滚动轴承故障信号提取基于随机Resonance-Based去噪和VMD

文摘

针对滚动轴承的早期故障振动信号提取的困难,故障微弱信号提取基于变分的方法模式分解(VMD)和量子粒子群优化的自适应随机共振(QPSO-SR)去噪算法。首先,优化的自适应随机共振参数利用量子粒子群优化算法根据原始故障振动信号的特征。时最好的随机共振系统参数输出信噪比达到最大值。第二,原始信号去噪处理最优随机共振系统。噪声干扰和影响组件的影响结果是削弱。故障信号的振幅增强。然后VMD方法用于分解去噪信号实现故障弱信号的提取。该方法应用在实际模拟故障信号和故障信号。结果表明,该方法可以减少噪声的影响,提高计算的准确性VMD在背景噪声。它使VMD更有效的故障诊断领域。 The proposed method is helpful to realize the accurate diagnosis of rolling bearing early fault.

1。介绍

滚动轴承是旋转机械中最重要和容易损坏组件。它的运行状态直接关系到整个机械系统的性能(1- - - - - -3]。因此,它是重要的实现为滚动轴承故障诊断,防止致命的旋转机械的故障4]。振动分析是最常用的方法之一的旋转机械健康监测和故障诊断。机械设备的振动信号含有丰富的状态信息(5,6]。当旋转电机早期故障或工作在邪恶的环境中,有用的故障信号往往淹没在强背景噪声。它将严重影响故障诊断的准确性。因此,提取微弱故障信号是信号处理领域的一个研究热点(7]。

为了从复杂的原始信号中提取有用信号,许多学者提出了很多有效的弱信号提取方法。一类是提取微弱信号的去噪,如小波变换、混沌理论、经验模态分解(EMD),地方平均分解(LMD),集成经验模态分解(EEMD)和奇异值分解(计算)。采样频率的影响下,EEMD分解误差很大。孟和香8)提出了一种改进的EEMD中提取真正的固有模态函数(IMF)通过使用原始信号之间的相关系数和货币基金。通过这种方法,可以消除伪低频货币基金。易et al。9)提出了增强四元数奇异谱分析多通道去噪方法。这个方法有更好的能力比多元multisignal EMD方法处理。谢et al。10)提出了一种改进的基于扩展LMD特征波法消除最后的效果。易et al。11)提出了一个使用凸惩罚函数凸优化算法基于奇异值分解提取微弱故障特征。变分模态分解(VMD)是一种新的自适应信号处理方法Dragomiretskiy和Zosso提出的2014年(12]。在这种方法中,每个组件的中心频率和带宽是由迭代寻找最优解的过程中变分模式获得分解组件。因此,有效的分离可以实现自适应频域。现有的研究表明,在复杂信号分解VMD比EMD(有更多的优势13]。相比之下的递归滤波模式EEMD LMD, VMD nonrecursive和变分模式分解。它有一个坚实的理论基础。其实质是一个数字自适应维纳滤波器组,展示更好的噪声鲁棒性。通过收敛条件的合理控制,抽样对VMD的影响远小于EEMD LMD。模式分离,VMD可以成功分离的两个纯谐波信号频率相似。目前,研究变分模态分解的结果在机械故障诊断领域表明VMD更好的性能在很多方面比LMD和EEMD [14]。基于变分模态分解的故障特征提取具有重要的应用价值。

另一类是利用噪声来提高故障信号通过随机共振(SR)。由于其明显的优势在微弱信号检测、SR已成为近年来信号处理领域的热点(15,16]。汉et al。17)结合小波变换和随机共振理论,可以发现几个高频弱信号在强噪声背景通过调整小波多尺度分解的振幅。洛特et al。18将随机共振与EMD相结合,应用于检测偏差在带钢热轧机地带旅行。结果表明,该方法可以减少宕机和扩展组件的生命周期。Barbini说et al。19)集中在老的使用在一个二维梯度系统类型检测弱信号淹没在高斯噪声。二维系统更准确和更可靠的比传统的一维系统。马匹et al。20.使用双稳态随机共振和Woods-Saxon随机共振在轴承故障检测,分别。实验数据表明,每个老方法都有自己的特征。高et al。21]基于混沌理论构造相应的杜芬振荡器监控微弱信号,降低了信噪比阈值与传统监测方法。陆et al。22全波信号施工)增强随机共振,超越了传统随机共振故障信号处理领域,可用于微弱信号检测相关领域。林等。23)提出了一种新的添加剂噪声驾驶和非周期啁啾信号随机动力系统,可以提高系统性能的定位和移动目标检测。布林等。24)使用机械随机共振检测弱信号,这收获弱周期信号通过一个倒立摆的运动。施等。25)联合分析模态分解与自适应随机共振(AMD)和EEMD,可改善EEMD的分解结果。这种方法在滚动轴承故障诊断有很好的效果。香和中26)提出了一个两步的杜芬振荡器和随机共振方法。这方法结合随机共振和人工蜂群算法。它有利于检测弱信号从强噪声环境。刘等人。27结合小波重建和随机共振。重建规模选择通过比较每个分解的小波熵的规模。这个故障检测方法比传统小波重建更加准确。上述研究结合的随机共振信号处理方法或优化方法表明,适当的应用信号处理可使随机共振方法在故障诊断方法有更好的效果。随机共振有重要应用价值在强噪声背景下的故障诊断。

