基于优化VMD组合降噪和LMD的水轮机空化声发射信号特征提取

针对水轮机空化声发射信号存在噪声,进而影响信号特征有效提取的问题,提出基于优化变分模态分解(VMD)与Birge-Massart策略组合降噪和局部均值分解( LMD)的水轮机空化声发射信号特征提取方法.针对VMD算法中惩罚因子和分解模态数对分解结果有着显著影响,提出以散布熵差异相关系数最小值为目标函数,利用哈里斯鹰优化算法(HHO)对VMD进行参数寻优.以最优参数的VMD分解信号,得到一系列本征模态函数(IMF).计算各IMF的相关系数,对相关系数小于0.1的IMF进行剔除,大于0.5的IMF进行保留,0.1到0.5的IMF采用小波BM准则进行降噪,并与保留的分量重构.对重构信号进行LMD处理,将分解得到的乘积函数(PF)分量的能量提取为信号特征.试验分析结果表明,经过优化VMD组合降噪处理和LMD处理得到PF分量的能量与空化系数之间呈负相关,验证了所提方法用于水轮机空化状态识别的可行性.     

EMD在路面不平度信号趋势项中的应用

为准确计算路面不平度功率谱估计,需要提取信号中的趋势项。提出一种基于相关系数矩阵判断准则的经验模态分解去除趋势项的方法。利用经验模态分解(Empirical Mode Decomposition,简称EMD)将信号分解为一系列固有模态分量及余项,通过分析余项和趋势项的差别,依据相关系数矩阵判断某一固有模态分量是否属于趋势项。仿真信号和实测路面不平度信号处理结果证明,基于相关系数矩阵判断准则的经验模态分解去除趋势项方法具有更高的精度和可靠性。     

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法（SSA）优化变分模态分解（VMD）和长短时记忆神经网络（LSTM）的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合[K,α]将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解（EEMD）和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。     

基于DE-SVM的穴盘苗自动取苗机构故障诊断方法

为解决穴盘苗取苗机构早期机械故障识别困难的问题,提高故障诊断的准确率,提出一种基于DE-SVM的穴盘自动苗取苗机构故障诊断方法。首先,采用经验模态分解(Empirical Mode Decomposition, EMD)、变分模态分解(Variational Mode Decomposition, VMD)等预处理方法挖掘潜藏在取苗机构原始振动信号中的故障信息;其次,分别从原始振动信号和预处理信号中提取时域统计特征,再运用距离评估(Distance Evaluation, DE)技术获得表征取苗机构故障的敏感时域统计特征,构建特征向量序列;最后,结合支持向量机(Support Vector Machine, SVM)分类算法对取苗机构运行状况进行识别。室内试验结果表明：此方法可有效区分取苗机构滑道故障、凸轮故障、弹簧故障和正常状况等4种工况,具有运算复杂度低、识别准确率高的优点,可为自动移栽取苗机构工况监测提供一种参考。     

基于VMD-LSSVM的月径流预测方法研究

针对月径流序列包含多种复杂频率信息的特性,为提高预测精度,对上静游站、汾河水库站、寨上站和兰村站1958-2000年月径流序列资料进行分析并预测。提出变模态分解(Variational Mode Decomposition,VMD)和最小二乘支持向量机(Least-Square Support Vector Machines,LSSVM)(VMD-LSSVM)组合模型,并与单一LSSVM模型、基于经验模态分解(Empirical Mode Decomposition,EMD)的EMD-LSSVM组合模型和基于完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)的CEEMDAN-LSSVM组合模型进行预测结果对比,采用纳什效率系数NS、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE 4个误差指标评定各模型的预测精度。结果表明:组合模型较单一模型预测效果好,其中以VMD-LSSVM模型精度最高,2个站点精度达到甲级,MAE、MAPE和RMSE比CEEMDAN-LSSVM分别减少了50%～75%、40%～70%、40%～70%,比EMD-LSSVM分别减少了70%～80%、60%～85%、50%～80%,比LSSVM分别减少了80%～90%、75%～90%、50%～90%。因此VMD-LSSVM模型能适用于复杂的多频月径流预测,并能达到较高精度。     

基于深度学习的双阶段大坝变形预测模型

为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和奇异谱分析（Singular Spectrum Analysis,SSA）的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。     

基于EDM-VKF的转子时变复杂信号时频表示方法

轴轨道的时频表示已被证明是分析非平稳振动信号的有效工具，但是传统时频表示方法分辨率较低，不易区分分布较近的特征频率。为解决该问题，提出转子时变复杂信号时频表示方法，首先运用基于经验模态分解的多尺度小波阈值降噪算法处理原始信号，得到降噪后的转子振动信号；其次针对信号时频谱图，引入欧几里得距离重构时频矩阵，不但提高信号的时频聚集性，而且使时频矩阵具有更好的极值点连贯性避免极值点偏移，进而更准确地检出时频脊线并估计信号基频分量瞬时频率值；最后采用Vold-Kalman滤波器在时域信号中分离基频和其谐波分量，并计算谐波分量的瞬时全谱参数，构建转子信号的高分辨率时频表示。通过对转子系统模拟仿真信号和转子不对中信号分析，验证了该方法的有效性。     

