基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm,POA)的变分模态分解(variational mode decomposition,VMD)结合小波阈值(wavelet threshold,WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function,IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。

基于Spearman相关性阈值寻优和VMD-LSTM的用户级综合能源系统超短期负荷预测

由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明:VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R^(2)(确定系数)提高,其MAE、RMSE、R^(2)分别为0.0553、0.0717、0.9351;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。

基于VMD的广义三次互相关管道泄漏定位检测

针对天然气管道泄漏检测声波定位技术中,二次互相关时延估计算法存在较大误差的问题,提出了一种基于变分模态分解(VMD)结合广义三次互相关的时延估计算法。该方法首先利用VMD算法对两路信号进行分解并重构信号;其次,在二次互相关的基础上再进行一次相关,并在互相关算法的峰值检测阶段引入希尔伯特变换(HT),对峰值进行尖锐化处理,成为一种新型的广义三次互相关时延估计算法。通过对平台搭建的油气管道泄漏检测系统采集数据进行模拟试验,分析了各算法的精度。试验表明,相较于二次互相关,改进广义三次互相关时延估计算法定位平均精度有明显的提升,有着更高的精度和更好的抗噪性能,在天然气管道泄漏定位方面有着更广泛的应用前景。

基于VMD-GA-BiLSTM的月降水量预测方法

利用辽宁省气象局提供的地面观测降水资料,构建了具有多元时间特征的降水数据,采用变分模态分解方法(variational mode decomposition,VMD)组合遗传算法(genetic algorithm,GA)对双向长短时记忆神经网络(bidirectional long short-term memory,BiLSTM)进行优化,建立基于VMD-GA-BiLSTM的月降水量预测模型,并与BiLSTM、VMD-BiLSTM和GA-BiLSTM进行实验对比,应用均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和R 2决定系数作为模型评价指标。实验结果表明:VMD-GA-BiLSTM模型的R 2决定系数达到0.98,RMSE和MAE表现更低,验证了VMD-GA-BiLSTM模型在时间序列预测方面的优势。

基于VMD-SSA-LSTM的架空输电导线覆冰预测模型

针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

基于VMD的MAG焊输入端电信号频域分析

通过电信号采集平台,对焊机输入输出端电信号进行同步采集.分析弧焊电源整流电路,对输入电信号进行整流处理得到输入电压与电流,最终计算得到弧焊电源的输入功率.经过对比发现输出电流与瞬时输入功率峰值变化趋势基本一致.论述了变分模态分解(VMD)原理及方法,并对瞬时输入功率进行分解,得到一系列特征BLIMFs信号.通过对不同过渡模式(大滴过渡、短路过渡和混合过渡)下瞬时输入功率信号、特征IMF信号和焊接输出电流信号在频域上的对比分析,发现VMD能够有效得到低频(IMF1)、中频(IMF2)和高频信号(IMF3),且中频和高频信号表现出了焊机不控整流的脉动信息(300 Hz)以及电网的干扰.而低频IMF1信号与焊接输出电流信号频域一致性良好,并在时域上也有良好的一致性.结果表明了通过对输入瞬时功率的VMD,其低频分量能够有效表征焊接过程,从而为从输入端评定过渡过程稳定性提供了一种新思路.

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,提出了使用变分模态分解(variational modal decomposition,VMD)和改进基于时空网络的变分自编码器(variational auto-encoder,VAE)对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络(long short-term memory network,LSTM)和卷积网络(convolutional neural network,CNN)组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数(Davies-Bouldin index,DBI)和轮廓系数(silhouette coefficient,SC)上表现出较好效果。

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

基于优化VMD和能量相对熵的地铁车载电容状态识别

针对地铁车载电容性能退化无明显征兆这一现状,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和能量相对熵的电容状态识别方法。通过Matlab仿真建模,提取电容在正常状态和不同退化情况下负载侧输出电压信号并利用优化VMD进行分解得到若干模态分量。将其作为特征样本,对上述各状态的本征模态分量的能量特征向量进行相对熵分析,得到电容退化识别阈值。实际应用时,将待测电路的能量相对熵值与识别阈值进行比较从而完成电容状态识别。分析结果表明,此方法简单有效,判断正确率为93.3%。

基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)的多尺度模糊熵(multi-scale fuzzy entropy,MFE)和变量预测模型(variable predictive model-based class discriminate,VPMCD)相结合的宽频振荡分类新方法。首先,对宽频振荡信号进行AVMD,得到固有模态分量(intrinsic mode functions,IMFS)。然后,引入MFE对IMFS进行时域特征描述,同时实现对IMFS构造特征向量的降维处理。最后,采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析,结果表明,所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines,SVM)、BP神经网络方法的分类准确率更高,分类时间更短。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于VMD与组合模型的大气污染物浓度预测方法

为提高大气污染物浓度的预测准确性,提出一种基于变分模态分解与组合模型的预测方法。首先通过变分模态分解将目标监测点的历史污染物浓度数据重构为多变量时序数据,根据区域内监测点之间的地理关系构建时空序列数据;然后将处理好的数据输入LSTM与ConvLSTM的组合模型中,同时提取时间与空间特征并输出预测结果。针对武汉市PM2.5、SO2、NO23种污染物历史浓度数据进行实验,所提预测方法在MAE、RMSE和MAPE3个指标上均表现最佳,明显优于其他模型。此外,在时间尺度增加的情况下,该方法相较其他模型仍保持最高的预测精度。该方法能够充分捕捉局部特征,在综合考虑时间与空间特征方面具备显著优势,为大气污染物浓度的准确预测提供了一种可行途径。

