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。

高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

基于EMD和小波包变换的天气雷达回波去噪方法

C波段多普勒天气雷达回波数据由雷达回波信号和噪声构成,噪声严重影响雷达基本反射率的准确性。利用EMD方法对雷达回波信号进行分解后,将含有噪声的高频IMF分量去除,可实现去噪,但是容易损失有用信号。针对有降水特征的雷达基本反射率数据,提出基于EMD和小波包变换的多普勒天气雷达回波去噪方法,并与EMD方法去噪结果进行比较。研究结果表明,该方法能更加有效地去除雷达回波信号中的噪声,并降低了信号特征损失。

EEMD与LSTM在轴承剩余寿命预测中的应用

剩余使用寿命(RUL)预测是实现装备健康管理与预测性维护的最主要技术手段之一,为了准确预测轴承的剩余使用寿命,提出了一种基于集合经验模态分解(EEMD)和长短时记忆网络(LSTM)的轴承剩余寿命预测方法。首先,对采集到的振动信号做时域、频域及时频分析,同时记录相应特征;进而,筛选特征,通过EEMD对振动信号予以分解并重构;最后,通过LSTM结合经过处理的信号构建健康特征指标。通过实验证明了该方法能有效的预测出轴承的剩余寿命,且有较高的预测精度。

基于EMD-SVD的矿山微震信号降噪方法及其应用

为了提高微震监测技术对微震信号分析处理的准确性,充分提取微震信号波形中的有效信息,针对矿山微震信号非平稳、非线性的特点,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的联合降噪方法。该方法首先通过EMD分解获得信号的IMF分量,利用相关系数、方差贡献率和相似度对IMF分量进行了优选;然后使用优选后的IMF分量重构一维微震信号时间序列的相空间数据,经过SVD分解后,利用奇异值能量百分比确立了SVD重构阶数,并根据SVD恢复原理得到了降噪后的一维微震时间序列;最后以山东某矿现场矿山爆破为例,采用不同降噪方法对3类典型微震信号进行了降噪处理,并对其降噪效果进行了对比分析。结果表明,EMD-SVD降噪方法与传统降噪方法相比,其平均信噪比提高了35%,平均均方根误差降低了50%,有效剔除了微震信号的噪声分量,保留了信号的特征信息。该研究对分析矿山微震信号、微震事件定位及煤矿动力灾害监测具有重要意义。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于改进EMD和ARMA的MEMS陀螺仪随机误差补偿方法

微机电系统(Micro-Electro-Mechanical System,MEMS)陀螺仪的随机误差限制了其测量精度。为了降低MEMS陀螺仪的随机误差,提出一种基于改进的经验模态分解(Empirical Mode Decomposition,EMD)和优化的自回归滑动平均(Autoregressive Moving Average,ARMA)模型的方法。该方法在传统EMD的基础上,结合Hausdorff距离和累积标准化模态均值以提取信号中的噪声和趋势项,对剩余信号进行ARMA建模和滤波。采用沙猫群优化算法优化建模的定阶过程,采用改进的自适应滤波补偿随机误差。试验结果表明:相较于传统EMD和传统ARMA方法,新方法在静态试验中得到的均方根误差分别降低52.5%和34.4%,在动态试验中得到的均方根误差分别降低50%和32.35%;新方法有效抑制了随机误差,提升了MEMS陀螺仪的使用精度。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

联合TVF-EMD和SSA降噪的轴承故障特征提取

针对滚动轴承早期故障信号微弱、故障特征难以提取的问题,文章提出了一种基于时变滤波经验模态分解(time-varying filtering based empirical mode decomposition,TVF-EMD)模态分量自适应融合与奇异谱分析(singular spectrum analysis,SSA)降噪的滚动轴承早期故障特征提取方法。首先,为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列内蕴模态函数(IMF)。其次,为了克服TVF-EMD分解后IMF分量过多的不足,利用IMF的峭度、复杂度和分形维数构造了复合敏感模态判定因子(composite sensitive mode determination factor,CSMDF),通过CSMDF对IMF分量进行降序排列,并依据复合敏感模态判定因子递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SSA对最优融合分量降噪,对降噪后分量进行Hilbert包络谱分析,实现轴承故障的特征提取。通过仿真故障信号以及两个实测故障信号对所提方法的性能进行了试验分析,试验结果表明,该方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确地提取出轴承早期故障特征,实现噪声环境下轴承故障类型的准确识别。

