基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解(SSSC-EMD),可自适应地将边坡位移时间序列分解为多个本征模态分量和1个残余分量。将残余分量定义为趋势项;通过K-means聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归(LSSVM)模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSC-EMD-LSSVM模型对厂址边坡位移时间序列进行预测。结果表明:模型能够有效预测位移时间序列,精度优于传统BP神经网络和LSSVM模型。

基于改进EMD方法的多分量信号分析

经验模式分解(EMD)是一种局部的,完全基于数据的自适应信号分解方法,非常适合于分析非平稳、多分量信号。针对经典EMD方法存在模式混淆,容易产生虚假频率分量的不足,该文提出了一种改进的EMD方法。该方法采用高阶极值点信息,通过逆向EMD筛选结果拟合最优包络均值。同时提出了一种基于正交性的筛选停止准则,保证分解结果的合理性。仿真信号和实测语音信号的实验结果证明了该方法的正确性和有效性,采用该方法能有效减小模式混淆,得到较为准确的分解结果。

希尔伯特-黄变换方法的改进

希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)方法是一种自适应性信号处理方法,在处理非线性、非稳态信号方面有很大优势。但HHT分解复杂信号时存在求解结果精确不高、计算时间长等不足。针对HHT的边端效应、越界问题、停止准则和虚假低频成分过滤等问题,文章提出了相应的改进方法。为有效抑制边端效应,人为定义两个极值点,然后连接相邻极值点形成直线后平行延拓。利用信号与包络线的极限差值多次拟合包络线,初步解决了越界问题。根据虚假成分与原始信号的相关系数远小于真实信号与原始信号的相关系数,成功过滤掉虚假成分。数值算例的结果表明了所提方法的有效性。

改进LMD算法在微电网电能质量扰动信号检测中的应用

采用局部均值分解(local mean decomposition,LMD)算法对电能质量扰动进行检测时存在'端点效应'和'模态混叠'问题,严重影响了检测精度。文章针对分布式电源接入引起的微电网电能质量问题,对LMD算法进行改进,提出四点波形曲率延拓,寻找最优匹配波形用以改善'端点效应'。采用三次样条函数插值提高计算速度,使得筛选过程更快,间接减小了'端点效应'和'模态混叠'的影响。进一步提出了自适应筛选停止准则,通过内外层循环判据确定筛选停止条件,从而抑制'模态混叠'。通过对单一扰动、复合扰动模拟信号与实测信号的时频分析,验证了所提算法的可行性和有效性。最后通过与其他算法的计算量对比分析,进一步表明所提算法具有较低的计算量。

基于软筛分停止准则的改进经验模态分解及其在旋转机械故障诊断中的应用

筛分停止准则是影响经验模态分解在高速列车旋转机械故障诊断准确率的关键因素之一。目前普遍采用预先设定阈值的方法,不具有自适应性,导致经验模态分解易出现模态混叠的问题,进而影响故障诊断结果。鉴于充分论证筛分停止准则对经验模态分解结果的影响,提出一种能够自适应控制筛分过程的软筛分停止准则,用于抑制模态混叠问题,提高经验模态分解精度和效率。针对目标信号,该准则通过定义一个刻画全局能量和局部冲击的目标函数,结合启发式搜索机制,实现每次筛分过程中筛分迭代次数的优化,进而保障经验模态分解获取最优分解结果。利用仿真数据和凯斯西储大学轴承基准数据集,对改进的经验模态分解与两种传统实现方法在不同的分解和诊断性能维度上进行对比讨论。最后,将提出的改进经验模态分解方法成功应用于高速列车旋转机械模拟试验台的故障诊断案例中。