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。

基于非负矩阵分解和改进相关分析的低压台区拓扑辨识方法

针对低压配电台区拓扑更新不及时,量测质量低、拓扑信息不够精确的问题,提出一种基于非负矩阵分解改进Pearson相关系数的低压配电台区拓扑辨识方法。首先,利用非负矩阵分解对电压时间序列进行降维。然后,在Pearson相关系数的基础上,加入距离度量来修正相似性矩阵。最后,对综合相似度矩阵进行系统聚类,实现低压配电台区户-变识别和台区内用户相邻关系识别。通过实际低压配电台区算例验证了所提方法的有效性和准确性。

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。

基于多信号和改进经验傅里叶分解的故障特征提取方法

针对滚动轴承故障信号受设备多结构和复杂传递路径干扰,故障诊断准确性受到影响这一难题,提出了一种基于多信号改进经验傅里叶分解(MS-IEFD)的轴承故障特征提取方法。首先,为了充分利用多信号中的故障特征,利用改进经验傅里叶分解处理了两个不同测点测得的故障信号,设定各阶模态信号与原始信号的相关系数阈值为0.1,并以此为依据确定了信号分解的最佳个数;然后,提出了加权的谐波显著性指标对初始的频带划分进行了优化,避免了信号过分解,减少了带宽过窄的无效频带,以此指标最大值为准,确定了最优模态分量;其次,借助互相关分析的优势,分析了两信号的最优模态分量以进一步增强信号的特征成分,借助快速傅里叶变换准确提取了滚动轴承的故障特征,判断了轴承故障类型;最后,利用MS-IEFD方法对仿真和实验信号进行了分析,仿真分析时构造了信噪比为-10 dB和-15 dB的信号,用以模拟不同测点信号的情况,实验分析时利用实验台测得了不同测点处的滚动轴承振动信号。研究结果表明:MS-IEFD方法能从强背景干扰中准确提取出滚动轴承故障特征,为准确判断滚动轴承故障类型提供依据;与变分模态分解(VMD)等方法相比较,可进一步突出MS-IEFD方法在弱特征提取方面的有效性。

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。

改进的经验模态分解方法和解析能量算子在电机轴承故障诊断中的应用

针对电机轴承故障信号能量微弱导致极易被噪声干扰所淹没的不足,进行了电机轴承故障特征提取研究;提出了一种改进的经验模态分解方法,包括谱峭度指标和一种新颖的解析能量算子相结合的电机轴承故障诊断方法;经实际测试与应用实现了对电机轴承故障信号中背景噪声干扰的去除,从而满足了电机轴承微弱故障特征提取的应用;通过与常用的电机轴承故障诊断方法对比验证了所提方法的有效性和优越性,为电机轴承故障诊断提供一个新的思路。

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。

改进鲸鱼算法驱动的变分模态分解自适应降噪方法

为了更好地从振动信号中提取有效信息,提出了一种基于改进的鲸鱼优化算法(VSWOA)与变分模态分解(VMD)的振动信号降噪方法。首先,采用Sobol序列初始化种群,以确保种群的均匀分布和多样性。然后,从多个起始点进行搜索,并在搜索过程中引入精英柯西变异策略,以防止算法陷入局部最优解。通过这些改进措施,优化了VMD的参数,使得分解得到的本征模态分量(IMFs)在重构后实现了自适应降噪。实验结果表明,与传统的经验模态分解(EMD)、集合经验模态分解(EEMD)以及鲸鱼优化算法-变分模态分解(WOA-VMD)方法相比,所提方法在降噪后信号失真度更小,同时显著提高了降噪效果和故障特征的保留能力。这表明改进的鲸鱼优化算法能够有效地增强振动信号的降噪性能,为轴承故障诊断提供了更为可靠的方法。

