基于SVMD与改进小波阈值的局部放电去噪方法 被引量：1

1

作者 王毅 王涛 +1 位作者 何家骏 陈权锋 《重庆邮电大学学报(自然科学版)》 北大核心 2025年第4期597-606,共10页

针对交联聚乙烯(cross linked polyethylene,XLPE)电缆局部放电信号噪声干扰问题,提出了一种结合连续变分模态分解(successive variational mode decomposition,SVMD)和改进小波阈值的局部放电信号去噪方法。利用SVMD将含噪信号分解为... 针对交联聚乙烯(cross linked polyethylene,XLPE)电缆局部放电信号噪声干扰问题,提出了一种结合连续变分模态分解(successive variational mode decomposition,SVMD)和改进小波阈值的局部放电信号去噪方法。利用SVMD将含噪信号分解为若干本征模态分量,实现对复杂信号的初步分离和提取;通过计算各模态的功率谱熵,识别并剔除周期窄带干扰分量;针对剩余分量采用改进小波阈值算法进一步去噪和重构,通过优化阈值函数增强去噪性能并减少信号损失。仿真和实测结果表明,所提方法均方根误差、噪声抑制比优于对比方法,可以更好地保留原始信号波形特征。 展开更多

关键词 局部放电 连续变分模态分解 小波阈值 去噪

在线阅读 下载PDF 职称材料

基于周期变异SOA-SVMD爆破振动信号降噪研究

2

作者 李洪超 沈成行 +4 位作者 石玉莲 黄国泉 张继 衣佳欣 王凯 《振动与冲击》 北大核心 2025年第21期172-181,共10页

针对爆破振动信号受环境噪声干扰严重的问题,提出一种基于周期变异海鸥优化算法(seagull optimization algorithm,SOA)逐次变分模态分解(successive variational modal decomposition,SVMD)参数的降噪方法。首先,引入周期变异策略改进SO... 针对爆破振动信号受环境噪声干扰严重的问题,提出一种基于周期变异海鸥优化算法(seagull optimization algorithm,SOA)逐次变分模态分解(successive variational modal decomposition,SVMD)参数的降噪方法。首先,引入周期变异策略改进SOA以克服局部最优缺陷,并用于优化SVMD的maxAlpha参数;其次,基于多尺度排列熵阈值筛选噪声分量,重构有效模态实现降噪。通过仿真信号试验对比经验模态分解、小波阈值法、集合经验模态分解-多尺度排列熵、鲸鱼优化算法-变分模态分解-多尺度排列熵及该研究的方法,以信噪比(signal-to-noise ratio,SNR)和均方根误差为评价指标。结果表明:周期变异SOA-SVMD的SNR(20.588)最高,均方根误差(0.160)最小,性能表现最佳。进一步以江西某地下矿山爆破振动实测信号验证,降噪后信号能量比为0.971,信偏比为12.020,均值曲率为356.480,波形平滑度显著提高。该研究的方法为复杂环境下爆破振动信号的特征提取提供了高精度解决方案。 展开更多

关键词 爆破振动信号 周期变异海鸥优化算法(SOA) 逐次变分模态分解(svmd) 多尺度排列熵 信号降噪

在线阅读 下载PDF 职称材料

基于SVMD-IDBO-KELM的短期光伏发电功率预测 被引量：1

3

作者 吴艳娟 荣旺 +1 位作者 郭玥 叶技松 《太阳能学报》 北大核心 2025年第6期271-279,共9页

为提升不同天气条件下短期光伏发电功率预测的准确性,提出一种基于逐次变分模态分解(SVMD)和改进蜣螂优化算法(IDBO)优化核极限学习机(KELM)的预测模型。首先,通过高斯混合模型将数据集划分成不同天气类型下的相似日样本;其次,通过SVMD... 为提升不同天气条件下短期光伏发电功率预测的准确性,提出一种基于逐次变分模态分解(SVMD)和改进蜣螂优化算法(IDBO)优化核极限学习机(KELM)的预测模型。首先,通过高斯混合模型将数据集划分成不同天气类型下的相似日样本;其次,通过SVMD将数据集进行模态分解,得到相对平稳的子序列来改善数据质量;之后,运用IDBO对KELM进行改进,构建IDBO-KELM预测模型,并对不同子序列进行预测;最后,通过重组各子序列的预测值得到最终的预测结果。实验结果表明:该方法在3种不同的天气类型下均可取得良好的预测结果,并且比其他模型的预测精度更高。 展开更多