结合VMD的各自优势和SR,本研究提出了一种微弱信号提取滚动轴承故障的方法基于VMD和量子粒子群优化(QPSO)自适应随机共振。首先,随机共振系统的参数优化是根据原始信号特性和量子粒子群优化算法。此后,原始信号是由随机共振处理噪声频率分量被削弱和故障频率分量增强。最后,由随机共振处理的信号是由VMD来分解方法。提取有用的信号特性。滚动轴承测量信号分析表明,该方法可以排放的大部分干扰信号产生的背景噪音,这样组件获得的VMD可以更好地反映故障信号信息,增强有用信号振幅。检测结果更准确、可靠。

本文的其余部分组织如下。部分2提供了一个简短的描述VMD的主要理论,SR,优于经典。部分3介绍了提出的故障诊断过程,并讨论了仿真研究验证了该方法的性能。部分4论述了案例研究来验证这种方法的实际应用价值。最后,部分5给出了结论。

2。基本理论

2.1。变分模态分解

VMD算法是一种新的nonrecursive变分模式信号分解方法,它可以将复杂的输入信号分解成一组离散模式组件(28]。VMD算法的实现步骤如下。

步骤1。为每个模式函数进行希尔伯特变换获得其分析信号,如下:

步骤2。中心频率估计的是复杂的。每个模式的频谱是相应的基带调制,如下:

步骤3。计算梯度平方规范的解调信号和估计每个模式信号的带宽。变分问题是构造如下: 在哪里 代表变分模式组件。 代表了每个组件的中心频率。是变分模式组件的数量。t代表着时间。代表的偏导数 。 代表了脉冲函数。−1的平方根。代表了圆频率。代表输入信号。

步骤4。为了约束变分问题转化为无约束问题,二次惩罚因子介绍了确保信号重建噪声条件的准确性。拉格朗日乘数介绍了确保严格的约束条件。通过引入两个参数,获得扩展的拉格朗日函数表达式如下:

第5步。解决扩展拉格朗日乘数的表达式,采用交替方向法(小组ADMM)。具体步骤如下:

()初始化 , , , 。

()重复 。

()更新 , ,和 ,,做

()判断是否满足下列条件。如果遇到,迭代停止;否则,返回步骤执行 。 在哪里停止条件收敛。是迭代数。

2.2。随机共振

Benzi et al。29日)在1981年首次引入了随机共振的机理和SR用于气候变化。在信号处理领域,随机共振可以传递一些噪音信号有用信号的能量,这有利于弱信号淹没在噪声的识别30.- - - - - -32]。噪声信号是双稳态或多稳态非线性系统的输入。系统性能优化可以通过调整参数,以便随机共振的效果达到最好。双稳态系统朗之万的方程如下: 在哪里是势函数。 在哪里和系统参数。势函数(8)有一个不稳定的平衡点和两个稳定平衡点。势垒的高度 。 代表一个输入信号振幅和频率 。 代表了高斯白噪声信号强度 ,意思是0,方差为1。双稳态朗之万系统结构如图1。

随机共振的问题是相当于multidimensional-continuous优化问题(33]。相同的输入信号使用不同参数集系统的随机共振处理将产生不同的影响34]。设置 ,图2显示了响应幅度当与SR系统参数变化 , 1赫兹, 。结果表明,存在最优的系统参数 , 随机共振性能最优。

2.3。量子粒子群优化

轨迹分析提出了量子粒子群优化的粒子群优化(PSO)和量子机制(35]。在量子空间中,粒子的位置和速度不能同时确定,所以波函数是用来描述粒子状态(36]。波函数的平方代表的概率量子空间中粒子在一个特定的位置。采用蒙特卡罗方法,一个粒子的位置可以表示如下: 在哪里是一个0到1之间的随机数。势阱的特征长度变化的时间如下: 在参数是收缩膨胀系数和用于控制粒子的收敛速度。是粒子群的数量。是粒子的局部最优值吗 。最后,粒子的位置可以表示如下:

3所示。提出了故障识别方案

3.1。故障诊断流程

有别于传统的故障识别方法,这种故障诊断过程考虑了不同输入信号的噪声特性。在不同的时刻,不同程度地淹没在噪声故障特性。因此,固定SR系统参数可能无法正确地抑制噪声和提高故障特性。本研究提出了一个适应性强和varying-scale随机共振来克服传统方法的缺点。SR系统参数的值进行了优化利用量子粒子群优化算法。每个粒子的适应度是由目标函数。随机共振系统的性能主要体现在信号噪声比(信噪比)的输出信号37]。因此,QPSO算法的适应度函数如下所示: 在哪里 的有功功率信号。 的有功功率是噪音。离散傅里叶变换(DFT)的样本序列,定义按照下列公式: 这个程序的故障特征提取方法在图所示3。