基于改进小波包分解的变电站继电保护回路故障诊断方法

变电站继电保护回路往往对噪声干扰较为敏感,导致故障识别的误判和漏判,因此设计一种基于改进小波包分解的变电站继电保护回路故障诊断方法。此方法部署多层级故障检测节点,全面捕捉故障信号,基于改进小波包分解的方法对故障信号进行重构,提取出故障特征。在此基础上,建立了变电站继电保护回路故障诊断模型,该模型能够精准地识别各种故障类型。最后,通过实时频谱定位故障位置,能够迅速定位并修复故障。实验结果表明,基于改进小波包分解的变电站继电保护回路故障诊断方法,能够准确检测出所有故障节点,并且定位准确性高达99%以上。该方法能够高效地进行故障识别,具有强大的适用性和推广价值。

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。

基于改进奇异值分解的新能源汽车串联型电弧故障检测方法

在电动汽车充电时,通常会遇到一些问题,比如高压线路连接不牢固和线路绝缘老化破损等。这些问题往往会导致电弧故障,严重威胁到充电线路的安全性。由此本文提出基于改进奇异值分解的新能源汽车串联型电弧故障检测方法的研究,该研究旨在快速、准确地检测电动汽车电气系统中的电弧故障。该研究搭建了电动汽车故障电弧实验平台,采集不同工况下干路电流时间序列并建立了样本库。通过使用串联型锂离子电池系统的等效电路模型,构建基于二阶RC模型。最终,通过仿真分析来验证该模型的准确性。

基于改进小波包分解的电力系统继电保护回路故障诊断方法

常规的保护回路故障诊断方法以故障特征信息分析为主,受到噪声干扰,故障诊断结果存在一定的失准问题。为了解决这一问题,文章设计了一种基于改进小波包分解的电力系统继电保护回路故障诊断方法。所提方法首先提取电力系统继电保护回路故障波形特征,将继电保护回路故障区段的非平稳信号提取出来,以确保后续故障诊断的准确性;然后基于改进小波包分解构建保护回路故障诊断模型,通过堆叠、重构等形式,生成更加准确的故障诊断分量;最后优化模型,求解电力系统继电保护诊断模型分支系数,以使其满足故障诊断的精度需求。仿真结果表明,该方法的故障诊断准确性更高,能够应用于实际工程中。

基于改进EMD和ARMA的MEMS陀螺仪随机误差补偿方法

微机电系统(Micro-Electro-Mechanical System,MEMS)陀螺仪的随机误差限制了其测量精度。为了降低MEMS陀螺仪的随机误差,提出一种基于改进的经验模态分解(Empirical Mode Decomposition,EMD)和优化的自回归滑动平均(Autoregressive Moving Average,ARMA)模型的方法。该方法在传统EMD的基础上,结合Hausdorff距离和累积标准化模态均值以提取信号中的噪声和趋势项,对剩余信号进行ARMA建模和滤波。采用沙猫群优化算法优化建模的定阶过程,采用改进的自适应滤波补偿随机误差。试验结果表明:相较于传统EMD和传统ARMA方法,新方法在静态试验中得到的均方根误差分别降低52.5%和34.4%,在动态试验中得到的均方根误差分别降低50%和32.35%;新方法有效抑制了随机误差,提升了MEMS陀螺仪的使用精度。

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。

改进蜣螂算法优化LSTM的光伏阵列故障诊断

为提高光伏阵列故障诊断精度,提出一种基于变分模态分解VMD(variational mode decomposition)和改进蜣螂算法IDBO(improved dung beetle optimizer)优化长短期记忆LSTM(long short-term memory)网络的光伏阵列故障诊断方法。首先,针对蜣螂算法DBO(dung beetle optimizer)收敛精度低且易陷入局部最优的问题,提出一种融合Levy飞行策略、T分布扰动策略及多种群机制的IDBO算法,通过与DBO、麻雀搜索算法、鲸鱼优化算法寻优测试对比,证明IDBO算法的优越性,再与LSTM结合搭建IDBO-LSTM故障诊断模型。其次,为充分挖掘故障特征,利用VMD提取故障数据多个层面的特征分量,作为IDBO-LSTM模型输入量。最后,实验对比结果表明,该方法的故障诊断准确率达到98.34%,优于其他5种模型,证明了所提方法的可行性及优越性。