1. 淮阴工学院江苏省先进制造技术重点实验室
2. 淮阴工学院自动化学院
3. 中国电建集团华东勘测设计研究院有限公司
4. 华中科技大学土木与水利工程学院
Published:2023
移动端阅览
张楠, 朱永奇, 孙娜, et al. 基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测[J]. 2023, (10): 204-207+199.
DOI:
张楠, 朱永奇, 孙娜, et al. 基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测[J]. 2023, (10): 204-207+199. DOI: 10.20040/j.cnki.1000-7709.2023.20222110.
针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。
Hunter–prey optimization: algorithm and applications[J]. Naruei, Iraj;Keynia, Farshid;Sabbagh Molahosseini, Amir.Soft Computing,2021
Variational Mode Decomposition.[J]. Konstantin Dragomiretskiy;Dominique Zosso.IEEE Trans. Signal Processing,2014
基于VMD-GA-BP和误差校正的水电机组振动趋势预测[J]. 袁成建;邓玉敏;张雪桂;马历;严耀亮;李超顺.中国农村水利水电,2023(01)
基于CEEMDAN和混合灰狼算法优化SVM的水电机组故障诊断方法[J]. 杨彤;王卫玉;张培;侯凯;郑阳;陈启卷.水电能源科学,2022(03)
基于改进预测模型的水电机组状态趋势预测[J]. 陈畅;张毅;段炼达;王聪.水电能源科学,2022(01)
基于EEMD-GA-BP的水电机组状态趋势预测[J]. 陆丹;肖志怀;刘东;胡晓;邓涛.中国农村水利水电,2021(08)
基于能量熵重构与支持向量回归的水电机组状态趋势预测[J]. 薛小明;曹苏群;李超顺;姜伟.水电能源科学,2019(09)
基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究[J]. 杨华;陈云良;徐永;赵琼.工程科学与技术,2017(02)
基于OVMD与SVR的水电机组振动趋势预测[J]. 付文龙;周建中;张勇传;郑阳.振动与冲击,2016(08)
0
Views
135
下载量
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution