基于CEEMDAN与RNN算法的离心泵空化状态识别研究

离心泵在发生空化时会产生蕴含特征信息的噪声信号,且随着空化程度的增加,噪声信号特征也会发生变化。该文针对离心泵空化状态识别的问题,提出了一种基于完全自适应集合经验模态分解(CEEMDAN)算法和循环神经网络(RNN)相结合的离心泵空化状态识别方法。通过空化性能试验获取不同空化状态的噪声信号数据,并进行频域分析获取其特征频段范围;引入CEEMDAN算法对信号数据进行分解获得相应的固有函数模态(IMF)分量,选取峭度较大的分量进行频域分析,并选择符合特征频段的分量进行功率谱熵计算以构造特征向量集合,发现空化与非空化状态下,功率谱熵值区分明显,在非空化时均值为0.55,空化时均值为1.05。最后将特征分量集合输入循环神经网络完成模式识别,选取最优模型。验证实验数据分析表明：采用CEEMDAN和RNN算法相结合的模型可以有效提取离心泵空化噪声的特征并进行空化状态识别,最高识别率达92.4%,为离心泵故障诊断提供了新的方法。     

基于CEEMDAN-IPSO-LSTM的水电机组振动预测研究

针对水电机组振动的非线性、非平稳特点,提出一种完全自适应噪声集合经验模态分解(CEEMDAN)方法和长短期记忆(LSTM)神经网络相结合的振动预测模型,利用改进的粒子群优化算法(IPSO)对调节参数进行优化以提高预测精度,采用CEEMDAN算法将振动数据计算展开为多个固有模态函数(IMF),通过计算相关系数筛选出有效的IMF,最后将筛选结果重构后输入LSTM进行模型预测,并与LSTM、支持向量回归(SVR)、CEEMDAN-IPSO-SVR进行对比。结果表明,提出的CEEMDAN和LSTM相结合的振动预测模型可以有效识别水电机组不同运行工况下的振动信号,为故障预警、水电机组安全高效运行提供依据。     

基于CEEMDAN-LSTM的陶岔渠首水深预测

采用基于自适应噪声的完全经验模态分解-长短期记忆神经网络模型(CEEMDAN?LSTM)对水深进行预测.首先利用中位值平均滤波法对数据进行预处理,再采用CEEMDAN方法对历史水深序列进行分解获得历史水深的高、低频以及残差序列,然后对得到的各个分量使用LSTM神经网络预测,最后叠加各分量预测值重构水深预测结果.以陶岔渠...     

基于RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

带裂缝混凝土动态轴拉的声发射特性研究

为研究带裂缝混凝土在动态轴向拉伸荷载作用下的声发射信号特性,采用张口位移控制加载的方式,开展了张口位移速率为10~(-5)~10~(-2)/s的混凝土动态轴向拉伸断裂试验,分析了不同加载速率下声发射特征参数振铃计数、状态参数事件计数率和荷载随时间的变化曲线。试验表明:振铃计数包络曲线和荷载曲线具有良好的对应关系,且随着加载速率的提高,声发射活动越集中,试件断裂时间越短,更偏向脆性破坏,声发射能很好地揭示试件动态拉伸的受载情况和破坏状态。基于声发射特征参量的能量分析揭示了混凝土断裂破坏能量释放规律。结果表明:带裂缝混凝土动态轴向拉伸破坏不具有典型的3阶段特征,声发射信号在破坏瞬间突发性增强;随着张口位移速率的提高,混凝土断裂破坏时间缩短,极限强度增加,释放的能量呈指数增长。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于EEMD的电能质量扰动识别研究

电能质量扰动信号种类多、形式复杂,能否准确地识别是电能质量治理的关键。笔者提出将集合经验模态分解(EEMD)运用于电能质量的识别中,提取出各阶IMF分量分别计算香农熵和近似熵,运用高斯混合模型(GMM)作为识别机,对8类单一扰动信号进行识别。实验结果表明,经EEMD分解提取的特征参数较EMD分解提取的特征参数更有利于电能质量扰动信号的识别,取得了较好的识别率。     

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN（经验模态分解）和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数（IMF）,每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。     

