专利交易市场

一种基于改进变分模态分解的故障识别方法，该方法结合变分模态分解和深度自编码器的混合方法来实现风电齿轮箱轴承故障的识别，首先，利用功率谱熵优化变分模态分解的本征模态函数数目和模态初始中心约束强度；然后，利用样本熵阈值将本征模态函数分为高噪声和低噪声分量，接着用小波阈值对高噪声本征模态函数分量进行降噪重构；之后，利用深度自编码器对故障特征进行提取和降维；最后，利用支持向量机对轴承故障进行识别。本发明可以更好的提取故障轴承的特征，对故障进行更快更精确的识别。

基于改进连续变分模态分解的旋转机械故障诊断方法，包括：S1：采集振动信号；S2：设置平衡参数α的变化范围和增大步长；S3：以α增大的每一步值执行连续变分模态分解SVMD；S4：计算每一步所得模态分量的能量位置指标值EP；S5：找出每一步的最小EP指标值及其对应目标模态分量的序号；S6：画出α与每一步最小EP指标值及目标模态分量序号之间的关系曲线；S7：找出α的最优值；S8：找出α最优值对应的目标模态分量序号；S9：以α最优值执行SVMD，选取最优目标模态分量；S10：提取故障特征频率，实现旋转机械故障诊断。本发明克服了现有的SVMD中平衡参数难以确定、目标模态分量难以选取的问题，可以方便有效地实现旋转机械故障诊断。

本发明公开了一种基于VMD与Elman神经网络的电离层预报方法，利用变分模态分解法与Elman神经网络组合进行电离层TEC预报建模。本发明利用变分模态分解(VMD)与Elman神经网络组合进行电离层TEC预报建模。考虑到电离层TEC序列存在的非线性、非平稳性等特征，VMD算法在进行TEC原始序列预处理时能有效降低原始序列的复杂度且不发生模态混叠现象。与常用的EMD算法相比，VMD在数据预处理过程中能有效避免模态混叠现象的发生，滤波降噪性能更加优良。本发明引入VMD方法对电离层TEC序列进行分解，得到相应的本征模态分量(IMF)，为后续预测模型提供质量较高的输入值。

本发明涉及一种基于变分模态分解的风电波动平抑方法，包括步骤：采样获得风电机组的原始功率；将其与其额定功率做差得波动功率；将波动功率信号分解为一个以上的本征模态函数和残差信号，把本征模态函数分为低频信号和高频信号两类；把低频信号作为能量型储能元件的指令信号，能量型储能元件发出功率平抑低频功率信号；将高频信号作为功率型储能元件的指令信号，功率型储能元件发出功率平抑高频功率信号；将储能元件与风电机组一起并网，储能元件的响应功率平抑原始功率中的波动功率部分，使发出的功率在额定功率周围波动。本发明把原始功率与额定功率的差值波动功率作为储能信号，更加精确地分解为不同频率的信号，并由储能元件平抑。

本发明公开了一种基于优化变分模态分解的锂电池组剩余寿命预测方法，测量锂电池组随着充放电周期的放电容量数据序列，并生成充放电周期数据序列；采用后验反馈置信度的方法处理锂电池组放电容量数据序列，优选变分模态分解模态层数，并生成本征模态分量数据序列；生成放电容量退化趋势分量数据序列与噪声分量数据序列；应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列；应用高斯过程回归建立噪声预测模型，预测锂电池组未来充放电周期的噪声数据序列；计算锂电池组未来充放电周期的放电容量数据序列；基于锂电池组失效阈值，计算锂电池组的剩余寿命。本发明具有误差小、预测精度高的优点。