AVMD-KELM方法在水闸结构振动趋势预测中的应用

作者：张建伟; 华薇薇; 侯鸽; 赵瑜; 郭西方

来源：振动.测试与诊断, 2019, 39(05): 947-1128.

DOI：10.16450/j.cnki.issn.1004-6801.2019.05.005

• 自适应变分模态分解
• 核极限学习机
• 水闸
• 振动预测

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。

• 单位
  华北水利水电大学