性别歧视、行业间隔与农民工的性别工资差异:基于改进的Brown分解

基于辽宁省农民工2014年抽样调查数据,利用改进的Brown分解对性别歧视、行业间隔与农民工性别工资差异的关系进行考察。研究发现,农民工的性别工资差异主要是由性别歧视所造成,且通常体现在行业内的歧视效应上;行业间隔在农民工性别工资差异上的作用较小。由此,消除行业内同工不同酬的性别歧视是解决当前农民工性别工资差异的关键所在。

农民工性别工资差异的实证分析——基于改进的Brown分解方法

利用2009年农民工调研数据,采用改进的Brown分解方法对农民工性别工资差异进行测度,研究结果表明农民工存在严重的性别工资差异。从工资差异的构成来看,性别歧视等不可解释因素是导致性别工资差异的主要原因,人力资本和社会资本对性别工资差异的影响较小;从行业隔离的角度来看,性别工资差异也主要由行业内的同工不同酬造成的,行业隔离所起作用较小。因此,消除性别歧视、创造公平的劳动力竞争市场是改善农民工性别工资差异的重要途径。

基于改进水量-能量空间坐标分解法的黄河流域实际蒸散发变化归因分析

为探究气候变化和人类活动对黄河流域蒸散发的影响程度,研究基于最新的ERA5-Land数据,分析了黄河流域1961—2020年蒸散发及相关要素的时空演变特征。结合改进的水量-能量空间坐标分解法对实际蒸散发变化进行定量归因。结果表明,改进的水量-能量空间坐标分解法原理更加清晰,计算简单,可操作性更强。1961—2020年黄河流域实际蒸散发量和降水量均呈现显著减少趋势,减少率分别为4.5和15.9 mm/10a,而潜在蒸散发量和干燥指数则表现出显著增加趋势,增加率分别为24.4 mm/10a和0.078/10a。实际蒸散发量的减少主要集中在黄河中、下游地区,而黄河源区有一定的增加趋势。定量归因结果显示,气候变化导致实际蒸散发量减少,贡献率为79%,而下垫面变化造成实际蒸散发量增加,贡献率为21%,因此,气候变化是黄河流域实际蒸散发变化的主要驱动因素。此外,研究期望为黄河流域未来的水资源开发利用和高质量发展提供科学参考。

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM 2.5数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行二次分解;其次,引入Cubic混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速度;最后,采用改进的沙猫群算法对LSTM模型参数进行优化,将各个子序列导入ISCSO-LSTM模型预测并叠加得到最终预测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM组合模型具有较低的预测误差,相比CEEMDAN-VMD-LSTM和CEEMDAN-VMD-SCSO-LSTM模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m^(3),在拟合度方面分别提高了4.9%和2.1%。

基于改进傅里叶分解的齿轮箱振动信号处理

为了提高齿轮箱运行精度,设计了基于改进傅里叶分解的故障诊断方法。把一个复杂非平稳信号以自适应方式分解成包含多个瞬时频率的傅里叶本征模态函数(FIMF),再对各FIMF分量瞬时幅值与频率实施预估,获得分量边际谱与初始信号时间频率的能量分布状态。对转子碰摩信号分析可以看到计算得到的第一个IMF包络谱与最初的4个IMF频谱。对滚动轴承中存在内圈故障振动信号分析,FIMF分量形成的包络谱内含有更少的低频信号。该研究可以拓宽到其他的传动领域,具有很好的应用价值。

基于改进经验模态分解的直线电机伺服系统迭代学习控制

针对直线电机伺服系统迭代学习过程中因误差积累效应引起的收敛速度慢和跟踪精度差的问题,提出一种基于改进经验模态分解的控制策略。首先,设计一种具有自适应性调节特点的迭代学习位置控制器。然后,提出一种基于三角极值波延拓与互补集合经验模态分解的改进算法,该算法可将各次迭代的跟踪误差进行分解,筛选并剔除影响误差收敛的分量。通过仿真分析并与传统迭代学习控制进行比较,证明了本文方法具有更快的收敛速度,能够以较少的迭代次数实现直线电机的高精度跟踪控制。

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R2分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。

