基于CEEMD和统计参数的斜拉桥损伤识别方法研究

为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参数方法相结合的斜拉桥损伤识别方法。该方法基于CEEMD方法对斜拉桥动力响应信号进行自适应性分解,确定适用的白噪声幅值标准差并推导CEEMD方法的集成次数,得到各阶IMF分量;采用欧氏距离对分解的IMF分量进行谱系聚类分析以避免模态混叠现象;采用峰度统计参数的有效权重峰度指标方法滤除含噪IMF分量,提取有效IMF分量并重构为有效IMF分量和;利用变异系数统计参数、二阶中心差分法和泰勒展开式推导损伤定位指标,根据四阶统计矩峰度统计参数推导损伤定量指标。用所提方法对某斜拉桥进行损伤识别研究,结果表明:仿真分析的损伤定位识别精度为100%,损伤定量最大误差为1.80%;在高斯白噪声干扰下,损伤定位不受影响,损伤定量最大误差为1.88%;进行实桥的损伤识别,结果表明实桥主梁无损伤。

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。

PCA优化CEEMD的DSQ水管倾斜仪信号随机噪声压制方法

提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降维压缩,将其转化为一个能代表全部不同类型指标特点的新参数,并构建IMF分量质量综合评价函数,根据分数排名结果完成原始含噪信号的线性重构。仿真信号和实测信号去噪实验结果皆表明,CEEMD-PCA模型优于卡尔曼滤波、70阶低通FIR滤波等经典模型,能提高原始信号的信噪比,精准完成信号重构,更好地保留有效成分。

CEEMD与AO-SVM结合的风机轴承故障诊断

由于风机的运行环境恶劣,当轴承发生故障时,其振动信号往往受到环境噪声的干扰,导致对于振动信号的故障信息提取困难。针对这一问题,本文提出了一种基于互补集合经验模态分解(CEEMD)和样本熵(SE)结合的特征提取方法,并将天鹰优化算法(AO)与支持向量机(SVM)结合进行故障分类,实现对风机轴承的故障诊断。本文采用凯斯西储大学轴承数据进行实验,并采用真实风机轴承数据进行进一步的验证。实验结果表明本文所提出方法具有很高的故障识别准确率。

基于ICEEMDAN与POA-SVM的感应电机故障诊断

针对感应电机定子电流故障特征提取困难,支持向量机(SVM)惩罚系数c和核函数参数g的选择对诊断结果影响较大等问题,提出一种改进自适应噪声平均总体经验模态分解(ICEEMDAN)与鹈鹕优化算法(POA)优化支持向量机(POA-SVM)相结合的感应电机故障诊断方法。首先,利用ICEEMDAN经陷波器滤除工频的定子电流获得一系列固有模态函数(IMF);然后,选取各状态信号的前7阶IMF分量并计算能量熵作为故障特征向量;最后,将故障特征向量输入POA-SVM模型得到诊断结果。通过仿真软件Ansoft/Maxwell建立电机模型来获得电流数据,诊断准确率达到了100%,实现了感应电机的故障诊断。为进一步验证诊断方法的优越性,搭建电机故障模拟试验台来采集电流信号,结果表明,该方法在空载、半载和满载3种负载情况下诊断准确率均可达到97.5%以上,与其他故障诊断方法相比,所提方法对感应电机电气故障具有更好的识别能力。

CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响,严重失真。为了有效去除信号的噪声,提高回波信号信噪比,提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号,改进小波阈值函数具有高阶可导特性,能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合,可以更有效地去除噪声。首先,对回波信号进行CEEMD分解,得到若干固有模态函数(intrinsic mode function,IMF)。其次,通过相关系数法计算IMF分量与信号的相关系数,确定相关分量和不相关分量。最后,对不相关分量使用小波改进阈值法进行去噪,对相关分量使用粗糙惩罚法进行平滑,再重构信号。基于实测数据的实验结果表明,所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法,信噪比分别提升了2.65 dB和0.58 dB。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

