基于EMD和LS—SVM的非平稳振动信号趋势预测

《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文

《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业自动化和智能化水平的不断提高，机械设备的故障诊断与预测维护变得越来越重要。

机械故障特征提取作为故障诊断的关键技术之一，对于提高设备的运行可靠性和维护效率具有重要意义。

然而，由于机械设备运行环境的复杂性和多变性，传统的故障特征提取方法往往难以准确有效地提取出故障信息。

因此，研究基于新型信号处理技术的机械故障特征提取方法，对于提高故障诊断的准确性和可靠性具有重要意义。

本文提出了一种基于经验模态分解（EMD）和随机共振的机械故障特征提取方法，旨在为机械设备的故障诊断提供一种新的有效手段。

二、EMD技术及其在机械故障特征提取中的应用EMD（Empirical Mode Decomposition）是一种自适应的信号时频分析方法，能够有效地处理非线性、非平稳信号。

在机械故障特征提取中，EMD可以通过对振动信号进行多层次分解，将复杂的信号分解为若干个具有物理意义的固有模态函数（IMF），从而提取出与故障相关的特征信息。

然而，EMD方法在处理含有噪声的信号时，往往会出现模态混叠等问题，影响特征提取的准确性。

三、随机共振技术及其在机械故障特征增强中的应用随机共振是一种利用随机噪声辅助信号处理的非线性处理方法。

在机械故障特征提取中，随机共振技术可以通过引入适当的随机噪声，增强信号中的微弱特征，提高信噪比，从而更好地提取出与故障相关的特征信息。

然而，随机共振技术在应用过程中需要合理选择噪声参数和滤波器参数，以避免噪声的干扰和滤波器的过度平滑。

四、基于EMD和随机共振的机械故障特征提取方法针对传统方法在机械故障特征提取中的局限性，本文提出了一种基于EMD和随机共振的机械故障特征提取方法。

该方法首先利用EMD对振动信号进行多层次分解，得到若干个IMF分量；然后，对每个IMF分量进行随机共振处理，增强其中的微弱特征；最后，通过统计分析和机器学习等方法，从处理后的IMF分量中提取出与故障相关的特征信息。

基于EEMD能量熵和LSSVM的传感器故障诊断

２２
传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
２０１３年第３２卷第７期
基于ＥＥＭＤ能量熵和ＬＳＳＶＭ的传感器故障诊断
ｓｈｏｒｔｃｏｍｉｎｇｏｆｍｏｄｅｍｉｘｉｎｇｏｆＥＭＤ，ａｎｄｔｈｅｄｅｃｏｍｐｏｓｅｄｉｎｔｉｒｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ（ＩＭＦｓ）ｐｒｏｍｉｎｅｎｔｔｈｅｌｏｃａｌ
故障识别和分类。同时采用粒子群优化算法对ＬＳＳＶＭ的结构参数进行择优。测试结果表明：该故障诊断模型对动车组ＡＳ压力传感器故障具有较高的正确分类率。关键词：传感器；集成经验模态分解；最小二乘支持向量机；粒子群优化算法；故障诊断
中图分类号：ＴＰ２０６文献标识码：Ａ文章编号：１０００－９７８７（２０１３）０７－－００２２－０４
丁国君，王立德，申萍，杨鹏
（北京交通大学电气工程学院。北京１０００４４）摘要：传感器作为动车组制动系统的关键部件，其能否正常工作直接影响动车组的安全稳定运行。集
成经验模态分解克服了经验模态分解的模态混叠现象，分解出的各个内禀模态函数突出了故障的局部特征，并求解其能量熵组成故障特征向量，然后把故障特征向量输入到最ｔｂ￣－乘支持向量机（ＬＳＳＶＭ）进行

