基于GA-VMD的无绝缘轨道电路调谐区和补偿电容故障特征提取

为准确提取ZPW-2000A型无绝缘轨道电路调谐区和补偿电容故障特征信息,提出一种以包络熵为优化目标的遗传算法(Genetic Algorithm, GA)优化变分模态分解(Variational Mode Decomposition, VMD)的故障特征提取方法 .首先,采用传输线理论建立无绝缘轨道电路模型,仿真分析调谐区和补偿电容不同故障的分路电流曲线.其次,以VMD方法中的模态分量的最小包络熵为目标函数,通过遗传算法搜索目标函数的最小值来确定最佳组合参数,原始故障信号经最佳参数组合下的VMD分解成若干个本征模态分量,并对算法的有效性进行了验证.最后,通过与总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、传统VMD方法相对比.研究结果表明:GAVMD方法具有更强的故障信息提取能力,避免了EEMD方法出现的模态混叠问题和传统VMD方法在分解信号过程中出现的过分解、欠分解问题,GA-VMD方法实现了复杂信号的准确提取.

基于变分模态分解与深度集成组合模型的瓦斯涌出量预测

为提高瓦斯涌出量预测精度,提出一种基于变分模态分解(variationalmode decomposition,VMD)的注意力机制(attentionmechanism,AM)-长短期记忆(longshortterm memory, LSTM)网络与极端梯度提升(extreme gradient boosting, XGBoost)组合的预测模型。利用VMD将瓦斯涌出量原始数据分解为高、低频率的分量,以长短期记忆网络时序分析模型为基础,将分解后的高频分量作为其输入。同时,引入注意力机制提取瓦斯涌出量影响因素时序数据中的关键信息,增强序列数据中关键信息的表达,提高模型的预测精度。利用XGBoost模型对低频分量进行预测,将高、低频分量的预测结果进行叠加求和,得到最终的瓦斯涌出量预测值。根据实验结果,引入注意力机制后模型的预测精度明显高于无注意力机制的预测模型,且所提出的组合模型的预测精度均高于对应的单一模型和其他对比模型,验证了该方法的有效性。

基于VMD-ConvKELM算法的燃气计量检测系统

燃气流量计量中存在信号噪声干扰和气流扰动,不能满足冶金、燃气、发电等工业领域精确计量需求。文章设计了一种基于气体流量传感器采集与变分模态分解(VMD)滤波优化预测补偿的燃气流量检测系统。在气体流量传感器采集信号进行变分模态分解的滤波处理,并使用卷积计算核极限学习机(ConvKELM)预测模型对数据误差进行预测补偿。实验结果表明,VMD-ConvKELM方法在信号分解和误差预测补偿任务中具有优越的性能,通过对比不同算法的预测精度,结果显示VMD-ConvKELM优化的燃气计量检测能够有效地测量实际流量值,具有较高精度且结果更加稳定可靠。

基于VMD-MD的油气管道泄漏信号去噪方法

针对油气管道泄漏检测时,采集的泄漏信号会受到噪声信号干扰而影响监测精度的问题,提出变分模态分解(VMD)和马氏距离(MD)相结合的去噪方法。该方法首先利用VMD分解信号,得到多个模态分量,再依次计算出各模态分量概率密度与原采集信号间概率密度的马氏距离来区分有效模态分量和含噪模态分量,最后选择有效模态分量进行重构,从而达到信号去噪目的。与其他去噪方法在仿真模拟信号试验和实际管道泄漏信号试验中进行对比,该方法的输出信噪比是最高的,为46.7740 dB,而均方误差是最低的,为5.1972×10^(-7),表明该方法在去噪效果方面具有一定的优越性,为后续油气管道的泄漏识别奠定了良好的基础。

基于VMD-GA-BP和误差校正的水电机组振动趋势预测

水电机组振动趋势预测有助于确保机组的安全稳定运行,但由于振动信号的复杂性和非平稳性,准确有效的预测成为难题。利用变分模态分解和神经网络在应对非平稳性和非线性问题方面的优势并结合误差校正方法,建立了振动趋势预测组合模型。首先对原始信号进行VMD分解,然后对每个IMF分量建立GA-BP网络进行预测,将所得结果叠加得到振动信号预测结果。再将各IMF分量的合成信号与原始信号之间的误差同样利用VMD-GA-BP模型进行预测,预测结果与振动信号预测结果相加得到最终预测结果。利用国内某水电站数据对所提模型进行论证实验,结果表明本文所提模型有较高预测精度。

