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。     

基于集合经验模式分解的汽油机爆震特征提取

爆震特征提取是汽油机点火闭环控制的前提和基础。基于集合经验模式分解(Ensemble empirical mode decomposition,EEMD),提出一种汽油机爆震特征提取方法。EEMD通过对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,有效地抑制经验模式分解(Empirical mode decomposition,EMD)的模式混叠问题。研究了利用EEMD和EMD两种方法分别从汽油机缸内压力信号和缸盖振动信号中提取爆震特征的可行性和有效性。试验结果表明,对于缸内压力信号,EEMD和EMD均能提取出爆震特征;对于缸盖振动信号,EEMD可以提取出爆震特征,而EMD则由于模式混叠的影响,无法提取爆震特征。     

基于切削声信号与优化SVM的刀具磨损状态监测

提出了一种利用切削声实现刀具磨损状态多特征监测的方法。根据经验模态分解与Hilbert变换理论,提取切削声信号的内禀模态能量与不同频段的Hilbert谱能量作为监测信号的备选特征。采用支持向量机作为分类器,针对备选特征的有效筛选问题,利用多种群遗传算法对分类器的输入特征进行了优化,剔除备选特征中的干扰特征,利用多种群遗传算法对分类器的模型参数进行了优化。利用优化后的分类器对测试样本进行分类,并与优化前的分类结果进行了对比。结果表明,优化后分类器的分类性能得到了明显提升,该方法可以对刀具磨损状态进行有效识别。     

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。     

基于局部梯度极值点的经验模式分解图像增强

为解决传统2 维经验模式分解获取图像细节能力不足的问题,提出一种基于局部梯度极值点的改进BEMD 图像增强方法。根据梯度对图像细节信息的强挖掘能力,基于像素点4 个2 维方向上的极值条件来寻找图像的局部 极值点,对图像进行经验模式分解并确定内蕴模式函数,结合大尺度梯度保留、小尺度梯度去除的思路,达到在图 像增强的同时又抑制噪声的目的。实验结果表明：与传统的图像增强算法相比,该方法具有更强的细节捕捉能力。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

Multivariate statistical process monitoring of batch‐to‐batch startups

In batch processes, multivariate statistical process monitoring (MSPM) plays an important role for ensuring process safety. However, despite many methods proposed, few of them can be applied to batch‐to‐batch startups. The reason is that, during the startup stage, process data are usually nonstationary and nonidentically distributed from batch to batch. In this article, the trajectory signal of each process variable is decomposed into a series of components corresponding to different frequencies, by adopting a nonparametric signal decomposition technique named ensemble empirical mode decomposition. Then, through instantaneous frequency calculation, these components can be divided into two groups. The first group reflects the long‐term trend between batches, which extracts the batch‐wise nonstationary drift information. The second group corresponds to the short‐term intrabatch variations. The variable trajectory signals reconstructed from the latter fulfills the requirements of conventional MSPM. The feasibility of the proposed method is illustrated using an injection molding process. © 2015 American Institute of Chemical Engineers AIChE J, 61: 3719–3727, 2015     

相协误差下线性模型回归系数的置信域(英文)

相协性在可靠性理论和统计领域中的一些重要模型中广泛出现.本文在平稳相协误差下研究了线性模型中回归系数的置信域的构造.在适当的条件下证明了回归系数的分组经验似然比统计量的渐近分布为卡方分布,并利用此结果构造了回归系数的经验似然置信域.     

修正阈值的经验模态分解去噪算法研究

针对传统的经验模态分解(EMD)降噪方法容易丢失高频部分有用信号的不足,提出了一种修正阈值的EMD去噪方法。通过考察每个IMF的平滑度来判断其中噪声强度并以此修正用传统方法求得的阈值,再用修正的阈值对IMF进行阈值处理,实现对每个IMF的降噪,进而实现信号去噪的目的。在Matlab构造的超声信号的模型中分别添加3种不同强度的噪声模拟实际的噪声干扰,并进行去噪实验,结果表明修正阈值的EMD去噪方法对不同噪声环境下超声信号均有理想的去噪效果。     

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。