关键词 光伏发电 预测分析 功率预测 核极限学习机 逐次变分模态分解 改进蜣螂优化算法

原文传递

基于SVMD-GRU-Attention-SVR的天然气负荷预测研究

4

作者 陈丹 邵必林 《河南科技学院学报(自然科学版)》 2025年第2期91-100,共10页

目的为克服传统时间序列预测方法在天然气负荷预测中存在的局限性,提出一种基于SVMD-GRU-Attention-SVR的天然气负荷组合预测模型.方法使用斯皮尔曼相关系数法对影响因素进行相关性分析,获取强相关特征.通过逐次变分模态分解(SVMD)将原... 目的为克服传统时间序列预测方法在天然气负荷预测中存在的局限性,提出一种基于SVMD-GRU-Attention-SVR的天然气负荷组合预测模型.方法使用斯皮尔曼相关系数法对影响因素进行相关性分析,获取强相关特征.通过逐次变分模态分解(SVMD)将原始负荷序列分解为若干个子信号分量,并将注意力机制引入门控循环神经网络(GRU),对各子分量分别进行预测,将预测结果叠加融合得到初步预测结果和预测误差,之后利用支持向量回归(SVR)模型对预测误差进行校正,获取最终负荷预测值.结果对比不同模型的预测结果,该组合预测模型的均方误差、平均绝对误差、均方根误差和决定系数分别为0.0025、0.0386、0.0496和0.9813,具有更高的预测精度.结论所提组合模型能够有效提高天然气负荷预测精度,可为天然气负荷预测研究提供理论支持,为天然气公司平稳供气提供决策依据. 展开更多

关键词 svmd 门控循环神经网络 注意力机制 SVR 负荷预测

在线阅读 下载PDF 职称材料

基于SVMD与广义互相关算法的直流配电网故障定位方法

5

作者 倪浪 王永永 《电力设备管理》 2025年第8期5-7,共3页

传统故障定位方法依赖于电流、电压监测和传统的信号处理技术,存在定位精度低、抗干扰性差、响应速度慢等缺点。近年来,基于SVMD(平稳变分模态分解)与广义互相关算法的故障定位方法逐渐显现出其在复杂环境中的优势,这两种算法通过信号... 传统故障定位方法依赖于电流、电压监测和传统的信号处理技术,存在定位精度低、抗干扰性差、响应速度慢等缺点。近年来,基于SVMD(平稳变分模态分解)与广义互相关算法的故障定位方法逐渐显现出其在复杂环境中的优势,这两种算法通过信号分解与时延分析,能有效提高故障定位的精度和鲁棒性,在高噪声、复杂网络环境下具有更为优异的定位能力。 展开更多

关键词 svmd 广义互相关算法 直流配电网 故障定位

在线阅读 下载PDF 职称材料

强噪声干扰下基于SVMD-FFCNN的深沟球轴承故障分类模型 被引量：3

6

作者 李友家 张忠伟 +2 位作者 焦宗豪 李新宇 秦贺 《机电工程》 北大核心 2025年第4期686-696,共11页

针对滚动轴承振动信号易受到外界噪声的干扰,导致故障特征信号微弱甚至被淹没,难以提取有效的故障特征的问题,提出了一种基于逐次变分模态分解与特征融合卷积神经网络(SVMD-FFCNN)的故障诊断方法。首先,利用SVMD对原始振动信号进行了模... 针对滚动轴承振动信号易受到外界噪声的干扰,导致故障特征信号微弱甚至被淹没,难以提取有效的故障特征的问题,提出了一种基于逐次变分模态分解与特征融合卷积神经网络(SVMD-FFCNN)的故障诊断方法。首先,利用SVMD对原始振动信号进行了模态分解,得到了固有模态函数(IMF)分量,并计算了皮尔森相关系数,筛选出相关程度大的分量,对信号进行了重构,完成了信号的降噪工作,并以降噪后的信号作为输入数据;然后,搭建了特征融合卷积神经网络模型(FFCNN),对卷积神经网络(CNN)提取到的浅层特征以及利用不同映射方法获取的深层特征成分进行了融合,提取了更具代表性的故障特征;最后,以SoftMax作为分类器,进行了深沟球轴承故障的分类任务,采用SKF6203深沟球轴承,并利用搭建的轴承故障模拟实验台采集了深沟球轴承振动数据,对SVMD-FFCNN方法进行了实验验证,并将其与其他方法进行了对比分析。研究结果表明:SVMD方法能够有效降低噪声的干扰,相较于未经过SVMD降噪处理的信号,实测实验信号信噪比提升了116.22%,均方根误差减低了56.10%;SVMD-FFCNN方法在噪声环境下的平均准确精度达到了99.37%,且三个转速工况下的诊断精度均达到了99%以上。上述结果表明,该方法在噪声环境下具有更优越的故障诊断性能。 展开更多

