基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于EMD-DESN的无人机集群航迹目的地预测

无人机(unmanned aerial vehicle,UAV)集群作战样式多样、运动模式复杂,导致集群航迹目的地难以预测。为解决上述问题,本文提出了一种基于经验模态分解(empirical mode decomposition,EMD)和深度回声状态网络(deep echo state network,DESN)的UAV集群航迹目的地预测算法。为使集群运动模型更真实地模拟UAV集群作战过程,本文引入航向误差时变方差,改进了Olfati-Saber集群运动模型的虚拟领导项。为处理因群内的协同作用和集群航向误差导致的运动非平稳性,引入了EMD,对UAV航迹序列进行重构。考虑到获知航迹的时序性,设计了滑窗结构,采用DESN对重构航迹的不同时段进行目的地预测。仿真实验结果表明,本文提出的EMD-DESN算法较基本DESN算法能以更高的准确度预测UAV集群航迹目的地,并能更早地实现稳定的正确预测。

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分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于EMD-LSTM人工神经网络的云冈石窟环境参数预测

环境参数会直接影响石窟的风化过程,因此,预测环境参数是进行云冈石窟有效保护的重要内容.以云冈石窟第十窟为例,将壁温、环境湿度、环境温度的实测时序数据作为环境参数,使用经验模态分解(empirical model decomposition,EMD)对实测时序数据进行分解,研究了固有模态函数(intrinsic mode function,IMF)分量与实测时序数据的相关性,建立了基于EMD-长短期记忆(long short-term memory,LSTM)的人工神经网络(artificial neural network,ANN)组合模型.使用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(R2)作为评价指标,对比分析了使用组合模型与使用单一LSTM的ANN模型进行环境参数预测的效果.结果表明:IMF分量的变化速率越大,与实测时序数据的相关性就越强;对于组合模型中的LSTM网络模型,当隐藏层层数和初始学习率分别取2和0.001时,组合模型预测效果最优;与单一LSTM的ANN模型相比,使用基于EMD-LSTM的ANN组合模型,环境参数的MAE、RMSE、MAPE值减小、R2值增大,模型预测精度提高;环境参数预测效果主要受环境参数变化幅度的影响,变化幅度越小,组合模型预测效果越好.研究成果对于石窟文物保护具有一定的参考价值.

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。

基于改进EMD和GA-BPNN的机器人磨削颤振监测

由于工业机器人的灵活性,被广泛应用于机器人焊缝磨削任务中。但由于机器人的弱刚性,在焊缝磨削过程中系统容易发生颤振,因此对加工过程中的颤振监测是保证加工质量的基础。针对在加工振动信号处理过程中的模态混叠现象,提出了一种基于排列熵算法改进的经验模态分解方法,通过排列熵算法检测振动信号中的异常信号并剔除。通过相关系数法提取相关性最大的固有模态函数的能量熵作为特征值,同时提取方差、峰峰值、均方根和峭度4种时域特征。利用遗传算法优化BP神经网络(back propagation neural network,BPNN)建立颤振辨识模型,最后将提取的5种特征参数作为特征向量代入辨识模型中对加工状态进行监测。试验结果显示,提出的改进经验模态分解算法结合遗传算法优化的BPNN模型能够有效地对机器人焊缝磨削中的颤振进行监测。

基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测

针对水位时间序列具有线性与非线性混合、不确定性高等特点带来的预测困难问题,提出了一种基于经验模态分解(EMD)、长短时记忆网络(LSTM)和深度极限学习机(DELM)的EMD-DELM-LSTM组合模型,其中DELM和LSTM采用并联结构预测,并与EMD串联连接。首先使用EMD将原始信号分解为若干个具有单一特征的本征模态函数(IMFs),再将IMFs分类重组为高、中、低频信号后输入DELM-LSTM并联结构中进行预测并重构。以广州某大学重要湖泊为例验证模型的有效性,结果表明,与EMD-LSTM、EMD-DELM、LSTM、DELM和BiLSTM模型相比,本模型在不同时间尺度下的预测性能均有显著提升,其中40 min时间尺度下的预测性能提升效果最为明显,分别较对比模型提升43.08%、22.92%、45.79%、30.92%和47.31%。可见,本模型对于不同时间尺度的水位预测具有良好的可靠性和稳定性。

