根误差比FEEMD-PSO-BiLSTM和SAPSO-BiLSTM组合模型分别降低了22.9%和54.3%,收敛速度方面,FEEMD-SAPSO-BiLSTM明显快于FEEMD-PSO-BiLSTM模型。因此在预测短时交通流上,提出的组合模型提高了预测精度和预测速度,达到了期望的预测效果。

基于核极限学习机的多变量非平稳脉动风速预测

运用快速集合经验模态分解(FEEMD)技术将非平稳下击暴流风速分解为一系列的固有模态分量。随后,建立核极限学习机(KELM)非平稳风速预测模型(FEEMD-KELM),分别对分解后的非平稳脉动风速训练集和测试集实施预测。为比较,同时考虑了FEEMD-ELM的预测结果。通过比较这两种预测算法的结果,在非平稳下击暴流风速预测的稳定性和精度方面,发现FEEMD-KELM优于FEEMD-ELM。

基于FCEEMD的心跳信号和呼吸信号分离研究

为了快速、实时、准确地分离由非接触人体生理信号监测系统所采集到的信号,将快速互补集合经验模态分解(fast complementary ensemble empirical mode decomposition,FCEEMD)引入到人体生理信号处理领域,在原始信号中成对添加符号相反的白噪声信号,并对其进行经验模态分解(EMD),获得有限个固有模态函数(IMFs)进而实现原始信号的分离,使用固定筛分次数停止准则以保证该算法的快速实时性;仿真算例和实际实验都表明,该算法可有效解决模态混叠,快速获得准确的心跳信号和呼吸信号。

基于Teager能量算子瞬时能量的贯通式同相自耦变压器牵引供电系统牵引网纵联保护方案

为有效提高贯通式同相自耦变压器牵引供电系统牵引网的供电可靠性。提出一种基于Teager能量算子瞬时能量的贯通式同相自耦变压器(auto transformer,AT)牵引供电系统牵引网纵联保护方案。牵引变电所出口并联电容与一段接触线构成牵引网边界,通过分析发现该边界对高频信号有很强的衰减作用。利用快速集合经验模态分解(fast-ensemble mode decomposition,FEEMD)分解提取故障电流高频分量,然后利用Teager能量算子计算故障电流高频分量的瞬时能量,并提取两端瞬时能量最大值。区外故障时,故障电流高频分量瞬时能量最大值较小;区内故障时,该值较大。根据该差异来构造保护动作判据,判别故障位置,决定保护是否动作。基于PSCAD(power systems computer aided design),大量仿真实验表明,所提保护方案能够准确判别区内、外故障,并且有较好的耐过渡电阻能力。

基于FA-MVEMD的Φ-OTDR系统模式识别研究

为了增强相位敏感光时域反射仪(Φ-OTDR)系统对不同扰动事件的识别能力,提出了一种基于快速自适应多元经验模态分解(FA-MVEMD)样本熵和非洲秃鹫算法优化支持向量机(AOVA-SVM)的光纤振动信号模式识别算法。光纤振动信号经FA-MVEMD分解后得到若干多元本征模态函数(IMF),通过计算与原始信号的相关系数,筛选出相关系数大于0.1的有效分量并计算其样本熵作为信号的特征,最后利用AOVA-SVM分类模型进行识别。实验结果表明,相比于其他SVM分类模型,AOVA-SVM的分类准确率更高,对6种事件的平均分类准确率达到了97.5%,实现了Φ-OTDR系统模式识别的既定目标,具有实用价值。

含直流馈入的带并补电抗线路单相自适应重合闸适用性分析及故障识别方法

含直流馈入的交流线路发生永久性故障时,如不能准确判定故障性质,将使交流线路再一次承受短路电流冲击,危害直流系统运行安全。针对这一问题,提出了一种基于并联电抗器故障相谐波电流特性的单相自适应重合闸判据。首先,分析了现有单相自适应重合闸判据在含直流馈入的交流系统中应用的适用性,并得出换流器发生换相失败后向交流系统注入的谐波分量可能会使现有单相自适应重合闸判据失效这一结论;其次,通过快速集合经验模态分解–希尔伯特(fast ensemble empirical mode decomposition-Hilbert,FEEMD-Hilbert)谱分析从流过故障相并联电抗器电流中分解出谐波分量,依据不同故障性质下等效电流回路的不同,提出了基于谐波电流幅值比的单相自适应重合闸判据;最后,基于PSCAD/EMTDC仿真实验验证了所提方法的有效性和实用性。

基于FEEMD-PACF-BP_AdaBoost模型的风电功率超短期预测

针对风电功率超短期预测问题,提出基于快速集合经验模态分解(Fast Ensemble Empirical Mode Decomposition, FEEMD)、样本熵(Sample Entropy, SE)和BPAdaBoost集成神经网络组合的超短期风电功率预测模型。对风电功率原始数据,采用FEEMD方法将其分解为从一系列本征模态函数分量(IMF)和余项;运用样本熵来解决分量个数过多、计算量繁杂的问题,通过PACF(偏自相关系数)筛选出与预测值关联程度高的元素确定输入维数;选用泛化能力强的集成神经网络BPAdaBoost构建单步滚动预测模型并叠加获得最终值。实验结果表明,该组合模型提高了预测精度,具有可行性和有效性。