基于CEEMD-SSA-ELM方法的建筑业碳排放预测研究

针对碳排放数据的波动性和非线性问题,为了更精准预测建筑业碳排放量,提出了结合互补经验模态分解(CEEMD)、麻雀搜索算法(SSA)和极限学习机(ELM)的二氧化碳排放量预测模型。首先,根据IPCC公布的计算方法计算1995—2020年我国建筑业碳排放量,使用灰色关联分析验证所选影响因素的合理性;然后使用CEEMD将原数据分解为多个平稳序列和一个残差项,以缓解碳排放数据的波动性。其次,应用ELM对每个分解结果分别建立预测模型,并使用SSA优化模型参数。最后,将预测结果集成汇总,并对比分析CEEMD-SSAELM、SSA-ELM、CEEMD-ELM和ELM预测结果。结果显示:CEEMD-SSA-ELM的均方误差、平均绝对误差、平均相对误差、决定系数分别为2 928.43万吨、2 255.73万吨、1.158%和0.948,均优于其他三个模型,是一种更适用于建筑业碳排放量的预测方法,为我国建筑业绿色可持续发展提供了新思路。

基于CEEMD和改进SSA-LSSVM风功率预测模型

为了保证电力系统的安全有效运行和便于调度人员调度,准确的风功率预测就变得极为重要,同时更高精度的预测模型也变为了研究热点。针对传统麻雀搜索算法(SSA)存在着容易出现局部最优解与全局搜索效果较差的问题,提出加入混沌序列与交换学习策略的麻雀算法对最小二乘支持向量机(LSSVM)的惩戒和核函数参数寻优,避免了单一预测变量精度不高的问题;同时为了解决预处理数据自相关性,采用完备总体经验模态分解(CEEMD)对其分解,有效降低预测曲线滞后性;最终提出基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型。仿真结果表明:该模型在一定程度上提高了预测精度,提升了该模型在风功率预测中的实际应用价值。

基于ICEEMDAN及PFA-ELM的齿轮箱故障诊断研究

齿轮箱是工业设备中常用的传动部件。针对齿轮箱故障特征提取及诊断精度不足的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)及探路者算法(PFA)优化极限学习机(ELM)的故障诊断方法。首先,利用ICEEMDAN对信号进行分解,得到多个本征模态函数(IMF)。其次,基于斯皮尔曼相关系数,筛选出有效的IMF,并计算出每个有效IMF的模糊熵和排列熵作为故障特征向量。最后,利用PFA算法优化ELM中的权值和阈值,构建基于PFA-ELM的故障诊断模型。实验表明,PFA-ELM的故障诊断精度高达98.67%。该方法能够准确描述齿轮箱的工作状态,具有较高的实用价值。

基于CEEMD-PCA-XGBoost的滚动轴承故障诊断方法

在轴承的故障诊断过程中,往往会存在因数据缺失或分布不均,从而导致其运算速度慢和分类准确率低的问题,为此,提出了一种互补集成经验模态分解结合主成分分析和极限梯度提升(CEEMD-PCA-XGBoost)的故障诊断方法。首先,基于互补集成经验模态分解(CEEMD)对第三方轴承故障数据集进行时域和频域的特征提取,实现了数据初步筛选的目的;然后,采用主成分分析法(PCA),降低了分解后的本征模态函数分量(IMF)的特征值维度;将提取的特征量作为输入量,输入到极限梯度提升(XGBoost)模型中,并采用栅格法优化了模型的参数;最后,通过2种不同轴承数据集对该方法进行了验证,并从分类精度、准确度等角度出发,将该方法所得结果与采用其他算法所得到的结果进行了对比分析。实验结果表明:经美国凯斯西储大学轴承数据集检验,采用优化后的算法模型得到的分类准确率为100%,运算时间为11.264 s;经IEEE PHM 2012数据集验证,采用该算法得到的轴承寿命预测曲线拟合效果优于其他算法。研究结果表明:在运算速度和分类准确率方面,该轴承故障诊断方法具有较好的综合性能。

基于CEEMD与改进的ELM旋转整流器故障诊断

针对目前应用于航空发电机旋转整流器故障诊断中的人工智能算法存在诊断速度慢、参数选取困难等问题,提出一种基于互补式集合经验模态分解(CEEMD)与樽海鞘优化的极限学习机(SSA-ELM)故障诊断方法。在有限元软件Maxwell与Simplorer中搭建三级式电机模型,采集励磁电流信号,利用CEEMD将励磁电流信号分解为一系列模态分量,构建故障特征参量,再通过樽海鞘群算法(SSA)优化极限学习机的训练参数ω和b,并对故障进行诊断,最后通过实验平台验证所提方法。结果证明了三级式同步电机有限元模型的有效性,所提方法相校于现有方法,具有更高的故障诊断准确率与分类速度。