基于EMD近似熵和LSSVM的齿轮箱故障诊断研究

ａｃｃｏｒｄｉｎｇｔｏｎｏｎ — ｓｔａｉｏｔｎａｒｙｃｈｒａａｃｔｅｒｉｓｔｉｃｓｏｆｇｅｒｂａｏｘｖｉｂｒａｔｉｏｎｓｉｇｎａ１．Ｆｉｒｓｔｌｙ，ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｄｅ－ｃｏｍｐｏｓｅｄｉｎｔｏｓｅｖｅｒａｌＩＭＦｃｏｍｐｏｎｅｎｔｓｂｙＥＭＤ．ＡｎｄｔｈｅｎｔｈｅａｐｐｒｏｘｉｍａｔｅｅｎｔｒｏｐｉｅｓｏｆｈｅｔＩＭＦｓｗｅｒｅ
文章编号：１００１ —２２６５（２０１４）０３～０１１１— ０３
ＤＯＩ：１０．１３４６２／ｊ．ｃｎｋｉ．ｍｍｔａｍｔ．２０１４．０３．０２９
基于ＥＭＤ近似熵和ＬＳＳＶＭ的齿轮箱故障诊断研究术
第３期
２０１４年３月
组合机床与自动化加工技术
ＭｏｄｕｌａｒＭａｃｈｉｎｅＴｏｏｌ＆ＡｕｔｏｍａｔｉｃＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｉｑｕｅ
ＮＯ．３Ｍａｒ．２０１４
统ＳＶＭ相比，ＬＳＳＶＭ的识别精度更高，验证了该方法的可行性。关键词：ＥＭＤ；近似熵；ＬＳＳＶＭ；故障诊断

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

ｒｏｌｌｅｒｂｅａｒｉｎｇｆａｕｌｔｖｉｂｒａｔｉｏｎｓｉｇｎａｌｉｓｄｅｃｏｍｐｏｓｅｄｂｙＥＥＭＤ．Ｔｈｅｎ，ｅａｃｈｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｃｏｍｐｏ —
陈法法，李冕，陈保家，陈从平
（三峡大学ａ．新能源微电网湖北省协同创新中心；ｂ．水电机械设备设计与维护湖北省重点实验室，湖北宜昌４４３００２）摘要：针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题，提出基于集成经验模式分解（ｅｎｓｅｍｂｌｅｅｍｐｉｉｒｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）能量熵与优化最小二乘支持向量机（１ｅａｓｔｓｑｕａｒｅｓｕｐ－ｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＬＳ．ＳＶＭ）的滚动轴承故障诊断方法。首先利用ＥＥＭＤ对滚动轴承的振动故障信号进行分解，得到各阶的内禀模态函数分量（ＩＭＦ）并计算其能量构造成特征向量矩阵，随后将该特征向量矩阵输入给优化的ＬＳ — ＳＶＭ进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性，结果表明，基于ＥＥＭＤ能量熵特征与优化ＬＳ．ＳＶＭ的滚动轴承故障诊断方法能够有效的诊断

基于EMD-LSSVM的多尺度混合建模方法及其应用

ｄｅｃｏｍｐｏｓｅｄｉｎｔｏａｓｅｉｅｒｓｏｆｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｖｉａｅｍｐｉｉｃｒａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｉｏｔｎ．Ｓｅｃｏｎｄｌｙ，ＬｅａｓｔＳｑｕｒｅａｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓｐｒｅｄｉｃｉｔｎｇｍｏｄｅｌｓｗｉｈｔａｐｐｒｏｐｉａｒｔｅｋｅｍｅｌｆｕｎｃｔｉｏｎｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏｐｒｅｄｉｃｔｅａｃｈｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｉｒｄｌｙ，ｏｕｔｐｕｔｏｆｅａｃｈｐｒｅｄｉｃｉｎｔｇｍｏｄｅｌｗｅｒｅｅｑｕａｌｌｙｗｅｉｇｈｔｅｄａｎｄｉｎｔｅｇｒａｔｅｄｉｎｔｏｏｎｅｏｕｔｐｕｔ．Ｉｎｈｅｔｅｎｄ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｈｏｔｄｗａｓｕｓｅｄｆｏｒｌａｓｅｒｇｙｒｏｄｒｉｔｆｐｒｅｄｉｃｔｉｏｎ．Ｔｈｅｅｘｐｅｉｍｅｒｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｐｒｅｄｉｃｉｔｏｎｍｅｈｏｔｄｗｈｉｃｈｉｓｃａｐａｂｌｅｏｆ

