基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解(EEMD)能量熵和金豺优化算法(GJO)优化核极限学习机(KELM)的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。

基于EEMD-LSTM的桥梁变形响应组合预测模型研究

为准确预测桥梁结构变形响应,提出了一种利用孤立森林(iForest)算法对桥梁原始变形数据进行降噪,集合经验模态分解法(EEMD)对桥梁变形数据进行分解,长短期记忆神经网络(LSTM)深度学习法对所得到的多尺度变形分量进行预测的EEMD-LSTM组合模型。以武汉沌口长江大桥作为研究对象,选取RMSE、MAE、MAPE和R^(2)等参数作为评价指标,对该模型进行了验证。研究结果表明:与单一的LSTM、SVM和Bayesian模型相比,EEMD-LSTM模型有着良好的鲁棒性、适用性和更高的预测精度。

基于EEMD-VMD-SSA-KELM模型的汛期日径流预测

受气象、气候变化和人类活动等因素的影响,径流序列呈现出非稳态、非线性等特征,给径流精准预测带来新的挑战。为了提高单一径流预测模型的预测精度,文章提出了一种新的基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法、变分模态分解(Variational Modal Decomposition,VMD)算法和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的组合径流预测模型(EEMD-VMD-SSA-KELM)。首先利用EEMD算法将径流序列分解为趋势分量、细节分量和随机分量,接着利用VMD算法将频率最大的随机分量进一步分解为若干个频率不同、较随机分量更加稳定的分量,从而降低径流序列的不稳定性;接着,对每个分量分别建立KELM模型进行预测,并采用SSA优化KELM模型的核参数和惩罚系数;最后,累加所有分量的预测结果得到径流序列的预测结果。提出的模型应用于湖北宜昌寸滩水文站的汛期日径流预测,并与BP神经网络模型、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型、KELM模型等作对比。结果表明:组合了数据分解算法的预测模型的预测精度明显优于单一的BP模型、LSSVM模型和KELM模型;组合EEMD算法和VMD算法的预测模型的预测精度优于仅组合EEMD算法的预测模型;KELM模型的预测精度优于LSSVM模型;SSA的优化精度优于粒子群优化算法。EEMD-VMD-SSA-KELM模型的预测精度最高,能准确的模拟复杂多频信息的汛期日径流的变化趋势,可为水文预测及相关预测研究提供参考。

基于EEMD的光电式武器射频测试信号处理

射击频率是评价连发武器总体性能的一个重要参数,以激光光幕为核心的光电探测技术具有非接触、全天候、可重复、高精度等优势而得到广泛的应用。针对光电式高射频武器射频测试信号干扰强、难识别的特点,采用EEMD算法对原始信号进行分解,得到本征模函数,结合信号自身的频谱特性,对信号进行滤波、降噪处理;结合弹丸过靶信号的特征,采用下降沿一半法拾取弹丸过靶信号的特征点,计算得出武器的射频测试结果。在某型号高射频武器试验中,将该算法得到的测试结果与天幕靶测试结果相比,误差在0.1%以内,精度相对较高,因而将该算法用于光电式武器射频测试系统信号处理是切实可行的。

基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时,如何快速诊断故障对维护铁路的正常运输秩序有极大影响,针对这一问题,提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号,首先,对其进行EEMD分解得到一系列的本征模态函数(IMF)分量,选取IMF1~IMF3分量并计算其模糊熵作为表征不同故障类型的特征量;然后,为对故障类型进行诊断,建立多分类支持向量机(SVM)模型,将特征量输入至SVM模型中进行训练和识别;同时,为使模型的性能达到最佳,采用遗传算法(GA)对模型进行优化。测试结果表明,该方法能够有效地对5种典型牵引网故障进行诊断,且准确率达到了96%,验证了该方法的可行性。

EEMD与改进小波阈值结合应用于心电信号去噪研究

心电信号监测过程中噪声是不可避免的,目前主要采用EEMD算法对观测信号所带有的噪声进行滤除,但该方法会直接丢弃高频噪声主导的低阶IMF分量或低频噪声主导的余项,导致部分有用信息丢失。为此,文中提出将改进的小波阈值与EEMD相结合,应用于心电信号去噪。改进的阈值方法能有效地去除各IMF分量噪声,再将处理后的各分量叠加,得到去噪的心电信号。通过真实监测信号实验进行验证,结果表明,所提方法具有较好的去噪声和重构效果,能够完整地保留QRS特征。

