基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。

基于ICEEMD和压缩感知理论的脉搏信号去噪

针对脉搏信号易受噪声干扰的特性,提出了一种基于改进的完全集合经验模态分解ICEEMD和压缩感知理论的脉搏信号去噪方法。首先对脉搏信号进行ICEEMD分解,得到一组固有模态函数IMF分量,去掉最高频IMF分量,再应用压缩感知理论中的匹配追踪算法对剩余的IMF分量进行稀疏分解,选择最佳原子重构得到纯净脉搏信号的近似估计,从而实现脉搏信号的去噪。实验结果表明,提出的去噪方法在抑制噪声的同时,还有效地保留了脉搏信号的细节特性,去噪性能更好。

含噪声混合云大数据流量SDN控制方法仿真

互联网的快速发展,使连入的网络负载增多,导致数据传输过程中吞吐量较低。为了更好的对大数据流量开展实时控制,提出基于SDN技术的混合云大数据流量实时控制方法。利用ICEEMD算法对数据流量中的噪声实施分离去除,在得到较为准确的数据流量后,在尽量缩小SDN所需时间的同时学习并优化流量控制器的部署条件。在保证时延性能的同时兼顾链路的可靠性,部署流量控制器,达到流量实时控制的目的。经实验验证,所提方法对于流量的控制较为稳定、数据吞吐量多且丢失率低于0.02%,表明所提方法能够有效控制大数据流量。