基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

基于集合经验模态分解北疆降水多尺度变化特征

降水是中国西北干旱区水资源的重要组成部分,利用合理方法有效认识降水的区域变化规律对指导农业发展尤为重要。基于北疆42个气象站1961—2012年降水序列数据,从气候时间序列中提取气候信号中各个尺度的变化,对北疆过去52a来的降水进行多尺度分析,并对其空间差异进行了初步探讨。结果表明:过去52a北疆降水量存在明显的年际和年代尺度的变化,年际尺度的周期为5a和8a,年代尺度的周期为10a和30a。变化趋势上,降水量1985s之前呈减少趋势,在1985s之后呈增加趋势,且后期的增幅大于前期的减幅。突变分析表明北疆年降水量呈增加趋势。集合经验模态分解(EEMD)是一种适用于非线性、非平稳序列的信号分析方法,将EEMD应用于气候要素时间序列,可提取可靠真实的气候变化信号,同时,EEMD可以得到气候变化的固有时间尺度。     

基于集合经验模态分解的河南省夏玉米产量波动对大气环流的响应

[目的]探究河南省夏玉米产量波动对大气环流的响应,为区域粮食安全保障提供理论支撑。[方法]依托河南省17个市1988—2017年夏玉米产量数据及15种大尺度大气环流指数资料,评估研究区夏玉米产量的时空演变格局。[结果](1)基于主成分分析结果,河南省可以划分为4个呈现不同产量演变特征的子区域,分别为北部、东南部、西部、中部;(2)基于集合经验模态分解,研究区产量序列存在着准2.5～3.3,5～6,7.5～10 a的周期性振荡,且各分区2004年后产量的短期波动趋于缓和;(3)各分区产量的周期性振荡均与环流指数存在着显著的相关性;(4)基于前期环流指数与年份的线性模型对产量预报的平均相对误差为4.6%～9.3%;(5)河南省东南部和中部的产量波动对环流指数更为敏感,其中10,11月份较高的太平洋年代际振荡(PDO)是来年产量减少的关键前兆性信号。[结论]前期环流异常对研究区夏玉米产量波动有着重要的指示作用,它可以有效用于产量预报。     

基于集合经验模态分解算法的土壤肥力胁迫甄别与监测

土壤肥力是农作物生长所需的关键要素之一,其水平直接影响农作物的长势甚至产量,然而作物生长过程中受多种胁迫因素的综合影响。避免土壤肥力监测结果受到其他胁迫因素的干扰是土壤肥力精准监测的关键问题之一。该研究旨在分析利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域,以EEMD算法为基础,将分解后的本征模函数（Intrinsic Mode Function,IMF）分量按照年际、年间和年内的尺度进行合成,结合不同的时间尺度及胁迫特征剔除土壤水分胁迫、病虫害胁迫及重金属胁迫等因素,实现对土壤肥力胁迫的有效甄别提取。结合主成分分析相关方法,将有机质、全氮、有效磷以及速效钾4项养分指标转换为3个主成分,初步得到土壤肥力综合评价简易模型,后与分解结果进行拟合,构建并实现了土壤肥力综合水平的定量评价模型。结果表明：1）在年际、年间以及年内3组波动组分中,年际波动组分可以较好地反映研究区内土壤肥力胁迫作用对农作物长势的影响;2）利用最小二乘法对土壤养分指标测定数据进行线性拟合,拟合结果与原始数据的决定系数达到了0.857,能够较好地反映出原始数据的变化水平;3）最终土壤肥力水平评价模型评价结果与实测结果间的平均误差为11.82%,表明模型预测结果与实际情况契合程度高,模型反演结果能够较好地反映研究区的土壤肥力水平。该研究结合EEMD算法与统计学分析实现了土壤肥力胁迫的有效甄别及土壤肥力定量评价模型的构建,为遥感技术在土壤肥力研究领域的应用提供了参考。     

