基于分形特征的自适应EEMD及其在风功率预测中的应用

人为设定白噪声的幅值和加噪次数及白噪声自身的随机性会对集合经验模态分解(EEMD)方法的分解结果造成不确定性,导致EEMD应用于风功率预测时不能实现最佳的分解效果。该文研究了白噪声参数对EEMD分解效果的影响机理,并提出基于分形特征的自适应EEMD方法。在不同的白噪声及白噪声参数下,EEMD分解所得到的模态分量具有不同的分形维特征,采用粒子群算法寻优获得EEMD处理某一信号的最佳参数,实现对信号的准确分解。同时结合具有良好非线性建模能力的长短时记忆(LSTM)网络方法对自适应EEMD分解得到的模态分量进行预测,利用仿真信号及两个风电场实际风功率数据进行分析,自适应EEMD避免了白噪声的随机性及人为设定参数对EEMD分解结果带来的不确定性影响。与3种基准预测模型对比,自适应EEMD结合LSTM模型预测两组风功率的RMSE显著降低,验证了该文研究方法的有效性。

基于自适应EEMD和盲辨识算法的桥梁结构模态参数识别

基于集合经验模态分解(EEMD)在信号的预处理上的不足之处,提出了一种基于自适应EEMD分解的盲源分离算法,即:先根据原始信号自身的特点确定加入白噪声的幅值标准差和集成次数,再进行EEMD分解,对所得IMF分量进行模糊综合评价以选出有效的IMF分量,构造IMF分量矩阵,最后利用盲源分离算法对其进行盲辨识,完成对信号的分解与重构。分别通过模拟信号和桥梁实测振动信号对该算法进行验证。结果表明:所提算法具有可行性,且能运用于实际结构信号的预处理。

基于EEMD和共振解调的滚动轴承自适应故障诊断

为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.

采用改进互补集总经验模态分解的电能质量扰动检测方法

针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.