关键词 滚动轴承 强噪声干扰 智能故障诊断 逐次变分模态分解 特征融合卷积神经网络 SoftMax分类器

在线阅读 下载PDF 职称材料

SVMD-SVD联合的转子故障特征提取方法研究

7

作者 李鑫延 赵俊生 +3 位作者 王慧云 安鑫凯 郭少杰 王淋 《噪声与振动控制》 北大核心 2025年第4期150-156,共7页

针对转子系统采集的振动信号中存在较多噪声使得轴心轨迹混乱、故障特征难以提取的问题,提出一种逐次变分模态分解算法(Sequential Variational Mode Decomposition,SVMD)与奇异值分解(Singular Value Decomposition,SVD)相结合的转子... 针对转子系统采集的振动信号中存在较多噪声使得轴心轨迹混乱、故障特征难以提取的问题,提出一种逐次变分模态分解算法(Sequential Variational Mode Decomposition,SVMD)与奇异值分解(Singular Value Decomposition,SVD)相结合的转子轴心轨迹提纯方法。首先,使用SVMD算法将采集的原始振动信号分解为一系列本征模态分量(Intrinsic Mode Functions,IMFs);其次,根据峭度、能量熵与皮尔逊相关系数挑选有效分量并重构信号;然后,对重构信号进行奇异值降噪处理;最后,合成提纯后轴心轨迹。通过LabVIEW轴心轨迹仿真数据与转子实验台实测数据,并和基于差分谱SVD方法、带自适应噪声的完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise,CEEMDAN)结合小波阈值方法对比分析,结果显示:采用SVMD-SVD方法提纯得到的轴心轨迹更加清晰,验证了该方法的有效性与可行性。 展开更多

关键词 故障诊断 逐次变分模态分解 奇异值分解 振动信号 轴心轨迹

在线阅读 下载PDF 职称材料

自适应SVMD-BSIE差分谱的转子故障信号降噪与特征提取

8

作者 李鑫延 赵俊生 +3 位作者 李建素 安鑫凯 王慧云 郭少杰 《测试技术学报》 2025年第3期363-372,共10页

转子系统受载荷、润滑以及工作环境等因素影响,采集的振动信号会混入大量噪声,导致转子故障特征难以提取,因此,提出一种自适应连续变分模态分解-玻尔兹曼香农交互熵(Sequential Variational Mode Decomposition-Boltzmann Shannon Inter... 转子系统受载荷、润滑以及工作环境等因素影响,采集的振动信号会混入大量噪声,导致转子故障特征难以提取,因此,提出一种自适应连续变分模态分解-玻尔兹曼香农交互熵(Sequential Variational Mode Decomposition-Boltzmann Shannon Interaction Entropy,SVMD-BSIE)差分谱联合的转子系统故障信号降噪与特征提取方法。首先,以能量熵为适应度函数,利用融合正余弦和柯西变异的麻雀优化算法(Sparrow Search Algorithm Combining Sine-Cosine and Cauchy Mutation,SCSSA)对SVMD中平衡参数Alpha进行优化,得到SVMD的最佳参数,并将信号分解为一系列本征模态分量(Intrinsic Mode Function,IMF)。其次,利用BSIE,并在此基础上构建BSIE差分谱自动选择模态分量重构信号。最后,通过仿真与转子实验数据进行验证,并与多种方法对比分析。结果表明:该方法降噪后信号信噪比为19.9146 dB,均方误差为0.1942,相比于粒子群优化-变分模态分解-多尺度排列熵(Particle Swarm Optimization-Variational Mode Decomposition-MultiScale Permutation Entropy,PSO-VMD-MPE)方法信噪比提升30.69%,均方误差降低34.35%,降噪性能更优异;相比于改进奇异值分解方法,合成的轴心轨迹图像更加清晰,且在降噪的同时能最大限度保留转子故障信息,有较好的应用价值。 展开更多

