基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。     

基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测

有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象，提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先，利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列，降低原始序列的非平稳性；然后，针对分解后的各个子序列建立多个基于GRU的时间序列预测模型，为提高预测精度，提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数；最后，叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验，结果表明，相比于其他时间序列预测模型，本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.044 5和0.039 1,均低于其他模型，验证了其有效性。     

V/x型牵引变压器匝间短路识别方法研究

V/x型牵引变压器匝间短路是威胁重载货运专线牵引供电系统运行安全的重要因素,欲实现匝间故障的快速、准确识别,必须建立高效的模态特征提取方法。组合经验模态分解(EMD)和能量权重原理的多尺度能量熵识别方法,可从差动电流信号中准确提取牵引变压器匝间的动态特征信息。该方法首先对差动电流信号进行EMD分解,以获得若干固有模态函数(IMF)分量;然后计算差动电流信号和各个IMF分量的能量权重;最后构建基于能量权重的多尺度能量熵,并以熵值作为识别匝间短路的特征矢量。实验案例证明,该方法不仅能快速准确识别出变压器匝间短路,而且具有原理清晰、模式空间划分简单的优点。     

基于Verhulst动态新陈代谢的邻近铁路基坑变形预测

为了掌握邻近铁路基坑变形趋势,提高预测精度,保证基坑施工顺利进行和铁路运营安全,针对灰色预测模型存在的不足,提出对常规Verhulst新陈代谢模型加以改进,构建Verhulst动态新陈代谢模型,对邻近铁路基坑变形进行预测,并与灰色GM(1,1)模型、灰色Verhulst模型和常规Verhulst新陈代谢模型的预测精度对比。研究结果表明,Verhulst动态新陈代谢模型的预测精度更高。并且随着新信息的引入和旧信息的剔除,预测更加接近最新变化趋势。Verhulst动态新陈代谢模型为此类基坑的变形预测提供方法。     

基于CEEMD的无绝缘轨道电路调谐区故障特征提取

针对无绝缘轨道电路调谐区故障特征难以提取的问题,提出基于补充总体平均经验模态分解(CEEMD)的调谐区故障特征提取方法。采用四端网理论和传输线理论构建无绝缘轨道电路模型,仿真分析调谐区不同故障对轨道电路表面电压的影响;利用经验模态分解(EMD)、总体经验模态分解(EEMD)及CEEMD分别对电压信号进行分解,再提取故障特征向量。仿真结果表明:CEEMD方法抑制了EMD和EEMD引起的模态混叠和残留噪声现象,提高了运算效率,能够有效提取无绝缘轨道电路调谐区故障特征。     

基于EMD和ARMA模型桥梁振动信号降噪的处理方法

在桥梁振动信号的采集和传输过程中,针对外界环境的影响可能会在信号中形成局部强噪声干扰,从而造成分析结果的失真以及由于桥梁振动信号通常具有较宽的频谱成分,致使传统的滤波降噪方法存在很大的局限性等问题,基于经验模态分解(EMD)和自回归滑动平均(ARMA)模型提出了一种信号降噪方法。首先,利用EMD把有强噪声干扰的信号分解成不同时间尺度的本征模函数(IMF)和残余项;然后,分别对每个IMF无干扰区段建立ARMA模型,利用各个模型对有干扰区段进行滤波,用滤波后的数据代替原来的数据,对于残余项,拟合为多项式;最后,将所有的IMF及拟合后的残余项叠加,即得到降噪后的信号。通过对实测南京长江大桥有对讲机干扰的应变信号进行分析,结果表明了该方法的可行性及有效性。     

隧道施工围岩变形预测的智能模型

将支持向量回归(SVR)算法引入隧道施工期围岩变形预测,并采用遗传算法来自动搜索支持向量回归算法的模型参数,形成GA-SVR算法。结合香河隧道的施工变形监测,建立起了公路隧道施工围岩变形预测的GA-SVR智能模型。采用此模型对香河隧道后继开挖的监测时间点进行变形预测,并与实测变形对比,所建立的GA-SVR智能模型预测最大相对误差仅为6.99%,平均预测相对误差仅为1.99%,完全可用于公路隧道施工期的围岩变形预测,并为类似工程提供了借鉴。     

基于EMD广义能量的列车车轮故障诊断技术

针对列车车轮故障诊断,研究基于经验模态分解(EMD)广义能量法诊断技术。首先对钢轨振动信号进行经验模态分解,选取出有效本征模函数分量并赋予权重系数,然后求出各分量的能量加权和作为该信号的EMD广义能量值,最后确定出正常车轮的EMD广义能量安全域阈值,判断车轮的故障状态。采用仿真的正常及故障车轮的钢轨振动信号进行实验,验证提出的方法对正常和故障车轮的识别准确率达到90%以上。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型

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330~350km/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。     

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨...     

深基坑变形多维度预测研究

对可能影响深基坑变形的工程地质条件、水文地质条件、深基坑空间尺寸、支护结构进行了分析。考虑土的重度、土体的粘聚力、土体的内摩擦角、地下水位、土体的渗透系数、深基坑开挖深度、内支撑层数等7个主要因素的影响,以7个因素统计值作为训练样本,以实际观测得到的深基坑变形值作为目标值,建立了考虑多种影响因素的深基坑开挖变形预测BP神经网络模型。对比预测值与实测值,结果显示该模型预测误差非常小,模型精度很高。     

基于FPSO灰色Verhulst模型的铁路货运量预测

为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。     

基于 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

基于EMD和随机减量技术的大型桥梁模态参数识别

结合南京长江大桥结构健康监测信号,提出将经验模态分解(EMD)与随机减量技术(RDT)相结合进行结构模态参数识别的方法。对于环境随机激励,经EMD分解后的结构模态响应,实际上由自由振动响应和外荷载引起的强迫振动响应2部分组成,可应用RDT得到对应模态的自由振动响应,从而识别结构的频率及阻尼。通过与有限元及谱分析结果相比较,证明了将EMD与RDT相结合的方法识别非平稳振动信号模态参数的有效性和合理性,适合于大型桥梁结构的模态参数识别。     

Hilbert-Huang变换在桥梁振动分析中的应用

提出将Hilbert Huang 变换的信号处理方法应用于桥梁振动分析中。此方法是通过经验模态分解(EMD)将一复杂的原始数据序列分解成一组本征模函数(IMF)和一个残余项,然后再对每一个IMF进行Hil bert变换。这样所得到的信号幅度和瞬时频率都是时间的函数,即获得了幅度的频率时间分布,称为Hilbert Huang幅度谱,进而得到Hilbert边界谱。文中利用Hilbert Huang变换对南京桥有列车通过时的实测加速度响应进行了处理与分析,结果表明该方法可行、有效。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。