海河流域汛期降水量多尺度分析及预测研究

文章利用完全集合经验模态分解(CEEMDAN)方法,对海河流域汛期(6~9月)降水进行多尺度分析,并识别其演变模式,获得各本征模函数(IMF),然后结合利用最近邻抽样回归模型(NNBR)、自回归模型(AR)、神经网络模型等多种方法对分解的各模态进行建模,选出最佳模型进行预测。经过对比分析,各模态最佳模型分别为神经网络模型与AR模型。因此文章采用CEEMDAN与神经网络及AR模型相结合的方法对海河流域汛期降水进行预测,并且同回归模型及单一的NNBR模型的预测值作比较研究。结果表明文章采用的模型稳定性好,能合理的预测海河流域汛期降水演变趋势,提高中长期汛期降水预测精度,具有一定的应用价值。     

CEEMDAN与小波变换混合去噪方法在光纤陀螺监测系统信号去噪中的应用

为了有效降低噪声对光纤陀螺监测系统实测信号的影响,提出基于CEEMDAN与小波变换混合去噪的方法。先将信号进行CEEMDAN分解,得到一系列IMF分量,计算每一个IMF分量与原始信号的相关系数,利用相关系数的大小筛选出主要的IMF分量。结合小波变换,对筛选出的IMF分量进行降噪处理,最后进行信号重构。引入含噪信号与降噪误差比和均方误差两个指标来判断降噪效果,利用单一的小波变换、CEEMDAN方法、CEEMDAN与小波变换混合去噪三种方法对仿真信号和实测信号进行分析。结果表明,基于CEEMDAN与小波变换混合去噪方法的去噪效果最好,有效地降低了噪声对真实信号的影响,去噪后的信号能准确地表征真实信号的变化特征。该方法非常适合光纤陀螺监测系统的信号去噪,能进一步提高光纤陀螺监测系统的测量精度。     

基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测

为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。     

Improving Annual Streamflow Prediction by Extracting Information from High-frequency Components of Streamflow

Annual streamflow prediction is of great significance to the sustainable utilization of water resources, and predicting it accurately is challenging due to changes in streamflow have strong nonlinearity and uncertainty. To improve the prediction accuracy of annual streamflow, this study proposes a new hybrid prediction model based on extracting information from high-frequency components of streamflow. In the proposed model, the original streamflow data is decomposed by ensemble empirical mode decomposition (EEMD) into several intrinsic mode functions (IMFs) with different frequencies. Then, the dominant component and residual component are identified from the high-frequency components IMF1 and IMF2 using singular spectrum analysis (SSA), and the residual components are accumulated as a new component. Finally, all the components, including the new component that is not noise, are modelled by support vector machine (SVM), and the SVM is optimized by grey wolf optimizer (GWO). To analyse and verify the proposed model, the annual streamflow data are collected from the Liyuan River and Taolai River in the Heihe River Basin, and six models, autoregressive integrated moving average (ARIMA), cross validation (CV)-SVM, GWO-SVM, EEMD-ARIMA, EEMD-GWO-SVM and modified EEMD-GWO-SVM are considered as comparison models. The results indicate that the prediction performance of the proposed model is obviously better than that of other reference models, and extracting valuable information from high-frequency components can effectively improve annual streamflow prediction. Thus, the high-frequency components contained in the original streamflow series have an important impact on obtaining accurate streamflow prediction, and the proposed model makes full use of the high-frequency components and provides a reliable method for streamflow prediction.

     

堤防管涌声发射采集参数设置研究

为了采集管涌过程具有高信噪比的声发射信号,实现声发射技术在堤防管涌监测预警中的推广运用,开展了变水头作用下的管涌破坏试验。通过相同前放增益设置不同的门槛值,分析环境噪声和电子噪声信号,得到了不同前放增益下的最佳门槛设定值。对管涌破坏过程不同通道的AE信号参数最大幅值和最大峰频值分析,AE通道的前放增益选取40 dB,采样频率1 MHz,门槛值为25 dB。通过波形流的采集方法,采集管涌过程连续的AE信号波形。利用AIC准则对AE信号波形分析,得到了AE定时参数:峰值鉴别时间(PDT)为100μs;撞击鉴别时间(HDT)为900μs。管涌过程中AE信号为突发型信号,时域分布疏密差异。通过对单个撞击间时间间隔的测定,结合采样长度,得到了撞击闭锁时间(HLT)为1 500μs。由对噪声信号和管涌过程AE信号的分析,得到了一套适合堤防管涌过程声发射采集设置参数,研究成果对声发射监测堤防管涌具有重要参考价值。     