关键词 转子系统 振动信号 连续变分模态分解 玻尔兹曼-香农交互熵 特征提取

在线阅读 下载PDF 职称材料

基于SVMD-FE和改进Informer的短期负荷预测

9

作者 印文博 谷卫 《河北电力技术》 2025年第1期51-58,共8页

针对电力负荷非平稳性导致负荷预测精度低的问题,采用改进Informer模型对经过逐次变分模态分解(sequential variational mode decomposition, SVMD)算法和模糊熵(fuzzy entropy, FE)综合处理后的子序列进行预测,构建了SVMD-FE和改进Info... 针对电力负荷非平稳性导致负荷预测精度低的问题,采用改进Informer模型对经过逐次变分模态分解(sequential variational mode decomposition, SVMD)算法和模糊熵(fuzzy entropy, FE)综合处理后的子序列进行预测,构建了SVMD-FE和改进Informer的预测模型。首先,采用SVMD算法对负荷数据进行分解,降低数据的非平稳性,利用FE算法对分解后的各子序列进行熵值重组;其次,在Informer模型中引入相对位置编码取代传统的绝对位置编码,以捕获序列数据内部的依赖关系,避免信息泄漏;再次,采用扩展因果卷积代替正则卷积来增加接收和增强局部信息提取。最后,结合某市负荷数据对比验证多种深度学习模型预测效果,结果表明该模型具有更高精度的短期负荷预测能力。 展开更多

关键词 短期负荷预测 相对位置编码 扩展因果卷积 变分模态分解

在线阅读 下载PDF 职称材料

基于SVMD-BO-BiTCN的超短期光伏发电功率预测 被引量：3

10

作者 何瑨麟 郝建新 +1 位作者 苏成飞 屠壮壮 《分布式能源》 2024年第5期22-31,共10页

光照的间歇性使光伏发电功率波动性较大,导致光伏发电功率的预测准确率较低。为此,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)、贝叶斯优化(Bayesian optimization,BO)算法和双向时序卷积网络(bidi... 光照的间歇性使光伏发电功率波动性较大,导致光伏发电功率的预测准确率较低。为此,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)、贝叶斯优化(Bayesian optimization,BO)算法和双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)的超短期光伏发电功率预测模型,以提高预测精度。首先,通过SVMD将原始光伏发电功率分解为多个功率分量和功率残差,以获得多个波动性小的序列;然后,使用改进的BiTCN代替单向时序卷积网络(temporal convolutional network,TCN),完成低耗时下SVMD分解结果的双向特征提取与预测;之后,使用BO算法高效寻找BiTCN超参数,从而提高BiTCN对各功率分量和功率残差的预测精度;最后,求和并重构预测结果,实现超短期光伏发电功率预测。实验证明,该模型与单一的TCN模型相比,均方根误差(root mean square error,RMSE)减小了35.18%,决定系数提升了4.82%。 展开更多

关键词 光伏发电 发电功率预测 深度学习模型 连续变分模态分解(svmd)

在线阅读 下载PDF 职称材料

SVMD-PE-BP-Transformer短期光伏功率预测 被引量：5

11

作者 王瑞 靳鑫鑫 逯静 《电网与清洁能源》 CSCD 北大核心 2024年第8期141-150,共10页

考虑到光伏功率受气象因素变化影响而波动性大难以预测的问题,将逐次变分模态分解SVMD-排列熵PE与BPTransformer相结合,给出了一种组合预测方法,以下简称SPBT模型。在去除非相关因子的基础上,利用SOM聚类方法,对全年光伏数据进行3种类... 考虑到光伏功率受气象因素变化影响而波动性大难以预测的问题,将逐次变分模态分解SVMD-排列熵PE与BPTransformer相结合,给出了一种组合预测方法,以下简称SPBT模型。在去除非相关因子的基础上,利用SOM聚类方法,对全年光伏数据进行3种类型的分类;针对光伏发电初始时序中所蕴含的重要信息,利用SVMD自适应K值的方法,对其进行分解。再利用PE方法计算各个子序列的熵值,即序列的起伏复杂程度,根据熵的大小,对频率接近的成分进行重构,将其分为两个区间:复杂度低的部分和复杂度高的部分。最后利用BP网络与Transformer分别对其进行预测,并对预测输出进行综合处理。该文以江苏省一光伏电站观测的气象与功率数据为例,通过比较试验验证了该模型的优势,该模型具有较低的预测误差,有助于提高预测精度。 展开更多

