改进的EMD方法及大坝强震反应信号应用分析

基于经验模态分解(EMD)的希尔伯特黄变换（HHT）方法能够较好地分析非平稳和非线性的信号。在EMD分解过程中易产生模态混淆现象,影响了信号分析结果的准确性。本文通过对EMD分解过程进行改进,在分解进程中增加滤波手段有效抑制了模态混淆现象,应用仿真信号实例进行对比分析表明抑制效果明显。最后,应用该改进方法对大坝强震反应信号进行分析,研究大坝在强震下特性变化规律。     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于改进小波阈值-EMD算法的高拱坝结构振动响应分析

基于高拱坝泄流结构实测振动响应数据资料,针对泄流激励作用下不可避免混有各种噪声进而影响结构工作模态识别精度的问题,提出了一种基于改进的小波阈值-经验模态分解(EMD)联合算法的滤波降噪方法。以拱坝泄流结构实测振动响应资料为基础,利用改进的小波阈值算法滤除大部分高频白噪声,降低EMD分解的边界积累效应,进行EMD分解,通过去趋势波动分析(DFA)方法进一步滤除白噪声及低频水流噪声。工程实例分析结果表明,与小波分析、EMD方法相比,该方法具有更好的降噪效果,能精确滤除泄流结构实测振动响应信号中的低频水流噪声及白噪声,最大程度地保留信号中有效特征信息,并且为拱坝泄流结构在噪声干扰下提取有效信息提供了捷径,为坝体结构的安全监控打下了基础。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EEMD的有载分接开关触头松动故障诊断

针对基于经验模态分解（EMD）的希尔伯特黄变换（HHT）在变压器有载分接开关（OLTC）振动信号故障检测方面的模态混叠问题,提出了集合经验模态分解（EEMD）方法,有效解决了EMD模态混叠的缺点。在EEMD的基础上对振动信号进行HHT,提取信号的边际谱,实现对触头松动故障的检测。仿真与实际试验表明,将该方法应用于分接开关振动信号的分析,可有效地提取故障特征量,有利于对触头故障的诊断。     

水轮机调节系统参数辨识中试验数据的预处理方法

水轮机调节系统参数辨识现场试验的原始数据往往包含各种干扰信号。为提高辨识的准确性,在应用辨识算法前,需进行数据预处理。为此,探讨对辨识试验数据的预处理的方法,包括信号重采样、去除稳态值、去除趋势和噪声滤波等,并着重分析和给出了采用经验模态分解方法(EMD)对信号进行滤波和去噪的原理和效果。     

基于CEEMD和相关性函数特性的爆破震动信号滤波方法研究

应用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对爆破震动信号进行分解,得到一组IMF分量,对各个分量进行相关性函数特性分析可知,高频噪声在0时刻有最大值,其他时刻取值约为0;低频噪声具有周期函数的自相关函数特性,是岩石爆破震动信号所固有的。据此去除噪声分量,使去噪后的信号更能真实地体现岩石爆破震动特性。以黄河上游某水电站引水发电隧洞实测爆破震动信号为例,将基于CEEMD算法与基于EEMD、EMD算法的信号去噪效果进行对比分析,结果表明:采用EMD、EEMD、CEEMD三种分解方法和相关性函数特性滤波后的信噪比分别为:39.48、40.63、49.07,采用CEEMD算法滤波的信噪比SNR与EMD、EEMD算法相比提高了24.31%和20.78%,从而验证了基于CEEMD和相关性函数特性的滤波方法的实用性与优越性。     

EMD方法在红兴隆分局月降水量振荡模态分析中的应用

降水是水资源存在的一种重要形式,合理高效利用降水资源是提高水资源利用效率的重要途径和手段。为探讨其在不同尺度上的振荡模态特征,以红兴隆分局为例,应用经验模态分解(EMD)方法对其1997～2008年的月降水量进行了振荡模态特征分析。结果表明:EMD作为一种全新的信号处理方法,将红兴隆分局月降水量分解为5个IMF分量和1个Res分量,得出月降水量主要存在6月、12月、24月的准周期,通过分析各个分量的方差贡献率可知,红兴隆分局月降水量波动主要以12个月左右的短周期为主。     

基于经验模态分解的局部放电去噪方法

在简单介绍经验模态分解（EMD）的基础之上，将经验模态分解用于局部放电的信号分析。根据含噪声信号分解后固有模态函数（IMF）的统计特征，提出了一种基于向量阈值的新去噪算法，相比于常规的小波去噪算法，该算法具有形式简单、应用方便灵活、不受傅里叶变换及小波函数选择的限制等特点。实际处理结果及与小波的对比表明，新算法可以有效地抑制白噪声，取得和小波变换几乎一致的效果。     

