论文摘要
采用自适应的变分模态分解(adaptive variational modal decomposition,简称AVMD)与核极限学习机(kernel extreme learning machine,简称KELM)联合的方法对水闸在泄流过程中的监测信号进行振动预测分析,用以辅助决策和及时预警。首先,基于互信息准则确定AVMD的分解模态数,克服变分模态分解(variatronal modal decomposition,简称VMD)盲目选取分解参数的缺点,利用AVMD把水闸振动信号分解成K个固态模量(intrinsic mode function,简称IMF);其次,通过KELM对各IMF分量分别进行预测;最后,将各测点对应的IMFs预测结果相加作为最终的预测值。结合某水闸在自由泄流工况下的振动数据,分别采用AVMD-KELM和KELM模型、支持向量机(support vector machine,简称SVM)模型对其振动趋势进行预测,并将预测结果进行对比分析。结果表明,AVMD-KELM模型得到的预测结果与实测值更加接近,计算速度更快,精度更高,且误差较小,该方法可有效预测水闸结构的振动趋势。
论文目录
文章来源
类型: 期刊论文
作者: 张建伟,华薇薇,侯鸽,赵瑜,郭西方
关键词: 自适应变分模态分解,核极限学习机,水闸,振动预测
来源: 振动.测试与诊断 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 水利水电工程
单位: 华北水利水电大学水利学院,水资源高效利用与保障工程河南省协同创新中心,河南省水工结构安全工程技术研究中心,河南中原黄河工程有限公司
基金: 国家自然科学基金资助项目(51679091),河南省高校科技创新人才计划资助项目(18HASTIT012),广东省水利科技创新基金资助项目(2017-16),华北水利水电大学研究生教育创新计划基金资助项目(YK2017-03)
分类号: TV66
DOI: 10.16450/j.cnki.issn.1004-6801.2019.05.005
页码: 947-952+1128
总页数: 7
文件大小: 1499K
下载量: 113
相关论文文献
标签:自适应变分模态分解论文; 核极限学习机论文; 水闸论文; 振动预测论文;