基于EEMD和SVR的单自由度结构状态趋势预测

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。     

基于HHT的多自由度结构渐进损伤特征提取方法

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.     

采用EEMD和WPT的结构损伤特征提取方法

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.     

基于支持向量机的变压器故障诊断

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了支持向量机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样本进行预选取作为特征向量,输入到多分类支持向量机中进行训练,建立SVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

ATmega162在无位置传感器两相直流无刷电机控制等多种系统中的应用

主要介绍了ATmega162的特点,与其它AVR系列芯片进行了比较,研究了它与ATmega161的兼容性.开发了基于ATmega162的键盘-液晶显示器系统、无位置传感器两相直流无刷电机的控制以及基于异步串行通讯的数据采集发送系统等3个工程应用.     

基于经验小波变换的结构损伤特征提取

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。     

基于HHT的单自由度结构渐进损伤识别方法

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。     

基于VMD和DBN的结构健康状态趋势预测

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。     

融合 RMT 特征值的电网异常状态检测

随着电网规模的不断扩大,电网监测数据变得越来越多元化、高速化、海量化,使得电网监测工作变得更加复杂和艰巨。针对传统方法处理电网高维数据效率低、同步性差的问题,本文研究了一种利用随机矩阵理论(RMT)提取监测数据特征值实现电网异常状态的检测方法。首先,设计了电网内异常扰动类型,构建了一个矩阵窗口来选择时间序列内的监测信号,从而建立高维矩阵;其次,应用M-P定律和单环定律进行矩阵变换,提取特征值并根据特征值分布情况来判断系统状态;然后,基于特征值的线性统计,构建了多种评价指标,包括最大特征值(MESCM)、最小特征值(EME)、最大最小特征值之比(MME)和平均谱半径(mean spectral radius, MSR)等指标;最后,比较了每个统计指标在电网出现短路故障、开路故障以及故障清除时的表现,以实现电网状态识别、异常事件检测和电网稳定性评估。案例测试结果表明,这些指标可以准确判断系统是否发生异常、检测异常的起止时间,并评估电网的稳定性。本文方法可以检测开路、短路等扰动事件,实现全局监测数据的同步处理,其计算量较小、效率高,适用于大规模电网异常状态的检测。     

基于滑块自助法与长短时记忆网络的电力负荷区间预测研究

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...