基于等熵原则的抽蓄电站过渡过程压力数据分析

水力机械过渡过程试验是调节保证计算模型验证的有效途径。长期以来,过渡过程压力数据处理由于缺乏相关标准的指导,测试结果与调节保证模型计算之间往往存在显著偏差。针对这一问题,本文引入排列熵和经验模态分解方法对数据进行处理,建立了压力数据处理的等熵准则:首先对实测压力进行经验模态分解,获得各阶本征模态函数;其次按熵增过程,由高阶向低阶逐步合成,直至获得与调节保证计算结果具有一致排列熵的试验数据;最后采用等熵数据进行调节保证计算模型验证。案列研究表明:结合经验模态分解方法的等熵准则可以有效获得水力机械过渡过程中压力数据的趋势项,实现调节保证计算模型的评估。     

Pressure fluctuation signal analysis of pump based on ensemble empirical mode decomposition method

Pressure fluctuations, which are inevitable in the operation of pumps, have a strong non-stationary characteristic and contain a great deal of important information representing the operation conditions. With an axial-flow pump as an example, a new method for time-frequency analysis based on the ensemble empirical mode decomposition （EEMD） method is proposed for research on the characteristics of pressure fluctuations. First, the pressure fluctuation signals are preprocessed with the empirical mode decomposition （EMD） method, and intrinsic mode functions （IMFs） are extracted. Second, the EEMD method is used to extract more precise decomposition results, and the number of iterations is determined according to the number of IMFs produced by the EMD method. Third, correlation coefficients between IMFs produced by the EMD and EEMD methods and the original signal are calculated, and the most sensitive IMFs are chosen to analyze the frequency spectrum. Finally, the operation conditions of the pump are identified with the frequency features. The results show that, compared with the EMD method, the EEMD method can improve the time-frequency resolution and extract main vibration components from pressure fluctuation signals.     

基于随机共振和经验模态分解的水力发电机组振动故障诊断

针对实际水力发电机组故障诊断中微弱信号难以检测引起故障诊断准确率低的难题,提出了一种基于随机共振(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的微弱信号检测方法。首先,采用随机共振对振动信号进行降噪处理,提高信号的信噪比;继而对随机共振的双稳输出信号进行EMD分解,并采用能量法进行故障特征向量的提取,最后将其作为基于遗传算法优化支持向量机(GA-SVM)故障诊断模型的输入,实现故障模式的识别与诊断。仿真结果表明,该方法能够准确识别机组的异常情况,具有较高的故障诊断精度。     

经验模态分解方法应用于混凝土坝水平位移趋势分析及预测

水位和温度观测值序列中存在趋势性变化,这种趋势性变化也会导致大坝的趋势性变形。基于此,采用经验模态分解方法剔除水位和温度的趋势性变化过程,将剩余的高频部分用于预报变形的高频部分。而对于变形经过经验模态分解后得到的低频部分,采用多项式进行拟合,最终将低频和高频部分综合,实现对水平位移的预测。     

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。     

基于经验模态分解与传统水文分析法的降雨序列研究

为研究经验模态分解(EMD)法和传统水文分析方法在水文时间序列研究中的特点,以陕西省榆林市1951—2017年降雨时间序列为例,对该数据的趋势性和周期性成分进行了分析对比。结果表明:传统的Mann-Kendall(M-K)检验法与EMD方法都可反映出水文序列的趋势及转折点,且两种方法所得结果相似,反映出榆林市降雨量先增后减的变化趋势,但转折点时间有所差异。EMD方法与M-K方法得到的趋势项结果呈现形式不同,EMD方法所得趋势线可更加直观地表现原始序列的升降情况。周期性成分分析方面,榆林市年降雨量与夏季降雨量具有相同的周期规律。EMD方法所得模态相较于傅里叶分析法所得频谱更为丰富,但各模态所对应周期不明确,也难以对应实际的物理意义。EMD方法可作为传统水文分析方法在趋势分析及周期成分提取时的有效补充。     

Investigation of Empirical Mode Decomposition in Forecasting of Hydrological Time Series

In this study, a nonparametric technique to set up a river stage forecasting model based on empirical mode decomposition (EMD) is presented. The approach is based on the use of the EMD and artificial neural networks (ANN) to forecast next month’s monthly streamflows. The proposed approach is applied to a real case study. The data from station on the Kizilirmak River in Turkey was used. The mean square errors (MSE), mean absolute errors (MAE) and correlation coefficient (R) statistics were used for evaluating the accuracy of the EMD-ANN model. The accuracy of the EMD-ANN model was then compared to the artificial neural networks (ANN) model. The results showed that EMD-ANN approach performed better than the ANN in predicting stream flows. The most accurate EMD-ANN model had MSE?=?0.0132, MAE?=?0.0883 and R?=?0.8012 statistics, respectively.