基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。

基于apFFT-AMD的密集频率谐波/间谐波检测

针对电力谐波信号中含有密集频率的谐波/间谐波问题,提出全相位快速傅里叶变换(apFFT)与解析模态分解法(AMD)相结合的检测方法.由于AMD在分解前需要确定信号中各个频率成分,应用apFFT对待分析信号进行频谱分析,得到频谱中各个频率的值;通过apFFT相位谱的平坦特性来判断信号中是否含有密集谱频率成分,获得密集频谱谐波/间谐波频率的大概位置,若含有密集频谱成分,对信号中的密集频段使用量子粒子群进行优化,寻找最佳的二分频率;通过各个频率成分之间的二分频率,利用AMD方法将电力谐波信号分解为一系列的单频信号分量,以完成含有密集频率的谐波测量.与希尔伯特-黄变换法(HHT)相比,该方法对于含有密集频率的谐波/间谐波信号分解效果更好.仿真和实验结果都表明了该方法的有效性和准确性.

基于改进AMD的岸边集装箱起重机大车轨道顶部高低差计算方法研究

计算岸边集装箱起重机大车轨道顶部高低差的过程中,需要在大数据量情况下提取角度振动信号中的超低频趋势项,针对这一问题,提出了一种将原始的解析模态分解(AMD)和滑动平均算法相结合的改进AMD法。首先,对比了改进AMD法和原始AMD法对仿真信号和实测信号的超低频趋势项提取结果,证明了改进AMD法能消除结果中随机噪声的不良影响;然后,采用了改进AMD法、小波包分解(WPD)法以及经验模态分解(EMD)法分别对参数不同的仿真信号和实测信号进行了处理;并对3种方法的性能进行了比较分析。研究结果表明:在上述3种方法中,以改进AMD法的性能为最优;基于改进AMD法的计算方法能准确、高效地计算出监测区间内岸边集装箱起重机大车轨道的顶部高低差,非常适合用于获取该参数长时期内的状态变化。

基于解析模态分解和希尔伯特变换的模态参数辨识新方法

针对航天器结构低频、密频的模态参数辨识问题,提出一种将解析模态分解(AMD)与希尔伯特变换(HT)相结合的模态辨识方法(AMD+HT),根据结构上任意一点的脉冲响应信号,对系统结构的频率和模态阻尼比进行参数识别。以箱型卫星模型为例,分别对固定状态下卫星帆板和卫星整体结构的低阶模态进行模态辨识,并与LMS数据采集系统分析结果和ANSYS有限元仿真结果对比,验证了该方法对低频、密频结构模态辨识的正确性和优越性。

基于解析模态分解的时变与弱非线性结构密集模态参数识别

对于时变与非线性的结构系统,由于结构模态响应信号的瞬时频率并不等同于结构本身的瞬时频率,因此推导了单自由度与多自由度体系在自由振动和受迫振动下模态响应信号的瞬时频率与结构本身瞬时频率的关系,理论结果表明,对于时变的线性结构和弱非线性结构,模态响应的瞬时频率缓慢变化的部分与结构系统的瞬时频率近似相等。通过对一杜芬系统的数值模拟和对一调整索力变化而使其频率变化的斜拉索自由振动实验,验证了理论结果的正确性。对于具有密集模态的时变与非线性的多自由度体系,提出了把解析模式分解方法扩展到时变与非线性结构的模态分解。该方法通过小波变换选取二分时变截止频率,对结构的时变模态响应进行分离,从而实现多自由度结构时变参数识别。最后,对一具有密集模态的两层框架时变系统受白噪声激励和地震激励进行数值模拟,结果表明,提出的方法能有效的分解时变系统的密集模态响应并能较好的识别出结构系统的瞬时频率。

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。

铝合金单层球面网壳结构阻尼特性

通过现场实测对铝合金板式节点单层球面网壳结构的阻尼比进行了分析研究.针对一平面尺寸45 m×45 m,矢高2.86 m的铝合金板式节点单层球面网壳结构,设计了11种工况,通过现场实测采集了160条人工激励下的节点加速度自由衰减振动信号以及6条环境激励下的节点加速度振动信号,采用解析模态分解法(AMD)结合希尔伯特变换识别结构的自振频率和阻尼比.对所得数据进行分析,建议铝合金板式节点单层球面网壳的结构阻尼比取4%.运用实测阻尼比数据建立有限元模型分析结构动力响应,对应实测节点加速度响应曲线和有限元计算得到的响应曲线吻合较好,所测得阻尼值可为现行规范修订提供依据,为结构动力分析与工程设计提供参考.

应用试验模态参数修正理论模型的最佳矩阵逼近法

本文从特征方程和模态正交条件出发，给出了一种应用模态参数识别结果修正理论模型的最佳矩阵逼近方法。该方法通过对识别出的模态矩阵进行奇异值分解并结合特征方程和模态正交条件导出了修正理论模型的通解表达式。在此基础上，给出了最佳逼近解的定义，研究了最佳逼近解的存在性和唯一性，给出了最佳修正质量矩阵和刚度矩阵的具体表达式，讨论了保证修正后的质量矩阵和刚度矩阵仍具有带状性质的方法．数值计算表明，本文方法具有较高的修正精度，对于大误差模型也有较好的修正能力。