《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文

《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业技术的快速发展，机械设备的复杂性和运行环境的多样性使得故障诊断变得日益重要。

机械故障特征提取作为故障诊断的关键环节，其准确性和效率直接影响到故障诊断的可靠性。

近年来，随着信号处理技术的发展，基于经验模态分解（Empirical Mode Decomposition，EMD）和随机共振（Stochastic Resonance，SR）的机械故障特征提取方法逐渐成为研究的热点。

本文将详细研究这两种方法的原理及其实现在机械故障特征提取中的应用。

二、EMD方法在机械故障特征提取中的应用EMD是一种自适应的信号处理方法，能够将复杂的非线性、非平稳信号分解为若干个具有物理意义的固有模态函数（Intrinsic Mode Functions，IMFs）。

在机械故障特征提取中，EMD可以通过对原始信号进行多次迭代，将信号分解为不同频率的IMFs，从而提取出反映故障特性的特征频率。

该方法无需预设任何基函数，具有较强的自适应性和良好的鲁棒性。

三、随机共振在机械故障特征提取中的应用随机共振是一种利用随机噪声辅助信号检测的方法。

在机械故障特征提取中，随机共振通过引入适当的随机噪声，使系统处于非线性共振状态，从而增强信号中的微弱特征。

这种方法能够有效地从强噪声背景中提取出故障特征，提高故障诊断的准确性。

四、基于EMD和随机共振的联合方法在机械故障特征提取中的应用将EMD和随机共振相结合，可以充分发挥两者的优势。

首先，利用EMD对原始信号进行分解，得到不同频率的IMFs。

然后，对每个IMF应用随机共振技术，增强其中的微弱特征。

最后，通过一定的算法将处理后的IMFs进行重构，得到包含故障特征的信息。

这种方法能够在保持原始信号信息完整性的同时，提高故障特征的信噪比，从而提高故障诊断的准确性。

五、实验与结果分析为了验证本文提出的基于EMD和随机共振的机械故障特征提取方法的有效性，我们进行了实验。

基于经验模态分解（emd）的国际现货黄金价格分析及预测

摘要随着布雷顿森林体系宣告结束30年以来，国际现货黄金价格慢慢步入市场化定价的阶段。

由于黄金价格不再与美元价格挂钩，特别是2008年以来，黄金价格发生了剧烈的波动。

黄金具有商品属性和货币属性，黄金价格的波动也就异于其他普通商品的价格变化。

因此，分析和预测黄金价格的走势也就成为理论界和投资界关注和研究的热点。

2013年4月以来，由于受到多种因素的影响，国际黄金价格经历了多次大跌。

在新的经济形势下，黄金投资日渐成为人们理财和投资的工具之一，能否对黄金价格和走势进行分析判断显得极其重要。

黄金投资者只有深刻理解黄金价格的波动机制及黄金价格走势才能够有效规避黄金价格的波动风险，进而获得理想的投资收益。

本文提出了一种基于经验模态分解（EMD）的国际现货黄金价格分析及预测方法。

本文以1992年5月22日至2013年9月6日的国际现货黄金价格序列的周收盘价数据为研究对象，首先对黄金价格进行描述性统计分析以了解黄金价格的基本特征，其次运用EMD技术将黄金价格序列分解成八个不同频率的分量（包括七个本征模函数（IMF）和一个残差项）。

首先，本文对分解后的分量做了如下四个分析：1、对分解得到的分量进行白噪声检验发现并不存在随机序列，它们都包含一定的经济学信息。

2、定义了IMF的波动率刻画IMF相对于原始序列波动情况。

3、IMF大部分具有“尖峰厚尾”的形态，通过拟合IMF的分布发现其服从对数正态分布。

4、计算各个IMFs的平均周期及分析它们的相关性。

其次，采用重构算法把这些不同频率、尺度各异的IMFs叠加成三个新的分量，按照频率的不同可以分为：低频分量、高频分量和趋势分量，本文从三个时间尺度分别对黄金价格时间序列进行理论分析和特征分析。