关键词 逐次变分模态分解 排列熵 TRANSFORMER 功率预测

在线阅读 下载PDF 职称材料

基于SVMD-ISSA-CNN-TGLSTM的供热负荷预测模型 被引量：5

12

作者 薛贵军 牛盼 +1 位作者 谢文举 李水清 《现代电子技术》 北大核心 2024年第11期131-139,共9页

针对目前集中供热负荷预测的研究中极少考虑换热站内部因素以及供热负荷预测精准度较低的问题,提出一种基于SVMD-ISSA-CNN-TGLSTM的混合预测模型。首先,利用卷积神经网络和转换门控长短期记忆神经网络构建具有空间提取能力的CNN-TGLSTM... 针对目前集中供热负荷预测的研究中极少考虑换热站内部因素以及供热负荷预测精准度较低的问题,提出一种基于SVMD-ISSA-CNN-TGLSTM的混合预测模型。首先,利用卷积神经网络和转换门控长短期记忆神经网络构建具有空间提取能力的CNN-TGLSTM模型;其次,考虑到负荷序列的非平稳特征,采用SVMD分解,并引用改进的麻雀搜索算法来优化模型的参数,避免调参陷入局部最优;最后,将不同模型之间的预测效果与经济效益进行对比。结果表明:SVMD-ISSA-CNN-TGLSTM模型经济效益最高,评价指标RMSE、MSE、MAE相比ISSA-CNN-TGLSTM模型分别降低了35.7%、59.0%、32.7%,且均优于其他不同模型,预测效果最佳。 展开更多

关键词 供热负荷预测 逐次变分模态分解 改进的麻雀搜索算法 卷积神经网络 转换门控长短期记忆神经网络 空间提取能力

在线阅读 下载PDF 职称材料

基于SVMD与参数优化MCKD的轴承故障诊断 被引量：7

13

作者 钟先友 何流 赵潇 《机电工程》 CAS 北大核心 2024年第7期1179-1188,共10页

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度... 针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。 展开更多

关键词 噪声干扰 连续变分模态分解 最大相关峭度反卷积 几何平均优化器 故障特征提取效果 轴承特征频率

在线阅读 下载PDF 职称材料

基于SVMD-CMSEE与GSA-SVM的新型电力系统变压器故障状态智能诊断方法 被引量：2

14

作者 李峰 陈皖皖 +1 位作者 李晓华 夏能弘 《电测与仪表》 北大核心 2024年第12期17-25,共9页

新型电力系统在促进“碳中和,碳达峰”的目标实现的同时,对电力系统中变电设备的可靠运行提出了新的挑战。为进一步提高变压器机械故障的识别精度,文中从变压器的振动特性出发,提出一种基于SVMD-CMSEE与GSA-SVM的新型电力系统变压器故... 新型电力系统在促进“碳中和,碳达峰”的目标实现的同时,对电力系统中变电设备的可靠运行提出了新的挑战。为进一步提高变压器机械故障的识别精度,文中从变压器的振动特性出发,提出一种基于SVMD-CMSEE与GSA-SVM的新型电力系统变压器故障状态智能诊断方法。采用逐次变分模态分解(successive variational modal decomposition,SVMD)算法自适应性地分解出变压器振动信号的各模态分量,联合复合多尺度能量熵(combining compound multi-scale energy entropy,CMSEE)提取了振动信号的时频分布变化特征,并引入类间区分度确定了特征中的最优特征子集,通过引力搜索算法(gravity search algorithm,GSA)对支持向量机(support vector machine,SVM)的关键参数进行优化,构造了基于GSA-SVM的变压器故障识别模型。对某10 kV油浸式变压器振动信号的计算结果表明:基于SVMD-CMSEE算法得到的变压器振动信号复合特征能有效估计时间序列的动态变化,所提出的GSA-SVM诊断模型具有较高的识别精度和计算效率,准确率可达98%,从而为基于振动信号的变压器状态监测提供了技术支撑。 展开更多

