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。

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。

快速自适应经验模态分解方法的基本原理及其性能评估

经验模态分解是一种有效的信号分解方法,尤其是针对非平稳非线性信号。然而,随着研究的深入,学者们发现该方法中存在着诸多弊端。根据Bhuiyan的研究,提出了一种针对一维信号的快速自适应经验模态分解方法。通过大量的数值仿真,证明这种方法不但能克服传统方法的弊端、得到高质量的分解结果,还能大幅度地提高计算效率。

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。

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。

基于自适应噪声完备经验模态分解−样本熵−长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。

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。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。

采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法

针对脑电(EEG)信号容易被眼电(EOG)伪迹污染,而常规伪迹去除算法会导致EEG有用信息大量丢失的问题,提出一种采用样本熵完备经验模态分解的EOG伪迹去除算法。首先,利用独立成分分析(ICA)算法将EEG分解为独立分量;然后,对各独立分量进行样本熵分析,接着引入阈值对伪迹分量进行自动识别,识别后的伪迹分量经过自适应噪声完备经验模态分解(CEEMDAN)算法分解后采用小波阈值降噪;最后采用逆CEEMDAN和逆ICA算法重构信号,达到伪迹去除的目的。采用公开的BCI2000运动想象数据集中60组数据进行实验,结果表明,所提算法的EOG伪迹自动识别正确率达80%,比基于峰度的伪迹识别算法提高约26.7%;采用公开的Klados EEG数据集中15组数据进行实验,结果表明,重构后的EEG信号与纯净的EEG信号的相关系数为0.841,均方根误差较受污染信号降低约56.82%。实验结果证明了所提算法在提高伪迹去除能力的同时能够有效保留有用脑电信息。

自适应噪声整体经验模态分解法在CORS站数据处理中的应用

为了有效消除CORS站点高程时间序列噪声,提出采用EEMDAN信号处理方法。该方法可以改进信号在EEMD分解时产生的模态混叠问题。以某市CORS站点高程时间序列为试验数据,选取相关系数、均方根误差、正交性指标以及能量密度与平均周期的乘积等定量指标,验证EEMDAN方法的有效性与优化性。结果表明,经EEMDAN方法处理的IMF分量IO值比EEMD方法处理的IMF分量IO值低53.7%,分解精度更高;EEMDAN重构后的信号均方根误差比EEMD重构后的信号均方根误差减少21.5%,相关系数增加2.1%,说明采用EEMDAN方法重构信号的效果更好。

基于改进经验模态分解的雷达生命信号检测

从线性调频连续波(FMCW)雷达中提取的生命信号包含大量的噪声,为了获得高信噪比的呼吸和心跳信号,提出了一种基于改进的自适应集合经验模态分解(ICEEMDAN)的生命信号检测方法。该方法首先对FMCW毫米波雷达获取的生命信号进行ICEEMDAN分解,得到若干个固有模态函数(IMF)分量,然后利用IMF分量滤波器选择频率峰值在呼吸和心跳频带范围内的IMF分量,最后根据与雷达生命信号的相关性从滤波的结果中选择IMF分量重构呼吸和心跳信号。实验结果表明,所提出的方法能够准确地检测到心跳和呼吸信号,提取得到的呼吸和心跳信号具有良好的信噪比。

基于完全自适应噪声集合经验模态分解与小波变换相结合的GPS/BDS-3多路径误差削弱研究

多路径误差是GNSS短基线相对定位过程中主要的误差源,已经影响定位的精度。针对经验模态分解(EMD)存在断点效应和模态混叠问题,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)-小波变换(WT)的提取GNSS多路径的方法。通过两天的GPS/BDS-3的实测数据处理分析,实验结果表明,采用CEEMDAN-WT提取多路径相关系数高于小波分析、经验模态分解(EMD),实时削弱多路径误差中使用CEEMDAN-WT比其他两者方法效果更好。

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难。为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法。首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF)。然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测。最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果。采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度。