基于EMD-BiLSTM-ANFIS的负荷区间预测

考虑到新型电力负荷随机性增强,传统的准确预测方法已无法满足要求,提出一种EMD-BiLSTM-ANFIS(Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法,使用负荷预测区间取代点预测的准确数值,能为电力系统分析与决策提供更多数据,增强预测的可靠性。首先将原始负荷序列通过EMD(Empirical Mode Decomposition)分解成若干分量,并通过计算样本熵分为3类分量。然后将重构后的3类分量与由相关性筛选的外界因素特征采用BiLSTM、ANFIS模型进行训练和分位数回归(QR:Quantile Regression),并将分量的预测区间结果累加得到最终负荷的预测区间。最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。通过与CNN-BiLSTM(Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点预测及区间预测结果,证明了该方法的有效性。

类EMD算法在桥梁振动数据降噪中的对比分析

在桥梁结构健康监测过程中,桥梁的振动信号易受外部环境影响而产生噪声,从而导致桥梁振动数据失真。针对此问题有着多种降噪算法,本文尝试使用经验模态分解(EMD)、集合经验模态分解(EEMD)和自适应噪声完全集合经验模态分解(CEEMDAN)3种算法分别对模拟仿真信号和桥梁振动信号数据进行降噪分析,进而探究3种算法的降噪性能。首先,使用3种算法分别处理原始信号数据,分离出不同的本征模态分量(IMF),并计算出其分量的方差比和相关系数;然后,利用参数筛选出有效分量进而重构信号;最后,以信噪比(SNR)与均方根误差(RMSE)作为评价指标,分析其降噪性能。结果表明CEEMDAN方法在3种方法中的降噪效果最好,而EEMD方法效果次之,EMD方法最弱。

粉碎机齿轮箱EEMD-DWT故障信号降噪及诊断分析

为了提高粉碎机齿轮箱故障诊断能力,综合运用集成经验模态(EEMD)算法和离散小波变换(DWT)的降噪技术,设计了一种通过EEMD-DWT进行降噪的新技术,确保在去除噪声的前提下可以保留有用特征。以EEMD-DWT方法降噪处理得到了光滑的信号,对信号波形的特征也实现理想复原,实现了优异降噪性能。研究结果表明:经过EEMD-DWT降噪后形成了具有明显冲击特征的波形,对幅值在零附近的噪声分量起到显著抑制效果,实现在去除噪声的条件下保留原有的振动特征。本设计的EEMD-DWT降噪方法与其它单独降噪方法相比具备更优降噪性能,能够满足粉碎机齿轮箱振动过程的实际降噪分析要求。该研究能够有效弥补EEMD在振动信号降噪方面的缺陷,提高齿轮箱的故障识别效率,也可应用到其它传动机构上,具有很高的推广价值。

基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

考虑噪声影响的MEMD-XGBoost方法在GNSS高程时间序列建模和预测中的应用

全球导航卫星系统(global navigation satellite system,GNSS)高程时间序列研究有助于监测和分析地壳板块运动,可以为研究人员判断区域运动趋势提供依据。基于经验模态分解和极端梯度提升算法构建了MEMD-XGBoost模型来预测分析GNSS高程时间序列。为了验证模型的预测性能,实验选取8个GNSS站高程时间序列数据进行预测实验,特征构造结果显示,多次经验模态分解可以准确地提取原始时间序列信息,提供有效特征。建模结果表明,MEMD-XGBoost模型可以有效改善数据质量。预测结果表明,MEMD-XGBoost模型预测结果具有较高的精度和准确率,误差离散程度较小,模型具有较强的稳定性和鲁棒性,可以较好地预测出GNSS站高程方向的运动趋势和季节性变化。因此,该模型可以应用于GNSS高程时间序列建模和预测研究。

