基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。     

基于三维荧光与BLLS/RBL同时检测蜂蜜中3种喹诺酮类抗生素

采用三维荧光光谱法实现对蜂蜜中的3种喹诺酮类抗生素(氟甲喹、恩诺沙星和左氧氟沙星)残留样本的数据测量,对所得光谱消除了二级瑞利散射和拉曼散射的干扰,采用小波优化集合经验模态分解(EEMD)的方法消除光谱噪声,完成了预处理过程。采用双线性最小二乘/残差双线性(BLLS/RBL)算法分别对预处理前后的样本进行定性、定量检测。结果表明:经预处理后可以准确地解析出样本中各组分光谱,且与原光谱有着极高的相似度。定量分析中,氟甲喹、恩诺沙星和左氧氟沙星的预测平均加标回收率RA分别为94.99%,100.20%,103.20%;均方根误差RMSE分别为4.03,0.21,0.29μg/L;灵敏度SL分别为3.2×10³,3.5×10⁴,3.3×10⁴μg/L;检测下限Lout分别为2.08,0.18,0.19μg/L;优于未经预处理的结果。     

改进EEMD算法在高压并联电抗器声信号去噪中的应用

高压并联电抗器运行过程中产生的声信号是准确判定电抗器运行状态的重要依据,在对电抗器声信号现场采集时易受到多种外界噪声的干扰,测量仪器无法有效进行预处理,导致对电抗器运行状态的评估发生误判。提出了一种基于多传感器融合及最小下限频率截止的改进集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)高压并联电抗器声信号去噪方法。首先,利用一致性数据融合算法对各声纹传感器进行关联和甄别,剔除失效传感器,确定有效传感器组。其次,选取有效传感器组中的最小下限频率作为固有模态函数(intrinsicmodefunction,IMF)的筛选截止条件并进行集合经验模态分解。然后利用相关系数法提取有效的IMF分量。最后对有效IMF分量叠加重构,得到去噪声信号。模拟实验和实测结果表明,该方法具有较好的去噪效果。通过与传统经验模态分解法(empiricalmodedecomposition,EMD)、标准EEMD去噪技术的比较,验证了该方法在实际应用过程中的有效性和实用性。     

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。     

基于EEMD模糊熵和PSO-KELM的NPC三电平逆变器故障诊断

功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要。针对中点钳位型（Neutral Point Clamped,NPC）三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）模糊熵和粒子群算法（Particle Swarm Optimization,PSO）优化的核函数极限学习机（Kernal Extreme Learning Machine,KELM）的故障诊断方法。首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果。经MATLAB平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。     

EEMD法在激光语音传输系统中的应用

为消除激光语音传输系统中激光器输出功率不稳定对探测信号的影响,提出了一种结合集合经验模态分解(EEMD)与相关系数的方法对信号进行处理.该方法将信号分解为不同的分量,算出不同分量和原信号间的相关系数,再设置固定判定阈值来区分真实信号和趋势项分量.该方法可以克服传统处理方法中存在的模态混叠和需要主观判断趋势分量的缺点,从而达到避免主观判断失误和准确提取趋势的目的.仿真及实验结果表明,使用该方法后再去噪效果优于直接去噪,此外该方法能有效去除激光器功率线性变化和频率小于15 Hz的正弦起伏变化导致的趋势.     

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。