本文得出的结论为：国际现货黄金价格主要受长期趋势、重大事件和市场短期波动所影响。

由于国际现货黄金价格是非线性和非平稳的时间序列，所以精确预测其价格的走势是一件比较有挑战性的工作。

一般的统计学和计量经济学模型是基于所研究的数据是线性的这一假设之上的，要提取隐匿在国际现货黄金价格中的非线性模式是极其困难的，因此普遍不能获得国际现货黄金价格精确的预测结果。

基于混沌理论与SVM的内燃机振动信号趋势预测

冯广斌吴震宇。袁惠群。，，
（械技术研究所石家庄，５００（武汉船用机械有限责任公司武汉，３０４军０００）４０８）
（东北大学机械工程与自动化学院沈阳，１０４。１００）
提出了将ＥＭＤ去噪，空间重构和Ｓ相ＶＭ综合运用对内燃机振动信号进行趋势预测。
使用ｌ，广泛应用到故障诊断领域ｌ６＿被１］＿ｊ２。但要想得＿
到满意的预测精度，了与Ｓ除ＶＭ自身参数的选取有关，与训练Ｓ还ＶＭ的时间序列模型有关。目前普遍采用的方法是人为确定训练ＳＶＭ预测器的输入和
的振动信号和大量的随机噪声，为此本文采用经验模态分解方法对内燃机振动信号进行去噪处理［１引，
为代表的传统方法；一类是以神经网络为代表的另
人工智能方法。但是，经网络存在局部极小，神随着输入维数的增加，经网络的神经元个数急剧增加神往往导致“ 数灾难 ” 维。支持向量机克服了神经网络模型的不足，为时间序列数据分析的最佳预测器作
插值构成上下包络曲线。
反复修正模型，直到模型达到满意的预测精度，导致
训练时间长，易产生过拟合现象。容
本文考虑到内燃机振动信号与混沌时间序列相似，具有非线性、非平稳的特点口因此在原有方法，的基础上，将混沌理论中的相空间重构方法引入到

基于时变ARMA和EMD-PSO-LSSVM算法的非平稳下击暴流风速预测

基于时变ARMA和EMD-PSO-LSSVM算法的非平稳下击暴流风速预测李春祥;迟恩楠;何亮;李正农【期刊名称】《振动与冲击》【年(卷),期】2016(035)017【摘要】根据非平稳过程的进化谱理论，导出基于TARMA模型的非平稳脉动风速模拟式。

基于模拟解析式，得到一些空间点非平稳下击暴流风速的模拟时间序列；运用经验模式分解（EMD）和基于粒子群优化（PSO）的最小二乘支持向量机（LSSVM）（简称为PSO-LSSVM）算法，经MATLAB平台编制程序，根据上下空间点风速样本预测出中间高度处的非平稳下击暴流风速时程。

通过功率谱、自相关和互相关函数预测值与模拟值的比较及平均误差（AE ）、均方根误差（MSE）和相关系数（R）的评价，验证了基于时变ARMA模型和EMD-PSO-LSSVM算法的下击暴流风速模拟与预测的可行性。

【总页数】7页(P33-38,51)【作者】李春祥;迟恩楠;何亮;李正农【作者单位】上海大学土木工程系，上海 200072;上海大学土木工程系，上海200072;上海大学土木工程系，上海 200072;湖南大学土木工程学院，长沙410082【正文语种】中文【中图分类】TU311【相关文献】1.下击暴流非平稳脉动风速数值模拟 [J], 李锦华;吴春鹏;陈水生2.非线性时变机载雷达微下击暴流目标回波建模与算法设计 [J], 刘小洋;曾孝平3.基于极限学习机的非平稳下击暴流风速预测 [J], 钟旺;李春祥4.基于EVSEWT的下击暴流时变平均风提取 [J], 李春祥;李洲5.下击暴流强风冲击作用下定日镜风压时变特征 [J], 吉柏锋;赵进新;姜峰;熊倩;瞿伟廉因版权原因，仅展示原文概要，查看原文内容请购买。

