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。     

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。     

基于改进EMD-SSA-KELM的用水量预测方法研究

针对用水量具有波动性和不确定性,且预测时存在精度低、可信度差等问题,提出了改进经验模态分解法与麻雀搜索算法优化核极限学习机的组合预测模型。首先使用长短期记忆网络对人民胜利渠的原始引黄用水量序列进行极值延拓,改进经验模态分解法的端点效应;然后通过改进后的经验模态分解法将时序信号分解为若干个本征模态分量,使原始用水量信号平稳化;最后利用麻雀搜索算法优化核极限学习机,对原始用水量序列与通过改进后经验模态分解方法的用水量序列进行预测对比。结果表明：基于改进后经验模态分解方法有效地抑制了端点效应,模型预测误差降低43.51%、可信度提高76.79%,因此采用改进经验模态分解方法有效地提高麻雀搜索算法优化核极限学习机组合模型的预测精度和可信度,在水资源预测中更具适应性。     

基于经验模态分解的大坝补强加固效果评价方法

在介绍经验模态分解方法的基础上,结合补强加固大坝的行为特征,将经验模态分解方法应用到大坝补强加固效果的评价中。为了提高该方法的有效性,还引入了抗差理论进行环境量趋势分量的分离。最后,结合具体实例说明了基于经验模态分解的大坝补强加固效果评价方法的应用。     

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。     

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AFSA-RBF模型的混凝土平板坝变形监测

针对混凝土平板坝水平位移监测序列呈非线性变化的特点,采用经验模态分解(EMD)方法对混凝土平板坝水平位移监测序列进行分解,并采用计算最大信噪比的方法对信号进行去噪。面板坝的坝顶上下游方向水平位移主要受上下游水位和环境温度的影响,据此建立AFSA-RBF神经网络模型和RBF神经网络模型,对混凝土平板坝上下游方向水平位移进行预测,结果表明:AFSA-RBF模型能够很好地反映混凝土平板坝水平位移变化趋势和规律,预测结果有较高的精度,符合大坝安全监测的要求,可以在混凝土平板坝安全监测和评价中应用。     

基于EMD滤波和云模型的大坝安全监控指标拟定

为克服现有大坝安全监控指标拟定方法的不足,利用云模型,采用数字特征熵来揭示异常值的随机性与模糊性,通过期望、熵和超熵构成的特定结构算法,将大坝安全与否的定性概念定量表示,以此拟定安全监控指标。由于大坝监测效应量影响因素复杂,监测数据常存在高频噪声,因此应对原始数据进行降噪处理。以福建某大坝水平位移为例,先用经验模态分解(EMD)滤波方法去噪,然后采用云模型进行安全监控指标拟定,并与典型的小概率法进行对比分析。结果表明,基于EMD去噪和云模型拟定的监控指标是合理准确的。     

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。     

Hilbert—Huang变换在电力系统中的应用

Hilbert—Huang变换（HHT）是20世纪末Huang等人首次提出的一种新的非线性、非平稳信号的分析理论。其核心部分是经验模态分解（EMD），它可以将任一复杂的数据分解为有限个固有模态函数（IMF）之和。这种分解方法是自适应的，因此是高效的。由于这种分解是基于信号局部特征的，它特别适用于分析频率随时间变化的非线性、非平稳信号。该方法自推出以来，已经应用于许多非线性研究领域。介绍了Hilbert—Huang变换（HHT）及其存在的问题，初步总结了其在电力系统中的应用及发展趋势。     

基于时域分析的结构模态参数两步识别法

采用结构模态参数的两步识别法对现场获得的信号进行分析,并应用该方法对青铜峡水电站的大坝损伤进行了诊断,获得了较好的效果.     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

一种结合小波分析的EMD周期分析方法——以南宁市年降水量为例

针对传统EMD方法中Hilbert变换未必能正确计算出本征模态函数瞬时频率这一问题,采用小波分析替代Hilbert变换来优化EMD方法,为水文时间序列的周期分析提供了一种新途径。并对南宁市1961~2015年降水量时间序列进行了周期分析。结果表明,南宁市年降水量序列经改进的EMD方法分解可得到1个趋势项和4个IMF分量。趋势项表明南宁市历年年降水量呈现出明显的下降趋势;对IMF分量进行小波分析得到了年降水量序列分别具有4~6a、10~13a、25~29a的准周期特征。     

丹江口大坝强震测点布局方法与监测资料分析

大坝强震监测系统主要监测大坝附近及库区周边发生较强地震事件时,不同坝段在地震过程中的反应特性,分析地震事件对大坝结构所造成的影响。为全面监测丹江口水库大坝加高后,蓄水可能诱发的水库地震对大坝造成的影响,根据大坝的结构情况,介绍了丹江口大坝强震测点的布局依据、方法、规模及所采用的技术措施,并对监测资料的分析处理技术进行了重点阐述。