基于改进变分模态分解的抽油井偏磨程度诊断

目前抽油井工况分析方法与实时智能诊断技术不完善,无法及时发现、处理偏磨问题,导致抽油杆、泵等关键部件存在严重的损坏风险。为此,提出一种基于改进变分模态分解(IVMD)的抽油井偏磨程度诊断方法,其核心思想在于,扭矩和轴向力的变化会导致抽油井的偏磨程度发生改变,从而影响电参数信号的频率和幅值。首先通过改进人工鱼群算法优化变分模态分解(VMD)的分解层数与惩罚因子,然后将油井电参数信号分解成多个局部振动模态,并对生成的各局部振动模态进行特征分析,最后采用RGB图实现对抽油井偏磨程度诊断。研究结果表明,该方法可有效判断偏磨程度。

基于改进变分模态分解的电网企业监测数据滤波研究

电网企业监测数据在采集过程中,常会受到设备误差、环境因素等多种噪声和干扰的影响,这些干扰因素会使得数据呈现出复杂结构和非平稳性的特征。传统的数据滤波方法在处理这类信号时,对于噪声干扰的容忍度相对较低,会过度平滑或削弱信号中的有用信息,导致数据质量无法得到显著提升。为此,设计了一种基于改进变分模态分解(IVMD)的电网企业监测数据滤波方法。在采集电网实时监测数据后,对采集的这些数据进行小波变换。通过对信号进行不同尺度的分解,实现对电网企业监测数据原始信号的重构。设置阈值函数对小波变换后的数据进行处理,去除噪声并保留有用信号,提高信号的纯净度和信噪比。为了进一步提升数据的准确性和可靠性,利用IVMD方法对于去噪后的数据进行进一步的处理,以滤除剩余的噪声或干扰成分。试验结果表明,所设计的方法滤波效果显著,其失真比最小值达到了0.028 dB,这表明通过该方法能够得到更加纯净和准确的电网企业监测数据。

基于改进小波包分解的10kV变电站自动化设备故障诊断方法

常规的变电站自动化设备故障诊断方法利用DS(Dempster-Shafer Theory of Evidence)证据融合理论联合获取故障特征,但易受到误动或拒动状态量变化的影响,导致状态诊断异常。文章基于改进小波包分解设计了一种新的10kV变电站自动化设备故障诊断方法。首先,生成设备故障信息采集合并单元;其次,利用改进小波包分解提取故障诊断特征;最后,设计故障诊断目标监测算法,实现了对变电站自动化设备的故障诊断。实验证明,该方法在不同状态下均能有效诊断,具有较好的诊断效果和可靠性,应用价值较高。此方法有助于降低设备运行风险,减少变电站运维成本,提升电网安全稳定运行水平。

基于动态改进等比例法的省级CO_(2)排放总量目标分解研究

在原应用于全国CO_(2)排放强度目标分解的改进等比例方法基础上进行动态化改进,以适应省级CO_(2)排放总量目标向地级市分解需求。以河北省地级市分解方案为例,结果表明:省内煤炭、钢铁等传统高碳产业城市应严格控制CO_(2)排放增长,仅获得少量CO_(2)相对剩余空间;而京津以南三市获得较多相对剩余空间,为雄安新区建设和北京非首都功能疏解提供一定CO_(2)排放增量空间。通过碳达峰控制时间判别,除唐山市和邯郸市应控制率先达峰外,大多数城市仍按照2030年前按时达峰管控,即可满足河北省2030年前整体达峰需求。最后,基于新老方法分解方案比较分析,动态改进等比例法在公平与效率的基础上,兼顾考量了城市自身发展趋势和控碳政策导向,与原方法分解逻辑和余量侧重有所不同。本方法可进一步优化以适应不同发展特征省份的碳排放目标分解需求。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

改进时间卷积网络下局域网异常状态预测方法

局域网异常会阻碍网络运行速度,严重时会导致网络瘫痪。为了精准预测局域网是否存在异常,提出一种基于改进时间卷积网络的局域网异常预测方法。组建变分模态分解(Variational Mode Decomposition,VMD)高频噪声分量判定标准,剔除高频分量,将剩余VMD分量叠加重构,去除局域网数据中的噪声。建立局域网异常预测模型,将去噪后的局域网数据特征数值规约到和灰度图像像素值对应的范围内,形成局域网灰度图,并将其输入到改进时间卷积网络结构中训练和模型调优,完成局域网异常预测。经实验测试证明,所提方法可以获取高精度和高效率的局域网异常预测结果,在局域网异常预测领域具有广阔的发展前景。

