基于深度分解的非平稳非高斯过程多步预测

首先,综合运用小波包分解(wavelet packet decomposition,简称WPD)、样本熵、单位根检验法和变分模态分解(variational mode decomposition,简称VMD),提出利用混合深度分解(hybrid deep decomposition,简称HDD)对非平稳非高斯过程进行处理,降低实测风速风压复杂性,提升其可预测性;其次,根据Mercer定理构造了Morlet+Hermite(MH)线性组合核函数,使其具有局部多分辨性和全局泛化性的优点,采用粒子群算法(particle swarm optimization,简称PSO)对MH核进行参数优化,结合最小二乘支持向量机(least square support vector machine,简称LSSVM)建立HDD-MH-LSSVM多步预测模型;然后,将该模型与常用核函数构成的HDD-Poly-LSSVM,HDD-径向基函数(radial basis function,简称RBF)-LSSVM多步预测模型以及极限学习机(extreme learning machine,简称ELM)多步预测模型形成对比;最后,采用下击暴流风速和台风天大跨膜结构表面实测风压进行大步数多步预测验证。结果表明,HDD-MH-LSSVM预测算法预测精度高、稳定性好、通用性强。     

基于多种信号分解的台风风速多步预测

针对台风风速多步预测中用到的信号分解方法开展对比研究。首先,列举8种典型信号分解方法的特点;其次,基于不同信号分解方法建立经粒子群算法(particle swarm optimization,简称PSO)优化的最小二乘支持向量机(least squares support vector machine,简称LSSVM)预测模型;最后,采用某大跨桥梁主塔位置和沿海某高层建筑楼顶处的两组台风实测风速序列进行多步提前预测研究。对两组试验的预测结果进行分析,发现基于变分模态分解(variational mode decomposition,简称VMD)的PSO-LSSVM模型具有最佳预测效果。     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法。采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别。通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证。滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度。     

光纤陀螺温度漂移的多尺度集成建模研究

为了逼近光纤陀螺(FOG)温度漂移的复杂非线性关系,提出一种基于有界整体经验模态分解(BEEMD)和极限学习机(ELM)的多尺度集成建模方法(SE-BEEMD-ELM)。采用样本熵(SE)分析BEEMD分解得到的本征模态函数(IMF)序列,根据SE值变化趋势和大小得到漂移数据的多个尺度分量。分别以温度梯度变化和单一尺度分量训练ELM子模型,累加生成的多个子模型得到FOG温度漂移的集成模型。实验结果表明,基于SE-BEEMD-ELM的多尺度集成建模方法,建模精度较基于BEEMD-BP以及BEEMD-ELM的单一模型提高2个量级。     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

基于现场实测的大跨度膜结构风场特性分析

基于实测数据,对强风作用下某大跨度膜结构进行了近地风场特性、风压特性与非高斯特性分析。该工程对大跨度膜结构进行了多点(21点)同步风压实测,同时进行同步风速风向实测。依靠这些数据得到了平均风速、平均风向、纵向、横向脉动风速、阵风因子、湍流度、风压系数、风压相关性、概率密度分布、高阶特征统计量及功率谱密度等参数。实测数据分析表明:在强风作用下大跨度膜结构膜边缘处的风压呈现出明显非高斯特性,且为峰度值大于3的超高斯随机过程;膜边缘测点上下风压呈负相关;该实测风压中低频成分幅值较大,同时,膜结构各位置所受风荷载连续冲击所隔的时间间隔相似。     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

AVMD-KELM方法在水闸结构振动趋势预测中的应用

采用自适应的变分模态分解(adaptive variational modal decomposition,简称AVMD)与核极限学习机(kernel extreme learning machine,简称KELM)联合的方法对水闸在泄流过程中的监测信号进行振动预测分析,用以辅助决策和及时预警。首先,基于互信息准则确定AVMD的分解模态数,克服变分模态分解(variatronal modal decomposition,简称VMD)盲目选取分解参数的缺点,利用AVMD把水闸振动信号分解成K个固态模量(intrinsic mode function,简称IMF);其次,通过KELM对各IMF分量分别进行预测;最后,将各测点对应的IMFs预测结果相加作为最终的预测值。结合某水闸在自由泄流工况下的振动数据,分别采用AVMD-KELM和KELM模型、支持向量机(support vector machine,简称SVM)模型对其振动趋势进行预测,并将预测结果进行对比分析。结果表明,AVMD-KELM模型得到的预测结果与实测值更加接近,计算速度更快,精度更高,且误差较小,该方法可有效预测水闸结构的振动趋势。     

