反褶积拓宽频率方法研究

反褶积技术是地震资料处理中最常规和最重要的手段之一,反褶积的主要目的是压缩地震子波,提高地震资料的分辨率,等同于在频率域拓宽地震资料的频带。另外反褶积还可以压制多次波,提高信噪比。预测反褶积是反褶积中比较常用的方法之一。首先介绍了预测反褶积技术的基本原理,通过模型试算验证了预测反褶积算法的有效性及正确性。并将编写的预测反褶积算法应用于实际地震数据,反褶积后频带拓宽了17Hz,高低频成分均得到了提升。     

采用温控和碘吸收池技术的发射激光稳频技术

多普勒测风激光雷达通过分析系统回波信号的多普勒频移反演出风速，为提高风场探测精度，从稳频技术方面展开研究。在稳频过程中，分别采取措施消除激光频率的长期漂移和短期抖动。针对激光频率的长期漂移，设计并研制了种子激光器温控箱，通过水浴的控温方式大大减小了激光频率的长期漂移，将激光频率稳定在±50 MHz以内；针对激光频率的短期抖动，采用以碘分子吸收池为核心器件的稳频系统，通过半导体控温方式对碘分子吸收池精确控温，控温精度达0.03 ℃，提高了稳频精度，将激光频率进一步稳定在±8 MHz以内，满足±10 MHz以内的设计精度要求。通过搭建多普勒测风激光雷达系统，对发射激光稳频装置进行系统验证，连续4组风场观测结果表明:系统探测高度为17 km，绝大部分方差在4 m/s以下，满足测风激光雷达测量指标的要求。     

具有良好时频性能的电力系统次同步振荡模态在线辨识算法

介绍了一种适用于电力系统次同步振荡在线监测的非平稳信号模态辨识算法,该算法综合了经典IIR窄带滤波器组算法及经验模态分解(empirical mode decomposition,EMD)算法的优点,利用次同步振荡分析获得的预知频率信息,对可能导致模态混叠的相邻模态做数字滤波器(Infinite Impulse Response,IIR)预处理,再经EMD获得无混叠的固有模态分量IMF1.该算法具有理想的窄带选频特性,且能够快速反映次同步振荡及机组扭振发生最初的时域过程,计算量很小,可用于现场在线提取SSO模态特征,有利于更好地实现对次同步振荡的稳定性判别及闭环控制、机组扭振保护等.最后,利用PSCAD产生的仿真数据及某电厂发生次同步振荡的现场数据验证了该算法的有效性.     

掘进机电控箱振动响应分析

在综合考虑电控箱、减振器以及支撑底板等因素的基础上,建立了电控箱减振系统力学模型,并分析了电控箱底板为简谐运动时电控箱的振动响应情况。结果表明,在不同频率的激振载荷作用下,电控箱各个端点的加速度响应均表现为竖直方向最大,说明电控箱在竖直方向的振动最严重,振动激励也最敏感。另外,电控箱水平方向离机架越远,振动响应也越大,且系统在71 Hz频率时电控箱与输入载荷之间达到共振。研究结果为电控箱的设计及减振提供理论指导。     

基于模态局部化的可调式压电驱动谐振质量传感器的设计

该文提出了一种基于模态局部化现象来检测外部质量扰动的可调式压电驱动谐振质量传感器,质量传感器的检测结构由两个不同长度的悬臂梁通过机械耦合梁连接。首先利用哈密顿原理对压电驱动下的非对称谐振元件进行理论建模,采用伽辽金方法求解,得到前两阶模态下的振动特性;理论求解所得固有频率与COMSOL仿真分析、实验数据基本一致。实验研究表明,无调谐质量的谐振器检测范围为2~10 mg,添加调谐质量后的谐振器检测范围提高至1~13 mg,质量检测的分辨率也得到优化。此外,对传感器的结构进行非线性分析研究发现,超谐振动下的谐振器检测灵敏度提升了80%,这为非线性谐振传感器的设计提供了基础。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

EMD算法发展及应用综述

经验模态分解算法在各个领域都有广泛的应用,在工业领域中,对机械设备故障的机理研究,有助于监测机械运行状态,在医学领域中,准确的检测出患者与正常人数据的差异有助于疾病的分析和诊断,由于经验模态分解算法在非线性非平稳信号分析中具有显著优势,多年来深受学者的关注。文章总结了经验模态分解算法近年来的发展改进及应用。