关键词 变压器振动信号 故障诊断 复合多尺度能量熵 逐次变分模态分解 支持向量机

在线阅读 下载PDF 职称材料

基于mRMR和SVMD-TPA-BiLSTM的短期风电功率预测

15

作者 邢培宇 魏云冰 +1 位作者 胡骅 张文虎 《上海工程技术大学学报》 2024年第4期414-421,共8页

提出一种基于mRMR和SVMD-TPA-BiLSTM的短期风电功率预测方法。首先,通过逐次变分模态分解(SVMD)对风电功率序列进行降维处理,得到风电功率子序列,与最大相关−最小冗余(mRMR)筛选出的关键气象特征数据结合构成训练集。其次,建立基于时间... 提出一种基于mRMR和SVMD-TPA-BiLSTM的短期风电功率预测方法。首先,通过逐次变分模态分解(SVMD)对风电功率序列进行降维处理,得到风电功率子序列,与最大相关−最小冗余(mRMR)筛选出的关键气象特征数据结合构成训练集。其次,建立基于时间模式注意力机制(TPA)改进双向长短时记忆(BiLSTM)神经网络的组合模型,利用TPA机制抓取不同时序数据的关联性。最后,将预测分量结果叠加得到最终预测结果。以某风电场的数据集为例,对不同模型进行单步和多步预测试验对比精度,试验表明预测方法能有效刻画风电的分量特性,提高风电功率预测的准确率。 展开更多

关键词 短期风电功率预测 气象特征筛选 逐次变分模态分解 时间模式注意力机制 双向长短时记忆神经网络

在线阅读 下载PDF 职称材料

基于SVMD和自适应MOMEDA的齿轮箱故障诊断 被引量：2

16

作者 岳子毫 裴帮 +3 位作者 李志远 王征兵 黄晓丹 雷欢欢 《机床与液压》 北大核心 2023年第21期225-232,共8页

受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应... 受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频,同时所提方法相对其他方法具有更好的表现效果。 展开更多

关键词 齿轮箱故障诊断 自适应MOMEDA 连续变分模态分解(svmd) 人工鱼群算法

在线阅读 下载PDF 职称材料

基于SVMD-CNN的摩擦学织构轴承故障诊断方法

17

作者 龙日升 龙海洋 +1 位作者 高淑芝 于福一 《机床与液压》 2025年第22期89-93,共5页

针对点状凹坑织构滚动轴承在复杂工况下的故障诊断问题,提出一种基于逐次变分模态分解(SVMD)与卷积神经网络(CNN)的智能诊断方法。利用小波阈值对振动信号进行降噪处理,然后通过SVMD实现信号的自适应分解,提取若干本征模态函数(IMF),并... 针对点状凹坑织构滚动轴承在复杂工况下的故障诊断问题,提出一种基于逐次变分模态分解(SVMD)与卷积神经网络(CNN)的智能诊断方法。利用小波阈值对振动信号进行降噪处理,然后通过SVMD实现信号的自适应分解,提取若干本征模态函数(IMF),并依据能量熵阈值筛选有效模态进行重构,从而突出关键特征。将重构后的信号作为CNN的输入,实现对不同故障类型的自动识别与分类。在织构化HRB30206轴承上进行实验,结果显示:该方法的诊断准确率达到97.8%,显著优于传统的VMD-SVM与VMD-CNN方法,验证了SVMD在特征提取方面的优越性以及CNN在复杂信号分类中的鲁棒性。该方法能够有效提升表面织构轴承在低速重载条件下的故障识别精度,为摩擦学优化轴承的智能诊断提供了参考。 展开更多