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解(Improved Symplectic Geometry Modal Decomposition,ISGMD)滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量(Cluster Symplectic Geometry Component,CSGC)并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。

基于VMD-改进最优加权法的短期负荷变权组合预测策略

为提升短期电力负荷预测精度,提出了一种变权组合预测策略。首先,为了降低负荷数据的不平稳度,使用变分模态分解(variational mode decomposition,VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次,充分计及负荷数据的时序特点,参考指数加权法原理设计自适应误差重要性量化函数,并结合组合模型在时间窗口内的历史负荷数据的均方预测误差设计改进最优加权法的目标函数和约束条件,以完成子模型的准确变权。最后,针对波动较强的高频分量选定极端梯度提升(XGBoost)和卷积神经网络-长短期记忆(CNN-LSTM)模型并使用改进最优加权法进行组合预测、低频分量使用多元线性回归(MLR)模型预测、残差分量使用LSTM模型预测,叠加各模态分量的预测结果,实现了短期负荷数据的准确预测。实验结果表明,使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比,平均绝对百分比预测误差平均降低了0.87%。

基于改进集成经验模态分解和高斯过程回归的锂离子电池剩余容量及寿命预测方法

锂离子电池在储能电站中为消纳可再生能源作出了重要贡献,其运行的稳定性和可靠性受到了研究人员的持续关注。为了解决锂离子电池容量及剩余寿命的预测和抑制测量过程中因各种外界因素引起的噪声,提出了一种基于改进的集成经验模态分解MEEMD(Modified Ensemble Empirical Mode Decomposition)去噪和经贝叶斯优化的高斯过程回归BO-GPR(Gaussian process regression optimized by Bayesian optimization algorithm)的锂离子电池容量及剩余寿命预测方法。利用MEEMD方法识别并去除原始测量数据中的噪声分量。利用BO-GPR方法预测锂离子电池容量及剩余寿命,其中贝叶斯优化方法对高斯过程回归的部分超参数进行了进一步寻优。文章基于美国国家航空航天局研究中心提供的锂离子电池测量数据进行了预测实验,结果表明,该方法能够有效去除噪声信号,选取的协方差函数和超参数组合达成的预测效果优于初始GPR模型,证明了其有效性。

改进复合插值包络经验模态分解的滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。

基于经验模态分解和改进小波软阈值降噪法的电站信号降噪研究

在对电站各类信号进行故障诊断时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中强噪声干扰,导致在后续信号关键特征的识别和处理时会出现较大困难。为降低噪声的影响,本文将经验模态分解与改进小波软阈值降噪法相结合进行电站信号的处理并进行了方法有效性验证。该方法的主要流程如下:首先,将信号进行经验模态分解,分离出若干个本征模态分量和残差。其次,对其与原始信号进行互相关分析,识别有用信号主导的分量和噪声主导的分量,并将噪声信号主导的分量进行改进小波软阈值降噪法处理后,将其与有用信号分量和残差进行重构。最后,将经验模态分解和改进小波软阈值降噪法降噪处理后的信号与传统只采用小波阈值降噪法处理后的信号进行评价,结果表明本文方法的信噪比更高、均方根误差更小、相关系数更高、平滑度更好,可有效消除背景噪声的影响。

基于交叉小波变换与改进变分模态分解的联合去噪方法

轴承早期的故障信号容易被噪声所淹没,导致其故障特征难以被提取,为此,提出了一种基于交叉小波变换(XWT)与改进变分模态分解(IVMD)联合去噪的信号处理方法。首先,对双通道的原始信号进行了XWT处理,得到了小波相干谱,通过包络谱曲线确定了最佳模态数K;将传统VMD优化为IVMD,利用IVMD将两个通道中峭度值较大的信号分解成为多个固有模态分量(IMFs),再对每个IMF与峭度值较大的信号进行XWT处理;然后,将得到的小波相干谱图与双通道原始信号的小波相干谱图进行了比较,从原始信号中去除了识别出的噪声分量,实现了降噪和故障特征增强的目的;最后,利用K邻近(KNN)算法进行了滚动轴承故障分类,其故障识别率达到了97.51%,与IVMD、VMD-XWT方法相比,该方法故障识别率分别提高了10.83%、4.62%。研究结果表明:该方法可以明显降低噪声干扰,能更好地提取轴承早期的故障信息。