真空膜蒸馏法再生烟气脱硫废液的试验研究

复合型甲基二乙醇胺(MDEA)水溶液对烟气二氧化硫具有良好的吸收性,其废液再生循环利用技术的研究进一步完善了烟气脱硫设备节能减排之需。实验采用中空纤维陶瓷膜组件为再生器,用真空膜蒸馏法再生吸收了二氧化硫的MDEA富液,着重研究了废液温度变化对其再生率和蒸馏通量的影响,用气相色谱法测得废液在各实验温度下的再生色谱图。结果表明:废液的最佳再生温度为70℃,此时再生率可达98%。

基于VMD和BPNN-GA的齿轮裂纹故障诊断

齿轮裂纹是机械传动机构容易出现的故障之一,严重的裂纹直接影响齿轮的使用寿命及整个传动系统的安全。基于变分模态分解(Variational Mode Decomposition,VMD)和改进的BP神经网络模型(BPNN),本文提出了一种齿轮裂纹故障诊断方法。首先对齿轮箱振动信号进行VMD分解,得到内禀模式函数(Intrinsic Mode Function,IMF);然后计算各个IMF的均方根和峭度,并选择与齿轮裂纹长度密切相关的IMF的峭度和均方根作为故障特征;最后通过基于遗传算法(Genetic Algorithm,GA)的BPNN模型对得到的齿轮裂纹故障特征进行分类。结果表明,这里提出的故障诊断方法能够准确识别无裂纹、1/4裂纹、1/2裂纹和3/4裂纹的齿轮,在识别精度和计算效率方面具有优异的综合性能。

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD—DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0.096m^3/min,平均相对误差为2.43%,预测精度有所提高。

基于VMD-BP神经网络模型的天然气管道工况检测研究

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究,提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解,再将分解后的特征信号通过BP神经网络算法进行网络训练测试,进而对管道工况做出判断。

压力容器气体泄漏中WOA⁃VMD与SVM联合检测方法

从声信号特征分析的角度,提出一种引入鲸鱼算法的变分模态分解(WOA⁃VMD)和支持向量机的气体泄漏故障诊断新方法。首先,引入鲸鱼算法应用于变分模态分解,对参数α和K进行全局寻优,得到最优(α,K)组合,并将优化后的变分模态分解方法应用于时频分析;然后,提取23个可以用来表征气体泄漏信号的时域、频域及时频域特征,构成了特征参数矩阵输入支持向量机;最后,选择识别率最高的特征组合作为支持向量机的输入矩阵,并对气体泄漏情况进行识别。经实验分析:提出的引入鲸鱼算法优化后的VMD方法能够有效地自适应获取最优参数组,且该方法在抗模态混叠和抗噪声干扰方面具有明显优点;利用优化后的VMD方法及其他时、频域分析方法对压力容器气体泄漏声波信号进行特征提取,选取最优的特征组合输入支持向量机,得到泄漏与否判别准确率高达99.18%,有助于对后续泄漏源定位及实时监测系统开发的进一步研究。

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征,提高砂岩破裂过程预测精度,提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先,开展单轴压缩实验进行砂岩破裂试验,并采集破裂过程的声发射信号;其次,为取得有效声发射信号,从中提取出有效特征参数进行预测,引入相关系数改进VMD算法并对原始声发射信号进行预处理,提取信号能量特征参数作为模型的输入以便区分破裂过程;最后构建GA-BP预测模型,通过遗传算法(GA)优化BP神经网络的权值和阈值,将信号能量作为样本用于预测模型的训练。结果表明,通过引入相关系数可有效解决VMD算法中K值难以选取的问题,对采集到的声发射信号进行有效去噪;此外,经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态,相较于改进前传统的BP神经网络模型稳定性更高,收敛能力更好,预测准确率提高17.5%。

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明:相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

真空膜蒸馏法再生烟气脱硫废液的实验研究

复合型甲基二乙醇胺(MDEA)水溶液对烟气SO2具有良好的吸收性,其废液再生循环利用技术的研究进一步完善了烟气脱硫设备节能减排之需。实验采用聚丙烯中空纤维疏水膜组件为再生器,用真空膜蒸馏法再生吸收了SO2的MDEA富液,着重研究了废液温度变化对其再生率和蒸馏通量的影响,用气相色谱法测得废液在各实验温度下的再生色谱图,从而确定了废液的最佳再生温度为70℃,此时再生率可达98%。