高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型

高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型叶运广;宁静;种传杰;崔万里;陈春俊【摘要】To forecast hunting instability state of high-speed train bogie,a new forecasting model which com-bines modified ensemble empirical mode decomposition (MEEMD)and least squares support vector machine (LSSVM)was presented in this paper,it focus on the normal,transition and hunting instability states of bogie vibration signal.Firstly,the vibration signal will be decomposed by MEEMD.Then,the Hilbert transforma-tion (HT)will be used to analyze the time-frequency-energyfeatures.Meanwhile,the energy feature of intrin-sic mode functions (IMFs)will be extracted to be used to train by LSSVM.Finally,hunting instability state will be forecasted by recognizing the transition state.The results show that forecast accuracy up to 93.33％, and the accuracy and calculation time are superior to ensemble empirical mode decomposition-support vector machine (EEMD-SVM)when the train at 350 km/h.The validity and rapidity of the forecasting model were proved.%为预测列车转向架蛇行失稳异常运动状态,提出一种改进的集总平均经验模态分解-最小二乘法支持向量机(MEEMD-LSSVM)的预测模型.以转向架正常、过渡、蛇行失稳3种状态下振动信号为研究对象,通过MEEMD对信号进行分解,再用Hilbert变换(HT)分析其时频能量特征,最后采用固有模态函数(IMF)的能量特征作为LSSVM的输入,通过识别过渡状态,预测列车蛇行失稳.试验表明,列车处于330～350 km/h之间时,预测准确率为93.33％,并且MEEMD-LSSVM方法准确率和计算耗时优于EEMD-SVM 方法,证明该预测模型的有效性和快速性.【期刊名称】《铁道学报》【年(卷),期】2018(040)001【总页数】6页(P38-43)【关键词】高速列车;蛇行失稳;MEEMD;LSSVM;预测【作者】叶运广;宁静;种传杰;崔万里;陈春俊【作者单位】西南交通大学机械工程学院,四川成都 610031;西南交通大学机械工程学院,四川成都 610031;西南交通大学机械工程学院,四川成都 610031;西南交通大学机械工程学院,四川成都 610031;西南交通大学机械工程学院,四川成都610031【正文语种】中文【中图分类】U216.3;TH17蛇行运动稳定性是高速列车实现安全运行的一个重要问题。

基于EEMD和LS-SVM模型的风电功率短期预测方法

基于EEMD和LS-SVM模型的风电功率短期预测方法程启明;陈路;程尹曼;张强;高杰【摘要】原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战,采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列,有效地提高了预测精度,避免了传统经验模态分解(EMD)存在的模态混叠现象.提出一种改进型果蝇优化算法(FOA),将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型,扩大了参数搜索范围,提高了优化收敛速度;通过风速-风功率转化关系可以求得风电场的功率值.实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度.【期刊名称】《电力自动化设备》【年(卷),期】2018(038)005【总页数】9页(P27-35)【关键词】微电网;功率预测;风电场;模态分解;支持向量机;相空间重构;果蝇优化算法【作者】程启明;陈路;程尹曼;张强;高杰【作者单位】上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力公司市北供电分公司,上海200041;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090【正文语种】中文【中图分类】TM6150 引言风功率预测是评估风电场运行状态的基础，其随机波动特性给电网安全运行带来了挑战[1]。

为了保证电力系统安全稳定可靠运行，缓解电力系统调峰、调频压力，必须提高风电功率预测的精度[2]。

对于风电功率预测，主要是基于风电场的历史数据[3]、数值天气预报NWP(Numerical Weather Prediction)[4]、地理位置和气象环境因素[5]、风速-风功率转化特性[6]，结合物理、统计及组合等预测模型，实现多时间尺度的预测[7]。

