基于经验模态分解的单端BOTDA系统降噪方法研究

针对单端布里渊光时域分析(BOTDA)系统存在噪声大、信噪比较低等不足,提出一种基于经验模态分解的降噪方法。理论分析经验模态分解的降噪原理和少模光纤单端布里渊光时域分析传感原理,通过搭建的单端结构布里渊光时域分析温度传感系统,对经验模态分解的降噪效果进行对比分析。实验和仿真结果表明,经验模态分解算法对温度传感系统具有良好的降噪效果,降噪后信噪比提升了约3.06dB,温度测量精度提升了约0.98℃。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

基于经验模态分解停止准则的振动筛轴承故障诊断

在数控振动筛运行速度大幅增加对轴承的运行稳定性提出了更高的要求,分析其故障信号并及时诊断是关键。为了弥补经验模态分解EMD方法依然有着模态混叠、包络过度以及包络不足等问题,筛分引入分解停止准则对其迭代计算进行加强,设计了一种基于经验模态分解停止准则的轴承故障诊断方法。通过仿真信号分析得到,该方法得到较少的本征模态函数(IMF)和均方根差(RMSE)数值,在算法时间层面具有优势性。所提方式在噪声较大的环境下对于分解信号有着较强的鲁棒性。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。

基于经验模态分解和深度学习的短期风电功率预测

精准的风电功率预测有利于全网电力平衡、系统安全稳定运行和节能减耗。提出一种基于经验模态分解(empirical mode decomposition, EMD)、核主成分分析(kernel principal component analysis, KPCA)和长短期记忆(long short-term memory, LSTM)神经网络的短期风功率预测模型。采用EMD技术将多维气象序列分解为多个固有模态分量,以挖掘原始数据的主要特征并消除噪声;引入KPCA进行降维处理,提取数据的非线性特征;使用LSTM神经网络对特征提取的序列进行学习并完成预测,获得风电功率预测的最终结果。使用所提出的模型对新疆某一风电场风电功率进行预测,将预测结果与其他模型对比。结果表明,该预测模型能改善预测性能,降低风电功率预测误差。

基于经验模态分解和优化BiLSTM的短期负荷预测

针对电力负荷数据的非线性和不稳定性问题,提出了一种基于经验模态分解改进麻雀搜索算法双向长短期记忆神经网络相结合的EMD ISSA BiLSTM预测模型。首先采用EMD处理非线性负荷数据,将原始负荷数据分解为多个不同尺度的本征模态函数(IMF),引入反向学习策略和Levy飞行策略分别改进麻雀搜索算法(SSA)的收敛速度慢和容易陷入局部最优问题,利用改进麻雀搜索算法(ISSA)对BiLSTM神经网络进行参数寻优。然后再利用优化后的BiLSTM模型对每个分量进行预测,并将各预测结果叠加组合,得到整个负荷序列的预测结果。最后通过实际算例分析,证明该方法相对于传统的预测方法具有更好的预测精度和稳定性,可作为一种有效的短期负荷预测方法。

基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题,提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法;首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号,得到多个本征模态函数;然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量,将Hurst指数值大于0.5的有用分量进行重构;最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入,通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明,所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。

基于集合经验模态分解和指数能量法的水泵水轮机尾水管压力脉动信号特征提取

提取水泵水轮机尾水管压力脉动信号中的动态特征信息,准确识别涡带强度,是近年来水泵水轮机工程领域的研究重点。本文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模态指数能量法,对某水泵水轮机发电工况不同负荷下的尾水管压力脉动信号进行特征提取,得到如下结论。首先,基于EEMD的模态指数能量能够有效地反映信号中的能量分布规律。其次,在涡带增强过程中,基于EEMD的最大模态指数能量不断升高,表明尾水管内的流动状况变得更加复杂,涡带特征信息也更加丰富。最后,使用最大与平均指数能量构建的特征向量能够准确反映不同的尾水管涡带强度,并且能够作为智能分类器的输入特征向量,有利于后续进一步的识别与诊断,具有重要的工程意义。

