基于双层数据分解混合模型预测鄱阳湖COD

化学需氧量(Chemical Oxygen Demand,COD)是衡量水质状况的最重要参数之一,反映水体受还原性物质污染的程度。该研究采用改进的完全集合经验模式分解(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,ICEEMDAN)、变分模式分解(Variational Mode Decomposition,VMD)相结合的双层数据分解算法,并利用双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)神经网络,提出了一种混合模型IVB(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Variational Mode Decomposition-Bidirectional Long Short-term Memory),并以鄱阳湖高锰酸盐指数(Permanganate index,COD_(Mn))监测数据为研究对象,进行案例研究。结果表明,IVB模型具有良好的预测性能:1 d以后的COD_(Mn)预测中,IVB模型的平均绝对百分比误差为2.21%,与单一BLSTM神经网络模型相比降低了10.57个百分点,而与IB(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Bidirectional Long Short-term Memory)模型相比降低了4.62个百分点;7 d以后的COD_(Mn)预测中,IVB模型的平均绝对百分比误差为8.18%,与单一BLSTM神经网络模型相比降低了16.34个百分点,而与IB模型相比降低了4.68个百分点。这项研究表明,所开发的IVB模型可以用作水资源管理的有效分析与决策工具。

基于CNN-LSTM的风电机组异常状态检测

风电机组的环境恶劣和工况多变导致风电机组故障频发,为了保障风电机组的可靠运行,基于数据的机组异常状态检测尤为重要。该研究提出一种基于级联深度学习预测模型的风电机组状态检测方法,首先对风电场数据采集与监视控制(supervisory control and data acquisition,SCADA)系统的数据进行预处理,并通过距离相关系数(distance correlation coefficient,DCC)分析选取输入参数;然后结合卷积神经网络(convolution neural network,CNN)和长短期神经网络(long short-term memory,LSTM)建立观测参数与目标参数之间的逻辑关系,通过均方根误差(root mean square error,RMSE)和样本熵(sample entropy,SE)对齿轮箱轴承温度预测残差进行分析,监测齿轮箱轴承温度异常变化;最后以华北某风场的SCADA数据进行算例验证,结果表明该方法能够准确检测到齿轮箱轴承温度异常,提前发现风电机组的早期故障,为风电机组安全可靠运行提供重要价值。

基于自适应EEMD样本熵的行星齿轮箱特征提取方法

针对行星齿轮传动故障诊断中的信号故障特征微弱、特征提取困难等问题,提出了基于自适应聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和样本熵(Sample Entropy,SE)的行星齿轮箱故障特征提取方法。首先,针对EEMD结果存在较大的盲目性和主观性等问题,提出自适应EEMD方法;然后,使用此方法将行星齿轮箱振动信号分解为若干个固有模态函数(Intrinsic Mode Functions,IMF)分量,通过相关性分析选取含有齿轮状态特征信息的IMF分量并对信号进行重构,计算重构信号样本熵值,以此判断行星齿轮箱的运行状态;最后,对行星齿轮箱故障模拟试验台采集的2种状态振动信号的自适应EEMD样本熵进行求解,并与直接样本熵、EEMD样本熵等特征提取方法对比,验证了自适应EEMD样本熵具有更好的分类能力。

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition,VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy,SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine,SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。