基于经验模态分解的中国粮食单产波动特征及影响因素

探索中国粮食单产的多尺度波动特征及其影响因素,进而有针对性地采取措施来稳定和提高粮食单产对保障中国粮食安全有重要意义。该文对1978-2012年中国粮食及其主要构成作物稻谷、小麦和玉米的单位面积产量,利用经验模态分解方法进行了多尺度波动分解,并分析了改革开放以来中国粮食单产波动的多尺度特征及其主要影响因素。结果表明:1)应用经验模态分解方法可以将1978年以来中国的粮食和三大作物的单产分解为1个趋势项和2个波动项,分别反应了科技、政策和气候对于中国粮食单产波动的影响。其中技术趋势为主导,2个尺度的波动都较小。2)粮食趋势单产年增长率从1997年前的2.28%下降到之后的0.69%,明显放缓。稻谷的趋势单产与粮食走势最为接近,但1997年以后几乎走平。玉米和小麦的趋势单产增速1997年后虽有所下降,但目前上升依然明显。3)中期波动项包括了3个完整的周期和1个进行中的周期,且与中国粮食政策的重大调整及其所产生的后效在时段上具有很好的一致性。总体看粮食生产领域政策的影响大于气候的影响,但不同作物对各种政策的响应也有所不同,土地、税收、补贴、奖励和保险政策的普惠性和同步性较价格政策更强。小麦的中期波动率明显大于其他作物,显示其对政策更加敏感。4)粮食单产的短期波动率为1.80%,其中玉米为3.38%,高于小麦(2.55%)和稻谷(1.06%),显示中国的粮食生产系统有较强的抵御气象灾害的能力,但玉米防灾能力不及稻谷和小麦。5)综合长期趋势和中短期波动来看,3大作物中稻谷最为稳产。稻谷的主要问题是1998年以后单产的趋势产量上升乏力,玉米的主要问题是短期波动较大,受气象灾害的影响大,而小麦的政策波动大于玉米和稻谷。当前中国的农业已经进入了新的发展阶段,农业政策的调整势在必行,该研究结果可为新阶段农业宏观调控政策的制定提供决策依据。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。     

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。     

基于集合经验模态分解与Elman神经网络的线椒株高预测

为提高温室环境控制系统的有效性,针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题,该文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种线椒株高生长量预测方法。以8819线椒为试验对象,分别对线椒株高及其环境因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明:应用EEMD-Elman神经网络建立线椒株高生长量预测模型,模型预测值与实测值的平均绝对误差为1.69 cm,相关决定系数为0.996,标准误为1.104,模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题,为温室环境控制系统的控制目标的优化提供有效参数。     

基于组合滤波的鱼油二十碳五烯酸含量近红外光谱检测

为了提高鱼油二十碳五烯酸(eicosapentaenoic acid,EPA)含量的测定精度,该研究将经验模态分解(empirical mode decomposition,EMD)和数学形态学滤波相结合的近红外光谱去噪方法应用于鱼油的一阶导数光谱预处理中,给出了方法的原理和步骤,评估了该方法的去噪效果。运用偏最小二乘回归(partial least squares regression,PLSR)建立了鱼油EPA近红外光谱的预测模型,用处理后的光谱计算了鱼油中EPA的含量,并与九点平滑和小波变换方法的处理结果进行了对比分析。结果表明:与传统的九点平滑处理结果相比,信噪比(signal to noise ratio,SNR)从14 d B左右提高到35 d B左右,原始信号与消噪信号之间的标准差由0.005 71降到0.002 26;预测集的决定系数由0.959 3提高到0.987 9,预测均方根误差(root mean square error,RMSE)由0.060 1降为0.031 2。证明了组合的EMD和数学形态学滤波方法在光谱处理过程中的可靠性,提高了鱼油EPA含量近红外光谱的定量分析精度。     

希尔伯特变换与小波去噪提高暂态电能质量扰动检测与定位精度

在噪声污染严重情况下实现暂态电能质量扰动准确定位非常困难,该文提出了一种将希尔伯特-黄变换与小波去噪相结合的新方法来解决这一难题。该方法首先利用希尔伯特移相处理信号,获得含噪声的扰动信号包络,再利用小波去噪方法去除噪声信号,从而获得可准确定位扰动起止时刻的扰动信号,并通过扰动定位算法实现扰动起止时刻定位。算例表明,该方法在噪声较高的情况下可替代提升小波方法实现准确定位,通过比较,这种先提取、后去噪的方法比先去噪、后提取的方法定位精度高、稳定性好,该研究可为电力系统故障诊断及暂态保护提供参考。