不同段数爆破地震波的反应谱分析

为了研究段数对反应谱特性的影响,基于某石方控制爆破工程爆破振动实测数据,对不同段数爆破振动信号进行了反应谱分析。首先,利用实测的爆破振动速度信号采用直接微分法获得了加速度信号,并利用EEMD分解对加速度信号进行低通滤波去噪处理,获得了准确清晰的加速度曲线。然后,利用精确法求得了不同段数下爆破振动信号的速度反应谱和标准速度反应谱。分析结果表明:不同段数的爆破振动质点峰值速度与速度反应谱的峰值速度并不存在对应关系,因此分段数的选择应综合考虑结构对爆破振动的动态响应。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

基于EEMD和萤火虫算法优化SVM的溶解氧预测

养殖池塘中的溶解氧(DO)对水产品的生长和品质有着至关重要的作用。为了提高溶解氧预测的准确性和有效性,提出了一种基于集合经验模态分解(EEMD)和萤火虫算法(FA)优化支持向量机(SVM)的组合预测模型。首先,将DO时间序列通过集合经验模态分解为一组去除噪声的并相对稳定的子序列。接着,利用相空间重构(PSR)重建分解子序列,在相空间中用SVM对各子序列进行建模预测。然后,利用萤火虫算法对SVM的参数进行优化,建立基于SVM的预测模型,最后得到原始DO序列的预测值。为了获得未来24小时的预测结果,采用单点迭代法实现多步预测。仿真结果表明,所提出的EEMD-FA-SVM组合预测模型比FA-SVM、EEMD-FA-BP和EEMD-PSO-SVM等模型具有更好的预测效果,能够满足现代渔业养殖水质精细化管理的高需求。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于因散经验模式分解与最小二乘支持向量机的风电场短期风速预测

建立准确而高效的风速预测模型是指导电力系统规划及安全稳定运行的重要基础。对现有预测方法深入研究的基础上,研究基于因散经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)及最小二乘支持向量机(LS_SVM),建立了综合考虑温度和气压因素的短期风速预测模型。通过对两个地区历史风速数据的计算和分析,结果表明提出的预测模型具有预测精度高、适应性强等优点。     

基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。     

一种基于EEMD的新型谐波误差分析策略

针对电力系统中严重的谐波干扰问题,为提高其运行的安全有效性,去除谐波干扰并提高系统稳定性能成为研究热点。电网中常存在频率强烈波动或者白噪声强烈干扰的现象,虽说三谱线插值的FFT算法(基于Kaiser窗)的抗干扰能力很强,谐波参数估计也可以有较高的精准度,但是远不及使其与平均经验模态的总体水平来分解谐波的检测算法(EEMD)与直线度误差分析相结合。应用直线度误差来分析信号的谐波成分,有机结合了三谱线插值的FFT(基于Kaiser窗的)谐波检测分析法。通过对整体谐波分量的在线监测,不仅能够提高稳态信号的检测精度,还能提高系统的动态性能。本分析策略大限度地提高了计算精度以及系统稳定性。通过仿真分析得知,所述方法可以使系统具有较强的抑制频谱泄露能力,并能够显著降低栅栏效应的发生概率,进而使电力谐波信号的幅值误差、初相位误差和频率误差分别低于0.004 1%、0.002 4%和0.003 9%。     

基于MatLab的列车安全评估仿真平台

以高速列车行走部的运行状态为核心,通过计算机建立以数据管理,状态反演和安全预警为目的高速列车安全性态评估仿真平台。运用Simpack对高速列车的各种故障状态进行实时仿真,并通过Mat Lab对海量数据以小波熵和经验模态分解(EEMD能量距)的方法对高速列车运行过程的故障进行提取特征和分析,以基于向量基和LVQ神经网络的分离器对故障进行识别,从而完成对列车高速列车故障的反演和提前预警。实验表明,上述实验平台能准确地对列车故障状态进行识别,达到安全预警的目的。