基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究

针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响|其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMD-LSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。     

矿井风机振动趋势预测模型的优化

提出一种新的预测方法-基于EMD分解的时间序列模型,利用EMD分解将采集来的矿井风机振动烈度值分解成若干个固有模态函数(IMF)分量和一个残余项分量,运用恰当的时间序列模型(AR、ARMA)分别对各阶IMF进行预测,将各阶预测值重构,得到振动烈度预测值,并与单独运用时间序列模型的预测结果进行比较。结果证明:运用基于EMD分解的时间序列模型对矿井风机振动烈度进行预测比单独运用时间序列模型的预测精度有明显提高,表明提出方法的可行性、有效性。     

基于HHT-CS-ELM的瓦斯涌出量时序预测

为有效挖掘瓦斯涌出量监测数据隐含特征,预防瓦斯动力灾害,基于希尔伯特-黄变换(HHT)方法、布谷鸟搜索算法(CS)和极限学习机(ELM)基本理论,构建了瓦斯涌出量的HHT-CSELM动态预测模型。通过EMD将样本序列分解成多个不同频率的本征模态函数(IMF)分量;利用Hilbert变换获取各分量的瞬时频率,并据此将IMF分量划分成较高频和低频,采用不同的预测模型进行预测,经叠加各预测值得到最终预测结果。以汾西矿业集团某矿瓦斯涌出量监测数据为例进行仿真实验,结果表明:HHT方法能有效降低数据复杂度,其最小相对误差为0.144%,最大相对误差为0.388%,平均相对误差为0.281%,具有较高的预测精度和泛化能力;更好地适用于非平稳时间序列预测。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于CEEMD与VHBFO_SVM的微网短期负荷预测模型

为适应微网的建设和发展对其负荷预测效率及精度的要求,提出一种基于变概率混合细菌觅食优化算法(VHBFO)优化支持向量机(SVM)的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动尺度逐级进行分解,从而得到多组固有模态函数分量均值,并建立VHBFO_SVM模型对各组分量分别进行预测,最后通过叠加各组分量的预测结果得到预测值。以国内某微网示范工程项目为例,将VHBFO_SVM用于微网短期负荷预测。实例仿真结果表明,所提出的VHBFO_SVM预测模型优于SVM预测模型,更适用于当前微网短期负荷预测需要。     

基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

KPCA-GRNN网络在数控机床复合故障诊断中的应用

提出了一种将核主元分析法(KPCA)与GRNN网络相结合的数控机床复合故障诊断方法。原始复合信号经过EMD分解,将得到的IMF与其他时频域特征值组成原始信号特征集;运用KPCA方法对原始特征集进行降维处理,构造核主元特征集;将筛选后的特征向量作为GRNN网络的输入,实现了数控机床不同复合故障的模式识别,并与其他3种网络对比,验证了该方法的优越性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于EMD的支持向量回归机振动数据挖掘

提出了基于经验模态分解的支持向量回归机方法。该方法首先利用经验模态分解(EMD)方法对信号分解,得到若干平稳分量,然后对各分量进行回归建模,对各分量的回归结果求和得到原信号的回归结果。经实验分析验证,该方法不但提高了回归的准确度,而且运算时间也大大减少,实现了准确而又快速的拟合和预测。     

基于HHT法的煤冲击破坏SHPB测试信号去噪

针对分离式霍普金森杆（SHPB）测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换（HHT）分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法（EMD）分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数（IMF）分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换（FFT）频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。     

基于SVR消除EMD端点效应的研究及其在汽轮机油膜涡动故障中的应用

目前,经验模态分解(EMD)广泛应用在信号处理中,但应用过程中不可避免会有端点效应,如果处理不好会"污染"整个数据序列而使所得结果严重失真。对于边界问题的处理采用波形延拓是比较理想的一种方法,利用支持向量回归机(SVR)对原始信号两端进行波形延拓来处理端点效应并应用于汽轮机油膜故障分析中。该方法首先利用SVR分别对波形两端进行延拓,然后对延拓后的信号进行EMD分解,得到结果的中间部分即为原信号的EMD分解结果。实验结果表明,该方法能有效抑制EMD方法的端点效应,得到准确的分析结果。     

希尔伯特黄变换在轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特性,提出了基于希尔伯特黄变换的滚动轴承故障诊断方法。该方法是把一列时间序列数据通过经验模态分解,获得有限数目的固有模态函数,经过希尔伯特变换获得信号的时频谱—希尔伯特谱,利用由希尔伯特谱反映出来的物理信息对滚动轴承进行故障诊断。     

顶板压力预报机制研究

应用支持向量机对小样本预测具有良好的泛化能力和自适应多模态算法的自适应特性,提出了煤矿顶板压力实时预报的智能模式识别方法。通过已测的顶板压力数据,利用自适应多模态算法对其进行模态分解得到多个模态函数,并把得到的多个模态函数进行机理性研究,而后运用支持向量机进行回归预测。实际应用表明,此方法能很好地反映顶板压力的自身规律性变化,预报效果良好,能满足安全生产的需要。     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。