基于ICEEMDAN模糊熵与Bi-LSTM的工业设备健康状态预测

工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解（ICEEMDAN）和双向长短期记忆网络（Bi-LSTM）的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数（IMF）分量,通过计算相关系数选取最佳分量组进行信号重构,然后计算重构IMF分量的模糊熵值构造特征向量集合,最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明：相较于其他模型,基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法,能够有效提取音频信号特征,并准确进行健康状态预测。     

基于 ICEEMDAN-MSE 的左室舒张功能 障碍心音信号的识别研究

左室舒张功能障碍(LVDD)加重会导致左室重构、室壁僵硬、顺应性降低，从而走向不可逆阶段并进展为射血分数保留型心力衰竭。为早期诊断LVDD,本文提出一种基于改进的自适应噪声完全集合经验模式分解(ICEEMDAN)多尺度样本熵(MSE)的心音特征结合逻辑回归模型的无创检测方法。首先，采用改进的小波去噪方法对心音信号进行预处理。其次，通过ICEEMDAN方法将非平稳的心音信号分解为多个反映心音本体特征的平稳的固有模态函数(IMF),再利用互相关系数准则筛选IMF,并提取所筛选IMF的MSE,以构成特征向量作为分类器的输入。最后，通过与其他3种分类模型的性能比较，将逻辑回归应用于LVDD识别。结果表明，该方法能有效提取心音特征，其准确率为89.85%,灵敏度为92.17%,特异度为87.63%,证明了采用心音信号对LVDD进行早期诊断的有效性。     

融合两阶段分解与 iJaya-ELM 的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。 针对已有文献在风速预测问题中采用的单一分解 策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与 iJaya-ELM 的混合预测模型。 首先,对原 始风速序列进行 ICEEMDAN 分解,得到 12 个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异 谱分解滤去序列噪声;提出一种改进的 Jaya 算法 iJaya,利用 iJaya 算法获取极限学习机 ELM 的最优连接权值与阈值,最后将各 个分量的预测结果线性集成得到最终结果。 以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁 棒性与通用性。 实验结果表明,iJaya 算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模 型能够有效提升风速预测精度,平均绝对误差与均方误差分别为 0. 067 9 和 0. 134 5。     

基于ICEEMDAN的雷达生命信号检测方法

线性调频连续波（FMCW）雷达能够通过非接触的方式采集人体的呼吸和心跳信号,为了去除和减少生命信号中的杂波干扰,本文提出了基于改进的自适应集合经验模态分解（ICEEMDAN）和长数据序列截取的生命信号分解方法,通过延长观察时间,然后截取时间序列,得到既定观察时间的最终固有模态函数（IMF）分量,通过模糊熵对所有IMF信号进行分析来识别含噪信号,并对含有噪声的IMF信号进行去噪处理,综合分析相关性和能量阈值的结果,挑选出合适的IMF 分量重构生命信号。通过仿真和实测表明,所提出的方法能够大幅减少噪声,优于现有的去噪技术,有利于提高提取的呼吸和心跳信号的精准度和真实性。     

ICEEMDAN结合FastICA方法在转子系统降噪提纯中的应用

针对转子系统采集得到的非平稳信号中存在着较多噪声,导致分解原信号易出现模态混叠和虚假模态现象,使得降噪提纯效果不理想,特征量无法识别等问题,提出了一种将改进自适应噪声的完备集合经验模态分解(Improved Com-plete Ensemble EMD with Adaptive Noise,ICEEMDAN)和快速独...     

基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法

工业用户的负荷通常由多种负荷类型共同组成,结构较为复杂,并且常常含有较大的冲击性负荷.传统的负荷预测方法难以准确预测负荷突变,导致预测精度不高.将负荷分解成不同频率的分量再分别进行预测是较为可行的解决方式.提出了基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法.首先,采用ICEEMDAN算法将工业用户的...     

基于ＩＣＥＥＭＤＡＮ 和ＳＶＭ 的起伏振动气液两相流流型识别

针对起伏振动条件下气液两相流压差信号过于复杂难以识别的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与支持向量机（SVM）相结合的流型识别方法。采用ICEEMDAN对小波去噪后的压差信号进行模式分解,通过求取的各本征模态函数（IMF）与原始信号进行斯皮尔曼相关系数计算,选取相关系数较大的IMF分量进行希尔伯特变换,对变换后各IMF分量的瞬时幅度进行能量熵、奇异谱熵、功率谱熵的计算,构成特征向量,带入到支持向量机中进行流型识别。结果表明：该方法能够有效识别起伏振动状态下的泡状流、弹状流、搅混流、环状流,识别准确率可达95%。     

基于ICEEMDAN-GRNN神经网络的往复泵故障诊断方法研究

往复泵作为石油石化行业重要的输送设备,通过振动监测手段来保证系统的安全稳定运行具有重要的现实意义。如何对往复泵的非平稳和非线性信号提取特征并进行准确识别是诊断中的关键问题。针对往复泵故障特征的提取,提出了一种利用ICEEMDAN-GRNN神经网络相结合的诊断方法。首先利用ICEEMDAN对采集的原始信号进行分解得到若干个IMF分量,然后计算IMF分量的奇异谱熵并构造特征向量,再将特征向量输入到GRNN神经网络进行训练和模式识别。研究表明:该方法可以有效提取往复泵的故障特征并进行准确的模式识别。     

基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率预测

为了提高光伏发电功率预测精度，建立了基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率超短期组合预测模型。首先，根据Pearson相关性分析，确定光辐照度、环境温度以及湿度为光伏发电功率的关键气象影响因素，继而使用改进的自适应白噪声完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)对历史光伏功率和气象因素进行分解，降低其复杂度和随机波动性，并利用动态时间弯曲(Dynamic Time Warping, DTW)算法确定每个光伏功率子序列的输入特征向量。其次，对最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)在建模过程中的误差进行权重分配，得到加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine, WLSSVM),其解决了LSSVM模型鲁棒性低的缺陷。最后，通过改进黏菌算法(Improve Slime Moul...     

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度，本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先，通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次，建立MSGJO-LSTM预测模型，通过改进金豺优化算法（MSGJO）优化LSTM网络参数，对各模态分量进行预测。最后，通过对各模态分量预测结果进行误差修正（EC）并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例，采用本文所提预测模型进行仿真分析，试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。