基于EEMD-PSO-GRNN模型的元江中上游径流预测

径流序列的非线性和非平稳特性使得高精度的径流预报存在困难。以组合EEMD和粒子群算法(PSO)优化的GRNN模型形成EEMD-PSO-GRNN耦合模型,预测时通过将径流序列分解为确定成分与随机成分并通过PSO优化的GRNN模型分别进行预测,预测值的加和构成径流最终预测结果。EEMD-PSO-GRNN耦合模型应用到元江中上游,并与其他模型进行比较,结果表明:EEMD-PSO-GRNN耦合模型具有更高的预测精度,对径流的总体趋势预测效果良好,但在随机成分的模拟上有待进一步完善。EEMD-PSO-GRNN耦合模型优于BP、GRNN、EEMD-BP、EEMD-GRNN模型,能有效提升径流预测的精度,可为流域中长期径流预报及水资源优化调度等提供支撑。

基于CEEMDAN算法的光伏功率信号光滑降噪

为解决光伏高输出功率低频分解及光滑降噪问题,通过引入曲线降噪权重因子,改进传统经验模态分解方法,提出一种光滑度与相似度更好的光伏输出功率自适应完备集合经验模态分解算法。为验证CEEMDAN算法的降噪优异特性,对典型光伏输出功率信号开展了模态分解仿真研究,仿真结果表明,相对于与传统EEMD算法,采用CEEMDAN算法时,当IMF为3、目标函数为最小时,相似度提升了3.26%,光滑度提升了85.6%,各项指标数据更加完备,降噪效果更好。

基于EEMD与GWO-SVM的石化机组轴承故障诊断

针对石化机组轴承做故障分类时,传统支持向量机的分类性能受自身参数选择的影响识别准确率不高的问题,提出一种基于集合经验模态分解和改进支持向量机的石化机组轴承故障诊断。首先利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)与样本熵(sample entropy,SE)对原始信号进行特征提取,采用灰狼算法优化支持向量机(gray wolf optimization algorithm support vector machine,GWO-SVM)的方法得到最优参数,构建石化机组轴承故障诊断模型。最后以实际石化机组数据集进行诊断分析,并通过与未优化的支持向量机和传统优化算法的支持向量机进行对比,表明该文所提方法的有效性和优越性。

EEMD在雷暴日趋势特征分析中的应用

首先利用整体经验模态分解算法（EEMD）对加入高斯白噪声后的香港地区雷暴日时间序列进行本征模态函数（IMF）分解;其次对各IMF分量进行Hilbert变换,提取雷暴日波动特征参量,并给出雷暴日序列的Hilbert谱和边际谱;最后对各雷暴日IMF分量进行显著性检验。结果表明：香港地区近67 a雷暴日序列可分解为1项趋势项和5个中心频率不同的IMF分量,其中能量主要集中在0.35~0.5 Hz和0~0.05 Hz频段;通过分析IMF能量谱密度-周期分布,得出雷暴日变化周期为2.8 a左右的年际变化和25 a左右的代际变化为主要变化周期,其次是4.5和7.1 a左右的年际变化为次要变化周期,从趋势项可知香港地区雷暴日呈波动上升趋势。EEMD算法可较好地用于雷暴日趋势特征分析。

基于EEMD能量熵和LSSVM的传感器故障诊断

传感器作为动车组制动系统的关键部件,其能否正常工作直接影响动车组的安全稳定运行。集成经验模态分解克服了经验模态分解的模态混叠现象,分解出的各个内禀模态函数突出了故障的局部特征,并求解其能量熵组成故障特征向量,然后把故障特征向量输入到最小二乘支持向量机(LSSVM)进行故障识别和分类。同时采用粒子群优化算法对LSSVM的结构参数进行择优。测试结果表明:该故障诊断模型对动车组AS压力传感器故障具有较高的正确分类率。

基于改进的EEMD方法与GA-SVM的液压系统泄漏故障诊断

液压系统不同程度泄漏故障发生原因多样,特征十分相似,难以正确诊断。针对此问题,提出了改进的EEMD方法与GA-SVM结合的液压系统泄漏故障诊断方法。首先,在EEMD方法的基础上提出改进,抑制模态混叠和端点效应对振动信号分解的影响,保证信号分解的真实性。运用改进的EEMD方法将液压振动信号分解成若干个IMF分量,计算各IMF分量能量并归一化处理提取振动信号特征向量。然后运用遗传算法对SVM进行参数优化,将提取到的特征向量输入优化后SVM分类诊断,判断液压系统泄漏故障类型和严重程度。实验结果表明,该方法能够有效地应用于液压系统泄漏故障诊断。

小波-SG-EEMD混合算法及混沌去噪应用研究

混沌信号和噪声频谱部分甚至全部重叠,单一的去噪方法无法有效地从强干扰中提取有用信号,为此,提出了小波-SG-EEMD混合去噪算法。该算法将小波-SG作为EEMD的预滤波单元,有效降低白噪声和局部强干扰的影响,并结合EEMD抑制模式混叠的特性,可以有效地将混沌信号从复杂干扰中提取出来。利用Lorenz时间序列详述了混合滤波算法的实施过程,并将该方法用于两自由度混沌振动信号中。结果表明该方法切实可行,具有非常好的应用价值。