Determination of Instantaneous Frequencies of Low Plasma Waves in the Magnetosheath Using Empirical Mode Decomposition (EMD) and Hilbert Transform (HT)

The observations of in-situ spacecraft mission in the magnetosheath and a region of thermalized subsonic plasma behind the bow shock reveal a non-linear behaviour of plasma waves. The study of waves and optics in Physics has given the understanding of the effect of many waves coming together to form a wave field or wave packet. The common aspect of such study shows that two or more waves can superimpose constructively or destructively. The sudden high magnetic field data in the magnetosheath displays such possibility of superposition of waves. In this paper, we use the empirical mode decomposition (EMD) and Hilbert transform (HT) techniques to determine the instantaneous frequencies of low frequency plasma waves in the magnetosheath. Our analysis has shown that the turbulent behavior of magnetic field in the magnetosheath within the selected period is due to superposition of waves.

复杂环境下结合EMD的GPS-IR水位反演方法

利用法国布雷斯特(Brest)港BRST测站和英国塞文大桥监测系统GNSS双频观测数据,分别在静态和高动态环境下进行GPS-IR水位反演,探究传统GNSS监测系统进行水位反演的可行性与精度.结果表明:L1波段反演精度高于L2波段;在静态场景下,GPS-IR水位反演结果与验潮站数据相关系数大于0.98,在高动态场景下,桥梁GPS-IR水位反演精度稍低.利用经验模态分解(EMD)方法对算法进行改进,提高了在桥梁复杂环境下GPS-IR水位反演结果的精度,均方根误差(RMSE)相比经典方法降低约50%.本文方法提高了GPS-IR技术在不同水域环境下的适用性,在水位监测中具有很好的应用前景.

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合(EMD-MLP)的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数(Intrinsic Mode Function,IMF)分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。

基于EMD-VAR模型的景区客流波动特征与预测研究--以南京夫子庙为例

网络搜索大数据为研究游客量预测提供了新的视角,而多数研究运用的传统计量经济模型难以处理网络搜索与客流时序中包含的大量非线性波动特征,导致预测精度不够理想.引入经验模态分解方法(empirical mode decomposition,EMD)将向量自回归(vector autoregression,VAR)模型改进为EMD-VAR模型.EMD方法分解夫子庙景区长三角日际网络搜索和游客量序列,得到不同频率尺度的分量,基于波动关联的视角将同一尺度的两类序列分量组合建立EMD-VAR模型进行预测.结果表明:(1)网络搜索波动周期比游客量波动周期长.(2)网络搜索与游客量波动的关联紧密度在法定节假日时期最高.(3)EMD-VAR模型比ARMA模型和VAR模型具有更高的预测精度.

用于损伤状态识别的极值延拓EMD和LS-SVM算法

针对机电系统损伤状态识别问题,提出一种基于极值延拓经验模态分解(EMD)和最小二乘支持向量机(LS-SVM)算法。首先,分析EMD算法的基本原理,针对端点效应利用多项式拟合极值延拓的算法改进设计方案,并利用标准化处理的特征向量设计程式;其次,考虑到机电系统损伤状态数据归属小样本特征,利用LS-SVM算法给出了状态识别的设计程式;最后,开展仿真验证实验。实验结果表明,采用所提算法的损伤状态识别方案,可以确保损伤状态识别的正确率超过96%,满足机电系统工程应用要求。

Satellite fault diagnosis method based on predictive filter and empirical mode decomposition

A novel satellite fault diagnosis scheme is presented based on the predictive filter and empirical mode composition（EMD）.First,the predictive filter is utilized to obtain the fault estimation,which is corrupted by noise.Then the EMD method is introduced to decompose the fault estimation into a finite number of intrinsic mode functions and extract the trend of faults for fault diagnosis.The proposed scheme has the ability of diagnosing both abrupt and incipient faults of the actuator in a satellite attitude control subsystem.A mathematical simulation is given to illustrate the effectiveness of the proposed scheme.

