基于EEMD与时间序列法的短期风电场功率预测

随着风力发电技术的发展,风电已成为最主要的新能源发电方式。但因风的随机性造成的风场输出功率的随机波动,电网将面对备用容量增多、调度难度增大以及风电场弃风等问题。解决上述问题的有效途径之一就是对风电场输出功率进行准确预测。针对风电场功率时间序列的非线性和非平稳性,分别将EMD和EEMD方法与时间序列的方法相结合应用于风电场功率预测中,提出基于EMD-ARMA和EEMD-ARMA的风功率预测方法。采用某风电场的实际功率数据进行分析预测,预测结果验证了所提方法的正确性和有效性。

EEMD在爆破振动信号去噪中的应用

针对小波类去噪方法存在基函数的选择,同时未摆脱Fourier变换为基础带来的缺陷、EMD去噪存在模式混叠的问题,将EEMD去噪引入到爆破振动信号处理领域。首先利用仿真试验验证了EEMD克服了EMD的固有缺陷,然后分别利用小波、EMD、EEMD对数值微分所获取的加速度时程曲线进行低通去噪处理,对比结果表明:EEMD不仅具有更高的信噪比、更能充分保留信号本身固有的非平稳特性,而且得到的IMF分量也具有明显的实际物理意义。

CEEMD-FFT在滚动轴承故障诊断中的应用

针对经验模态分解(EMD)在非线性非平稳信号处理中存在模态混叠问题,虽然总体平均经验模态分解(EEMD)能在一定程度上抑制模态混叠问题,但是添加的白噪声不能完全被中和.因此利用补充的总体平均经验模态分解(CEEMD)对降噪监测信号进行分解,减少重构误差,提取最佳的IMF分量,然后对IMF分量进行FFT变换,实现对滚动轴承的故障诊断.通过对实验采集的滚动轴承的振动信号进行分析,证明了该方法的优越性,有一定的使用价值.

EEMD在道路载荷谱降噪处理中的应用

针对道路载荷谱实质为非平稳信号的特点,以及经验模态分解(Empirical Mode Decomposition,EMD)降噪存在模态混淆的问题,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用于道路载荷谱降噪处理,并从时域、频域和雨流域同EMD降噪效果进行了分析对比。提出基于EEMD的载荷谱信号降噪计算步骤,给出EEMD计算参数的求取原则,讨论计算参数对降噪效果的影响。结果表明,EEMD可以较好地估算并降低载荷谱信号中的噪声水平,提高信噪比和疲劳循环次数统计精度。

基于EEMD方法的爆破振动信号去噪研究

鉴于小波类去噪法存在小波基和分解层数的选择问题、EMD类去噪法受限于端点震荡和模态混叠效应,将EEMD方法引入,对爆破振动原始信号进行去噪研究。在EEMD分解的基础上,通过波形和频谱分析,得到IMF4~IMF8属于爆破振动真实信号分量,将其重构,获取了爆破振动真实波形。与EMD去噪法相比,EEMD去噪法避免了端点震荡和模态混叠效应的影响,不仅有效去除了噪声,还保留了爆破真实波形的真实性和完整性。

基于EEMD与EMD的降雨序列多时间尺度对比分析

针对水文时间序列多时间尺度分析问题,分别应用经验模态分解(EMD)与总体经验模态分解(EEMD)方法进行对比研究。论文首先将EMD与EEMD进行测试函数仿真对比分析,结果表明EEMD较EMD能较好地解决模态混叠现象。将其应用于湖北省降雨序列演变特性分析,并引入基于LSSVM信号延拓方法以消除水文序列的端点效应,结合小波分析结果对比验证表明,EEMD作为一种新的信号处理方法,较EMD能更精确地获取降雨时序的多时间尺度特性,可为水文时间序列演变规律分析提供依据。

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人5种运动的多普勒信号分解为一系列本征模式函数(IMF)。采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别,分析了特征向量维数对识别率的影响,比较了EMD和EEMD的识别率。EEMD能够消除EMD存在的模式混合问题,识别率更高,达到94%以上。

基于改进的EEMD实现地震信号去噪

EEMD(Ensemble Empirical Mode Decomposition)是EMD的一种新扩展,为克服EMD本身存在的模态混叠而产生。传统EEMD去噪通常是将由噪声引起的IMF(Intrinsic Mode Function)直接舍掉,然后利用剩余的IMF重构信号,然而这种作法仅仅是压制了部分噪声,去噪效果不够理想。基于此本文提出一种改进的EEMD随机噪声消除方法,该方法结合了平移不变量小波阈值滤波压制高频噪声的优点以及Savitzky-Golay滤波去除低频噪声的优势。结果表明该方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。

