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。

中西太平洋自由群鲣资源丰度序列的振荡模态分析

为掌握中西太平洋自由群鲣(Katsuwonus pelamis)资源的波动周期特征及其与海洋环境振荡的响应关系,利用集合经验模态分解方法,对1990—2019年中西太平洋自由群鲣的标准化后CPUE时间序列进行振荡周期分解;并用时滞分析方法,获得各波动周期和环境周期相应关系强度和相位差。结果表明:1)自由群鲣资源种群波动可以认为是0.3 a、0.6 a、1.5 a、3.5 a和5.5 a等多个周期的振荡叠加综合效应表现。其中0.3 a和0.6 a为资源的季节性波动特征,相对影响较小;而1.5 a和3.5 a的年际波动对中西太平洋自由群鲣资源变动影响较大(累积方差解释率为46.96%)。2)自由群鲣资源的振荡是环境振荡和鲣生物周期综合作用的反映,其1.5 a的振荡和鲣的初次性成熟年龄有关;3.5 a的振荡和厄尔尼诺-南方涛动有关。3)3.5 a的振荡与尼诺指数相关系数为0.61,相位差8个月。

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提。针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别。首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位。仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果。

集合经验模态分解-主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。

基于补充集合经验模态分解的短期负荷预测模型

电力负荷预测关乎电量调配和系统运行。针对短期负荷预测,采用补充集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)算法,结合传统算法和机器学习算法的优势,提出了一种组合预测模型。模型先将原始数据通过奇异值分解(singular value decomposition,SVD)算法进行降噪,再对所得数据进行CEEMD,可得到频率各异的本征模态函数(intrinsic mode functions,IMF)和剩余分量(residual component,RES)。采用独立成分分析(independent component analysis,ICA)提取高频IMF_(1)的独立成分,其余的本征模态函数进行重构得到IMF_(cg),分别运用不同的方法对IMF_(1)、IMF_(cg)、RES进行预测,最后将IMF_(1)、IMF_(cg)、RES的预测值相加作为真正的预测值。根据实验数据可得,所提模型能充分利用、发掘负荷数据的内在特征,预测效果更佳,可作为负荷预测的参考。

基于序关系分析法和自适应噪声完备集合经验模态分解法的直升机飞行培训安全风险评估指标权重分析

为有效管控直升机飞行培训的安全风险,依据“人-机-环-管”(man-machine-environment-management,MMEM)理论构建直升机飞行培训安全风险评估指标体系,并提出基于序关系分析法(order relation analysis method,G1)和自适应噪声完备集合经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的权重确定方法。利用G1确定指标的主观权重,利用CEEMDAN确定指标的客观权重,然后利用最小相对信息熵原理最终确定直升机飞行培训安全风险评估指标的组合权重。以典型直升机飞行培训机构为例进行分析。结果表明不良天气对系统安全的影响最大,同时验证了该方法的简便实用,可以有效帮助机构有针对性地实施安全风险控制和管理。

基于集合经验模态分解和奇异谱分析的曲线光顺算法

针对曲线光顺问题,提出了集合经验模态分解、游程检测法重构以及奇异谱分析降噪三者相结合的一种曲线光顺算法。算法首先将空间离散数字曲线上的x,y,z三个变量视为3个一维数字信号;然后对每个变量的数字信号序列分别进行集合经验模态分解;进而分别对每个变量分解后的所有分量使用游程检测法,将其重构为高频、低频分量;随后通过使用奇异谱分析对重构后的高频分量进行降噪;最终将降噪后的高频分量与低频分量重构,得到光顺后的曲线。通过试验表明,所提算法的光顺效果优于EMD法和曲率法,所提算法、EMD法和曲率法的平均曲率分别为0.0893,0.0919,0.1112。

基于集合经验模态分解的颤鸣噪声信号分析

为从自动变速器车辆制动器颤鸣噪声中提取出颤鸣噪声信号并分析其特征,实车实验并采集相关噪声与振动信号,运用平滑伪维格纳分布,结合A计权声压级,进行噪声信号的时频分析,判断颤鸣发生的时段,运用集合经验模态分解,进行颤鸣信号的提取。通过计算、对比颤鸣噪声和发动机噪声的若干客观参量,认为较大的A声级、响度和粗糙度是颤鸣噪声引起主观烦躁的主要原因。提取、分析了制动器颤鸣噪声,为颤鸣噪声的主、客观评价等可开展的研究提供了参考。