基于时变滤波经验模态分解的非接触式心率变异性估计方法

民航从业人员的身体健康状况是影响航空安全的重要因素,其中呼吸和心跳是极其重要的健康状况表征。为解决接触式或穿戴式测量系统对人员工作时的局限与影响,可采用线性调频连续波(Frequency-modulated continuous wave,FMCW)雷达达到非接触式测量的目的。由于生命体征信号具有时变、非平稳的特点,针对经验模态分解(Empirical mode decomposition,EMD)在信号分解中存在模态混叠现象的问题,使用时变滤波经验模态分解(Time varying filtering based on EMD,TVF-EMD)自适应信号的局部截止频率,可有效提高信号分离性能,解决模态混叠问题。利用TVF-EMD分解出的本征模态函数(Intrinsic mode functions,IMF)分量重构心跳对应的时域信号,估计心跳信号的频率和心跳节拍间隔(Inter-beat interval,IBI),进一步对心率变异性(Heart rate variability,HRV)相关指标进行估计。仿真实验与实测数据处理结果表明,TVF-EMD可从毫米波雷达测量信号中有效分离出呼吸与心跳信号。同时,从模态混叠程度及信号分离性能两方面对TVF-EMD与EMD方法分解效果进行了仿真分析,结果表明TVF-EMD能够有效解决模态混叠问题。因此,TVF-EMD方法能够准确有效地从毫米波雷达测量信号中提取生命体征信息,为IBI估计和HRV分析提供准确的时域信息,具有广阔的应用前景。

深海环境下利用噪声抵消器和经验模态分解的拖船干扰抑制方法

针对深海环境下拖船自噪声在靠近端射和非端射方向产生的多途角扩展干扰影响拖曳声纳探测性能的问题,提出一种利用归一化最小均方误差(Normalized Least Mean Square,NLMS)噪声抵消器和经验模态分解(Empirical Mode Decomposition,EMD)的拖船干扰抑制方法。通过借鉴逆波束形成(Inverse Beamforming,IBF)的思想,对靠近端射方向的干扰波束进行相位补偿,重构出时域干扰信号,并将其作为自适应噪声抵消器的输入信号,基阵接收信号作为期望信号,利用NLMS方法调整滤波器的权值,进行初步干扰抑制。在此基础上通过EMD对噪声抵消器的输出结果进行分解得到多个本征模态(Intrinsic Mode Function,IMF)和残余分量,再利用匹配滤波方法筛选出用于重构拖船噪声的IMF,并在阵元域抵消完成干扰抑制,其中匹配模版为靠近端射方向频域干扰波束逆傅里叶变换得到的时域干扰信号。仿真数据和海试数据分析结果表明,与其他方法相比,所提方法能够大幅度抑制拖船自噪声产生的多途角扩展干扰,提升拖曳声纳在干扰盲区内对弱目标信号的检测能力。

基于分位数回归模型和经验模态分解的全球变暖问题研究

利用分位数回归模型和经验模态分解(empirical mode decomposition,EMD)方法对气候及其变化进行分析和预测.首先,采用全球热力图对气温数据进行描述统计,并采用经验模态分解方法降噪获取趋势项来引入全球气温周期概念,探究全球气候变暖趋势;然后,基于多元线性回归模型及分位数回归模型寻找全球气温的影响因素,并对气温进行建模及预测.研究结果可为全球气候分析提供统计学支撑.

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

基于经验模态分解-灰色关联度分析-蒲公英优化器改进Elman网络的锂离子电池健康状态估计

准确、可靠的锂离子电池健康状态(state-of-health,SOH)估计有助于提高电池设备的安全和稳定运行。针对目前SOH无法直接测量、健康特征难以提取和估计方法不足等问题,提出了一种基于经验模态分解-灰色关联度分析-蒲公英优化器(empirical mode decomposition-dandelion optimizer,EMDDO)Elman的锂离子电池SOH估计方法。基于NASA Ames研究中心公开的锂离子电池老化测试数据和实际实验测试数据,提出利用经验模态分解(empirical mode decomposition,EMD)对电池老化数据进行信号分解,从而得到反映电池SOH的特征分量,然后利用灰色关联度分析(grey relation analysis,GRA)对特征分量进行相关性分析来选择模型输入。最后,应用蒲公英优化器(dandelion optimizer,DO)对Elman网络的参数进行优化来提高神经网络的估计性能。实验结果表明,该方法能够准确地估计出锂离子电池的SOH,其估计结果的R2始终大于98%,此外,通过对电池数据在不同训练集数量情况下的SOH估计验证,进一步证明了所提出的估计模型有着良好的泛化性和鲁棒性。

经验模态分解与阶次跟踪分析对机器人用精密减速器故障诊断

针对行星摆线针轮减速器的故障特征在摆动疲劳实验中难以提取的问题,本文提出了一种经验模态分解(Empirical mode decomposition,EMD)与阶次跟踪分析结合的方法对疲劳实验中的减速器进行故障诊断。通过对采集到的时域信号进行等角域重采样、经验模态分解、计算固有模态分量(Intrinsic mode function,IMF)的峭度值、选取固有模态分量重构、快速傅里叶变换(Fast fourier transform,FFT)后得到阶次图进行验证。结果表明:该方法能够准确的提取包含故障信息的固有模态分量,实现了行星摆线针轮减速器在非平稳状态下的故障特征识别。

