样本熵改进EEMD算法在继电器参数异常值处理中的应用

针对继电器参数中存在的异常值问题,文章提出了一种模态异常值处理模型。首先,依据继电器特点对集合经验模态分解(EEMD)算法中的参数进行灵敏性分析,确定优化参数;其次,针对EEMD分解中存在的模态混叠现象,采用样本熵和哈里斯鹰优化算法得到有效的模态分量;最后,分别采用拉依达准则及三次样条插值法对各模态异常数据进行识别及替换,将处理后的所有分量进行重构异常值,得到处理后的数据序列。继电器接触压降参数的实例分析结果表明,该模型具有良好的泛化能力,且能够有效地识别出潜在异常值。

基于改进EEMD-MB1DCNN的船用柴油机缸套-活塞环故障诊断

针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸套-活塞环故障诊断方法,通过设计固有模态分量IMF信息质量筛选准则对EEMD分解出的IMFs进行重新排序,获得包含更多凸显故障特征成分的重构信号,输入到上述神经网络模型,通过振动信号分析并与现有方法比较,评估所设计IMF信息质量筛选准则与所搭建模型的性能,试验结果显示该方法能准确、有效地识别缸套-活塞环故障类型。在判断该易损件同类型不同磨损程度故障诊断中有较高的准确率,能对故障状况进行有效的特征提取与故障分类。

基于小波变换优化EEMD结合SG的红外光谱降噪算法

红外光谱气体分析技术由于具有检测参数多、检测效率高、分析准确等优势,已经逐渐成为气测录井的主要分析手段。但是由于地层流体中的烃类气体种类多、浓度范围跨度大等因素,致使测量的光谱数据复杂,所以光谱数据的预处理尤为重要,这直接关系到测量结果的准确性,而噪声是一个极为重要的干扰因素,如何对得到的烃类光谱数据进行去噪处理是一个至关重要的问题。基于此,本文提出了小波变换优化集合经验模态分解(EEMD)结合Savitzky-Golay滤波(S-G)的红外光谱降噪算法,该算法首先利用EEMD对信号进行分解得到多个IMF分量,再利用小波变换对各IMF分量进行小波阈值去噪,最后对去噪后的各IMF分量进行重构并进行S-G滤波。实验结果表明,本文提出的算法能够同时有效的去除吸收光谱数据中高斯白噪声和脉冲噪声,还提高了吸收光谱的平滑度指标,提升了录井气体检测的准确性。

基于EEMD-SVM-ELM模型的月降水量预测研究

针对地表降水量数据的非线性、非平稳特征,首先利用EEMD对月降水量初始数据进行分解,再利用Lempel-Ziv复杂度算法将分量划分为高频及低频分量,使用粒子群算法(PSO)优化基学习器参数,最终构建EEMD-SVR-ELM月降水量预测模型,并采用该模型对长江下游部分城市的月降水量实际数据进行预测。结果表明,该模型的综合性能最优,具有更高的精确度。相较于单一模型,在M_(MAE)、R_(RMSE)、M_(MAPE)指标上分别降低了37.4%、41.4%、42.5%,DM检验表明该模型显著优于其他模型,说明该模型可作为月降水量预测的一种有效新方法。

结合EEMD的噪声对消方法在遥测振动信号降噪中的应用

针对传统降噪方法难以兼顾飞行器遥测振动信号中细节信息损失和降噪性能之间的矛盾,提出一种集合经验模态分解(ensemble empirical mode decomposition,EEMD)和噪声对消相结合的降噪方法。信号经EEMD处理得到本征模态函数(intrinsic mode function,IMF),将第1阶IMF分量和其余IMF分量的累加和分别作为参考噪声和待降噪信号;利用核方法将信号映射到高维特征空间,利用映射到高维空间中的参考噪声和待降噪信号进行噪声对消。计算机仿真结果表明:该方法在避免信号细节信息损失的前提下具有良好的降噪性能,某次飞行器试验中实测数据处理结果证明方法有效和实用。

基于EEMD分解法对北武当观测站形变资料受气压干扰特征分析

本文通过选取北武当观测站的水平摆、伸缩仪,对观测数据受气压干扰明显的典型事件进行分析,研究气压变化如何对观测数据变化产生的影响,并对原始观测数据采用EEMD分解出含有干扰信息的IMF分量;对IMF分量进行Hilbert变换得出Hilbert时频图。结果表明,水平摆和伸缩仪受气压干扰明显,且气压干扰具有延时性。总之,通过EEMD方法对北武当观测站测向资料的分析,说明这种方法对气压干扰的研究有较好的效果,提高了识别干扰信息的能力。