基于混合智能优化LSSVM的非高斯脉动风速预测

基于混合智能优化LSSVM的非高斯脉动风速预测李春祥;丁晓达;郑晓芬【摘要】The ant colony optimization (ACO),the genetic algorithm (GA),and the particle swarm optimization (PSO) have different strengths and weaknesses.In order to fully use the fine global search capabilities of both ACO and GA and the hierarchical search mechanism of PSO,both the hybridizing ant colony and particle swarm optimization (named ACO + PSO) and hybridizing genetic algorithm and particle swarm optimization (called GA + PSO) based least square support vector machines (LSSVM),referred respectively to as ACO + PSO-LSSVM and GA + PSO-LSSVM,have been proposed to predict the non-Gaussian fluctuating wind velocity.Subsequently,the non-Gaussian wind velocity of a super-tall building was forecasted by using the ACO + PSO-LSSVM and the GA + PSO-LSSVM.For the purpose of comparison,the results for the non-Gaussian wind velocity of ACO-LSSVM,PSO-LSSVM,and GA-LSSVM were provided simultaneously.Through scrutinizing the predicted non-Gaussian wind velocity time-history,predicted values of correlation functions,and predictive performance evaluation indices,it has been shown that the two proposed hybridizing intelligent optimization based LSSVM algorithms possess better accuracy and higher robustness for the prediction of nonGaussian fluctuating wind velocity of super-tall buildings.%考虑智能优化:蚁群算法(ACO)、遗传算法(GA)和粒子群算法(PSO)各自优缺点,并为充分发挥蚁群、遗传算法较好的全局搜索能力和粒子群算法的分级搜索机制,提出混合蚁群和粒子群优化(ACO+ PSO)和混合遗传算法和粒子群优化(GA+ PSO)最小二乘支持向量机(LSSVM)的非高斯脉动风速预测模型,分别称为ACO+ PSO-LSSVM和GA+ PSO-LSSVM.运用ACO+ PSO-LSSVM和GA+ PSO-LSSVM预测模型对某超高层建筑的非高斯脉动风速进行了预测;为比较目的,同时给出ACO-LSSVM、PSO-LSSVM和GA-LSSVM的非高斯脉动风速预测结果.经仔细检查非高斯脉动风速时程预测值、相关函数预测值以及预测性能评价指标,验证了基于混合智能优化LSSVM对非高斯脉动风速预测的有效性和优势.【期刊名称】《振动与冲击》【年(卷),期】2017(036)020【总页数】7页(P52-58)【关键词】非高斯脉动风速;混合智能优化;最小二乘支持向量机;蚁群优化;粒子群优化;遗传算法【作者】李春祥;丁晓达;郑晓芬【作者单位】上海大学土木工程系,上海200444;上海大学土木工程系,上海200444;同济大学建筑工程系,上海200092【正文语种】中文【中图分类】TU311在台风作用下，大跨桥梁和超高层建筑会产生剧烈的抖振。

基于EMD和LS-SVM的非平稳振动信号趋势预测

基于EMD和LS-SVM的非平稳振动信号趋势预测王洪波;朱启兵【期刊名称】《计算机工程与应用》【年(卷),期】2008(044)016【摘要】镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容.随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求.提出了一种基于经验模式分解 EMD(Empirical Mode Decompo-sition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)的新模型.首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量 IMF(intrinsic mode function);其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的 LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值.仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力.【总页数】3页(P157-159)【作者】王洪波;朱启兵【作者单位】江南大学,通信与控制工程学院,江苏,无锡,214122;江南大学,通信与控制工程学院,江苏,无锡,214122【正文语种】中文【中图分类】TP39【相关文献】1.大型回转支承非平稳振动信号的EEMD-PCA降噪方法 [J], 封杨;黄筱调;陈捷;王华;洪荣晶2.大型旋转机械非平稳振动信号的EEMD降噪方法 [J], 曹冲锋;杨世锡;杨将新3.基于EEMD和LS-SVM模型的风电功率短期预测方法 [J], 程启明;陈路;程尹曼;张强;高杰4.基于EMD与LS-SVM的网络控制系统时延预测方法 [J], 田中大;高宪文;李琨5.基于IEEMD与LS-SVM组合的短期风电功率多步预测方法 [J], 张鑫磊; 李根因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM在线模型的非线性预测控制研究的开题报告

