基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于Kmeans-EMD与IWOA-Elman的碾压速度异常值检测与修正

碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明：Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。     

基于混合编程和结合特征提取方法的转辙机故障诊断系统开发

针对基于EMD、WPT的特征提取方法各自存在的问题,采用将EMD与WPT结合的信号分解方法用于包络特征的提取,保证信号的分解不仅具有较高的分辨率,并且能够避免虚假IMF分量带来的错误信息。在包络特征的提取及结合之后,采用了基于PCA的特征选择方法对缺陷信号的特征数据集进行最有效特征的分类识别。根据以上特征提取及识别方法,使用Matlab以及Labview的混合编程进行了面向S700K-C型电动转辙机的故障诊断系统操作,并通过应用试验证明了该系统能够准确、快速地提取出故障信号。     

GPS变形监测信号提取在矿山测量中的应用

介绍基本的GPS变形监测信号模型,并探讨GPS在矿区变形监测中存在的主要问题。针对GPS变形监测噪声信号提取问题,提出Kalman-EMD方法获取有效变形信息,并通过模拟和内蒙古伊泰矿区实际观测数据对该算法的有效性和准确性进行了验证。实验结果表明：利用该算法,GPS变形监测结果可以达到水准仪监测水平。     

A dynamic meta-learning rate-based model for gold market forecasting

In this paper, an improved EMD meta-learning rate-based model for gold price forecasting is proposed. First, we adopt the EMD method to divide the time series data into different subsets. Second, a back-propagation neural network model (BPNN) is used to function as the prediction model in our system. We update the online learning rate of BPNN instantly as well as the weight matrix. Finally, a rating method is used to identify the most suitable BPNN model for further prediction. The experiment results show that our system has a good forecasting performance.     

基于分形维数的PMSM局部退磁故障诊断

为了实现永磁同步电机(PMSM)永磁体局部退磁故障诊断,首先建立计及永磁体局部退磁故障的PMSM数学模型,实现永磁体局部退磁故障电气特性的定性与定量描述。在此基础上,提出了集成自适应基波提取和经验模态分解(EMD)于一体,基于分形维数的永磁体局部退磁故障诊断方法。最后,通过PMSM驱动系统稳态和动态运行工况对所提出的永磁体局部退磁故障诊断方法进行仿真测试和实验验证,综合系统仿真和实验验证结果证实了该方法的可行性和有效性。     

超声信号的改进EMD阈值方法降噪研究

在进行工业超声无损检测的过程中,由于环境、仪器等原因产生噪声,对后续缺陷分析等工作形成一定干扰,不利于完成后期数据分析。因此为了使信号的信噪比有所提高,提出了一种改进的经验模态分解阈值降噪算法。同时对比小波软阈值降噪法与经验模态分解清除重复间隔阈值的方法,在MATLAB仿真软件中建立超声回波数学模型并进行算法验证。实验结果表明,经验模态分解降噪方法优于小波阈值降噪,改进后的经验模态分解阈值降噪方法在信噪比、均方误差、光滑度3个方面均有所提高,达到了较好的降噪效果。     

基于EMD-小波包的随钻测量信号去噪方法

为了降低随钻测量过程中噪声对信号的影响,针对经验模态分解(EMD)去噪方法粗糙和小波包去噪方法缺乏自适应的问题,提出了一种基于EMD-小波包的随钻测量信号去噪方法。利用EMD分解自适应的特点将随钻测量信号分解成几个IMF分量;根据信号自相关函数的特性找出主要含噪的IMF分量,再利用小波包阈值去噪方法将含噪IMF分量中的噪声去除;将去噪后的IMF分量和剩余的分量重构,得到去噪后的随钻测量信号。为验证方法的有效性,进行了随钻测量实验并用该方法对采集的信号进行处理。结果表明该方法能够很好地去除随钻测量信号中噪声的干扰,提高信号的信噪比。     

基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。