基于外界影响及时序因素的PM2.5预测研究

随着雾霾问题逐渐加重,对其主成分之一PM2.5的预测已成为广泛关注的问题.PM2.5日浓度变化受多种因素影响,且具有非线性、时变性的特征,难以被准确预测.针对此问题,文中提出一种基于外界影响及时序因素的PM2.5日浓度预测方法.该方法分离出PM2.5日浓度的外界主要影响因素与时间因素,建立了基于外界主要影响因素的BP神...     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于阶比分析和EEMD的轴承故障诊断

针对轴承故障诊断中轴的转速变化影响振动信号提取的特点,将阶比分析法与总体平均经验模式分解方法相结合,提出一种研究轴承非平稳振动信号的故障诊断方法。对轴承的振动信号按传统的方法在时域上进行采样,通过计算阶比跟踪将其转化为角域上的准平稳信号,对上述角域信号进行总体平均经验模态分解得出包含故障信息的模态函数分量,并对该分量进行频谱分析。应用结果表明:该方法能够有效地提取出轴承的故障特征。     

基于EEMD的提升机天轮轴承故障诊断方法

提出了一种基于EEMD的提升机天轮轴承故障诊断方法,该方法可以有效抑制经验模态分解过程中出现的模态混叠现象,从而提高轴承故障诊断的准确性。该方法的实现过程为：通过时域参数确定天轮轴承是否出现故障,如果出现故障,应用EEMD方法对故障信号进行处理,进而得到能够提取故障频率的Hilbert谱和边际谱,通过故障频率判断轴承故障发生的位置。通过实验验证了该方法的有效性,结果表明,该方法可以消除外界噪声和间歇性冲击的影响,准确提取轴承故障频率从而判断轴承故障的类型,为天轮轴承的检修维护提供依据,保证提升系统的运行安全。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法

近年来,受气候变化及人类活动的影响,使水文情势发生变化,导致频率计算中水文资料不再满足一致性的前提假设。为进行非一致性条件下的水文频率计算,提出基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法,首先应用去趋势预置白Mann-Kendall-Pettitt方法对水文序列进行一致性检验;其次应用EEMD方法对非一致水文序列进行修正;最后对修正的序列进行水文频率计算。统计试验和实例证明,TFPW-MK-Pettitt方法适用于我国水文序列的一致性检验;该方法运用于1956~2012年宜昌站径流序列,检验出有下降趋势;运用EEMD方法对该序列进行修正后,频率计算得出各设计值较未修正的设计值小10%左右。     

基于EEMD的鄱阳湖流域年降水量周期预测

气候变化影响下的降水量周期变化对于认识鄱阳湖枯水具有重要意义。采用EEMD方法分别将实测和模拟年降水量分解成不同频率的成分,然后采用FFT求得各IMF分量周期,以便对比未来和基准期的周期变化。结果表明,鄱阳湖流域1961～2001年的实测年降水量序列整体存在2.5～3.5、6.5～8.0年的周期,较大尺度的周期表现不显著;ASD统计降尺度模型对序列的周期特性模拟能力良好。未来情况下,主周期相对基准期整体呈增大趋势,中小尺度周期仅有微小差别,较大尺度周期普遍增大,鄱阳湖流域年降水量过程波动剧烈程度降低。     

EEMD在同时消除脉搏血氧检测中脉搏波信号高频噪声和基线漂移中的应用

人体血氧饱和度是基于脉搏波信号测量得到的,然而在脉搏波信号采集的过程中存在着由人体呼吸和仪器本身热噪声等带来的基线漂移和高频噪声,影响人体血氧饱和度的测量精度。因此,该文提出一种总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)与基于排列熵(Permutation Entropy, PE)的信号随机性检测相结合的方法,同时消除基线漂移和高频噪声。对脉搏波信号进行EEMD分解,计算分解到得到的内在模式分量的排列熵,选取阈值,分别判断并剔除代表高频噪声和基线漂移的内在模式分量。最后信号重构就得到同时消除高频噪声和基线漂移的脉搏波信号。通过自行研制的测量装置所采集的脉搏波信号进行实验验证,利用信号的频谱和交直流比R评价效果。结果表明:该方法有效地同时消除了脉搏波信号中的高频噪声和基线漂移,这将有利于人体血氧饱和度测量精度的提高。     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.