基于LS-SVM在线模型的非线性预测控制研究的开题报告一、选题背景和研究意义随着社会经济的发展和科技的进步，控制理论在工业自动化、交通运输、航空航天等领域都得到广泛应用。

而预测控制作为控制理论的一个分支，在过去的几十年中也获得了很大的发展。

预测控制以测量信号、控制信号和外部干扰等多变量因素为输入，以控制目标为输出，通过对过去数据的学习和对未来状态的预测，对目标变量进行控制，不仅能提高控制质量，同时也能提高系统的鲁棒性和可靠性。

然而，传统的预测模型往往需要建立系统的动态方程或者依赖于已知的系统结构，难以应对非线性系统和复杂系统的动态建模和控制。

而基于支持向量机的在线预测控制方法则可以实现在线学习和在线控制，不需要系统的特定结构和动态方程，所以在处理非线性系统和复杂系统时有着更好的表现。

因此，本文提出一种基于LS-SVM的在线预测控制方法，旨在解决非线性系统控制问题，为实际工程应用提供一种新的解决方案。

二、研究内容和方法基于LS-SVM的在线预测控制方法主要包括两个部分：一是在线建立非线性系统的预测模型；二是在线执行预测控制算法。

首先，采用LS-SVM算法，利用线性支持向量机的学习思想，将非线性系统转化为一个线性的高维特征空间中分类问题。

然后，在得到足够的训练数据后，利用在线学习的方法，实时的更新模型参数，提高预测准确性。

其次，基于模型预测控制（MPC）的思想，将预测模型和控制器相结合，通过实时优化控制变量的值，实现对目标系统的在线控制。

三、研究计划和进度1、文献调研和论文撰写（1个月）2、系统模型建立和数据采集（1个月）3、基于LS-SVM的在线预测模型建立（2个月）4、基于MPC的在线控制算法设计（2个月）5、算法仿真和性能分析（2个月）6、论文修改和答辩准备（1个月）预计在6个月左右完成研究工作，并在相应学术期刊或国际会议上发表相关论文。

基于EMD与LS-SVM的网络控制系统时延预测方法

基于EMD与LS-SVM的网络控制系统时延预测方法田中大;高宪文;李琨【期刊名称】《电子学报》【年(卷),期】2014(000)005【摘要】In order to predict the random time-delay of Internet-based networked control system effectively ,a hybrid one step time-delay forecasting method based on Empirical Mode Decomposition (EMD )and Least Squared Support Vector Machines (LS-SVM)is presented in thepaper .Firstly ,EMD algorithm can decompose time-delay sequences into some intrinsic mode functions (IMF) ,the IMF after decomposed removethe long-range dependence of original time-delay sequences and prominent the different local feature of the time-delaysequences .Secondly ,according to the change law of each IMF ,chose different LS-SVM model to predict time-delay .At last ,all the forecasted values corresponded to these partitions are superposed to get the forecasted time-delay . Simulation results show that the proposed method has higher prediction accuracy .%为了提高基于Internet的网络控制系统中随机时延的预测精度，提出了基于经验模式分解（empirical mode decomposition ，EMD ）与最小二乘支持向量机（Least Squared Support Vector Machines ，LS-SVM ）的一步时延预测方法。

基于EMD近似熵和LS-SVM的机械故障智能诊断

基于EMD近似熵和LS-SVM的机械故障智能诊断戴桂平【期刊名称】《机械强度》【年(卷),期】2011(33)2【摘要】故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键,针对此问题,提出一种基于经验模式分解(empirical mode decomposition,EMD)近似熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的机械故障诊断新方法。

利用EMD良好的局域化特性和近似熵表征信号复杂性规律来量化故障特征,再与LS-SVM相结合进行故障类型识别。

首先,对故障振动信号进行EMD分解,得到若干个反映故障信息的本征模函数(intrinsic mode function,IMF);其次,选取前4个IMF的近似熵值作为信号的特征向量;最后将构造的特征向量输入到LS-SVM分类器进行故障类型识别。

