基于EEMD-SVM模型的边坡变形预测

采用支持向量机模型对边坡变形进行预测是目前一种常用的方法,但精度有待提升。该文采用集成经验模态分解(EEMD)算法将边坡变形时间序列进行分解,基于相关系数的计算去除噪声后重构边坡变形时间序列,然后将重构后的边坡变形时间序列作为SVM模型的输入,建立EEMD-SVM模型并应用于边坡变形预测。将EEMD-SVM模型预测结果与传统支持向量机(SVM)模型、BP神经网络(BP)和基于集成经验模态分解的BP神经网络(EEMD-BP)模型预测结果进行对比,工程实例结果显示,EEMD-SVM模型的预测精度优于另外3种模型,可以满足工程需要,可为边坡变形预测提供一种可行的参考方法。

基于HW-EEMD-SVM模型的民航客运量预测

作为国民经济和社会发展的重要行业之一,民用航空业在交通运输领域有着重要的作用。本文在把握中国民航客运量数据特征的条件下,基于集成组合预测的思想,将传统时间序列预测方法与机器学习相结合,利用EEMD方法建立了一个HW-EEMDSVM误差修正组合预测模型。之后,选取2008~2019年的中国民航客运量月度数据作为考察样本进行建模及验证模型预测效果,并将之与HW模型、BP模型、SVM模型、EEMD-BP模型、EEMD-SVM模型、HW-EEMD-BP模型的预测效果进行比较,结果表明本文所选的组合预测模型可以为中国民航客运量波动特征下的数据变化趋势提供较为有效的预测。最后,本文还对疫情发生以来中国民航客运量的变化情况进行了影响分析,对疫情可能造成的冲击进行了量化测算。

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

基于EEMD-SVM的不稳定需求航材消耗预测研究

针对不稳定需求航材消耗影响因素复杂、预测精度不高的问题,提出了一种将集合经验模态分解(EEMD)和支持向量机(SVM)相结合的预测技术。首先将历史消耗数据进行集合经验模态分解,得到干扰因素相对单一的各IMF分量,再对分解后各IMF分量分别进行支持向量机预测,把这些分量的预测结果叠加后得到最终结果。通过预测精度分析可以看出,该方法预测准确度要好于其他预测方法。

基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

针对自动扶梯由于长期处于高员载运行状态而引起主驱动轴轴承故障问题,提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用集合经验模态分解(EEMD)对轴承异常的振动加速度信号进行分解来提取信号特征,然后基于支持向量机(SVM)构建故障诊断模型对信号进行诊断,从而确定故障状态。

基于EEMD-SVM的光伏阵列直流电弧故障检测

光伏阵列随着运行时间的增长,阵列内数量众多的连接线缆、连接头容易产生破损或连接失效等问题,引发直流电弧故障,严重影响系统的安全运行,因此需要采用合适的检测方法进行故障诊断,以及时发现电弧故障。直流电弧故障的检测方法大致可以分为基于物理特性和时频特性两类。前者成本高,难度大,不适合大型光伏系统;后者随着近几年人工智能技术的兴起,大多数是提取直流电弧故障的时频域特征值形成数据集,运用神经网络或智能算法对其进行识别、训练、归纳等,达到检测目的,目前实际应用的检测方法侧重于后者。选用基于时频域特性的集合经验模态分解和支持向量机结合方法进行检测,在MATLAB/Simulink仿真平台搭建光伏阵列模型和直流电弧故障仿真模型,模拟光伏阵列不同位置的串、并联电弧故障,对电流信号进行采集、分析与处理。实验结果表明,支持向量机模型能够较好地对光伏阵列直流电弧故障进行识别和检测,有效区分光伏阵列正常工作状态与故障工作状态。

SVM方法在某多级离心泵故障诊断中的应用

针对实际工程中多级离心泵故障样本难获取的现象,通过多级离心泵故障模拟试验台模拟实际产品的碰摩、不对中、不平衡三种典型故障,基于支持向量机(Support Vector Machine,SVM)建立故障诊断模型的方法实现故障的分类。采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法提取振动信号的时频域特征,结合时、频域和信息熵特征构造高维特征样本后,以主成分分析(Principal Component Analysis,PCA)优化输入样本质量,实现对故障的高效分类。另外,对比分析SVM和反向传播(Back Propagation,BP)神经网络的分类效果,表明SVM模型分类的效果更好,在多级离心泵的故障诊断中具有良好的适用性。

基于响应特性的阀片故障诊断方法研究

往复式压缩机阀片响应具有高冲击、强噪声的特点。为了解决基于激励的故障诊断方法难以适用于压缩机阀片泄漏故障诊断的问题,提出一种基于响应特性的往复式压缩机阀片泄漏故障诊断方法。以电机定子电流信号作为激励信号,振动加速度信号作为响应信号,分析激励和响应特性,利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对响应信号进行特征提取。实验模拟了阀片不同程度的泄漏故障,基于响应特性对支持向量机(support vector machine,SVM)分类效果进行了实验。实验结果表明,基于响应特性的故障诊断方法具有较好的SVM分类效果。

