基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。     

改进的EEMD算法及其在多相流检测中的应用

针对低信噪比下EEMD法在分解过程中产生模态混叠导致滤波效果变差的问题,提出了一种改进的EEMD滤波方法.该方法首先设计最优带通滤波器,滤除信号中的脉冲干扰,再将滤波后的信号进行EEMD分解,然后采用SG滤波器对筛选的IMF再进行滤波,最后对滤波后IMF进行重构.最后将改进的EEMD法和EEMD法分别用于多相流测量信号滤波及含水率测量,结果表明,改进的EEMD法与EEMD法相比,信噪比提高了约2～3 dB,滤波效果更好;含水率平均测量精度提高了约3％,测量误差更小.     

基于小波阈值去噪和CEEMD的混合三端直流输电线路故障测距

针对行波法测距精度受波速、行波波头标定的精度以及噪声的影响,提出一种基于小波阈值去噪和CEEMD-HT结合的混合三端直流输电线路测距方法.首先利用小波阈值去噪对故障信号滤噪,然后对滤噪后的信号使用互补集合经验模态分解和希尔伯特变换标定初始波头的到达时间.再根据故障行波到达测量端时间比值识别故障支路.最后考虑到行波波速难...     

多模态感知驱动下高堆石坝施工仿真参数集成深度学习模型

现有施工仿真参数建模方法主要依靠单一模态数据,且现有多模态数据采集过程存在一定的滞后性,导致仿真的实时性和准确性不足。针对上述问题,本文提出了多模态感知驱动下高堆石坝施工仿真参数集成深度学习模型。首先,在SpringBoot框架下开发了基于移动智能手机传感器的运动学和声学数据实时采集云平台,并采用低通滤波器和梅尔频谱等方法实现堆石坝施工机械多模态数据的实时采集与预处理;其次,提出了用于自动提取多模态数据特征的堆石坝施工机械精细活动状态识别深度学习模型。该模型集成了改进深度卷积长短期记忆循环神经网络(Improved DeepConvLSTM,IDeepConvLSTM)与深度卷积神经网络的优势,前者可精确感知施工机械运动方向,后者可从声音模态中感知施工机械振动状态。其中,IDeepConvLSTM在卷积层中间加入批量归一化层以提高收敛速度,并采用梯度缩放和剪裁以避免梯度爆炸的问题;进一步地,在云平台中采用大窗口移动过滤器在线处理机械活动识别结果,实现堆石坝施工仿真参数的实时建模。工程案例表明,相比于单一的运动学或声学模态的机械活动识别方法,本研究所提方法的识别精度分别提高了9.22%和23.62%。研究成果为提高堆石坝施工仿真的准确性和实时性提供了新的思路和技术手段,具有一定的应用和推广价值。     

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

一种提高神经网络集成差异性的学习方法

集成学习已经成为机器学习的研究方向之一,它可以显著地提高分类器的泛化性能.本文分析了Bagging及AdaBoost集成方法,指出了这两种方法的缺陷;然后提出了一种新的基于神经网络的分类器集成方法DBNNE,该方法通过生成差异数据增加集成的差异性;另外,当生成一个分类器后,采用了测试方法确保分类器集成的正确率;最后针对十个标准数据集进行了实验研究,结果表明集成算法DBNNE在小规模数据集上优于Bagging及AdaBoost集成方法,而在较大数据集上也不逊色于这两种集成方法.     

高压直流输电线路单端故障测距组合算法

行波波速的选取和反射波头的识别是影响单端行波测距精度和可靠性的主要因素。基于故障行波的时频域特征,提出一种行波法和固有频率法相结合的单端故障测距算法。利用行波固有频率计算出故障点位置的粗略值,确定故障反射波达到母线测点的时间范围。利用集成经验模态分解算法提取的行波高频分量,对反射波头进行有效识别并获取测距所需的精确时间参数,同时将该高频分量对应的行波波速利用到行波测距中,解决了波速选取的难题。PSCAD仿真结果表明,该测距算法可有效识别行波波头,且测距的精度得到明显提高。     

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高.     

基于集成 PU 学习数据流分类的入侵检测方法

入侵检测问题可以模型化为数据流分类问题,传统的数据流分类算法需要标注大量的训练样本,代价昂贵,降低了相关算法的实用性。在PU学习算法中,仅需标注部分正例样本就可以构造分类器。对此本文提出一种动态的集成PU学习数据流分类的入侵检测方法,只需要人工标注少量的正例样本,就可以构造数据流分类器。在人工数据集和真实数据集上的实验表明,该方法具有较好的分类性能,在处理偏斜数据流上优于三种PU 学习分类方法,并具有较高的入侵检测率。