辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不...辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不同周期的脉冲分量,进而限制了其在复合故障诊断中的应用。对此,提出了改进的辛周期模态分解(improved symplectic period mode decomposition, ISPMD)方法。该方法首先采用求差增强技术和最小噪声幅值反卷积相结合的方法对信号进行降噪,增强周期脉冲,以准确估计故障周期;然后构造对应的周期截断矩阵,并通过辛几何相似变换和周期冲击强度获得辛几何周期分量;最后对残差信号采用迭代分解,进而得到不同周期的辛几何周期分量。试验结果表明,ISPMD能准确提取出周期脉冲分量,是一种有效的滚动轴承复合故障诊断方法。展开更多
针对当前O_(3)和PM_(2.5)数据的高波动性和非线性特征,研究提出了一种融合模态分解的蜣螂优化算法与最小二乘支持向量机(Dung Beetle Optimization and Least-Squares Support Vector Machine,DBO-LSSVM)组合预测模型。该模型利用辛几...针对当前O_(3)和PM_(2.5)数据的高波动性和非线性特征,研究提出了一种融合模态分解的蜣螂优化算法与最小二乘支持向量机(Dung Beetle Optimization and Least-Squares Support Vector Machine,DBO-LSSVM)组合预测模型。该模型利用辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)提取数据的主要模态,从而提高特征提取的有效性。之后,利用皮尔逊相关性分析筛选出与O_(3)和PM_(2.5)相关性较强的气象特征及其模态用作输入特征,并输入到结合蜣螂优化算法(Dung Beetle Optimization,DBO)的最小二乘支持向量机(Least-Squares Support Vector Machine,LSSVM)混合模型进行预测,以对2020—2023年京津冀地区O_(3)和PM_(2.5)数据进行试验验证。结果显示,结合模态分解的DBO-LSSVM混合模型在预测精度和稳定性方面均优于未结合模态分解的DBO-LSSVM模型。与其他现有预测模型相比,DBO-LSSVM展现出更高的预测准确性和鲁棒性,为高质量的环境空气质量预测提供了一种有效的解决方案。展开更多
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不同周期的脉冲分量,进而限制了其在复合故障诊断中的应用。对此,提出了改进的辛周期模态分解(improved symplectic period mode decomposition, ISPMD)方法。该方法首先采用求差增强技术和最小噪声幅值反卷积相结合的方法对信号进行降噪,增强周期脉冲,以准确估计故障周期;然后构造对应的周期截断矩阵,并通过辛几何相似变换和周期冲击强度获得辛几何周期分量;最后对残差信号采用迭代分解,进而得到不同周期的辛几何周期分量。试验结果表明,ISPMD能准确提取出周期脉冲分量,是一种有效的滚动轴承复合故障诊断方法。