基于CEEMD-IBA-LSSVM的微电网短期负荷预测研究与应用

为了有效获取微电网负荷中的隐藏信息和潜藏特征,进一步提升微电网短期负荷预测的精准度与效率,提出一种基于基于互补集成经验模态分解(CEEMD,complementary ensemble empirical mode decomposition)和改进蝙蝠算法(IBA,improvement bat algorithm)优化最小二乘支持向量机(LSSVM,least squares support vector machine)的微电网短期负荷预测模型,先利用CEEMD对负荷序列进行有效分解,减轻局部信息相互影响;再引入引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题,并利用IBA对LSSVM参数进行优化;最后通过算例验证CEEMD-IBA-LSSVM短期负荷模型效果,结果表明所构建模型的预测准确率约为98.21%,与其他预测模型相比具有较高的运行效率与预测精度。

基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断

针对行星齿轮箱的故障特征提取和模式识别问题,提出了结合蜜獾算法(HBA)优化改进自适应噪声完备经验模态分解(ICEEMDAN)、层次加权排列熵(HWPE)和灰狼算法(GWO)优化支持向量机(SVM)的行星齿轮箱故障诊断方法。首先,利用HBA优化了ICEEMDAN的白噪声幅值权重和噪声添加次数,并对行星齿轮箱的振动信号进行了HBA-ICEEMDAN分解,得到了若干个本征模态函数,筛选出其中相关系数较大的分量进行了重构;然后,利用HWPE提取了重构低噪信号的敏感特征值,获得了故障特征向量;最后,利用GWO优化了SVM的惩罚系数和核系数,训练GWO-SVM多故障分类器,对行星齿轮箱损伤进行了识别;利用行星齿轮箱的振动数据进行实验,验证了算法的有效性。研究结果表明:结合HBA-ICEEMDAN、HWPE和GWO-SVM的行星齿轮箱故障诊断方法能够准确地识别行星齿轮箱的典型单点故障和复合故障,识别准确率达到了98.15%。相较于其他组合方法,该方法在行星齿轮箱故障诊断中更具有有效性,更具有优越性。

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明:所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。

基于CEEMD-SVM的风速混合预测模型研究

由于风速有随机性、波动性特点,风力发电会有不确定性,这使风力资源难以直接利用。本文基于“分解-预测”的思路,提出一种基于完全集合经验模态分解和支持向量机(CEEMD-SVM)的风速预测模型。实验结果表明,该模型相比其他预测模型在风速预测方面表现出显著优势。其预测结果为合理的调度风力发电资源提供了数据基础。

基于CEEMD与GWO-LSTM的精细非侵入性负荷监测

针对集中供热系统滞后性等因素导致的短期热负荷预测精度较低问题,提出一种基于互补集合经验模态分解(CEEMD)数据处理技术与灰狼优化算法-长短期记忆网络(GWO-LSTM)的精细非侵入性负荷监测方法。采用CEEMD将采集得到的原始热负荷数据分解为若干个平稳的固有模态函数(IMF)并对每个IMF分别进行建模预测,叠加每个IMF的预测值作为最终的预测输出。为了提高预测精度,利用GWO算法对LSTM的隐藏层神经元数目、训练次数和初始学习率进行参数寻优,建立CEEMD-GWO-LSTM短期热负荷预测模型。以实际热负荷数据进行仿真试验并与单一LSTM模型、CEEMD-LSTM模型进行对比,试验结果表明,CEEMD-GWO-LSTM模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为0.5915 MW,0.4602 MW和8.0838%,显著低于其他对比模型。

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题,提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线,使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线;利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解,减少数据波动所带来的预测误差;建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型,并使用改进麻雀搜索算法(ISSA)优化网络参数,再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明,所提预测模型的预测精度相比其他对比模型更高,且有着更好的泛化能力。