基于解析模式分解和随机减量技术的桥梁模态参数识别

大跨异型桥梁模态振型耦合严重,环境振动响应频率分布密集,直接利用随机减量技术(RDT)处理这类结构环境振动响应信号时,难以从随机减量信号中识别多模态的参数。由于解析模式分解(AMD)能有效将模态密集分布的振动信号分解为一系列单模态子信号,故结合解析模式分解和随机减量技术开展大跨异型桥梁模态参数识别研究。首先,对环境振动响应信号进行解析模式分解,获得一系列单模态子信号;然后,对每个子信号进行随机减量技术处理,提取随机减量信号,克服随机减量技术处理多模态信号的缺陷;最后,采用最小二乘法按照单自由度系统自由振动函数从随机减量信号中识别模态频率和阻尼比。通过三自由度振动系统仿真分析,研究该方法的可行性,分析随机减量技术参数对模态参数识别结果的影响。采用该方法识别了一座大跨曲线主梁人行拱桥的前4阶模态的频率和阻尼比,并与随机子空间法识别结果进行对比。结果结果表明:该方法可从多模态环境振动响应中有效识别结构的频率和阻尼比;阈值常数取1.5倍信号的均方根值、随机减量信号长度取10倍模态周期能更准确地识别固有频率和阻尼比。本文提出的方法能有效识别真实结构的模态参数,识别的前3阶竖弯模态阻尼比约0.45%,可为类似桥梁的阻尼比取值提供参考。

基于粒子群算法的改进模态参数识别方法

针对一类多模态振动衰减信号的模态参数识别,结合奇异值分解(singular value decomposition,SVD)、解析模态分解(analytical mode decomposition,AMD)、自回归功率谱和粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的模态参数识别方法(PSO-AMD),可实现在强干扰环境下密集频率信号的模态参数识别。对模拟振动响应信号的分析结果表明,该研究提出的改进方法具有更高的稳定性,对低信噪比、密集频率、大阻尼的振动信号仍保持高识别精度。该研究的模态参数识别方法可应用于复杂噪声环境中的大阻尼和密集频率衰减振动信号的模态参数识别。

基于解析模态分解的极小宽深比液体晃动非线性参数辨识及试验方法

针对当前无人驾驶飞行器工程研制中储箱燃油晃动频率过低与刚体频率接近且随燃油消耗而时变,影响驾驶仪固定参数陷幅滤波器设计的问题。设计并加工了极小宽深比的密集“井”型隔板,利用振动台+水平滑台组合进行横向阶跃激励的晃动试验,并以激光多普勒测振仪获取储箱燃油液面晃动的自由振动衰减响应,采用解析模态分解(analytical mode decomposition,AMD)与基于希尔伯特变换的自由振动分析法对液体晃动频率及阻尼进行辨识。试验及辨识结果表明,相比于常规稀疏隔板,安装密集“井”型隔板储箱的燃油晃动基频大幅提高,且不会随着燃油液面深度变化而明显变化,晃动模态阻尼大幅增大,晃动幅度快速衰减。

基于改进平方检测与自适应TLS-ESPRIT的电压闪变参数检测方法

针对新型电力系统下电压闪变包络难以准确提取、闪变参数难以实时估计的问题,通过改进的平方检测法准确提取电压闪变包络,基于相邻奇异值比构建自适应TLS-ESPRIT算法,提取包络信号的频率信息,推导自适应TLSESPRIT算法的闪变频率算式,计算闪变幅值信息,据此提出基于改进平方检测与自适应TLS-ESPRIT的闪变参数检测方法,开发基于虚拟仪器的电压闪变参数检测实验平台。仿真实验表明,所提算法在噪声与谐波干扰下,能有效估计电压闪变参数,并能有效克服单频、多频调幅波调制与电网基频波动的影响。对比传统电压闪变参数检测算法,所提算法计算简单、闪变参数检测误差小。

运用分量信号小波能量法识别时变结构损伤

在采用解析模态分解定理提取分量信号的基础上,对一阶分量信号进行复Morlet小波变换,并定义损伤前后一阶小波能量比值指标来识别时变结构的损伤位置,然后从损伤位置处的响应信号出发,引入滑动时间窗思想,提出归一化一阶小波能量变化指标,来预测结构损伤的演化过程。采用一个刚度突变和线性变化的三层剪切型建筑结构数值算例对提出的损伤指标进行验证,结果表明:该指标能够有效识别结构的损伤位置和时变损伤。

基于二次分解和MVO-TCN的城轨站点客流预测研究

为提升城轨站点客流预测精度,提出一种基于变分模态分解(VMD)、经验小波变换(EWT)和多元宇宙优化算法(MVO)优化的时间卷积神经网络(TCN)的复合预测模型。使用VMD对城轨站点客流数据进行初步分解,生成若干本征模态函数(IMF)。随后,计算每个IMF的样本熵,并利用K-means算法根据样本熵值将IMFs聚类为复合分量,对高频复合分量进一步应用EWT进行细化分解,以减少波动性强的城轨站点客流数据的分解残留。通过MVO算法对TCN模型的参数进行优化,以强化模型在各个分量上的预测能力。最后,将各分量的预测结果进行重构,得到最终的客流预测值。实验结果表明,文中所提出的VMD-EWT-MVO-TCN模型通过二次分解改善了分解残留问题,结合对TCN参数的寻优提升了城轨站点客流预测精度,RMSE和MAE值分别为14.936 5和5.789 3,相较TCN模型提升了45.46%和50.28%。该模型能够为城轨站点客流管理提供新的技术支持和决策参考。