基于自适应变分模态分解的齿轮箱故障诊断

针对航空齿轮箱故障诊断中采集到的振动信号包含复杂噪声干扰和冗余成分的问题,提出了基于自适应变分模态分解的齿轮箱故障诊断方法。利用综合评价指标完成变分模态分解(VMD)中分解层数K值的自适应选取,通过设置相关系数和能量熵的阈值,筛选同时大于阈值的分量作为包含主要能量且与原信号更加相似的分量进行重构,实现信号的降噪和特征增强。利用结合精细复合多尺度散布熵(RCMDE)对降噪后的信号进行特征提取,充分提取反映振动信号不同时间尺度复杂程度的非线性特征组成特征向量。使用粒子群算法(PSO)优化的核极限学习机(KELM)对所提取的特征进行识别。通过实验验证,该模型10次测试的平均准确率可达95.04%。与其他特征提取和模式识别方法进行对比,所提方法具有更高的诊断准确率,为航空齿轮箱的故障诊断提供了新的方法。

基于自适应变分模态分解的组合模型风电功率预测

风电机组出力的高波动与随机性,影响电力系统安全稳定运行与风电预测精度,针对此提出结合风电功率波动特性研究的风电功率预测方法。首先从时间与机组规模尺度分析风电功率波动特性,并指导选取合适的风电数据用于风电功率预测;然后建立基于最小二乘支持向量机的风电机组短期功率预测模型,采用自适应变分模态分解实现风电数据分频,并采用改进粒子群优化最小二乘支持向量机模型中影响回归预测的模型参数。实验结果表明,预测模型自适应性较强,通过预测误差评价指标,可证明预测方法的有效性。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

侵彻过载信号自适应变分模态分解时频分析方法

传统过载信号时频分析方法广泛应用于超高速侵彻引信层间粘连机理研究和信号处理方法优化中,但模态混叠效应已成为其应用时的瓶颈。针对该问题,提出一种基于自适应优化变分模态分解(OVMD)的侵彻过载信号时频分析方法。考虑到侵彻过载信号频率成分复杂且具有的非平稳性、随机性特点,该方法以模态的混叠效应和稀疏性作为信号的分解约束,采用非支配排序遗传算法(NSGA-II)搜索获取变分模态分解算法的分解个数和二次惩罚因子,再基于参数优化的变分模型,确定各模态函数的中心频率和带宽,完成过载信号各频率成分的自适应分解。通过对实测侵彻过载信号分析可见,相比于通用经验模态分解算法,该方法可以有效抑制模态混叠现象,且在时域和频域上均具有更好的分辨率,能为引信系统的信号处理、仿真模型验证、结构设计提供有效信息支撑。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于自适应投影多元经验模态分解的电力系统强迫振荡源定位

近年来,电力系统强迫振荡在电网中频繁发生,严重威胁到电网的安全稳定运行,快速、准确地定位强迫振荡源对抑制强迫振荡具有重要意义,但现有方法在分解具有高差异度多通道广域量测信息时难以准确提取强迫振荡模式分量,严重影响到强迫振荡源定位精度。为此,该文提出一种基于自适应投影多元经验模态分解(APIT-MEMD)的强迫振荡源定位方法。该方法首先采用APIT-MEMD通过构建自适应投影方向向量,实现对发电机多通道广域量测信息的同步分解,分离出表征不同振荡模式的固有模态函数(IMF)分量;然后,借助对数能量熵从众多IMF分量中提取出含强迫振荡模式的IMF分量;在此基础上,根据提取出的强迫振荡IMF分量,计算各发电机的耗散能量流,根据耗散能量流实现强迫振荡源定位;最后,通过WECC 179节点测试系统仿真数据和实际电网同步相量测量装置(PMU)实测数据对所提方法进行分析、验证,结果验证了所提方法的准确性和实用性。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。

基于快速自适应经验模态分解的高速经编机振动分析

针对某型高速经编机在高转速下结构振动过大以及机构运动信号与结构振动信号相混叠,故障特征难以分离的问题,提出基于快速自适应经验模态分解(FAEMD)算法的经编机振动故障诊断方法。首先运用FAEMD算法将原始振动信号分解成有限个本征模态函数(IMF),然后计算各IMF分量与原信号的相关性,结合经编机运动特点,判断其中相关性最大的本征模态函数为机构运动分量并去除,最后将剩余分量重组实现结构振动信号的提取。将该方法应用于经编机振动故障诊断中,对动态振动数据进行处理,结合静态固有频率测试,成功提取出与实际故障现象相同的信号频率特征,判断出经编机在高转速下振动过大的原因,为后续经编机振动优化提供了参考。

基于自适应时序分解筛选的大坝变形预测模型

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标保留变形时序数据的有效信息特征;引入交叉验证的递归特征选择法通过多个学习器综合筛选出最优因子集,移除冗余特征、提取有效信息并增强模型可解释性;考虑时序数据特性优化双向长短期记忆神经网络时间窗步数,结合大坝变形数据降噪、最优特征因子输入等多种方法,构建大坝变形预测模型。以实际工程为例,结合多种预测模型进行对比分析,结果表明该模型具备挖掘非线性信息能力,预测性能得到改善,可为大坝安全监测提供参考。

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。

自适应模态总数变分模态分解方法及其性能评估

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。

基于模态分解和机器学习的水平辐照度预测方法研究

光伏电站日渐发展成为新能源的焦点,准确、可靠的水平辐照度(GHI)预测是解决光伏电站相关问题的方法之一。因此,提出了一种有效的混合模型CEEMDAN-RF-LGBM-XGB,用于预测每小时的水平辐照度。首先,完全自适应噪声集合经验模态分解(CEEMDAN)将非线性和非平稳性的气象变量序列分解为若干个模态函数,依据对水平辐照度的影响程度,随机森林将分解的模态函数进行特征提取,降低数据复杂度,达到降维的目的,完全自适应噪声集合经验模态分解和随机森林相结合得到一组简单且信息量丰富的影响因子。其次,利用轻量级梯度提升机算法对中国三个不同气候地区的水平辐照度进行预测,得到初始的水平辐照度预测值。针对预测模型训练中产生的固有误差,引入极致梯度提升算法进行误差修正,提升模型的预测性能。针对一些混合模型和独立模型对所提模型的性能进行了测试。测试结果显示,最小%RMSE (%MAE)提高了23.14% (24.45%)。实验结果证明所提出的模型具有最高的预测精度,且提出的混合结构模型均提高了单一模型的预测能力。

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。

基于自适应变分模态分解的电力系统机电振荡特征提取

针对电力系统非线性、非平稳机电振荡信号特征参数提取困难的问题,提出了一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)和Hilbert变换的电力系统机电振荡特征参数提取方法。自适应变分模态分解方法是一种非递归式算法,通过约束变分模型的构建及求解,从而获取频率成分固定的振荡分量,且抗噪性能较好。首先根据窗口傅立叶变换频谱分布确定变分模态分解算法的分解模态数,然后利用自适应变分模态分解算法获取各有限带宽固有模态分量,最后通过Hilbert变换提取振荡特征参数。仿真分析及实测数据计算结果表明了所提方法的可行性及有效性。

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。

基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测

糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型。首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量IMF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警。利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.116 4%);低血糖预警虚警率和漏警率分别为0.97%和7.55%。血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果。