基于VMD-SE-PSO-BIGRU模型的水电机组振动趋势预测

为提高水电机组振动信号预测精度,提出了一种基于变分模态分解(VMD)与样本熵(SE)重构和粒子群算法(PSO)优化双向门控循环单元(BIGRU)的预测方法。在VMD-SE-PSO-BIGRU模型中,先利用VMD将振动信号分解为若干个子序列,并通过SE对子序列进行重构,得到最终振动信号的趋势、振荡和噪声成分,然后对得到的重构分量分别建立参数优化的BIGRU预测模型,最后叠加各分量预测结果实现振动预测。实例分析表明,与其他模型相比,所提模型预测误差更小、预测精度更高,可有效预测水电机组振动信号。

基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

基于OVMD与SVR的水电机组振动趋势预测

为更好地预测水电机组振动趋势,研究提出了一种基于最优变分模态分解(OVMD)与支持向量回归(SVR)的水电机组振动趋势预测模型。首先基于中心频率观察法与残差指标最小化准则确定OVMD的分解参数,采用OVMD将非平稳振动序列分解为一系列模态函数,并对各模态函数分别进行相空间重构,构建状态矩阵,进而得到SVR回归预测模型的输入、输出,再采用交叉验证的网格搜索策略优化各SVR模型的参数,并分别进行回归预测,最后对所有SVR预测结果进行求和,得到原始振动趋势的预测值。研究对某大型混流式水电机组的振动监测数据进行预测试验,并进行对比分析,结果表明该模型可有效预测水电机组振动趋势。

基于VMD-WOA-LSSVM的汽轮机轴承振动趋势预测

在火电厂中,汽轮机故障通常会导致轴承的异常振动,因此预测轴承的振动趋势能够为汽轮机故障提供借鉴依据,降低故障发生概率。针对振动数据具有随机性和波动性的问题,首先利用变分模态分解方法,将振动序列分解成一系列子模态,以降低振动序列的非平稳性。将分解出的分量作为最小二乘支持向量机(Least Squares Support Veetor Machine Classifiers,LSSVM)预测模型的输入,利用鲸鱼算法(Whale Optimization Algorthm,WOA)算法的寻优特性对LSSVM中的参数进行优化,从而建立超前一步预测模型,最后将各个子模态的预测结果相叠加,得到预测振动数据。为评估该模型的预测性能,以江苏某电厂的轴承振动实测数据为例进行仿真实验。结果表明,所提出的预测模型优于其他多种典型预测模型,表现出较好的预测性能。

矿井风机振动趋势预测模型的优化

提出一种新的预测方法-基于EMD分解的时间序列模型,利用EMD分解将采集来的矿井风机振动烈度值分解成若干个固有模态函数(IMF)分量和一个残余项分量,运用恰当的时间序列模型(AR、ARMA)分别对各阶IMF进行预测,将各阶预测值重构,得到振动烈度预测值,并与单独运用时间序列模型的预测结果进行比较。结果证明:运用基于EMD分解的时间序列模型对矿井风机振动烈度进行预测比单独运用时间序列模型的预测精度有明显提高,表明提出方法的可行性、有效性。

浅谈民航发动机振动趋势预测

文章对民航发动机振动趋势预测方法的分类和特征进行阐释,指出民航发动机振动趋势预测的一般步骤。