基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。

基于EMD-SSSC分解的振动信号去势

提出一种基于经验模态分解和软筛分准则的振动信号去势方法EMD-SSSC(Empirical Mode Decomposition-Soft Sifting Stopping Criterion,EMD-SSSC),根据软筛分准则自适应控制筛分过程,改善本征模态函数的混叠问题,提高经验模态分解的精度与效率,从而有效去除振动信号的趋势项。通过解析函数和两自由度弹簧-质量-阻尼系统验证该方法的有效性和精度,并进一步将其应用于实际岸桥结构健康监测中加速度响应的去势。结果表明:采用EMD-SSSC方法可以准确剔除振动信号中的趋势项,去势精度远高于最小二乘法;所提出方法既可有效用于数值积分中因积分常数的存在而出现的趋势项,也可合理去除工程实际监测信号中的趋势项。

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

基于EMD-DESN的无人机集群航迹目的地预测

无人机(unmanned aerial vehicle,UAV)集群作战样式多样、运动模式复杂,导致集群航迹目的地难以预测。为解决上述问题,本文提出了一种基于经验模态分解(empirical mode decomposition,EMD)和深度回声状态网络(deep echo state network,DESN)的UAV集群航迹目的地预测算法。为使集群运动模型更真实地模拟UAV集群作战过程,本文引入航向误差时变方差,改进了Olfati-Saber集群运动模型的虚拟领导项。为处理因群内的协同作用和集群航向误差导致的运动非平稳性,引入了EMD,对UAV航迹序列进行重构。考虑到获知航迹的时序性,设计了滑窗结构,采用DESN对重构航迹的不同时段进行目的地预测。仿真实验结果表明,本文提出的EMD-DESN算法较基本DESN算法能以更高的准确度预测UAV集群航迹目的地,并能更早地实现稳定的正确预测。

基于改进EMD方法与11/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise,DEMON)谱分析技术已被广泛应用于特征提取领域,但经典DEMON谱提取中高频信号频段的选取会影响DEMON谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition,EMD)方法获得一系列固有模态函数(Intrinsic Mode Function,IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用11/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的DEMON谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典DEMON谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于EMD-LSTM人工神经网络的云冈石窟环境参数预测

环境参数会直接影响石窟的风化过程,因此,预测环境参数是进行云冈石窟有效保护的重要内容.以云冈石窟第十窟为例,将壁温、环境湿度、环境温度的实测时序数据作为环境参数,使用经验模态分解(empirical model decomposition,EMD)对实测时序数据进行分解,研究了固有模态函数(intrinsic mode function,IMF)分量与实测时序数据的相关性,建立了基于EMD-长短期记忆(long short-term memory,LSTM)的人工神经网络(artificial neural network,ANN)组合模型.使用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(R2)作为评价指标,对比分析了使用组合模型与使用单一LSTM的ANN模型进行环境参数预测的效果.结果表明:IMF分量的变化速率越大,与实测时序数据的相关性就越强;对于组合模型中的LSTM网络模型,当隐藏层层数和初始学习率分别取2和0.001时,组合模型预测效果最优;与单一LSTM的ANN模型相比,使用基于EMD-LSTM的ANN组合模型,环境参数的MAE、RMSE、MAPE值减小、R2值增大,模型预测精度提高;环境参数预测效果主要受环境参数变化幅度的影响,变化幅度越小,组合模型预测效果越好.研究成果对于石窟文物保护具有一定的参考价值.