发动机高速滚动轴承磨损故障信号特征识别

发动机高速滚动轴承在恶劣的工作环境下长时间使用,会导致其出现磨损故障,严重影响发动机的正常运行,且故障类型多样,每种故障类型都有其独特的特征,使得故障信号特征识别困难。为了有效解决这一问题,提出了一种发动机高速滚动轴承磨损故障信号特征识别方法。通过对发动机高速滚动轴承的振动信号进行EEMD分解和重建,获得其固有振动模态函数IMF,根据所得的IMF构建Hankel矩阵,获得拼接的奇异值样本特征矢量。通过划分样本空间和设置迭代阈值的方式,采用模糊聚类算法对故障样本聚类,计算出每个样本在不同聚类中的隶属度,以获得其贴近程度和故障特征。通过实验证明,所提算法能够较好的判别机械故障,准确性高,误报错报概率小,可确保设备的安全运行。

EEMD和布谷鸟搜索算法优化SVR的混沌时间序列预测

为了对混沌时间序列的预测精度进行提升,提出组合预测模型,它对支持向量回归(SVR)、布谷鸟搜索(CS)与经验模态分解(EEMD)进行了综合。首先对混沌时间序列通过集合经验模态分解为一组去除噪声且相对稳定的子序列;借助CS算法对SVR参量加以优化,进而构建以SVR为基础的预测模型,由此获取原始序列的预测大小;接着以太阳黑子混沌时间序列为对象,对其进行预测实验,并与SVR、CS⁃SVR和EEMD⁃SVR的预测性能进行比较。结果显示,通过CS算法进行优化后,能够让SVR具有更快的收敛速度,使之预测精度有了明显的提升,同时也提升了它的泛化能力。

基于改进EEMD滤波原理及TLS-ESPRIT算法的低频振荡模式识别

针对不稳定信号PRONY辨识的噪声敏感和辨识精度低的局陷,提出一种改进的低频振荡模式辨识方法,实现了在复杂噪声干扰情况下的低频振荡模式的准确辨识。该方法基于EEMD算法设计改进了EEMD滤波器,可以有效滤除噪声,保留更多的信号模态特征。对滤波后的信号采用基于总体最小二乘法-旋转不变技术的信号参数估计(TLS-ESPRIT)算法进行参数辨识,从而获取低频振荡各个模式信息。通过算例仿真验证了该方法的有效性。

EEMD样本熵的扬声器异常音分类方法

为了更准确的对扬声器异常音进行分类,提出一种基于集合经验模态分解(EEMD)与样本熵的扬声器异常音特征提取方法并利用极限梯度提升(XGBoost)算法进行分类。在基频陷波预处理后,对信号进行EEMD,结合相关性分析选取固有模态函数(IMF)分量并计算其样本熵构成特征向量。实验结果表明,针对扬声器异常音分类问题,在小样本的情况下,扬声器声响应信号经基频陷波预处理后,XGBoost算法使用EEMD与样本熵的特征提取方法取得了95. 33%的分类准确率,高于小波包变换和样本熵特征提取方法所取得的准确率,验证了特征提取及分类方法的有效性。

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解(EEMD)、改进果蝇优化算法(MFFOA)和支持向量机(SVM)的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。

基于EEMD算法的三相四线制APF谐波检测

针对总体平均经验模态分解(EEMD)法进行信号分解时计算量大、实时性差的问题,提出在EEMD分解过程中,通过对利用三次样条拟合曲线求取上下包络线的样条函数进行优化,来减小EEMD算法的运算时间.并将该算法用于提取三相四线制APF谐波中的基波分量,提高谐波检测的有效性和实时性.为验证该方法的检测效果,将EEMD算法和基于瞬时无功功率理论的ip-iq算法分别应用于提取基波分量.检测结果表明,所提方法的检测精度更高、动态响应速度更快.

基于EEMD-SSA组合模型的短期电力负荷预测

由于电力系统运行受多种因素的影响,因此电力负荷呈现较强的波动性和不稳定性,从而影响电网短期负荷预测的准确性。为减小预测误差,提出一种组合模型策略。首先采用集合经验模态分解将原始数据分解为若干分量,根据各分量数据所含信息量的不同,将分量分为两组,分别利用反向传播神经网络和长短时记忆网络进行预测。并在此基础上,利用樽海鞘群优化算法对每个分量预测网络中的神经元个数与输入变量的滞后项进行优化,得到最终的EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Algorithm)的组合预测模型。最后,将此模型应用于某地实测数据进行负荷预测。实验结果表明,该组合模型比单一网络模型及其他模型具有更好的预测效果。