基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

集合经验模态分解下中国新疆降水变化趋势的区域特征

降水是中国西北干旱区水资源的重要组成部分,利用合理方法有效认识降水的区域变化规律对指导农业发展尤为重要。基于新疆16个国际交换站1961—2012年降水距平时间序列,利用集合经验模态分解(EEMD)方法,分析了新疆降水变化趋势的多尺度特征,并对其空间差异进行了初步探讨。近50多年来,新疆降水量整体上呈现出非线性的显著增多趋势,且其变化存在明显的年际尺度(3 a和6 a准周期)和年代际尺度(10 a和31 a准周期);各周期分量方差贡献率显示年际变化在新疆降水变化中占据主导地位,重构的降水年际变化趋势能精细刻画原始降水序列在研究时期内的波动状况;降水年代际变化揭示了新疆降水在1987年前后气候模态有了显著转换,由原来降水以负相位为主的气候模态转向正相位显著的气候模态;此外,降水变化趋势和转折时间均具有明显的区域差异。EEMD方法有助于加深人们对新疆降水多尺度变化特征的认识,是一种适用于非线性、非平稳信号分析的有效方法。

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。为了提高诊断性能,本文利用集合经验模态分解方法对原始振动信号进行分解,将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取,最后采用SVM进行分类。结果表明,所提出的方法相比于现有方法收敛速度更快,诊断正确率可高达99%,突出了该方法的优越性。

基于集合经验模态分解去趋势的水分利用效率对气候变化响应的高程分异——以“21世纪海上丝绸之路”沿线省份为例

水分利用效率(WUE)是表征陆地碳-水循环耦合关系的重要指标,但其对气候变化响应的高程分异仍不清楚。通过集合经验模态分解(EEMD)去趋势和偏相关方法,以“21世纪海上丝绸之路”沿线省份为研究区,揭示WUE对气候变化的响应及其随高程的分异。研究结果表明:(1)研究区内WUE多年均值由中心向南北递减。不同植被类型的WUE多年均值由高到低依次为:常绿针叶林、混交林、常绿阔叶林、稀树灌木草地、耕地和城市建设用地。(2)51.11%的区域表现出均温与WUE的正相关;而81.46%地区表明温差的扩大会使得WUE增加;有近一半的研究区表明最高温的升高有利于提高WUE,而最低温的作用则相反;有67.99%的区域表明降水增多反而会导致WUE的减少。(3)在大多数土地覆盖类型,日温差和最低温主要与WUE呈正相关,而最高温和降水主要与WUE呈负相关。在常绿针叶林、耕地和城市建设用地,日均温与WUE呈负相关。在其他三种植被类型下则呈正相关。(4)在低海拔地区,均温与WUE呈负相关而在中高海拔地区则转变为正相关关系。而最高温则正好相反。降水与WUE的负相关关系系数随高度的增加而不断加强,而温差和最低温与WUE的正相关关系也随高度的增加而剧烈波动增强。

基于集合经验模态分解和BP神经网络的北京市PM2.5预报研究

利用集合经验模态分解算法(EEMD)和BP神经网络组成的混合模型,对北京城区PM2.5浓度值进行短期预报。结果表明,与单独使用BP神经网络模型相比,EEMD-BP混合模型的预报准确率更高;混合模型高频部分的预报误差是整体误差的主要方面;混合模型的输入变量中需包含输出变量的信息;前期污染物浓度的数值对模型的预报结果有较大的影响。

基于集合经验模态分解的超声检测信号处理

提出基于集合经验模态分解(EEMD)的超声无损检测信号处理方法。此方法在信号重构时,采用分量信号与原始信号之间的相关系数进行特征选取,可以有效地抑制模态混叠现象。通过仿真与实测信号的验证,集合经验模态分解方法更适用于超声无损检测信号的处理。

基于集合经验模态的随钻脉冲信号优良降噪算法

为了准确提取原始随钻钻井液脉冲信号,采用集合经验模态分解方法,基于固有模态分量构建不同的低通滤波算法,进一步采取方波整形处理,建立脉冲信号的降噪整形算法,并依据算法逼近度指标、相关度指标建立优良降噪算法的判断准则。利用单位脉冲信号、周期性杂波信号和高斯白噪声信号合成数值模拟钻井液信号,分析钻井液信号的降噪效果,所得优良降噪低通滤波算法由去掉前4个固有模态分量的其余模态分量及余项构成,其降噪结果能清晰描述单位脉冲信号,算法的逼近度达到0.7719,相关度高达0.8929。利用选定的优良降噪算法分析了实测的随钻测量钻井液信号,所得结果合理、有效。