基于EEMD-WPT的温室环境数据优化处理研究

【目的】解决温室系统中的数据采集传感器容易受到多种环境因素的干扰,从而导致数据中存在噪声的问题。【方法】提出一种集合经验模态分解(Ensemble empirical mode decomposition,EEMD)与小波包自适应阈值(Wavelet packet adaptive threshold,WPT)算法联合的数据降噪处理方法,并采用卡尔曼滤波与自适应加权平均算法对降噪后的数据进行融合。【结果】将EEMD-WPT算法应用于含噪温、湿度数据的降噪处理,相较于降噪前的数据,信噪比提升了73.08%。该算法相较于传统WPT算法具有更好的降噪效果,处理后的数据信噪比提升了40.31%,均方根误差降低了84.75%。【结论】该算法能解决数据跳动、冗余和丢失等问题,并为温室控制系统提供了有效的参数,具有较大的实际应用价值。

基于EEMD分解的阶次跟踪方法研究

摆线针轮减速器组成零部件繁多、构成复杂,工作时噪声干扰大且多在变转速、往复的复杂工况下工作,因此,难以准确提取其内部的故障特征。针对这一问题,提出了一种基于集合经验模态分解(EEMD)与阶次跟踪分析的方法,对摆线针轮减速器进行了故障诊断。首先,对采集到的时域振动信号和转速信号进行了等角度域差值采样,得到了振动信号的等角域平稳信号;然后,对等角域信号进行了集合经验模态分解,得到了若干个固有模态分量(IMFs),计算了各个固有模态分量的峭度值,选取目标模态分量进行了信号重构;接着,采用快速傅里叶变换得到了故障信号的阶次图;最后,根据减速器的传动方式、各零部件的模数,计算出了各主要部件的故障阶次,对比减速器在故障前后阶次图的能量峰值进行了故障诊断。研究结果表明:该方法能够准确提取包含故障信息的固有模态分量,实现从等时域信号到等角域信号的转换,并提取摆线针轮减速器的滚针故障阶次(8.37阶),故障准确率达到99.6%,可实现摆线针轮减速器在非平稳工况下的故障特征识别,并验证该方法的可行性和有效性。

融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解(EEMD)与卷积神经网络(CNN)相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量(IMF)和残余分量(Res),然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。

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-CBAM-BiLSTM的牵引负荷超短期预测

针对电气化铁路牵引负荷难以预测的问题,构建了一种由集合经验模态分解(EEMD)、改进型卷积块注意力模块(CBAM)和双向长短期神经网络(BiLSTM)组合成的EEMD-CBAM-BILSTM预测方法,有效地降低了牵引负荷超短期预测误差与计算成本。首先,通过EEMD将牵引负荷数据分解为多个稳定、有规律的时序模态函数,突出负荷数据的时序特征;其次,将分解后的各分量整体通入由卷积神经网络(CNN)和改进型CBAM组成的特征提取模块提取全局时序特征;最后,利用贝叶斯优化(BO)搜寻BiLSTM最优参数,并将全局特征通入优化后的神经网络进行超短期时序预测。仿真算例表明,该文所提预测框架在各预测步长下均能很好地把握牵引负荷变化趋势,显著提升了牵引负荷预测的精度。

基于PCA和EEMD的柔性直流配电网故障选线算法

柔性直流故障选线技术的发展对直流配电网有着至关重要的作用。本文针对现有柔性直流故障存在的可利用的故障信息较少等问题,提出了一种新算法,该算法有效利用了集合经验模态分解EEMD(ensemble empirical mode decomposition)算法、主成分分析PCA(principal component analysis)和相关系数各自的优势。首先,提取暂态电流样本信号,采用EEMD得到以正交基函数表示的数据矩阵;接着,基于PCA进行该矩阵元素特征向量到主成分的转换,将样本信号投影到主元空间实现坐标变换,从而得到对样本数据的聚类和识别结果;最后,基于相关系数进行故障线路判别。本文算法的EEMD揭露了原始历史数据的内在变化规律,PCA能够有效选择故障有效特征。大量实验表明,该新算法准确有效,与现有其他方法相比,在故障信息不明显、不同过渡电阻方面具有优势。

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.

基于改进CEEMDAN的深度学习电煤库存STIFM

准确预测燃煤电厂的电煤库存是优化能源储存、保障电力供应的重要依据。针对实际生活中短期电煤库存呈不平稳性、随机性和局部突变等特点,提出一种基于改进CEEMDAN分解的TCN-BiGRU-Attention组合模型电煤库存短期预测方法,分析电煤库存特征并选取主要影响因素,将影响因素通过词向量的方式构建成新时序序列,利用于完全自适应噪声集合经验模态分解(Complete EEMD with Adaptive Noise, CEEMDAN)分解数据后通过零率(Zero Crossing Rate, ZCR)将分量分类为高、中和低频并叠加求和,通过时序卷积网络(Temporal Convolutional Network, TCN)提取不同频段时序序列的隐藏特征,以特征向量的方式输入双向门控循环神经网络(Bidirectional Gated Recurrent Unite, BiGRU),并结合Attention机制(Attention Mechanism)给予不同权值突出关键特征并产生预测结果,将各频段序列预测结果求和产生最终预测结果。结果表明,上述模型比单一和其它组合模型预测结果更准确。