Sensitivity of intrinsic mode functions of Lorenz system to initial values based on EMD method

Extreme sensitivity to initial values is an intrinsic character of chaotic systems. The evolution of a chaotic system has a spatiotemporal structure containing quasi-periodic changes of different spatiotemporal scales. This paper uses an empirical mode decomposition （EMD） method to decompose and compare the evolution of the time-dependent evolutions of the x-component of the Lorenz system. The results indicate that the sensitivity of intrinsic mode function （IMF） component is dependent on initial values, which provides some scientific evidence for the possibility of long-range climatic prediction.

Separation of closely spaced modes by combining complex envelope displacement analysis with method of generating intrinsic mode functions through filtering algorithm based on wavelet packet decomposition

One of the important issues in the system identification and the spectrum analysis is the frequency resolution, i.e., the capability of distinguishing between two or more closely spaced frequency components. In the modal identification by the empirical mode decomposition （EMD） method, because of the separating capability of the method, it is still a challenge to consistently and reliably identify the parameters of structures of which modes are not well separated. A new method is introduced to generate the intrin- sic mode functions （IMFs） through the filtering algorithm based on the wavelet packet decomposition （GIFWPD）. In this paper, it is demonstrated that the CIFWPD method alone has a good capability of separating close modes, even under the severe condition beyond the critical frequency ratio limit which makes it impossible to separate two closely spaced harmonics by the EMD method. However, the GIFWPD-only based method is impelled to use a very fine sampling frequency with consequent prohibitive computational costs. Therefore, in order to decrease the computational load by reducing the amount of samples and improve the effectiveness of separation by increasing the frequency ratio, the present paper uses a combination of the complex envelope displacement analysis （CEDA） and the GIFWPD method. For the validation, two examples from the previous works are taken to show the results obtained by the GIFWPD-only based method and by combining the CEDA with the GIFWPD method.

Mitigating end effects of EMD using non-equidistance grey model

Aiming at mitigating end effects of empirical mode decomposition （EMD）, a new approach motivated by the non- equidistance grey model （NGM） termed as NGM（1,1） is proposed. Other than trapezoid formulas, the cubic Hermite spline is put forward to improve the accuracy of derivative to the accumulated generating operation （AGO） series. Hopefully, it is worth stressing that the proposed NGM（1,1） model is particularly useful for predicting uncertainty data. Qualitative and quantitative comparisons between the proposed approach and other well-known algorithms are carried out through computer simulations on synthetic as well as natural signals. Simulation results demonstrate the proposed method can reduce end effects and improve the decomposition results of EMD.

NSHV trajectory prediction algorithm based on aerodynamic acceleration EMD decomposition

Aiming at the problem of gliding near space hypersonic vehicle(NSHV)trajectory prediction,a trajectory prediction method based on aerodynamic acceleration empirical mode decomposition(EMD)is proposed.The method analyzes the motion characteristics of the skipping gliding NSHV and verifies that the aerodynamic acceleration of the target has a relatively stable rule.On this basis,EMD is used to extract the trend of aerodynamic acceleration into multiple sub-items,and aggregate sub-items with similar attributes.Then,a prior basis function is set according to the aerodynamic acceleration stability rule,and the aggregated data are fitted by the basis function to predict its future state.After that,the prediction data of the aerodynamic acceleration are used to drive the system to predict the target trajectory.Finally,experiments verify the effectiveness of the method.In addition,the distribution of prediction errors in space is discussed,and the reasons are analyzed.