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

针对滚动轴承振动信号的特点,提出一种基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法.这一方法采用集合经验模态分解对滚动轴承振动信号进行分解,可以抑制传统经验模态分解可能产生的模态混淆现象.对于所得到的所有固有模态函数,采用相关因数法自动获取与原信号相关程度大的固有模态函数分量,并进行希尔伯特变换,计算瞬时频率和幅值,进而得到振动信号的时间、频率和幅值三维希尔伯特谱.通过对滚动轴承仿真信号与实际振动信号进行试验研究,验证了利用基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法进行故障诊断的有效性.

基于补充的集合经验模态最优降噪整形算法

为了准确提取噪声干扰的脉冲信号,本文基于补充的集合经验模态分解的最优降噪整形算法,算法基于固有模态函数构建不同的带通滤波器和方波整形,并依据均方误差、线性相关度和目标函数值指标来建立最优降噪整形算法的判断指标。采用脉冲信号、调幅调频信号和高斯白噪声信号合成数值模拟信号进行仿真实验,本算法能够准确地提取脉冲信号,表明数值模拟仿真实验成功,可应用于提取受噪声干扰的单位脉冲信号。

利用集合经验模态分解法优化风电场短期功率模型及评价分析

根据风电场装机容量、额定功率和气象数据等基本情况,利用集合经验模态分解法(EEMD)对风速进行模态分解,得到频域特性相对稳定的分量,再采用最小二乘支持向量机(LSSVM)方法进行预测,并以果蝇优化算法(F0A)优化误差,得出预测值。基于实际数据,对预测的结果进行分析评估。

基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法

提取故障特征不理想、诊断速度慢等是目前现有列车转向架轴承故障诊断方法存在的主要不足。本文提出了一种列车转向架轴承故障的智能诊断方法。该方法将小波包分解和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合在一起,充分提取信号故障特征,并利用能量判别法和故障识别搜索算法进行故障模式识别,进一步提高了故障诊断速度。为了验证该方法的有效性,构建了轴承实验台,测试分析了广州地铁列车3种故障状态的转向架轴承。实验结果表明,该方法能够充分提取故障特征,迅速锁定搜索频段,准确识别轴承故障,提高了列车转向架轴承故障的诊断速度和准确性。

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于改进奇异谱分析的毫米波生物雷达干扰抑制方法

针对毫米波雷达间的互扰会造成生物雷达获取的微弱生命体征信号被淹没,导致无法准确测量呼吸心跳的问题,本文提出基于改进奇异谱分析的方法抑制雷达间互扰,通过相关性计算从受扰信号中选取目标差拍信号重构以抑制干扰和消除背景噪声。进一步提出基于信息熵的集合经验模态分解方法消除差拍信号残留的相位噪声,通过信息熵计算从集合经验模态分解后的固有模态函数分量中选择呼吸和心跳信号以抑制残留噪声。实验结果表明,所提出的方法能有效地从受干扰的信号中恢复呼吸和心跳信号,提高呼吸和心跳的信噪比。因此,本文所提方法提高了生物雷达的抗干扰能力,增强了生物雷达的实用性。

声波法在输油管道上的可检测泄漏率分析

为了确保输油管道出现泄漏时能够及时检测到泄漏,对声波法在输油管道上的可检测泄漏率进行了分析。首先,建立了声波产生和传播衰减模型,根据模型分析了声波在管道内的衰减性,得到管道两端声波衰减幅值的计算方法;其次,采用基于互信息优化的自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)和互谱分析相结合的去噪算法对采集的信号进行去噪,并实验验证了衰减模型可准确估计声波的衰减幅值,去噪算法可以有效消除信号中的噪声;最后,分析了管道特性与声波法在输油管道上的可检测泄漏率之间的关系。研究表明,管道特性在一定程度上决定了声波法的可检测泄漏率,声波法在输油管道上的最小可检测泄漏率可达0.45%。