基于集合经验模态分解与门控循环网络的短期风功率预测

预测风网的发电量,合理调整机组维护人员活动,增加企业利润,稳定全网电力平衡,保障电网安全平稳运行。针对风电的不平稳性和波动性,本文基于EEMD分解的方法,建立了EEMD-GRU组合模型,并与其他单模型和组合模型进行对比,验证了该模型能有效地提高预测精度。

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。

基于EEMD-SpEn (样本熵)联合小波阈值对山西太原GNSS站点时间序列去噪分析

文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先,将原始站点时间序列进行EEMD分解,得到不同IMF (intrinsic mode function)分量,其次,计算每个IMF分量进行样本熵计算,根据样本熵值统计选择一个适当的去噪声阈值。最后,根据样本熵值去除小于阈值的小波系数,并重构IMF分量。得到去噪信号。计算结果显示,通过信噪比,相关系数评估去噪结果,得到结果可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。In this paper, based on ensemble empirical Mode decomposition (EEMD) combined with sample entropy (SpEn), the time series of GNSS stations in Taiyuan, Shanxi Province is denoised. First, the original station time series was decomposed by EEMD to obtain different intrinsic mode function (IMF) components. Secondly, sample entropy was calculated for each IMF component, and an appropriate noise removal threshold was selected according to the sample entropy statistics. Finally, the wavelet coefficients smaller than the threshold are removed according to the sample entropy, and the IMF component is reconstructed. The denoised signal is obtained. The calculation results show that the denoising results are evaluated by signal-to-noise ratio and correlation coefficient, and the results are reliable and high-precision millimeter time series, which provides better service for earthquake prediction.

联合加权小波和EEMD的GNSS坐标时间序列降噪分析

针对GNSS坐标时间序列中有用信号与噪声难以准确分离这一问题,本文提出加权小波Z变换(weighted wavelet Z-transform,WWZ)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)的降噪方法.通过对西北地区70个陆态网络连续站垂向坐标时间序列的降噪处理,分别采用均方根误差(root mean squared error,RMSE)、信噪比(signal to noise ratio,SNR)、闪烁噪声(flicker noise,FN)振幅及速度不确定度为评价指标,验证了本文方法的降噪效果在一定程度上优于小波降噪和EEMD降噪.结果显示:WWZ-EEMD相比小波降噪和EEMD降噪,降噪后信号序列RMSE分别降低了0.331 mm、0.757 mm,SNR分别提高了1.911 dB、3.635 dB;FN振幅及速度不确定度均有明显改善,验证了本文降噪方法的有效性.

基于CEEMDAN-GAN的金融时间序列预测建模研究

近年来,深度学习模型不断地被应用于时间序列的预测之中,而且效果显著。文章将自适应噪声完备集合经验模态分解(CEEMDAN)和随机森林算法引入到时间序列预测建模之中,提出了一种基于CEEMDAN-GAN的金融时间序列预测模型;以美元兑人民币汇率为测试数据,运用CEEMDAN对原始数据进行分解和重要性评估,通过不断优化内涵模态分量(IMF)的重构方式提高模型预测准确率;将CEEMDAN-GAN与当下流行的时间序列预测模型LSTM、GRU相比较。实验结果表明,CEEMDAN-GAN的预测结果优于现有的时间序列预测建模方法,具有更好的解释能力和更低的预测误差。

基于双EEMD与重构的局部放电时延估计方法

对室内电气设备的局部放电检测与定位是保障设备长期稳定运行的有效手段,而时延估计精度是影响局部放电检测与定位准确度的重要因素。为解决局部放电信号在噪声及多径效应影响下的时延估计精度问题,本文提出了一种基于双集合经验模态分解(ensemble empirical mode decomposition,EEMD)与重构的局部放电信号预处理方法。模拟仿真与实验测试结果表明,本文所提出的方法与广义互相关算法相比有效提高了时延估计准确度,且稳定性与鲁棒性更好。本文所提方法有效提高了局部放电信号的信噪比(signal-to-noise ratio,SNR)以及时延估计算法的精度,可用于低SNR及多径效应明显的室内环境中局部放电信号的时延精确估计。

