Print

AVMD-KELM方法在水闸结构振动趋势预测中的应用

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

  • 引言
  • 1 基本原理
  •   1.1 变分模态分解
  •   1.2 自适应的变分模态分解
  •   1.3 核极限学习机
  • 2 AVMD-KELM预测模型
  • 3 工程实例
  •   3.1 拾振器的布置及振动数据的选取
  •   3.2 AVMD分解结果
  •   3.3 AVMD-KELM模型预测结果及对比
  • 4 结论

    • 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

    本文来源: https://www.lunwen66.cn/article/c3997538c9538d94d1187297.html