基于ESN延拓与HMM修正的端点效应处理及其应用

近来年,经验模态分解(Empirical Mode Decomposition, EMD)以其优异的自适应性获得广泛关注,但端点效应影响了信号分解的性能并使结果失真。针对现有的抑制算法受限于延拓准确性或运算效率,难以快速给原序列添加更符合内部信息和端点特征的极值点的问题,提出了基于回声状态网络(Echo State Network, ESN)延拓与隐马尔科夫模型(Hidden Markov Model, HMM)修正的端点效应处理方法(ESN-HMM)。首先借用复杂度较小、训练简单且准确性较高的ESN网络对原序列进行初步预测,然后通过经典的统计方法HMM对误差序列进行建模和估计,最后将初步预测值与估计误差相结合得到校正后的延拓序列。仿真和实验结果表明,经过ESN-HMM处理的EMD方法能够有效提取出信号幅值和频率的时变特征,为旋转机械的信号处理和故障诊断提供了前提条件。     

基于边界修正和二次分解的改进月降水LSTM预测方法

基于深度学习的降水预测是近年来水文研究的热点。月降水数据为典型的小样本数据，无法满足深度学习对大数据量的需求。为此，融合信号分解和边界修正的思想，提出一种改进的月降水长短期记忆网络（LSTM）预测方法。首先，针对序列分解的“端点效应”，采用波形特征匹配延拓法扩展原始序列边界。然后，利用极点对称模态分解（ESMD）和变分模态分解（VMD）对原始序列进行二次分解。ESMD提取月降水序列不同尺度信息，得到频率依次降低的几个模态分量及一个残余分量；切除各子序列中对内部数据“污染”最严重的扩展部分后，VMD进一步对高频分量进行平稳化处理。最后，对各子序列分别运用LSTM预测，预测结果重构后得到最终预测结果。选取湖北省巴东县的月降水量作为实例验证。通过模型对比分析，结果表明：相较于传统的单一SVM和LSTM模型，组合了信号分解算法的预测模型在月降水预测中更具优越性；将边界修正的方法融入到采用ESMD算法的组合模型，提高了整体模型的预测精度；高频分量的预测效果是决定组合模型预测精度高低的关键因素；提出的方法不但在选取的评价指标上均表现最佳，而且对数据极值点的拟合效果提升显著。特别地，即使面对小样本数...     

基于VMD-GRU的大型灌区干旱预测模型研究

灌区干旱灾害的频繁发生严重制约了当地经济的发展，为了实现灌区内水资源的合理调配和利用，需对灌区未来的干旱情况进行有效预测，从而有针对性的采取预防措施降低干旱事件所造成的影响。基于“先分解，后重构”的思想，将能够对非线性、非平稳时间序列进行预处理的变分模态分解VMD(Variational Mode Decomposition)与门控循环单元网络GRU(Gated Recurrent Unit)相结合，建立VMD-GRU干旱预测模型，针对赵口大型灌区4个气象站点1981-2017年的逐月降水数据构建标准化降水指数SPI时间序列并采用所建干旱预测模型和3个单一预测模型对SPI值进行预测，研究采用3个月的时间尺度计算标准化降水指数SPI进行干旱事件识别和等级划分。结果表明：4个气象站点VMD-GRU干旱预测模型SPI值预测结果的平均相对误差在18.7%～20.6%之间，预测误差较为稳定。VMD-GRU干旱预测模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为4种模型中最小，不同气象站点的3个评价指标值均分别接近，所建模型不存在过拟合或者欠拟合问题。利用游程理论识别干旱历时和干旱...     

基于VMD-SWT的降噪方法在转子振动信号中的应用

为提高水电机组转子故障振动信号降噪后的信噪比,获得更好的降噪效果,提出一种基于样本熵的变分模态分解和小波软阈值相结合的降噪方法,通过对转子试验台所产生的正常、转子不对中、不平衡和碰磨4种工况下的转子垂直振动信号进行变分模态分解、计算内禀模态函数的样本熵、用小波软阈值对样本熵较高的分量信号进行降噪处理、信噪比分析,发现与...     

