基于 EMD 和神經網絡石家莊風機廠風機運行狀態預測

 石家莊風機廠 石家莊風機 石家莊市風機廠 石家莊風機維修 石家莊風機銷售

基于 EMD 和神經網絡石家莊風機廠風機運行狀態預測
5.1 概述
Hilbert-Huang 變換是美國國家宇航局的 Norden E．Huang 于 1998 年首次提出的，它包括經驗模態分解(EMD)和 Hilbert 變換兩部分。它能對信號進行時頻局部化分析。這一方法是通過信號本身確定一組各不相同的基函數，由于 EMD 的分解結果取決于基函數，也就是說分解結果具有自適應的特點，該方法同時給出了表征信號局域性特點的基本函數，真正分析了信號的局部特征，更適合處理復雜的非平穩信號，是一種更具適應性的時頻局部化分析方法。該方法已經廣泛應用于地球物理學、生物醫學、設備診斷等領域，并取得了較好的效果。
目前人們主要采用參數模型對監測所得的歷史數據進行分析，常用的模型有TAR 模型、基因線性回歸、灰色模型、投影尋蹤回歸、未確知模擬模型、模糊預測、組合預測等預測模型，這些模型都有各自的特點，但對于有些數據有時很難建立合適、有效的數學模型。人工神經網絡技術,適合于研究復雜非線性系統和不確定過程，因此在很多領域得到了較為廣泛的應用，但信號的非平穩性給神經網絡預測也帶來了一些難度。本文將 EMD 分解和神經網絡相結合,利用 EMD 分解過程隔離振動信號中的非平穩性，從而使分量信號的非平穩性減弱，以提高神經網絡預測的準確性。
5.2 EMD 的原理和方法
經驗模態分解方法 EMD 和 Hilbert 變換是由美籍華人 N．E．Huang 等人在對瞬時頻率研究之后得出的一種心的數據分析方法。對于具有信號局部特性的 IMF的引入是 HHT 的一個很大的創新，這就具有了比其他信號分析方法無法比擬的優點。利用 EMD 的對信號的分析可以消除信號騎行波，而且振動的幅值的大小有很大差別，EMD 可以對這些振幅做平滑的處理，讓 IMF 滿足必要的條件。
在對信號 EMD 分解，獲得 IMF 必須滿足兩個條件：第一，待分解的信號所有極大值、極小值和過零點的數目一定要相等或者數目差不能超過一個。第二，待分解信號的局部極大、極小值組成的包絡線的平均值必須是零。
5.3 BP 神經網絡
對神經網絡的拓撲結構和數學模型進行了介紹，實驗驗證神經網絡的可行性。
5.3.1 概述
P.Werbos博士在1974年首先提出了一種利用多層的網絡來進行學習的算法。在當時，由于種種原因，這個算法沒有受到學術界的重視。直到BP算法的出現和《Parallel Distributed Processing》一書的發表，神經網絡算法開始讓人們熟知，以至于把BP算法利用到神經網絡的學習中。從此由多個網絡層進行的學習算法進行訓練的神經網絡即BP神經網絡開始進入到普及和應用。