基于EEMD-ANN的自适应光伏日电量预测方法

随着清洁能源的持续发展,我国光伏电源装机规模不断增大。为了应对其随机性、波动性、不确定性等特点给电网安全运行带来的严峻挑战,研究中结合集合经验模态分解(EEMD)方法对原始时间序列进行处理,将其分解为有限且少量的振荡模式,形成更清晰的信号输入,再通过人工神经网络(ANN)实现历史数据的规律挖掘,构建了基于EEMD-ANN的自适应光伏日电量预测模型。以我国南方某光伏电站日电量过程为例的结果表明,该模型获得的预测结果具有较好的预测精度,是一种实用性较强的光伏电量预测方法。

基于EEMD分解的欧洲温度序列的多尺度分析

利用EEMD方法对欧洲5个站大于150年逐日温度序列进行分解,分析了欧洲温度序列的低频变化、年循环及季节变化。结果表明:欧洲5站温度低频变化均存在明显的特征时间尺度,即年际、年代际和世纪尺度等;年循环强度在1910—1940年及1970年年末以后的两个暖期里均处于偏弱的状态,尤其是最近30年里年循环强度减弱趋势更加明显;此外,与1910—1940年相比,在20世纪70年代末以来的暖期里,夏季更长,冬季更短。

基于EEMD-RVM的陀螺漂移混合建模预测

陀螺漂移序列具有非平稳和非线性的特点,针对单一模型难以对其实现精确预测的问题,提出一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的混合建模方法,实现对陀螺漂移序列的区间预测。首先,利用集合经验模态分解将漂移序列分解为多个模态和一个余量;将模态区分为噪声和趋势两个分量,对噪声分量建立分布模型,对趋势分量建立RVM模型,两者等权相加还原得混合模型;最后,给定置信度,得到置信区间预测结果。将该方法用于某振动陀螺漂移序列预测实例,结果表明:该混合预测模型能准确预测陀螺漂移,其中RVM的预测精度达到99.86%,且验证集以给定的置信度落在预测区间内,可为陀螺的寿命预测和性能分析提供依据。

安全预测的EEMD-PSR-Elman建模方法及应用

为分析安全预测中时间序列的非平稳特性并提高预测精度,提出基于集合经验模态分解（EEMD）、相空间重构（PSR）及神经网络的预测建模方法。首先应用EEMD方法将时间序列分解成若干具有不同周期性或趋势性的分量,通过C-C方法计算各分量的最佳嵌入维数和延迟时间;然后分别进行相空间重构;再应用Elman神经网络对各分量进行训练并建立预测模型;最后将各分量预测结果叠加得到最终预测值。用该方法分析反映煤矿安全生产的关键性指标——煤炭生产百万吨死亡率。结果得到具有长期趋势性和周期性波动的5个分量,预测相对误差为-0.11%~0.20%;外推预测表明,中国煤炭生产百万吨死亡率将保持持续下降趋势,至2020年将下降到0.05以下。

基于CEEMDAN-LSTM的股票市场指数预测建模研究

为满足主动型量化投资对股票市场指数高精度预测的要求,将自适应噪声完备集合经验模态分解(CEEMDAN)引入到股市指数预测建模中,结合长短期记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,采用“分解—重组—预测—集成”思路,提出一种股市指数集成预测方法CEEMDAN-LSTM。运用CEEMDAN对指数进行分解与重构,获得其高、低频分量及趋势项;分别构建各分量的LSTM预测模型并优化高频子序列IMF重组方式,进而通过加和集成各分量预测值获得指数的整体预测值。以沪深300等5个代表性的股市指数为测试数据,对CEEMDAN-LSTM与主流的金融时序机器学习建模方法的预测效果进行系统的对比实验,结果表明:CEEMDAN-LSTM的预测表现一致性地优于现有建模方法,具有更低的预测误差和滞后性。

基于EEMD-SVR的沪深300指数预测建模

文章将集合经验模态分解(EEMD)引入股票指数预测研究中,并充分考虑ε-不敏感支持向量回归(SVR)出色的非线性建模能力,提出基于EEMD与SVR建模的沪深300指数预测方法EEMD-SVRP。首先对沪深300指数时间序列进行EEMD分解,获得多个本征模函数和趋势项,并根据序列的均值特征将本征模函数重组为高频、低频分量;运用ε-不敏感SVR分别建立各分量序列的预测模型,进而对各分量序列预测值进行加和,获得指数的集成预测值;最后为评估模型的预测有效性,对EEMD-SVRP与ARIMA、MLP-ANN和SVR三种典型指数预测方法做对比实验。结果表明:EEMD-SVRP具有更低的预测误差和预测滞后性,是一种更加有效的沪深300指数预测方法。