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%。

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。

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。

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。

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CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

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-ABOD的大坝异常监测数据识别方法研究

大坝监测数据普遍存在异常值,对异常数据进行识别和剔除,可保持模型的稳定性和可靠性,并提高模型的预测或分类性能;同时,可及时发现异常情况,以保证系统的安全运行。因此,将基于角度的异常值检测算法(ABOD)引入大坝监测异常数据识别,首先通过经验模态分解(EMD)提取监测数据的高频本征函数,然后对由高频本征函数构成的新数据进行异常数据识别。对长河坝沉降监测数据的验证结果表明,与其他方法相比,EMD-ABOD可有效提升异常数据识别的准确性。

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。

基于MEEMD算法的二冲程柴油发动机机体振动分析

二冲程低速柴油机具有复杂的振动特性,传统的经验模态分解(Empirical Mode Decomposition,EMD)算法对其振动信号处理效果不理想。为此,采用修正多元集合经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法对低速柴油机机体振动信号进行分解。首先,采用三轴加速度计测量发动机机体振动。然后利用均方根(Root Mean Square,RMS)对三轴振动强度进行分析。最后,对x轴上的信号进行MEEMD分析。结果表明:砌块在x轴方向的振动强度最大;与EMD算法相比,MEEMD算法可以抑制模态混合,有助于更好地识别块振动激励。

基于PE-CEEMD-SVD的Φ-OTDR信号降噪方法

为实现相位敏感光时域反射仪中相位信号的精确测量,提出了一种基于排列熵算法的互补集合经验模态分解联合奇异值分解的新型降噪方法(PE-CEEMD-SVD)。首先,对含有噪声的相位信号进行CEEMD分解,得到一系列频率不同的IMF分量;然后,将PE算法和相关系数机制相结合,保留较大相关的有用分量,对较小相关的噪声分量使用SVD算法进行二次降噪;最后将两次降噪后保留下来的有用分量进行重构。仿真和实验结果表明,相较于EMD、EEMD和CEEMD降噪方法,该方法可获得更高信噪比的信号,有利于相位信号的精确测量。

CEEMD-FastICA-CWT联合瞬态响应阶次的电驱总成噪声源识别

以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征,利用复Morlet小波变换及FFT对各分量信号时频特性进行识别。其次,采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析,并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient,PPMCC)相似性识别确定不同噪声激励源贡献度。结果表明:减速齿副啮合噪声对该增程式电驱总成纯电模式运行噪声整体贡献度最大。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。