基于VMD和改进多尺度熵的往复压缩机气阀故障诊断方法

针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。     

基于EMD和BCS的振动信号数据修复方法

为改善振动信号修复效果,引入贝叶斯压缩感知(BCS)理论,并提出一种基于经验模态分解(EMD)的贝叶斯压缩感知修复方法,以解决连续缺失信号修复问题。针对随机缺失信号,根据压缩感知修复原理,利用贝叶斯压缩感知算法进行修复;针对连续缺失信号,先对其进行经验模态分解,对分解得到的所有基本模式分量利用多任务贝叶斯压缩感知算法进行修复,最终将所有修复的基本模式分量累加得到整体信号。利用西储大学公开轴承数据进行修复实验,发现所提方法在时频域指标、误差、信噪比、峰值信噪比等方面均优于正交匹配追踪和正则化正交匹配追踪算法。从修复效果角度验证,发现该方法成功还原了外圈故障信号基本模式分量中的故障特征频率,达到了修复的目的。     

改进的多变量极限学习机在滚动轴承故障预测中的应用

传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤。针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计。本文以双馈异步风机齿轮箱高速轴轴承作为研究对象,研究了其在变转速变负载工况下的外圈故障特性。通过对比振动信号的频域特征参数与小波包分解能量特征结果,证明变工况运行条件下变分模态分解与瑞利熵相结合的故障诊断方法能够有效地辨识故障轴承。     

A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering

Based on Multi-Masking Empirical Mode Decomposition(MMEMD) and fuzzy c-means(FCM) clustering, a new method of wind turbine bearing fault diagnosis FCM-MMEMD is proposed, which can determine the fault accurately and timely. First, FCM clustering is employed to classify the data into di erent clusters, which helps to estimate whether there is a fault and how many fault types there are. If fault signals exist, the fault vibration signals are then demodulated and decomposed into di erent frequency bands by MMEMD in order to be analyzed further. In order to overcome the mode mixing defect of empirical mode decomposition(EMD), a novel method called MMEMD is proposed. It is an improvement to masking empirical mode decomposition(MEMD). By adding multi-masking signals to the signals to be decomposed in di erent levels, it can restrain low-frequency components from mixing in highfrequency components e ectively in the sifting process and then suppress the mode mixing. It has the advantages of easy implementation and strong ability of suppressing modal mixing. The fault type is determined by Hilbert envelope finally. The results of simulation signal decomposition showed the high performance of MMEMD. Experiments of bearing fault diagnosis in wind turbine bearing fault diagnosis proved the validity and high accuracy of the new method.     

K-OPLS方法在化工软测量建模中的应用

针对强非线性复杂化工过程的软测量建模问题,提出了一种基于核隐变量正交投影(K-OPLS)的建模方法。隐变量正交投影(O-PLS)是一种通用的线性多变量数据建模方法,它可以消除与响应变量(输出)正交的描述变量(输入)的总体变化。在O-PLS模型框架下, K-OPLS方法利用"核技巧"将描述变量映射到高维特征空间,计算模型中的预测成分和响应-正交成分。因此, K-OPLS方法通过给出描述与响应变量之间的非线性关系,在一定程度上提高了模型的性能,增强了模型的可解释性。为了验证K-OPLS方法的有效性,将其分别应用于脱丁烷塔基丁烷(C4)组分含量估计、工业流化催化裂化装置(FCCU)关键产品产量预测、硫回收装置(SRU)中H_2S和SO_2浓度预测的软测量建模实例中。实验结果表明,在相同条件下,与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、主元分析-支持向量机(PCA-SVM)、极限学习机(ELM)、核极限学习机(KELM)和PCA-KELM方法相比较, K-OPLS方法具有更好的建模精度和模型泛化能力。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。