细砂岩声发射全波形特征及频谱分析

针对细砂岩在不同应力下的破坏模式和裂纹扩展规律等问题,采用单轴压缩、定角压剪和巴西劈裂的方式对细砂岩进行加载试验,采集各试样加载过程的声发射全波形,并基于小波阈值去噪方法对原始波形去噪处理后,再采用快速傅里叶变换获得信号的频谱特征。通过分析声发射全波形及主频、次主频的演化规律,将信号频率细分为低([10,70) kHz)、中([70,120) kHz)、高([120,180) kHz)3个等级,揭示了岩石的破裂失稳过程。研究结果表明:不同试验方法下的声发射全波形差异较大,波形幅值的变化与岩石损伤的渐进过程密切相关;同等试验方法下的声发射主频、次主频具有自相似性,演化规律较一致,次主频对裂隙发育状态更敏感;低频信号反映了细砂岩破坏时的一种固有属性,与加载方式和试验方法无关,仅中频率信号和高频率的信号对应剪切滑移过程与剪切破坏模式。     

冻融混凝土基于声发射技术的单轴动态劈拉损伤特性研究

为了研究混凝土冻融劣化后的动态劈拉损伤特性,对历经 0、10、20、30、40 次冻融后的混凝土进行应变速率为 10 － 5 / s、10 － 4 / s、5 × 10 － 4 / s、10 － 3 / s 的单轴劈拉试验,分析了冻融循环次数和应变速率对混凝土劈拉强度和吸能能力的影响,并利用声发射技术分析了劈拉破坏过程中混凝土损伤发展情况。结果表明: 随应变速率增大,劈拉强度线性增大; 随冻融循环次数的增加,劈拉强度线性减小; 随应变速率的增大,混凝土吸能能力增大; 随冻融循环次数的增加,混凝土吸能能力减小; 实时采集的声发射信号可用来描述混凝土劈拉破坏过程; 混凝土劈拉损伤均随应变速率和冻融循环次数的增大而增大,当应变速率为 10 － 3 / s 时的斜率缓慢增加到累计能量的 10% 左右,当加载应力为峰值应力的 80% 左右时,试件内部能量急剧释放,试件迅速破坏。     

正长花岗岩破坏过程声发射特征试验研究

利用16个通道全波形声发射监测系统对粗晶正长花岗岩开展了单轴压缩声发射试验,得到岩石变形全过程应力和声发射信号波形,计算获得声发射事件数和声发射能量,并对声发射事件进行定位。结果表明：在粗晶正长花岗岩变形破坏过程中,岩石失稳破坏阶段的声发射事件率最大,裂纹快速扩展阶段声发射事件率次之,裂纹压密阶段和裂纹稳定扩展阶段声发射事件率基本相等,线弹性变形阶段声发射事件率最小;从线弹性变形阶段到裂纹快速扩展阶段,直至岩石失稳破坏阶段产生最大应力降时,声发射事件率快速增长,声发射信号的主频快速降低,高频成分逐步减少,主频幅值和时域幅值均快速增大,信号持续时间增长;在最大应力降时,声发射事件率达到最大值,声发射信号的主频最低,主频幅值、时域幅值和信号持续时间均达到最大值,可以认为进入了岩石失稳破坏阶段,岩石有发生破坏的危险,需采取防治措施。     

岩石爆破震动信号分析的EEMD 滤波方法研究

以拉西瓦水电站坝肩岩石开挖爆破震动监测信号为分析对象,通过EEMD方法对岩石爆破震动信号进行分解,并对每个IMF分量与原信号的相关性进行分析,去除噪声分量,使去噪后的信号更能真实地体现岩石爆破震动特征。对EEMD与EMD两种方法的去噪效果进行对比分析,得出EEMD去噪方法更具优越性。