关键词 滚动轴承 表面织构 故障诊断 svmd 卷积神经网络

在线阅读 下载PDF 职称材料

基于二次分解和TDformer的短期光伏功率预测

18

作者 何俊 孙一凡 +1 位作者 袁魁东 钟子捷 《电工技术》 2025年第10期80-82,共3页

光伏序列存在波动性与非平稳性,为光伏功率预测精度的提升带来了挑战,为此提出一种基于CEEMDAN-SVMD-TDformer的光伏功率组合预测方法。针对光伏功率序列不稳定、波动性大的问题,引入自适应噪声的完全集成经验模态分解(CEEMDAN)将原始... 光伏序列存在波动性与非平稳性,为光伏功率预测精度的提升带来了挑战,为此提出一种基于CEEMDAN-SVMD-TDformer的光伏功率组合预测方法。针对光伏功率序列不稳定、波动性大的问题,引入自适应噪声的完全集成经验模态分解(CEEMDAN)将原始不平稳的光伏序列进行分解,对初步分解得到的强非平稳分量运用连续变分模态分解(SVMD)进行二次分解,可使时序数据平稳化,从而降低功率信号的非平稳性与复杂度,得到平稳的固有模态分量和残差分量。将分解得到的功率数据输入TDformer对其时序特征信息进行趋势项和季节项的特征提取,得到各模态预测功率,最后将各模态预测值相加,得到最终预测功率。实际数据实验表明,该模型可提高短期光伏功率预测精度。 展开更多

关键词 负荷预测 深度学习 TDformer CEEMDAN分解 svmd分解

在线阅读 下载PDF 职称材料

基于声波处理技术的钻井环空动液面监测方法

19

作者 郝围围 王瑛 +4 位作者 张思源 王敏 王威 李牧 徐宝昌 《石油机械》 北大核心 2025年第5期18-29,共12页

环空动液面深度监测对井下异常工况判断具有重要的意义,常规声波法由于受井下复杂环境影响,难以保证实时精确监测。为此,针对常规声波法在测量中面临的问题,通过结合回波特征与声波处理技术实现了环空动液面深度实时监测。采用连续变分... 环空动液面深度监测对井下异常工况判断具有重要的意义,常规声波法由于受井下复杂环境影响,难以保证实时精确监测。为此,针对常规声波法在测量中面临的问题,通过结合回波特征与声波处理技术实现了环空动液面深度实时监测。采用连续变分模态分解(SVMD)方法对井下回波信号进行滤波处理;采用霍特林T~2检验法检测液面回波位置,再采取短时自相关函数(ACF)及平均幅度差函数(AMDF)的结合算法检测接箍回波平均周期;进而计算得出井下声波传播时间和平均声速,之后实现对环空动液面高度的实时监测。试验结果表明,所述方法对不同深度条件下的液面回波都有良好的识别效果,能够在实时测量的同时,保证测量相对误差小于0.8%,能够较好地满足钻井过程对环空动液面数据的需求。该研究对于监测井下事故具有一定的实用价值。 展开更多

关键词 环空动液面 声波处理技术 svmd 动液面监测 声波信号处理 AMDF

在线阅读 下载PDF 职称材料

基于动态多尺度与双重注意力的短期电力负荷预测

20

作者 朱莉 高靖凯 +1 位作者 朱春强 邓凡 《计算机工程》 北大核心 2025年第10期369-380,共12页

短期电力负荷预测在电力系统的优化调度和安全运行中具有至关重要的作用。电力负荷数据具有多周期特性,在不同时间尺度上表现出不同的模式和趋势,准确提取尺度大小有助于识别和分离这些特征。目前方法通过使用一个或一组固定的patch长... 短期电力负荷预测在电力系统的优化调度和安全运行中具有至关重要的作用。电力负荷数据具有多周期特性,在不同时间尺度上表现出不同的模式和趋势,准确提取尺度大小有助于识别和分离这些特征。目前方法通过使用一个或一组固定的patch长度作为步长,将称之为patches的片段来编码时间序列,但其无法适应现实世界负荷序列数据的复杂的动态变化。为此,提出一种基于动态多尺度与双重注意力的预测模型(MDAT)。首先,利用逐次变分模态分解(SVMD)分离负荷序列不同的时间模式,通过快速傅里叶变换(FFT)提取出每个模式的显著周期。其次,根据检测到的显著周期,将负荷序列以不同大小的patch划分为不同的时间分辨率,使用Transformer的多个分支同时建模不同尺度分割序列的依赖关系。然后,对这些patches进行双重注意力,以捕获全局相关性和局部细节。最后,对每个分支的输出进行非线性特征融合,通过堆叠多层Transformer模块得到最终的负荷预测结果。在两个公开数据集上的实验结果表明,该模型在预测精度指标上表现良好,相比最新的基于Transformer及多层感知器(MLP)的模型,在Australia数据集和Morocco数据集上平均绝对误差(MAE)分别降低了10.26%~17.06%和9.08%~70.25%。 展开更多

关键词 短期负荷预测 逐次变分模态分解 多尺度特征 双重注意力 Transformer模块

在线阅读 下载PDF 职称材料