基于EEMD和AGA-SVM的截齿损耗诊断研究

针对传统方法不易在线准确识别采掘设备截齿工作过程中的损耗状态问题,提出一种基于集合经验模态分解(EEMD)和自适应遗传算法-支持向量机(AGA-SVM)相结合的采掘进机械截齿损耗程度的诊断方法。首先,利用EEMD对截齿不同磨损程度状态下的振动及声发射信号展开分解,获得内禀模态函数(IMF);然后,将IMF分量作为特征向量输入IAGA-SVM诊断器;最后,优化核函数的参数及惩罚系数,并用所提模型对特征向量进行分类。结果表明,该方法可精准诊断采煤机截齿损耗程度状态,与SVM、GA-SVM相比,其有更优越的时效性和准确度。

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。

基于优化SVM的多级离心泵定转子碰摩故障诊断

针对工程实际中多级离心泵碰摩故障诊断准确率不高的现象,提出了一种基于优化支持向量机(SVM)的多级离心泵碰摩故障诊断方法,其特点是能从小样本振动信号中提取最有效的故障特征,优化模型的输入样本质量和参数并完成诊断。通过多级离心泵故障模拟试验台,获得实际产品的碰摩信号,采用集合经验模态分解(EEMD)算法进行时频域和信息熵特征的提取,并采用顺序特征选择(SFS)算法进行特征选择,结合网格搜索(GS)和粒子群优化(PSO)算法进行模型参数优化,建立了基于SVM的故障分类模型。实验结果表明,该方法对多级离心泵的碰摩故障有较高的识别精度,具有良好的实用性,可以为多级离心泵的碰摩故障诊断提供一定的参考价值。

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。

基于涡流检测信号的航空发动机叶片缺陷分类与评估方法

航空发动机涡轮叶片的缺陷检测对于保障飞机安全运行至关重要.由于叶片属于非规则小曲率零件,难以保证严格的提离距离和检测法向方向,由此产生了不可忽视的干扰和噪声,加之缺陷变化信息微弱,给检测带来了实质性困难.本文设计研制了一种尺寸小、灵敏度高的差激励涡流检测探头,可以安装在数控多自由度扫查台上,对叶片曲面零件表面缺陷进行快速扫查检测;利用总体平均模态经验模态分解技术(EEMD)和小波变换相结合的方法,来有效抑制强背景噪声,提取信号特征,并结合支持向量机(SVM)方法实现裂纹缺陷的分类.

基于EEMD云模型与SVM的汽轮机转子故障诊断方法

提出了一种基于集合经验模态分解(EEMD)、云模型与支持向量机(SVM)相结合的汽轮机转子多故障诊断方法。该方法首先采用EEMD将振动信号分解成若干个IMF分量,利用相关系数法对IMF分量进行筛选,然后对筛选后的IMF分量进行逆向云发生器计算,得到云模型的数字特征并构建为特征向量,将其应用到有向无环图SVM中进行转子多故障状态识别,并与传统的EEMD能量法进行对比。结果表明,该方法能够准确地完成转子多故障诊断,具有更高的识别率。

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。

EEMD近似熵和支持向量机的管道泄漏特征向量提取研究

针对管道泄漏检测中常存在误报、错报及漏报等问题,提出一种管道泄漏检测高准确率的检测方案。该方案将EEMD近似熵和支持向量机相结合应用到管道泄漏检测研究中,为消除端点效应和模态混叠现象,将改进经验模态分解和近似熵相结合对管道泄漏信号进行泄漏特征提取,组成特征向量组作为支持向量机分类的输入,实现较好的分类效果。

基于EEMD样本熵的高速列车转向架故障特征提取

为了监测高速列车转向架关键部件的工作状态,提出了采用聚合经验模态分解和样本熵信息测度理论相结合的方法提取信号特征.以转向架正常、空气弹簧失气、横向减振器故障和抗蛇行减振器故障4种典型工况下车体及转向架的振动信号为研究对象,将信号进行聚合经验模态分解,得到一系列成分简单的固有模态函数,分别计算样本熵值构成高维特征矢量,最后采用支持向量机进行故障状态的分类识别.实验结果表明,列车在200 km/h速度下,故障识别率可以达到88%,证明了该特征提取算法的有效性.

多模型软测量的顶板来压预测模型

为了对中国煤矿顶板安全进行合理的预测,建立有效的预警机制,提出采用多模型软测量的来压预测方法,方法中首先利用EEMD方法对非线性、非平稳来压监测信号进行模态分解,得到多个IFM;其次根据IFM的特点,对非线性的固有IFM序列运用SVM方法进行预测,对于线性趋势项序列运用ARIMA进行预测,最终将各预测值合成重构得到系统模型的预测输出。实测数据分析表明,基于EEMD-SVM-ARIMA软测量的来压预测模型具有较高的精度,能很好地反映来压变形规律,能满足安全生产的需求。

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化，严重影响高速列车运行的安全性和舒适度。为此，提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验，得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数，分别提取能量矩特征，反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入，在列车行驶200km/h的速度下进行转向架故障识别，结果表明，该方法的识别正确率可达到95％以上。

基于EEMD和SVM风机故障诊断的研究

针对如何提高煤矿主通风机故障诊断的准确率的问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的风机故障诊断模型。该模型通过分解振动信号得到模态函数,提取能量熵作为故障诊断的特征值,使用粒子群优化算法(PSO)优化过的支持向量机模型诊断故障,其准确率已从87.5%上升到98.75%,实验表明,该模型的故障诊断正确率比较理想。