基于CEEMD和统计参数的斜拉桥损伤识别方法研究

为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参数方法相结合的斜拉桥损伤识别方法。该方法基于CEEMD方法对斜拉桥动力响应信号进行自适应性分解,确定适用的白噪声幅值标准差并推导CEEMD方法的集成次数,得到各阶IMF分量;采用欧氏距离对分解的IMF分量进行谱系聚类分析以避免模态混叠现象;采用峰度统计参数的有效权重峰度指标方法滤除含噪IMF分量,提取有效IMF分量并重构为有效IMF分量和;利用变异系数统计参数、二阶中心差分法和泰勒展开式推导损伤定位指标,根据四阶统计矩峰度统计参数推导损伤定量指标。用所提方法对某斜拉桥进行损伤识别研究,结果表明:仿真分析的损伤定位识别精度为100%,损伤定量最大误差为1.80%;在高斯白噪声干扰下,损伤定位不受影响,损伤定量最大误差为1.88%;进行实桥的损伤识别,结果表明实桥主梁无损伤。

改进MCKD-MEEMD在滚动轴承故障诊断中的应用

为了解决实际工况中故障信号被噪声掩盖,故障特征频率难以提取的问题,提出改进最大峭度解卷积(MCKD)和改进的集总平均经验模态分解(MEEMD)结合的滚动轴承故障诊断方法。首先,提出使用合成峭度作为指标来选取MCKD的最优参数:位移数M和最大滤波器长度L;然后将最优参数代入MCKD算法中,得到最佳降噪信号;最后对降噪信号使用MEEMD分解,得到若干本征模态分量(IMF),选取合适的分量做信号重构,再对重构信号做频谱分析,在频谱中可以寻找出故障频率以及其他的信息。通过仿真分析了MEEMD方法的优越性及不足之处,并使用改进MCKD方法对不足处进行了改进,将改进MCKD-MEEMD方法与MEEMD方法以及传统MCKD-MEEMD方法进行了实验对比分析,证明了改进MCKD-MEEMD方法的故障诊断效果更好。

基于CEEMD-IDWT的受载煤岩微震电压去噪算法

受载复合煤岩变形破裂过程中产生的微小震动信号包含煤岩内部结构破裂信息,传统设备采集的微震信号存在大量环境噪声而无法直接进行分析。为有效提取受载煤岩变形破裂过程微震信号的变化特征,采用互补集合经验模态分解算法(CEEMD)与改进dmey小波(IDWT)算法相融合,提出一种新型CEEMD-IDWT联合去噪算法。该算法首先利用CEEMD算法对原始信号进行分解,然后对分解得到的IMF分量应用IDWT算法进行去噪处理,最终将处理过的分量进行重构得到去噪信号。利用仿真分析和单轴压缩实验对该算法的有效性进行验证,结果表明:CEEMD-IDWT联合算法在仿真分析中,相比传统算法信噪比最大提高204.5%,对于其他改进去噪算法信噪比最少提高11.8%,去噪能力具有明显优势;将该算法嵌入自研微震电压采集设备,在复合煤岩单轴压缩实验中得到的微震电压信号噪噪比仅为0.08975,实际去噪效果明显;经CEEMD-IDWT联合算法去噪之后的微震电压具有明显的变化特征,显著提升了信号去噪效果,有效避免了微震电压信号的失真,可以作为受载煤岩变形破裂微震电压信号去噪处理的理想算法,为煤岩动力灾害的准确预判提供了一种可靠且先进的技术参考。

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-PSO-BP模型的短期潮流流速预测

针对潮流流速的随机性和波动性,本研究基于经验模态分解(Empirical mode decomposition,EMD)和粒子群优化(Particle swarm optimization,PSO)算法,改进了反向传播(Back propagation,BP)神经网络的短期潮流流速预测模型。该模型首先对原始流速序列进行EMD分解,得到多个本征模函数(Intrinsic mode function,IMF)和残差。然后,利用PSO改进BP神经网络,对分解所得的IMF和残差分别进行预测。最后,将各个预测结果相结合,得出流速的最终预测结果,从而提高潮流流速的预测精度。本文以江苏省潮流流速为例,分别建立BP、PSO-BP、EMD-BP以及EMD-PSO-BP四类预测模型,以对潮流流速进行预测和对比分析。结果表明,相较于其他模型,EMD-PSO-BP预测模型在潮流流速的预测方面具有更高的精度,为潮流能开发提供重要的数据支撑。