针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自...针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。展开更多
华南前汛期降水量大,且常出现持续3天以上、甚至长达10天以上的持续性强降水事件(Persistent Heavy Rainfall Event,PHRE),给该地区带来严重的洪涝灾害,提升前汛期降水的延伸期(提前10~30天或2~6候)预报水平至关重要。重点论述华南降水...华南前汛期降水量大,且常出现持续3天以上、甚至长达10天以上的持续性强降水事件(Persistent Heavy Rainfall Event,PHRE),给该地区带来严重的洪涝灾害,提升前汛期降水的延伸期(提前10~30天或2~6候)预报水平至关重要。重点论述华南降水延伸期预报可预报性的来源,以及当前数值模式、动力-统计释用和机器学习在延伸期预报领域的应用情况,以期了解华南前汛期降水延伸期预报的主要进展。展开更多
本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境...本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。展开更多
文摘针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。
文摘华南前汛期降水量大,且常出现持续3天以上、甚至长达10天以上的持续性强降水事件(Persistent Heavy Rainfall Event,PHRE),给该地区带来严重的洪涝灾害,提升前汛期降水的延伸期(提前10~30天或2~6候)预报水平至关重要。重点论述华南降水延伸期预报可预报性的来源,以及当前数值模式、动力-统计释用和机器学习在延伸期预报领域的应用情况,以期了解华南前汛期降水延伸期预报的主要进展。
文摘本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。