经验模态分解-图神经网络算法预测农产品价格

为了提高图神经网络算法对农产品价格预测精度,采用经验模态分解法按时间片轮转抽取农产品历史价格信号,以便对历史价格信号进行特征提取;将原始价格信号分解成多个本征模态函数及残余项,并根据本征模态函数构建样本特征;根据得到的样本特征构建价格预测图结构,将图结构输出的特征信号通过图神经网络的过渡函数和预测函数,通过不断减小损失值输出农产品价格预测结果。结果表明,经验模态分解可以对原始农产品价格信号的本征模态函数分量进行有效分解和提取,从而使经验模态分解-图神经网络算法的农产品价格预测平均绝对误差减小71.4%;相比于其他类型的预测算法,经验模态分解-图神经网络算法对4类农产品价格预测的平均绝对误差更小,最大值仅为2.465。

基于集合经验模态分解的河北唐山井同震响应特征

集合经验模态分解(EEMD)能够客观真实地从非线性、非平稳信号中提取有用信息,地震观测井的井水位表征的波形信号也是典型的非线性、非平稳信号,因此,集合经验模态分解在获取井水位同震响应信息方面具有重要的应用潜力。通过观测河北唐山井2016~2023年多次井水位同震响应,研究集合经验模态分解对井水位分析处理的优缺点,识别唐山井对远震、近震的井水位同震响应特征,应用地震能量密度经验公式推测唐山井记震能力。结果表明:唐山井水位观测数据秒值在经过集合经验模态分解后,对合适的高频分量进行重构可以压制噪声干扰,有利于观察井水位同震响应特征;对于远场大震引起的振荡型同震响应可以客观真实地进行识别和提取;对于近场地震引起的脉冲型和阶变型同震响应,需结合原始数据进行研究;井水位观测数据秒值有利于揭示区域应力场的变化,因观测数据秒值记震精度提高,唐山井能够记录到地震能量密度为1.77×10^(-7) J·m^(-3)的地震,观测井对不同方位地震的敏感度可用于研究其所在断裂带的裂隙走向。对于超过一定距离的远场地震,井-含水层系统能够记录到的井水位同震响应频率可在一定的范围内估算观测井的固有振动频率,唐山井固有振动频率和地震瑞丽面波频率接近。

基于多元经验模态分解的风电并网系统次同步振荡检测

随着风电的大规模并网,电力系统次同步振荡(SSO)事件频发,严重威胁电网的安全稳定运行。实现风电并网系统SSO的准确检测,对保障系统稳定运行具有重要意义。现有的基于量测数据的SSO检测方法多为单通道方法,难以兼顾系统全局SSO特性。为此,文章提出了一种基于多元经验模态分解(MEMD)的风电并网系统SSO检测方法。首先,对风电并网点量测数据进行多元经验模态分解,进而借助Teager-Kaiser能量算子(TKEO)筛选出含SSO模式的IMF分量;然后,采用希尔伯特黄变换(HHT)辨识次同步振荡频率及阻尼比;最后,结合改进的4机2区域测试系统的仿真数据对所提SSO检测方法进行测试,结果验证了所提方法的有效性。

经验模态分解:理论发展与金融实证进展

综述了经验模态分解方法的理论基础及其演进过程,从初始的EMD到其改进版本包括集合经验模态分解(EEMD)、完全集合经验模态分解(CEEMD)及结合噪声自适应方法(CEEMDAN)。这些方法通过逐步引入噪声辅助、集合平均和自适应噪声控制等技术,克服了原始EMD在端点效应和模式混叠等方面的不足,提高了分解的稳定性和精确性。此外,还探讨了EMD及其改进方法在金融领域的广泛应用,特别是在金融资产价格的预测、金融资产定价机制、金融风险管理等方面的实际进展。通过EMD及其衍生方法,学者能够有效地分解金融时间序列数据,揭示不同时间尺度上的市场波动特征,识别资产价格形成的非线性趋势和波动性聚集现象。这些应用不仅提升了金融资产价格预测的准确性和稳健性,还为复杂金融市场的风险评估和管理提供了更为细致的分析工具。研究结果表明,随着EMD方法的不断改进和成熟,其在金融领域的应用前景将更加广阔,并为未来的金融市场研究提供了强有力的工具和方法支持。