基于集合经验模态分解算法的土壤肥力胁迫甄别与监测

土壤肥力是农作物生长所需的关键要素之一,其水平直接影响农作物的长势甚至产量,然而作物生长过程中受多种胁迫因素的综合影响。避免土壤肥力监测结果受到其他胁迫因素的干扰是土壤肥力精准监测的关键问题之一。该研究旨在分析利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域,以EEMD算法为基础,将分解后的本征模函数(Intrinsic Mode Function,IMF)分量按照年际、年间和年内的尺度进行合成,结合不同的时间尺度及胁迫特征剔除土壤水分胁迫、病虫害胁迫及重金属胁迫等因素,实现对土壤肥力胁迫的有效甄别提取。结合主成分分析相关方法,将有机质、全氮、有效磷以及速效钾4项养分指标转换为3个主成分,初步得到土壤肥力综合评价简易模型,后与分解结果进行拟合,构建并实现了土壤肥力综合水平的定量评价模型。结果表明:1)在年际、年间以及年内3组波动组分中,年际波动组分可以较好地反映研究区内土壤肥力胁迫作用对农作物长势的影响;2)利用最小二乘法对土壤养分指标测定数据进行线性拟合,拟合结果与原始数据的决定系数达到了0.857,能够较好地反映出原始数据的变化水平;3)最终土壤肥力水平评价模型评价结果与实测结果间的平均误差为11.82%,表明模型预测结果与实际情况契合程度高,模型反演结果能够较好地反映研究区的土壤肥力水平。该研究结合EEMD算法与统计学分析实现了土壤肥力胁迫的有效甄别及土壤肥力定量评价模型的构建,为遥感技术在土壤肥力研究领域的应用提供了参考。

基于集合经验模态分解和支持向量机的溶解氧预测

应用集合经验模态分解(EEMD)和支持向量机(SVM)相结合的方法,建立一种天然水体溶解氧浓度预测模型。首先,利用EEMD方法将溶解氧时序分解成不同频段的分量,以降低序列的非平稳性;然后,根据各序列分量的自身特征建立合适的SVM预测模型,此过程通过相关分析确定各分量输入量;最后,将各子分量预测值合成得到最终的预测结果。使用该模型对嘉陵江北温泉段的溶解氧浓度进行预测,结果表明,与传统单一的SVM和BP神经网络模型相比,该模型能有效提高预测精密度,具有良好的应用前景。

基于集合经验模态分解的MEMS矢量水听器联合去噪算法

针对MEMS矢量水听器的噪声去除问题,将集合经验模态分解(EEMD)、小波阈值去噪(WT)和奇异谱分析(SSA)相结合,提出了一种联合EEMD-WT-SSA去噪算法.该算法首先将含噪信号分解为一系列固有模态函数(IMF),然后,用连续均方误差准则(CMSE)对高频和低频进行区分,对高频信号进行小波阈值去噪,再和低频信号进行重构,最后对重构信号利用奇异值分析方法进行恢复,得到目标信号.通过仿真实验和湖试实验的信号处理表明,所提算法在信噪比和均方误差两个评价指标方面,相对于EEMD和EEMD-WT算法,具有明显的优势.

基于数据驱动的离心泵轴承特征分析及寿命预测

离心泵是工业中能量转换和流体输送的核心设备,其部件滚动轴承的可靠性对整个机组的安全运行尤为关键。为了解决目前滚动轴承寿命预测问题,对滚动轴承剩余寿命的最佳预测方案进行了研究。首先,从数据驱动和试验出发,利用试验台采集所得的离心泵轴承正常及故障状态下的数据,分析了时域、频域、时频域各特征在不同工况中的表现差异,发现了时域特征、频域特征、小波包分解能量特征、完全自适应噪声完备集合经验模态分解(CEEMDAN)能量特征可以捕捉到不同工况下的故障信息;然后,以单调性、趋势性指标加权分数为依据,结合特征的敏感性分析结果,优选出了轴承在全寿命周期中表现突出的12个特征,经核主成分分析(KPCA)-长短期记忆网络(LSTM)降维处理后,构建出了能够表征离心泵轴承退化过程的一维特征量;最后,对比分析了LSTM网络、反向传播(BP)网络和卷积神经(CNN)网络的预测效果。研究结果表明:LSTM网络的均方根误差(RMSE)为0.402,平均绝对百分比误差(MAPE)为0.332,预测精度在三者中最好,模型平均训练时间为12.6 s,可见LSTM网络在预测精度及模型训练时间上更具优势。