基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测

朱德全; 程剑林; 王彤阳; 杨贵程; 吴月超; 付文龙

doi:10.20040/j.cnki.1000-7709.2026.20250754

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测

更新时间：2026-02-25

- 基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测
- Issue 2, Pages: 1-6(2026)
- 作者机构：
  
  1. 浙江宁海抽水蓄能有限公司
  2. 中国电建集团华东勘测设计研究院有限公司
  3. 三峡大学电气与新能源学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2026.20250754
  CLC： TH113.1;TV743
- Published：2026
- 稿件说明：
移动端阅览
朱德全, 程剑林, 王彤阳, et al. 基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测[J]. 2026, (2): 1-6.
DOI：

朱德全, 程剑林, 王彤阳, et al. 基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测[J]. 2026, (2): 1-6. DOI： 10.20040/j.cnki.1000-7709.2026.20250754.

摘要

抽水蓄能机组振动趋势的准确预测是评估设备运行状态的重要手段

为此提出了基于自适应多元模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测方法。首先

利用多元变分模态分解(MVMD)对机组振动数据进行分解

并引入天鹰优化算法(AO)自适应确定最优模态分解参数

获得不同频率成分的本征模态函数(IMFs);然后

采用多尺度卷积神经网络(MSCNN)提取子信号深层空间特征;最后

建立门控循环单元(GRU)预测模型对各分量进行预测

叠加各子序列的预测结果得到机组振动趋势最终的预测结果。通过与其他模型的对比分析

验证了所提模型的优越性。

Abstract

关键词

Keywords

references

付文龙,周建中,张勇传,郑阳.基于OVMD与SVR的水电机组振动趋势预测[J].振动与冲击,2016(08).

罗毅,武博翔.基于深度学习LSTM-DBN的水轮机振动故障预测方法[J].振动.测试与诊断,2022(06).

兰家法,周玉辉,高泽良,姜奔,李超顺.基于机器学习的水电机组劣化趋势预测模型[J].水力发电学报,2022(12).

付波,聂兴宇,赵熙临,王诗雯,李超顺.基于VMD-SE-PSO-BIGRU模型的水电机组振动趋势预测[J].水电能源科学,2023(12).

张楠,朱永奇,孙娜,赖昕杰,李超顺.基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测[J].水电能源科学,2023(10).

付骏宇,许景辉.基于双通道数据主振动特征提取的水电机组轴系故障诊断[J].噪声与振动控制,2024(05).

郭建强,王熙,许力,李超顺.基于自适应多元变分模态分解和BiLSTM的水电机组振动预测[J].中国农村水利水电,2024(10).

王淑青,盛世龙,王云鹤,翟宇胜,陈开元.基于ICEEMDAN-VMD与结合注意力机制的简单循环单元的水轮机故障诊断[J].中国农村水利水电,2024(11).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于Kolmogorov-Arnold网络的深度学习模型改进对日径流预测的影响

基于ICEEMDAN和CNN-LSTM-ATTENTION的抽水蓄能机组振动预测

基于GHOA-VMD-GRU和CNN区间建模的长江上游干流日含沙量预测研究

抽水蓄能机组调速系统液压部分设备性能评估

基于VAE-GRU和残差注意力的大坝位移深度学习预测模型

Related Author

姚泽扬

赵勇

曹德勤

陈永智

王也

汪靖尧

冯陈

张玉全

Related Institution

湖南五凌电力科技有限公司

五凌电力有限公司

河海大学电气与动力工程学院

江西省水利科学院

南昌大学工程建设学院

AI问答

⁰