灰狼算法优化VMD与SVM的滚动轴承故障诊断

针对VMD模态分量K和惩罚因子α选取不当导致分解度较低以及SVM超参数设置较差导致故障诊断准确率低下的问题,提出一种基于GWO-VMD和GWO-SVM的滚动轴承故障诊断的方法。首先利用GWO对VMD进行寻优得到一系列固有模态分量（IMFs）,分析并提取最优模态分量子集的中心频率以及能量构建故障诊断特征集,将提取的特征集输入SVM中进行分类,采用GWO对SVM惩罚因子C和核函数g进行优化。实验结果表明,GWO有较大的寻优能量,通过VMD分解后得到高质量分量,并且GWO应用于SVM时仅需1.028s便能达到最佳适应度值,且分类准确率可达99.78%。     

基于VMD-MSE的玉米铜污染信息提取与预测模型

重金属污染会引起作物光谱畸变,本文通过挖掘光谱信息中微弱的畸变信息诊断玉米受污染程度。将变分模态分解(VMD)运用到高光谱弱信息探测中,并结合多尺度熵(MSE)构建VMD-MSE光谱弱信息探测模型,同时利用模型值VM进行Cu2+含量回归分析与建模。结果表明:对原始光谱数据进行3次VMD分解后,可有效提取光谱奇异特征;计算VMD结果的MSE值,可获取5个尺度的模型值。各尺度模型值VM与玉米叶片中Cu2+含量呈现显著负相关,其中第一尺度模型值(VM1)与叶片中Cu2+相关性最好。对各尺度VM构建的Cu2+含量预测模型应用结果进行比较,证明VM1线性回归模型预测效果最优。表明VMD-MSE模型可为作物污染信息提取、污染诊断及Cu2+含量预测提供思路与方法。     

一种基于时频分析的关门声品质客观评价参数研究

乘用车关门声品质是重要的用户感知项和产品开发指标,是用户衡量车辆档次和质量的重要依据。为了使关门声品质的客观评价指标更准确地反映用户主观评价结果,提出一种基于时频特性的关门声品质客观评价指标,对23辆不同细分市场的车辆进行了关门声的客观测试和主观评价结果的相关性研究。首先对采集的关门声信号进行声学参数分析,获得常用的声学参数,如响度、尖锐度和A计权声压级最大值。然后基于EMD分解(Empirical Mode Decomposition经验模态分解)、WVD变换(Wigner-Ville魏格纳-威尔变换)和Bark尺度计权的时频处理方法计算新的声品质评价参数SQ-EMDWVD。最后将所得到的常用声学参数以及客观评价参数SQ-EMDWVD与主观评价结果进行相关性分析。结果表明,声品质评价参数SQ-EMDWVD与主观评价结果具有更好的相关性,其幅值的大小可以表征关门声品质的优劣。     

混合特征量提取与FCM聚类在轴承故障模式识别中的应用

信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于EMD和Teager能量的滚动轴承故障诊断

对滚动轴承故障信号进行Teager能量谱分析是一种有效的方法,但是Teager能量算子使用对象为单分量信号.根据EMD （Empirical Mode Decomposition）能够自适应地把信号分解成单分量调制信号IMF（Intrinsic Mode Function）的特点,提出了一种基于EMD和Teager能量的故障诊断方法.通过对EMD分解出的与原信号互相关系数最大的分量作Teager能量谱分析进行诊断.分析了滚动轴承故障实验信号,并与信号的直接Teager 能量谱作了比较,验证了该方法的有效性.     

基于EEMD与EMD的降雨序列多时间尺度对比分析

针对水文时间序列多时间尺度分析问题，分别应用经验模态分解(EMD)与总体经验模态分解(EEMD)方法进行对比研究。论文首先将EMD与EEMD进行测试函数仿真对比分析，结果表明EEMD较EMD能较好的解决模态混叠现象。将其应用于湖北省降雨序列演变特性分析，并引入基于LSSVM信号延拓方法以消除水文序列的端点效应，结合小波分析结果对比验证表明，EEMD作为一种新的信号处理方法，较EMD能更精确地获取降雨时序的多时间尺度特性，可为水文时间序列演变规律分析提供依据。     

基于经验模态分解和S变换的缺陷超声回波检测方法

为对金属材料超声无损探伤中的微小缺陷回波进行检测,建立了金属材料背散射信号模型,讨论了调幅回波模型的中心频率估计的无偏性,并提出基于经验模态分解(EMD)和S变换的缺陷回波检测方法。首先对原始信号作EMD,通过时间尺度滤波重构信号,实现初步去噪;为抑制EMD去噪后信号的信噪混叠现象,执行基于S变换和最大类间方差法的去噪算法,进行二次去噪,得到信噪比较高但缺陷回波幅值衰减较大的信号。最后采用二次S变换修正二次去噪中因S变换导致的缺陷回波幅值降低量。对仿真信号和实际棒材检测信号的处理结果证明了该方法在去除噪声和缺陷回波检测方面的有效性。     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。