基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

结合经验模态分解的振动信号趋势项提取方法

提出一种结合经验模态分解（Empirical Mode Decomposition,EMD）的振动信号趋势项提取方法。利用EMD将信号分解为一系列固有模态函数（Intrinsic Mode Function,IMF）,根据振动信号过零点特性,对属于趋势项的IMF分量进行判别,并对判别为趋势项的IMF分量进一步利用最小二乘法进行趋势项拟舍,将拟合结果求和作为最终趋势项。数值模拟试验和实测数据处理结果表明,这一方法无需假设趋势项类型,且可不受EMD过程中模态混叠和端点效应的影响,使趋势项提取更为准确。     

基于组合预测模型的飞行器健康预测

针对飞行器健康状况难以准确预测的问题,结合GM(1,1)模型和MGM(1,n)模型的各自优点,提出了基于组合预测模型对飞行器健康信息进行预测的新方法.首先对由声发射传感器募集到的飞行器关键部件原始声发射信号进行五级sym4小波分解,分别提取其第五层小波分解系数的绝对值平均值、标准差和奇异值三种特征向量;然后分别用GM(1,1)模型和MGM(1,n)模型对绝对值平均值进行预测,利用BP神经网络将这两种模型的预测结果作为输入、原始数据作为输出进行组合预测.实验表明,这种组合预测方法可以很好地实现对飞行器关键部件故障信息的准确预测,其预测准确度明显高于单一预测模型,从而证实了该方法的有效性.     

弹载电子设备寿命预测方法研究

介绍了寿命预测的基本概念及目前较常用的几种预测方法,分析了这几种方法的优缺点。着重描述了具有"少数据建模"特点的灰色GM(1,1)预测模型的建模方法及后验差精度检验方法,最后应用此模型解决了某型号弹载电子设备寿命预测的问题。     

基于灰色预测理论的民用航空器使用困难预测研究

简述了灰色预测理论的特点、灰色GM(1,1)预测模型的建模过程及后验差检验的方法,以1996年1月～1997年4月期间全国民航B737型飞机的使用困难千时率为原始统计数据,建立灰色GM(1,1)预测模型,经检验模型的精度达到了1级精度。结果表明,模型的预测结果比较可靠,这对于改进民用航空器产品的设计,提高民用航空器的安全运营可靠性有一定作用。     

基于EMD-SVR的光纤陀螺随机误差预测

为了提升光纤陀螺随机误差建模的准确性及补偿结果,提出了一种基于经验模态分解与支持向量机结合的随机误差预测方法。鉴于随机误差的非线性及不稳定性,直接进行预测时精度不高,采用经验模态分解对原始数据进行分解以降低时间序列的复杂程度;然后根据经验模态分解得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;再将所得的各分量的预测结果综合以得到光纤陀螺随机误差的预测结果。以光纤陀螺随机误差数据作为验证,结果表明,相较于传统的预测方法,均方根误差与平均绝对误差分别降低了78.4%和75.5%,有效提高了回归精度。     

基于经验模态分解的非平稳信号趋势项消除

归纳概括了传统的趋势项消除方法,指出各类方法的优点和不足,提出了基于EMD（经验模态分解）的非线性、非平稳信号剔除方法。该方法通过数据驱动自适应构造基底函数IMF（本征模函数）,再由若干阶IMF分量和剩余分量的重组获得趋势项,避免了对复杂趋势项的数学建模和分析计算。仿真结果表明,EMD法能够有效地提取和剔除非平稳信号中的复杂趋势项成分,获得平滑的趋向性信号。     

基于灰色理论的自适应多参数预测模型

故障预测对保障武器装备安全可靠工作具有重要意义。但是,用于武器装备故障诊断和预测的数据往往是小样本、多特征参数数据,当前主要的故障预测方法在实际故障预测中虽取得了一定的效果,但均存在不足之处。本文基于灰色预测建模理论,分析了GM(1,1)预测建模中的不足,考虑多个特征参数间的相互关系以及预测序列的实际特点,修正了初始值和背景值,建立了小样本情况下的自适应多特征参数预测模型,并以某型飞机发动机的多特征参数的仿真数据为例进行了预测分析,结果表明该模型具有很好的预测精度,证明了该模型的有效性。     

基于灰色理论的导弹装备故障间隔时间预测

导弹装备的故障间隔时间是其可靠性参数的重要指标,通过分析导弹装备的特点,建立了故障间隔时间预测模型.考虑到导弹装备的故障数据量有限,用一般方法准确地预测很困难,因此提出用灰色预测模型进行预测的方法,建立了GM(1,1)预测模型并用数据进行验证.验证结果表明该方法具有很好的预测精度,可用于装备故障间隔时间的预测和估算.     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解（EMD）和支持向量机（SVM）的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数（IMF）通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

导弹电子设备故障的组合预测方法研究

针对传统GM(1,1)的对纯指数型序列预测的局限性,引出了改进的离散灰色DGM(1,1)模型。应用DGM(1,1)模型与时间序列AR模型的组合模型对导弹电子设备进行故障预测,并通过实例对预测精度进行了检验。     

基于K线理论的股票灰色预测方法研究

文章将GM(1,1)模型用于股票预测,提出了基于K线理论的股票灰色预测方法,并通过预测实例说明了其有效性.     

基于灰色神经网络的疲劳裂纹预测方法研究

为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM（I,1）模型向BP网络映射,建立了一维灰色神经网络GNNM（1,1）模型。基于灰色GM（1,1）模型的发展系数和灰作用量给出了GNNM（1,1）模型初始权值。应用建立的GNNM（1,1）模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM（I,1）模型的预测结果进行了对比,表明GNNM（1,1）模型具有更高的预测精度和模型精度。     

材料腐蚀预测数学模型的研究

分别用灰色 GM( 1,1 )模型、动态数据双向差分模型对腐蚀试验数据进行了拟合和预测。结果表明 :灰色 GM( 1,1 )模型对腐蚀数据有较好的拟合和预测精度,且对数据有较好的适应性;动态数据双向差分模型对波动不大的腐蚀数据有较好的拟合和预测精度,对波动较大的腐蚀数据其拟合和预测的误差较大。并将两种模型和大气腐蚀研究中常用的幂函数模型进行了比较。     

首都机场飞行流量的灰色区间预测

首都机场是中国航班最为密集的机场之一,科学准确地预测飞行流量的发展趋势,是首都机场各级决策部门制定发展规划的重要依据。区间预测相对于以往的单一值预测而言,能更好地反应出飞行流量的长期发展趋势,为辅助决策提供了一定的选择余地。针对飞行流量的长期预测存在影响因素较多、相关数据不足等特点,提出了以GM(1,N)模型为基础的灰色区间预测新模型,该模型利用指数回归模型得出的地区GDP的长期预测值,预测出年飞行流量未来的取值区间。通过对首都机场年飞行流量的仿真计算,说明该模型能够较好地显示出飞行流量的发展趋势。     

EMD滤波在捷联惯导晃动基座初始对准中的应用

为了实现晃动基座情况下光纤捷联惯性导航系统的高精度初始对准,提出了一种基于经验模态分解(EMD)法去噪的抗干扰初始对准算法。该算法在凝固惯性系下进行姿态更新,以反映载体在晃动干扰下的姿态变化,从而消除角运动干扰的影响;并针对EMD法的不足对其进行改进,然后对加速度计的输出进行去噪,以消除线运动干扰的影响。结果表明:改进后的EMD法具有良好的去噪效果,基于EMD法去噪的抗干扰初始对准算法具有角运动和线运动的干扰抑制能力,能够实现晃动基座下的高精度抗干扰初始对准。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.