排序方式: 共有10条查询结果,搜索用时 0 毫秒
1
1.
基于EEMD和SVR的单自由度结构状态趋势预测 总被引:2,自引:2,他引:0
为了解决结构早期损伤难以正确识别的问题,本文结合聚类经验模式分解(EEMD)解决随机不确定性问题和支持向量机(SVM)解决预测问题这两者的优势,提出了一种基于EEMD特征提取的支持向量机回归(SVR)结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD,再进行希尔伯特变换(HT),计算瞬时频率,然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明:对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。 相似文献
2.
为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法.首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布.该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征. 相似文献
3.
大型复杂工程结构的损伤实际上是一个渐进损伤的过程,为解决结构损伤识别中非平稳随机信号的时变性并有效地识别这个损伤过程,研究了基于Hilbert-Huang变换的结构渐进损伤特征提取方法.首先模拟产生了多自由度结构系统发生渐进损伤的加速度振动信号;然后对加速度振动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再选取若干个包含主要损伤信息的固有模式函数进行Hilbert变换,提取瞬时频率作为特征参数进行损伤特征提取.研究结果表明:HHT是一种有效的信号处理方法,通过提取瞬时频率,可以准确地提取结构渐进损伤的特征. 相似文献
4.
5.
6.
为了更好地提取结构损伤特征信息,提出了基于经验小波变换(EWT)和希尔伯特变换的振动信号分析方法。首先,用EWT对结构损伤加速度振动信号的频谱进行自适应分割,然后提取不同的调幅-调频(A M-AF)分量,最后对其进行希尔伯特变换,获取瞬时频率。仿真和工程实验结果表明:经验小波变换相对于经验模态分解(E MD)可以更好地提取信号的各个特征分量,为信号时频处理奠定基础,且分解的模态少,不存在虚假模态。同时,EWT与Hilbert的结合更进一步验证了该方法的有效性。 相似文献
7.
为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。 相似文献
8.
为了解决结构健康监测中非平稳随机信号的时变性并有效地监测损伤过程,研究了基于Hilbert-Huang变换的结构渐进损伤识别方法。首先,该方法模拟产生单自由度结构系统发生渐进损伤的加速度振动信号;然后对加速度振动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;最后再选取若干个包含主要损伤信息的固有模式函数进行Hilbert变换,提取瞬时频率作为特征参数进行损伤特征提取。研究结果表明,瞬时频率可以作为结构渐进损伤的特征参数,它对损伤较敏感;损伤前后,瞬时频率会发生明显的变化。 相似文献
9.
10.
针对电力负荷预测中点预测模型无法量化描述未来负荷不确定性的问题,提出一种基于滑块自助法与长短时记忆网络组合的区间预测方法。利用滑块自助法对历史数据进行重抽样获取具有时间连续性的样本数据,使用粒子群寻优方法优化长短时记忆网络模型进行点预测,最终对所有样本模型获得的点预测值进行大子样估计,实现区间预测。为验证方法的性能,在同等条件下将预测结果与其他算法对比。结果表明,区间预测的评价指标能更好说明预测模型的优劣,所提出的区间预测模型的预测结果在所有对比算法中表现最优。采用区间预测方法对未来负荷进行预测,可根据实际需要确定置信区间,减少了计算资源消耗并达到更优的预测效果,提高了灵活调度的能力。 相似文献
1