基于CEEMDAN-VMD-PSO-LSTM模型的桥梁挠度预测

针对桥梁运行阶段的健康状态监测,构建了CEEMDAN-VMD-PSO-LSTM模型对桥梁挠度进行预测。该模型主要分为二次模态分解平稳化、粒子群优化(PSO)算法和长短期记忆(LSTM)网络预测三大模块,共有5个步骤:①利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对桥梁原始挠度序列进行初次模态分解,分解为若干本征模态分解函数(IMF);②使用样本熵(SampEn/SE)计算各IMF分量的复杂度,并通过K-means聚类为高频、中频和低频3个IMF分量;③通过变分模态分解(VMD)算法对高频IMF分量进行二次模态分解;④分别对各个IMF分量通过PSO算法得出LSTM最优超参数组合;⑤将各最优超参数分别代入LSTM模型进行训练,并将各预测结果融合为最终的预测结果。结果表明:该预测方法具有最高的预测精度,为智慧桥梁的安全监测监控提供了新的技术方法。

基于VMD和改进聚类算法的配电网故障选线方法

为提高小电流接地系统单相接地故障的选线准确率,设计了一种基于调幅调频函数的变分模态分解VMD(variational mode decomposition)与K-means++聚类算法相结合的故障选线方案。对故障发生后各条线路零序电流信号进行VMD分解,得到多个自适应频带特征的本征模态函数;构造以低频分量的波形相关系数为横坐标和以高频分量初始极性为纵坐标的二维平面,在该二维平面绘制代表各出线的散点分布图;最后通过K-means++聚类算法对所构造的散点点集进行聚类分析,利用代表故障线路的散点属于离群点的特点,筛选出故障线路。通过Pscad软件进行仿真验证,结果表明,该故障选线方法不受条件改变的影响,能够实现对故障线路的准确识别,具有较好的抗噪能力。

基于参数优化VMD-小波阈值的轴承振动信号降噪方法

为了解决复杂工况下滚动轴承振动信号存在随机噪声的问题,提出了一种基于参数优化变分模态分解(VMD)-小波阈值的滚动轴承降噪方法。首先,利用以包络熵为适应度函数的天鹰算法对变分模态分解算法的模态分解数K和惩罚因子α进行了自适应选择,代入VMD分解中,得到若干本征模态函数(IMFs);然后,根据峭度-相关系数将IMF分量划分为纯净分量和含噪分量,对含噪分量进行了小波阈值降噪处理;最后,对处理后的分量进行了重构,并用重构信号进行了包络谱分析,实现了滚动轴承的信号降噪目的,并利用仿真信号和美国凯斯西储大学公开的轴承数据集对上述降噪方法的有效性进行了验证。研究结果表明:基于参数优化VMD-小波阈值的降噪方法减少了滚动轴承运行状态下的随机噪声,相对小波阈值降噪方法,所得仿真信号信噪比提升53%,均方误差降低13%;在故障特征频率为162 Hz时,所得实验降噪信号包络谱的前6倍频谱峰值更为明显,且受随机噪声影响较小。该研究方法在滚动轴承等旋转机械信号降噪方面具有一定的参考价值。

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)结合小波包信息熵(Wavelet Packet Information Entropy,WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization,GJO)算法优化后的支持向量机(Support Vector Machine,SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function,IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其特征提取更加优越;将金豺算法优化支持向量机(GJO-SVM)与粒子群优化(Porticle Swarm OPtimization,PSO)算法支持向量机(PSO-SVM)、果蝇优化算法(Fruit fly Optimation Algorithm,FOA)支持向量机(FOA-SVM)进行对比试验,试验结果表明,GJO-SVM其平均准确率达到99.16%,较PSO-SVM、FOA-SVM分别提高了2.5%、3.61%。金豺算法优化支持向量机(GJO-SVM)可以更加有效提取并诊断滚动轴承故障。

基于DWT-VMD混合信号分解技术的人体活动识别

在人类活动识别的应用环境中,从原始传感器数据中提取更加有效的特征仍具有挑战性。针对该问题,利用离散小波变换(Discrete wavelet transform,DWT)和变分模式分解(Variational mode decomposition,VMD)的混合信号分解技术提取原始信号中的显著特征向量。在UCI-HAR数据集与SCUT-NAA数据集上,利用多种机器学习分类算法,例如K近邻、随机森林、LightGBM和XGBoost,对DWT-VMD混合信号分解算法的有效性进行了实验。实验结果表明,与未使用混合信号分解技术相比,使用该技术后识别准确率均有所提高,其中UCI-HAR数据集分类准确率达到98.91%,与未加入分解算法相比提高了1.79%;SCUT-NAA数据集分类准确率达到95.52%,提高了3.2%。在人体活动识别中,利用DWT-VMD混合信号分解技术,能够提取原始信号中更有效的特征,提高识别准确率,具有一定的实用性。