基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

EEMD与LSTM在轴承剩余寿命预测中的应用

剩余使用寿命(RUL)预测是实现装备健康管理与预测性维护的最主要技术手段之一,为了准确预测轴承的剩余使用寿命,提出了一种基于集合经验模态分解(EEMD)和长短时记忆网络(LSTM)的轴承剩余寿命预测方法。首先,对采集到的振动信号做时域、频域及时频分析,同时记录相应特征;进而,筛选特征,通过EEMD对振动信号予以分解并重构;最后,通过LSTM结合经过处理的信号构建健康特征指标。通过实验证明了该方法能有效的预测出轴承的剩余寿命,且有较高的预测精度。

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CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解(CEEMDAN)对原始数据进行分解,再利用变分模态分解(VMD)对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法(SSA)对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差(RMSE)是0.1053,平均绝对误差(MAE)是0.0815,决定系数(R2)是0.9471,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕捉信号非线性特征的能力。

基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

基于MEEMD算法的二冲程柴油发动机机体振动分析

二冲程低速柴油机具有复杂的振动特性,传统的经验模态分解(Empirical Mode Decomposition,EMD)算法对其振动信号处理效果不理想。为此,采用修正多元集合经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法对低速柴油机机体振动信号进行分解。首先,采用三轴加速度计测量发动机机体振动。然后利用均方根(Root Mean Square,RMS)对三轴振动强度进行分析。最后,对x轴上的信号进行MEEMD分析。结果表明:砌块在x轴方向的振动强度最大;与EMD算法相比,MEEMD算法可以抑制模态混合,有助于更好地识别块振动激励。

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CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

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%。

CEEMD-FastICA-CWT联合瞬态响应阶次的电驱总成噪声源识别

以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征,利用复Morlet小波变换及FFT对各分量信号时频特性进行识别。其次,采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析,并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient,PPMCC)相似性识别确定不同噪声激励源贡献度。结果表明:减速齿副啮合噪声对该增程式电驱总成纯电模式运行噪声整体贡献度最大。

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RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

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。

CEEMDAN和盲源分离在轴承复合故障诊断中的应用

滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解(CEEMDAN)和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数(IMF),利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。

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。

基于EMD-BiLSTM-ANFIS的负荷区间预测

考虑到新型电力负荷随机性增强,传统的准确预测方法已无法满足要求,提出一种EMD-BiLSTM-ANFIS(Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法,使用负荷预测区间取代点预测的准确数值,能为电力系统分析与决策提供更多数据,增强预测的可靠性。首先将原始负荷序列通过EMD(Empirical Mode Decomposition)分解成若干分量,并通过计算样本熵分为3类分量。然后将重构后的3类分量与由相关性筛选的外界因素特征采用BiLSTM、ANFIS模型进行训练和分位数回归(QR:Quantile Regression),并将分量的预测区间结果累加得到最终负荷的预测区间。最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。通过与CNN-BiLSTM(Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点预测及区间预测结果,证明了该方法的有效性。

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。