柴油发动机曲轴轴承振动信号的EEMD降噪方法

针对经验模式分解(EMD)容易出现模式混叠的缺点,提出了基于辅助白噪声的集成经验模式分解方法(EEMD),实现非平稳振动信号的降噪。对比研究了2种方法的降噪原理与性能。结果表明,EEMD不仅具有更高的信噪比、消除模式混叠,更能充分保留信号本身固有的非平稳特性,而且得到的IMF分量也具有明显的实际物理意义。

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的谐波检测方法

针对谐波检测问题,比较几种常用谐波检测方法,总结出各自的适用条件。结合经验模态分解理论和总体平均经验模态分解(empirical mode decomposition,EEMD)算法,提出基于EEMD的谐波检测方法。给出离线谐波检测的具体过程,并在此基础上,首先构造当前时刻采样值始终处于中心位置的向量,然后计算总体谐波分量的在线检测方法。另外,可以通过修改EEMD算法中的频率计算条件实现对特定次数谐波分量的检测。为验证该方法的检测效果,将EEMD算法与瞬时无功功率方法(ip iq)分别应用于仿真和实测数据。检测结果表明,所提方法不但在检测稳态信号时具有很好的精度,而且在检测波动信号时也具有较好的动态特性。

基于CEEMD的GPS信号去噪

GPS信号在发送过程中会受到多种误差源的影响,例如星历误差、卫星钟差、电离层对流层延迟、接收机钟差等。这些误差附加在GPS信号上使其与真实信号产生一定偏差,也使GPS信号最终的应用结果产生一定程度上的偏差,这对于科研与日常使用是非常不利的,所以对GPS信号进行去噪处理是十分必要的。互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)为近几年出现的新的数据处理方法。它由集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)改进而来,不仅保留了经验模态分解(Empirical Mode Decomposition,EMD)在处理非平稳信号方面的优点,又完善了EMD的模态混叠问题,且计算结果表明CEEMD去噪效果优于EMD和EEMD。

基于EEMD算法在信号去噪中的应用

为了抑制经验模态分解中出现的端点效应和模态混叠现象,利用白噪声辅助数据分析方法——集合经验模态分解构造一个自适应滤波器组,对原信号进行各级滤波,最终得到纯净的信号。然后与小波阈值去噪方法进行比较,通过仿真可以看出,集合经验模态分解构造的滤波器组滤波效果比较理想。

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。

基于ICEEMD的地震信号去噪

ICEEMD是CEEMD的一种最新扩展,其有效解决了CEEMD在信号分解过程中产生的诸多问题,如分解模态中的残留噪声和模态混叠。基于ICEEMD提出一种新的地震信号去噪方法,含噪信号经过ICEEMD分解之后,有效信号集中在更少的模态中,通过重构信号固有的模态可以有效实现地震信号去噪。合成信号例子阐明了ICEEMD去噪方法的效果,并与传统的基于CEEMD的去噪方法进行了对比。实际数据处理结果进一步验证了文中提出方法的优势,即在有效压制随机噪声提高地震资料信噪比的同时,能够最大程度地保护有效信号。

基于EEMD的SAR海洋内波参数反演

经验模态分解(EMD)方法对非平稳信号进行分解,容易出现模式混叠和边界效应,从而不能得到有物理意义的特征信息.集成经验模态分解(EEMD)能够有效地克服模式混叠和边界效应问题,可准确地提取信号的本质特征信息.在分析SAR图像反演海洋内波参数机理的基础上,本文提出了一种基于EEMD的海洋内波参数反演方法.实验结果表明:与小波分解和EMD方法相比,该方法能更有效地克服模式混叠现象,所提取的分量更接近内波波动的物理本质,所反演的内波参数与经验数据吻合.

基于EEMD域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。

EEMD在电力谐波检测中的应用

为了克服基于经验模态分解方法 EMD在谐波检测中出现的模态混叠问题,提出采用基于总体平均经验模态分解(EEMD)的希尔伯特-黄变换(HHT)谐波检测方法。采用EEMD对含有谐波的负载电流进行分解,获得固有模态函数后,再进行HHT,求出基波以及各次谐波的幅值、相位、瞬时频率等信息。该算法在负载突变时自适应能力强,检测精度高,实时性好。仿真实验结果表明,EEMD方法在分解过程中不会出现模态混叠现象,克服了EMD的不足,同时基于数据采集卡的谐波检测平台的测试结果进一步证明了该方法的可行性。

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。