仿真表明,该方法能有效地提取故障特征,与传统的BP(back propagation)网络相比,具有训练样本少、训练时间短、识别率高等优点。

【总页数】5页(P165-169)【关键词】经验模式分解(empirical;mode;decomposition,EMD);近似熵;最小二乘支持向量机(least;square;support;vector;machine,LS-SVM);故障诊断【作者】戴桂平【作者单位】苏州市职业大学电子信息工程系【正文语种】中文【中图分类】TP181;TH165.3【相关文献】1.基于EMD近似熵和DAGSVM的机械故障诊断 [J], 戴桂平2.基于EMD近似熵和LSSVM的齿轮箱故障诊断研究 [J], 黄俊;潘宏侠;都衡3.基于小波包熵与EMD的能量算子解调机械故障诊断 [J], 王少锋;王戈;王建国;高琳4.基于EMD和近似熵的大型观缆车滚动轴承声发射信号故障诊断 [J], 金榕舜;沈功田;王强;张君娇;5.基于EMD和近似熵的大型观缆车滚动轴承声发射信号故障诊断 [J], 金榕舜;沈功田;王强;张君娇因版权原因，仅展示原文概要，查看原文内容请购买。

基于EMD-PCA-LSSVM方法的滚动轴承安全域估计和状态辨识

基于EMD-PCA-LSSVM方法的滚动轴承安全域估计和状态辨识张媛;秦勇;邢宗义;贾利民;廖贵玲【期刊名称】《高技术通讯》【年(卷),期】2013(023)005【摘要】将安全域的思想引入滚动轴承的状态监测中,综合利用经验模式分解(EMD)、主成分分析(PCA)和最小二乘支持向量机(LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识.首先,按一定的时间间隔将采集的振动数据分段,每段数据进行EMD后获得各本征模函数(IMF)分量；其次,基于各段数据的本征模函数分量,利用主成分分析方法提取出每段数据的T2统计量和平方预估误差(SPE)统计量控制限值作为滚动轴承的状态特征量；最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类的LSSVM进行滚动轴承的正常以及滚动体故障、内圈故障、外圈故障四种状态的辨识.试验结果显示安全域估计准确率和多种状态辨识正确率均大于95％,验证了上述方法的有效性.%The idea of safety region was introduced into the condition monitoring of rolling bearings,and the research on estimation of a rolling bearing' s safe operating region and identification of a rolling bearing' s operating state (normal or at fault) was performed by combinative use of empirical mode decomposition (EMD),principal component analysis (PCA) and least square support vector machine (LSSVM).Firstly,the vibration data of a rolling bearing was collected and it was segmented at regular intervals,and intrinsic mode functions (IMFs) of each segment' s data were obtained byusing EMD.Then two statistical variables' control limits as the state characteristics of the rolling bearing were calculated based on PCA.At last,the boundary of the safety region was estimated by a twoclassification LSSVM,and the normal condition and three fault conditions were identified by a multi-classification LSSVM.The experimental results indicated that the accuracy of safety region estimation and that of state identification were both more than 95 ％,so the effectiveness of the above method was verified.【总页数】8页(P525-532)【作者】张媛;秦勇;邢宗义;贾利民;廖贵玲【作者单位】北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044;南京理工大学自动化学院南京210014;北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044【正文语种】中文【相关文献】1.基于VPMELM的滚动轴承劣化状态辨识方法 [J], 郑近德;潘海洋;童宝宏;张良安2.基于LMD-PCA-LSSVM的滚动轴承安全域估计和状态辨识方法 [J], 张媛;秦勇;邢宗义;贾利民;陈波3.基于LSSVM和PNN的车轮状态安全域估计及故障诊断 [J], 冯坚强;李俊明;王晓浩;曹康4.基于粒子滤波状态估计的滚动轴承故障识别方法 [J], 史晓雪;吴亚锋5.基于安全域估计的轨道车辆服役状态安全评估方法 [J], 秦勇;史婧轩;张媛;朱圣芝;贾利民因版权原因，仅展示原文概要，查看原文内容请购买。