基于EEMD奇异值熵的局部放电模式识别

针对气体绝缘组合电器(GIS)局部放电故障信号非平稳性和放电类型识别准确率低的问题,提出了一种基于集合经验模态分解(EEMD)奇异值熵的局部放电模式识别算法。首先对局部放电原始信号进行EEMD分解,得到多个固有模态分量(IMF),根据均方差、峭度和欧氏距离评价指标选取隐含放电信息居多的最优模态分量进行信号重构;然后对重构信号进行奇异值分解,结合信息熵算法计算出奇异值熵;最后,根据奇异值熵大小区分出GIS局部放电的类型。实验结果表明,通过与传统的EMD奇异值熵和VMD奇异值熵算法对比,该方法可以有效地通过各自不同区间的奇异熵值进行识别放电类型。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于EEMD-HHT的边坡爆破振动信号分析

爆破工程所处的环境一般复杂多变,爆破振动信号大多呈现瞬时非平稳性特征。因此,为了准确分析爆破振动的信号特征以及传播规律,以首都环线高速公路承平段路基爆破工程为背景,通过引入EEMD分解方法,解决了传统EMD分解方法存在模态混叠的不足;结合HHT变换,对承平段典型路堑边坡岩体爆破振动信号进行了分析。研究结果表明:采用EEMD分解方法提取爆破振动信号中主要的IMF能量层,并对振动信号进行重构,可以达到良好的去噪效果;对施工现场爆破振动信号进行主成分分析、提取之后,瞬时能量和质点振速曲线整体平滑度显著提高,振动信号主成分提取效果良好;Hilbert能量谱可以清晰地体现时间、频率与能量三者之间的关系,展现出了爆破振动信号的时频特性和传播规律;测点振动主频主要分布在10~40 Hz的频率段范围内,近似呈现出随着传播距离的增加而衰减、随着距离的增加衰减幅度减弱的趋势。该分析成果对边坡稳定性分析和邻近建筑物的安全控制具有重要的现实意义。

基于EEMD方法提取唐山井水位固体潮响应特征

以唐山井为研究对象,通过集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)对井水位观测数据进行分解,提取井水位中固体潮引起的井水位变化特征,对重构信号和固体潮理论值进行一元线性回归分析。结果表明,井水位经过EEMD分解后,各高频分量均包含一部分固体潮信息,可通过部分信号分量重构研究相应因素引起的井水位变化特征,提取被其他因素掩盖的信息。在选定时间范围内,井水位对固体潮响应的时间滞后不明显,唐山井水位春季受其它因素的影响较大,夏季对固体潮的响应较好。EEMD方法可较好提取井水位中固体潮变化特征,对分解结果进行重构时需要根据数据实际情况进行选择。

基于EEMD的多传感器自适应噪声滤波技术

针对多传感器采集所得被动信号中存在噪声使得其应用受到限制对的问题,提出一种基于集合经验模态分解(EEMD)的多传感器信息融合自适应噪声滤波技术。首先,构建一个自适应噪声滤波系统。采用EEMD方法对多传感器信号进行分解,结合各传感器的置信度对分解后的信号进行加权,融合多传感器的信息,得到自适应滤波器的参考噪声信号。将参考信号输入自适应滤波器,采用最小均方(LMS)算法,使得自适应滤波器输出信号在LMS意义下,抵消噪声信号,从而得到最终的滤波信号。最后,将该方法应用于实测两类目标的多传感器信号,得到了较为满意的降噪效果。

基于GRA/EEMD-Informer混合模型的光储直柔配电系统多数据预测方法

针对现有时间序列模型预测光储直柔配电系统短期发用电数据精度不高的问题,提出一种基于灰色关联度分析/集合经验模态分解(grey relation analysis,ensemble empirical mode decomposition,GRA/EEMD-Informer)的光储直柔配电系统多数据预测模型,通过灰色关联度分析、模态分解,结合自注意力蒸馏机制,有效捕捉输出和输入之间较精确的长程相关性耦合,降低了时空复杂度,极大缓解了传统编解码的局限性。将已建成并投入使用的光伏发电站某月数据、典型办公建筑某月电力数据及电动汽车充电站运行数据作为原始数据,以均方误差、平均绝对误差、均方根误差作为评价指标对模型进行检验,并进行消融实验与分析,最后与长短期记忆网络(long short-term memory,LSTM)、基于粒子群优化(particle swarm optimization,PSO)算法的长短期记忆网络(PSO-LSTM)、Transformer时间序列预测方法对比,结果表明该方法的拟合程度明显高于其他预测方法,验证了GRA/EEMDInformer算法对提高预测能力的有效性和实用性。