基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。

MEEMD-DBA-based short term traffic flow prediction

Aiming at the problem that ensemble empirical mode decomposition(EEMD)method can not completely neutralize the added noise in the decomposition process,which leads to poor reconstruction of decomposition results and low accuracy of traffic flow prediction,a traffic flow prediction model based on modified ensemble empirical mode decomposition(MEEMD),double-layer bidirectional long-short term memory(DBiLSTM)and attention mechanism is proposed.Firstly,the intrinsic mode functions(IMFs)and residual components(Res)are obtained by using MEEMD algorithm to decompose the original traffic data and separate the noise in the data.Secondly,the IMFs and Res are put into the DBiLSTM network for training.Finally,the attention mechanism is used to enhance the extraction of data features,then the obtained results are reconstructed and added.The experimental results show that in different scenarios,the MEEMD-DBiLSTM-attention(MEEMD-DBA)model can reduce the data reconstruction error effectively and improve the accuracy of the short-term traffic flow prediction.

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。

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。

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。

模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.

基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测

滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网络(LSTM)组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R23项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。

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。

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。

基于改进CEEMD和RF的低压串联故障电弧识别方法

为了解决完整集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest,RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明:改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。

基于广义天气分类的ICEEMDAN-LSTM网络光伏发电功率短期预测

针对光伏发电功率受天气影响大、随机波动性强的问题,提出基于广义天气分类和改进自适应噪声完备集合经验模态分解(ICEEMDAN)长短期记忆(LSTM)网络的短期光伏发电功率预测方法。基于历史辐照度数据,采用K-means++聚类算法对广义天气类型进行划分,将天气类型分为3类,再通过ICEEMDAN方法将光伏发电数据分解为若干不同频率的本征模态和残差分量,以降低原始发电数据的非平稳性;在不同天气类型下,建立了不同模态序列分量下的LSTM预测模型;使用训练好的LSTM模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列融合成最终的预测结果。试验结果表明,所构建的ICEEMDAN-LSTM混合模型相较于常规短期光伏发电功率预测模型,具有更高的预测精度。

基于ICEEMDAN和共振解调的轴承故障检测方法

对于滚动轴承的故障检测,提出了一种基于带自适应噪声的改进完全集合经验模态分解(ICEEMDAN)和共振解调的轴承故障检测方法。通过ICEEMDAN算法,把原始振动信号分解为若干个IMF分量;选取有效IMF分量进行求和,得到重构信号;使用快速峭度图法确定共振频带,然后以此设计相应滤波器进行滤波;使用形态学滤波方法进行共振信号的解调,然后再利用FFT得到轴承的故障特征频谱图。内、外圈故障振动数据验证结果表明,该方法能够检测出滚动轴承的故障。

改进时序灰度图和深度学习的齿轮箱故障诊断

针对齿轮箱实际工作环境复杂、传统方法提取特征以及灰度图提取特征性能不足,提出了一种基于改进时序灰度图和深度学习的齿轮箱故障诊断方法。用EEMD(ensemble empirical mode decomposition)将振动信号分解为若干个本征模态分量(IMF)后,通过累计均值准则将IMFs划分为高频和低频分量,其中高频分量采用小波阈值降噪进行处理;重构降噪后的高频IMFs与低频IMFs,并利用灰度图方法对重构信号进行编码。将二维改进时序灰度图送入卷积神经网络进行训练,以发挥卷积网络对图片特征提取优势,并由混淆矩阵显示结果。最后将模型结果和不同灰度图与传统诊断方法进行对比。结果表明:相对于普通灰度图、全局去噪灰度图,所提方法对齿轮箱故障诊断准确率分别提高4、1.8个百分点,且收敛速度明显加快;相对于BP神经网络以及ELM诊断方法,所提方法对齿轮箱故障诊断准确率显著提高。

基于ICEEMD-FastICA的滚动轴承故障诊断方法

针对滚动轴承早期故障特征信号提取困难的问题,提出了一种改进完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition,ICEEMD)和独立分量分析(Independent Component Analysis,ICA)联合故障诊断方法。该方法利用峭度准则将经ICEEMD得到的固有模态分量(Intrinsic Mode Function,IMF)重构后结合快速独立分量分析(Fast Independent Component Analysis,FastICA)进行降噪解混,明显降低被测信号中的噪声,并且在故障特征频率处能量幅值取得最大值,便于辨识故障特征。通过试验研究分析,表明该方法可以明显降低噪声干扰,突出故障频率成分。和ICEEMD与包络谱结合的方法对比,信噪比提高了29.54%,能更准确地识别故障特征,达到对滚动轴承故障的判别需求,从而为轴承故障特征提取提供了一种新思路。

基于MEEMD-ARIMA模型的波浪能发电系统输出功率预测

波浪能作为一种储量丰富的清洁能源,是未来理想的能源之一。但其具有较强的随机波动特性,因此,可靠地预测波浪能发电系统的输出功率能给复杂电网的调度带来极大的便利。文中提出基于改进的总体经验模态分解(MEEMD)-差分整合移动平均自回归(ARIMA)模型的波浪能组合预测。首先,基于海浪计算原理,计算混合浪的每小时平均波高与周期。其次,采用MEEMD对每小时平均波高与周期进行分解,得到一系列特征互异的本征模态函数(IMF)和余量,并将平均波高分解的结果与离散小波变换分解结果做对比。然后,将得到的分量分别建立ARIMA预测模型,通过叠加得到每小时平均波高与周期的预测值。最后,建立直驱式波浪能发电系统波高-功率转换模型,实例结果验证了该组合模型预测的有效性。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明:所提方法具有较高的预测精度和良好的鲁棒性。

基于ICEEMDAN-多尺度排列熵的拆除爆破振动信号降噪研究

由于工程环境、炸药爆炸等因素影响,实测建(构)筑物爆破拆除所产生的低频振动信号常受到噪声干扰。提出改进的自适应噪声完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)与多尺度排列熵联合的降噪算法,并运用皮尔逊系数、信噪比和均方误差来验证所用算法的可行性。对实测拆除爆破塌落触地振动信号进行降噪处理,通过频谱分析以及各类指标对比表明,该联合降噪方法能够有效降低拆除爆破振动信号中的噪声,并且对信号的低频能量影响较小,降噪效果显著,为拆除爆破振动信号分析和处理提供了一种新的有效的方法。