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。

基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

基于EMD-GWO-LSTM模型的新疆标准化降水蒸散指数预测方法研究

干旱预测一直是干旱研究领域的重大挑战,提高干旱预测的准确性是解决干旱问题的关键。基于1961—2019年新疆34个气象站点月降水和月平均气温数据,计算得到标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI),对新疆气象干湿变化进行分析,提出一种经验模态分解方法(empirical mode decomposition,EMD)-灰狼优化算法(grey wolf optimizer,GWO)-长短期神经网络(long short-term memory network,LSTM)的数据分解型干旱组合预测模型进行预测,并进行模型性能评价。结果表明:(1)干旱周期性变化整体呈现平稳且周期长的特点;(2)EMD能够有效优化数据的平稳性,GWO优化预测模型参数,组合模型的预测精度相较于单一预测模型有明显提高;(3)4个预测模型结果精度由高到低的排序为:EMD-GWO-LSTM、GWO-LSTM、GWO-支持向量回归(Support Vactor Regression,SVR)、LSTM,拟合优度分别为0.972、0.939、0.862、0.830,EMD-GWO-LSTM组合预测模型的预测精度优于其余3个预测模型。EMD-GWO-LSTM组合模型可有效提高气象干旱的预测精度,为新疆地区气象干旱预报及抗旱减灾工作提供了新的方法手段。

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。

基于改进EMD和GA-BPNN的机器人磨削颤振监测

由于工业机器人的灵活性,被广泛应用于机器人焊缝磨削任务中。但由于机器人的弱刚性,在焊缝磨削过程中系统容易发生颤振,因此对加工过程中的颤振监测是保证加工质量的基础。针对在加工振动信号处理过程中的模态混叠现象,提出了一种基于排列熵算法改进的经验模态分解方法,通过排列熵算法检测振动信号中的异常信号并剔除。通过相关系数法提取相关性最大的固有模态函数的能量熵作为特征值,同时提取方差、峰峰值、均方根和峭度4种时域特征。利用遗传算法优化BP神经网络(back propagation neural network,BPNN)建立颤振辨识模型,最后将提取的5种特征参数作为特征向量代入辨识模型中对加工状态进行监测。试验结果显示,提出的改进经验模态分解算法结合遗传算法优化的BPNN模型能够有效地对机器人焊缝磨削中的颤振进行监测。

基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测

针对水位时间序列具有线性与非线性混合、不确定性高等特点带来的预测困难问题,提出了一种基于经验模态分解(EMD)、长短时记忆网络(LSTM)和深度极限学习机(DELM)的EMD-DELM-LSTM组合模型,其中DELM和LSTM采用并联结构预测,并与EMD串联连接。首先使用EMD将原始信号分解为若干个具有单一特征的本征模态函数(IMFs),再将IMFs分类重组为高、中、低频信号后输入DELM-LSTM并联结构中进行预测并重构。以广州某大学重要湖泊为例验证模型的有效性,结果表明,与EMD-LSTM、EMD-DELM、LSTM、DELM和BiLSTM模型相比,本模型在不同时间尺度下的预测性能均有显著提升,其中40 min时间尺度下的预测性能提升效果最为明显,分别较对比模型提升43.08%、22.92%、45.79%、30.92%和47.31%。可见,本模型对于不同时间尺度的水位预测具有良好的可靠性和稳定性。

复杂环境下结合EMD的GPS-IR水位反演方法

利用法国布雷斯特(Brest)港BRST测站和英国塞文大桥监测系统GNSS双频观测数据,分别在静态和高动态环境下进行GPS-IR水位反演,探究传统GNSS监测系统进行水位反演的可行性与精度.结果表明:L1波段反演精度高于L2波段;在静态场景下,GPS-IR水位反演结果与验潮站数据相关系数大于0.98,在高动态场景下,桥梁GPS-IR水位反演精度稍低.利用经验模态分解(EMD)方法对算法进行改进,提高了在桥梁复杂环境下GPS-IR水位反演结果的精度,均方根误差(RMSE)相比经典方法降低约50%.本文方法提高了GPS-IR技术在不同水域环境下的适用性,在水位监测中具有很好的应用前景.

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合(EMD-MLP)的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数(Intrinsic Mode Function,IMF)分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。

基于EMD与DCNN混合智能煤岩识别方法研究

针对现有煤岩识别模型和方法准确率低、稳定性差、难以在工程实践中获得应用的问题,提出了基于经验模式分解(EMD)与深度卷积神经网络(DCNN)的混合智能识别方法。首先,应用EMD对采煤过程中的振动信号进行分解,得到一系列的本征模式分量(IMF)。然后利用DCNN进行IMF信息的融合,并自动提取特征信息。最后使用Softmax实现煤岩分界的智能识别。工程应用试验数据表明,该方法能够有效、准确地实现煤岩分界的识别,并具有良好的稳定性。