基于IMF-MFDE和GRU的水电机组故障诊断

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。     

基于VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

基于VMD与粒子滤波的滚动轴承故障诊断

针对旋转设备工作环境复杂,难以提取轴承故障特征信息的问题,提出基于变分模态分解(VMD)和粒子滤波的故障诊断方法。首先,对原始振动信号进行VMD分解,得到有限个具有稀疏特性的固有模态函数(IMF);其次,利用基于峭度、相关系数、能量比的综合评价指标P,筛选最能反映原始信号故障特征的模态分量进行重构;最后,对重构故障特征分量进行粒子滤波,消除VMD残留的非线性、非高斯噪声后,利用包络谱分析故障类型。通过对实验轴承振动信号的分析,验证了该方法的准确性和有效性。     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

基于ＩＣＥＥＭＤＡＮ 和ＳＶＭ 的起伏振动气液两相流流型识别

针对起伏振动条件下气液两相流压差信号过于复杂难以识别的问题,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)与支持向量机（SVM）相结合的流型识别方法。采用ICEEMDAN对小波去噪后的压差信号进行模式分解,通过求取的各本征模态函数（IMF）与原始信号进行斯皮尔曼相关系数计算,选取相关系数较大的IMF分量进行希尔伯特变换,对变换后各IMF分量的瞬时幅度进行能量熵、奇异谱熵、功率谱熵的计算,构成特征向量,带入到支持向量机中进行流型识别。结果表明：该方法能够有效识别起伏振动状态下的泡状流、弹状流、搅混流、环状流,识别准确率可达95%。     

基于振动的汽油机爆震始点识别与强度评价研究

研究了利用振动信号进行汽油机爆震检测和强度评价的方法。通过滤波对机体振动信号进行降噪处理,利用功率谱密度估计确定了爆震特征频率。将集总经验模态分解(ensemble empirical mode decomposition,EEMD)应用到机体振动信号处理中,结合连续小波变换(continues wavelet transform,CWT)对EEMD分解得到的各本征模态函数(intrinsic mode function,IMF)分量进行时频分析,确定包含爆震特征频率成分的IMF分量,研究了利用振动信号判别爆震始点的方法,并结合缸压信号对结果进行了验证。在确定了准确的爆震窗口后,提出了爆震强度评价参数K。试验用汽油机的计算结果表明:当K值超过20,可以判断有轻微爆震的发生;当K值超过80,则代表爆震强度较强,发生明显爆震。     

基于优化CEEMDAN-CNN的轴承故障诊断研究

针对滚动轴承振动信号易受环境噪声干扰及浅层学习模型依赖人工经验难以准确提取故障特征的难题,提出了一种优化自适应白噪声平均总体经验模态分解(OCEEMDAN)与卷积神经网络(CNN)联合的故障诊断方法。采用自适应白噪声平均总体经验模态分解(CEEMDAN)算法对原始信号进行分解,分形维数筛选最佳分量,奇异值(SVD)降噪优化,输入CNN实现故障诊断,分别与EMD-CNN、EEMD-CNN及CEEMDAN-CNN方法进行对比。结果表明：该方法在不同工况下均具有较高的识别率,突显了良好的鲁棒性与泛化性。     

基于改进自适应多元变分模态分解的轴承故障诊断方法研究

为解决多元变分模态分解(MVMD)经验参数设置对分解结果的影响,提出一种新的自适应多元变分模态分解(AMVMD)方法并将其应用于轴承的故障诊断方面.首先,将最小平均包络熵(MAEE)作为适应度函数,采用灰狼算法(GWO)寻求MVMD参数的最优解,并按照最优参数对原始信号进行分解.然后,计算各本征模态分量(IMF分量)的...     

基于CEEMDAN-KELM的锅炉对流受热面状态预测研究

为了解决表征锅炉受热面表面健康状态的清洁因子在未来时间段内预测时呈现非平稳问题,以省煤器受热面为例,提出一种结合核极限学习机(Kernel Extreme Learning Machine,KELM)和自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)的清洁因子预测方法。首先,通过CEEMDAN分解算法对省煤器表面清洁因子序列进行分解和降低复杂程度,获得各固有模态函数(Intrinsic Mode Function,IMF);其次,利用皮尔逊相关性分析确定主蒸汽流量、进出口烟温等9个参数为输入,建立核极限学习机模型对清洁因子的各IMF进行预测;最后,将各IMF预测结果相加获得最终预测结果。结果表明：与基本核极限学习机、支持向量机等预测模型相比,本文模型具有较高的预测精度和较优预测时间,可为基于受热面状态开展的锅炉智慧吹灰应用提供参考。     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于经验模态分解方法的柴油机振动信号去噪声处理

针对柴油机振动信号的瞬时非线性特点,提出采用柴油机振动信号的本征模函数(IMF)分量进行特征频带识别的新方法。将柴油机振动信号经经验模态分解,并去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号。实际测试结果表明,重构后的信号能反映柴油机机身振动的真实趋势。     

基于EMD-BPNN的水电机组空蚀故障诊断

针对水电机组空蚀信号非平稳和非线性的特点,提出一种基于经验模态分解-BP神经网络(EMDBPNN)的空蚀故障混合特征提取与分类方法。首先对空蚀信号进行经验模态分解,得到一系列的本征模态函数(IMFs),提取各IMFs分量的能量特征和奇异值特征,同时提取常规的时域和频域特征,构建混合特征向量;然后将此向量作为神经网络的输入,对水电机组空载工况、导叶30%开度和满负荷运行等三种工况下的空蚀数据进行识别分类。试验结果显示,该方法能够对水电机组空蚀故障进行准确诊断,具有较强的工程应用价值。     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)神经网络相结合的离心泵振动信号故障诊断新方法。首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以“能量比”为元素,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于TPA机制改进的VMD-GRU抽水蓄能机组振动预测

针对抽水蓄能机组振动趋势预测中振动信号时间序列非线性、非平稳性极强导致常规预测方法难以进行精确预测的问题,提出变分模态分解（Variational Mode Decomposition,VMD）结合时序模式注意力（Temporal Pattern Attention,TPA）机制改进的门控循环单元（Gated Recurrent Units,GRU）神经网络的抽水蓄能机组振动预测方法。利用VMD算法首先将振动信号序列分解为若干个本征模态分量（IMF）,降低时间序列的非平稳性,结合其他特征参数,构建预测输入矩阵。将输入矩阵放入TPA改进的GRU神经网络中训练,利用神经网络强大的非线性特征提取能力,达到精准的预测效果。最后将本方法与GRU-TPA、结合常规注意力机制（AM）的VMD-GRU预测方法进行对比发现,基于TPA改进的VMD-GRU预测方法效果更好,能够更加准确地预测振动信号的时间变化趋势。     

基于深度学习风力机齿轮箱的故障诊断

风力机齿轮箱因长期处于多噪声、高转速工况下运行，振动信号呈现非线性特性，致故障信息难以准确有效提取。基于此，提出自适应白噪声平均集成经验模态分解（CEEMDAN）与卷积神经网络（CNN）联合故障辨别与诊断方法。利用CEEMDAN较强的非线性特征分解能力将振动信号分解，多重相关系数筛选有效故障特征分量组并剔除冗余分量，再将最佳分量组输入CNN实现故障诊断。结果表明：不同故障状态和信噪比下，较EMD-CNN与EEMD-CNN方法，均突显了所提方法良好的鲁棒性与泛化性。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。