3.2。模拟信号分析

演示VMD之间的差异和改进的基于QPSO-SR VMD,合成信号包括5赫兹和50 Hz正弦信号和高斯白噪声是用来模拟故障信号。建立了模拟信号的表达式如下: 在哪里≔0.001:0.001:1是采样时间点。是高斯白噪声。高斯白噪声的强度是0.8。相比较而言,模拟信号是首先受到VMD分解。二次惩罚因子α选择默认值2000。带宽选择默认值0。变分模式组件的数量是由观察中心频率的方法(38]。设置的初始值2。的VMD进行变分模式组件的数量 并判断是否每个模式组件的中心频率接近。当 开始显示overdecomposition的现象,最优模式数量是5。变分模式组件可以通过VMD算法。VMD结果和快速傅里叶变换(FFT)如图4。

从图4,可以看出故障信息不能确定时间谱和频率谱的模拟信号。VMD算法后,5赫兹的振幅(由点(1)FFT是0.1416,50赫兹的振幅(由点(2)FFT是0.1439,显示了模拟的故障信息。和 , ,和显示噪声信号的信息。然而, , 混有干扰噪声不能准确识别故障特征的模拟。

为了消除干扰噪声的影响,QPSO-SR方法用于降噪VMD前的模拟信号。随机共振系统参数a和b是由量子粒子群优化算法优化。系统参数的优化范围从0.01到2。优化结果表明,当信噪比达到最大的价值 和 。这些系统参数是用来消除干扰模拟信号。然后随机共振信号处理由VMD分解方法。QPSO-SR降噪后,VMD分解图所示的结果5。

从图5可以看到,它的干扰噪声和是削弱。5赫兹的振幅(由点(1)FFT从0.1416增加到0.1820。50赫兹的振幅(由点(2)FFT从0.1439增加到0.1922。故障信息的振幅频率明显增强,有用的信息是准确地确定。的振幅模式组件 , ,和这代表了噪声信号很弱。QPSO-SR降噪后的部分噪声能量可以传播到有用的信号,这是有利于VMD更准确地获取有用的信息。

4所示。实验验证

轴承振动信号是由沈阳理工大学提供的。滚动轴承振动信号被QPZZ-II测量旋转机械振动故障的实验平台。在图所示的实验平台6。电机转速1720 r / min - 1797 r / min。这个分析中使用的数字数据收集以每秒16000个样本,抽样数量是5468。宽0.2毫米和0.1毫米深沟是电火花表面的轴承内圈模拟早期故障。测试的详细信息滚动轴承提出了表1。滚动轴承的故障特征频率测试提出了表2。

时域谱和滚动轴承振动信号的频域谱内圈故障如图7。原始振动信号的信噪比是−15.3097 dB。可以看出波形有明显的干扰噪声和冲击的滚动轴承振动信号和频率分量丰富。因此,故障信息不能直接获得的光谱。

原始振动信号由VMD分解。通过VMD的分解处理利用包络分析和快速傅里叶变换算法。VMD结果和FFT如图8。相比之下,取代VMD EEMD原始信号和执行相同的处理。EEMD结果和FFT如图9。EEMD分解结果表明,模式混合的现象使早期故障无法区分。VMD分解结果表明,VMD方法解决了混合模式的现象但组件仍然含有噪声干扰和冲击。VMD算法还没有意识到的潜在期望。特征频率162赫兹(由点1),双频率324赫兹(由点(2),和第三频率486赫兹(由点(3)轴承内圈故障并不明显的分解结果(见图8)。这说明,很难保证实际工程中的故障诊断的准确性,如果我们单独使用VMD算法。

传统的随机共振方法处理原始振动信号。SR系统参数根据经验选择。的参数在0.01,0.03,0.05,0.10,和1.19,分别。的参数在0.07,0.06,0.16,0.12,和1.97,分别。老的原始振动信号受到处理的五套以上参数,分别。输出信号的信噪比表所示3。

该故障微弱信号提取方法基于VMD和QPSO-SR采用去噪处理原始振动信号。首先,原始信号与QPSO-SR预处理方法。根据原始信号特性,量子粒子群优化算法来优化SR系统参数。信号受到SR处理基于最优参数。输出信号的信噪比为7.6465分贝。显然,处理过的信号都很QPSO-SR方法的去噪与援助。频域信息交换方法用于克服SR大参数信号的限制。刘等人。39)描述的具体计算过程中的频域信息交换方法的细节。去噪后的信号受到VMD。对应于不同的中心频率表所示4。当是6,overdecomposition开始发生,所以呢被选为5。的时域和频域波形结果如图所示10。

从图10,可以看出VMD结果不受噪声干扰的影响。特征频率(由点1),双频率(由点(2),和第三频率(由点(3)轴承内圈故障结果是显而易见的。突出显示的故障特性和噪声组件是削弱。分析了轴承故障类型可以直观和有效。与原始信号没有被QPSO-SR加工方法,加工的冲击波信号在时域波形明显减少。处理过的信号频谱的能量分布也更加集中在轴承故障频带。这证明部分噪声能量可以传递到有用的信号通过适当的老方法,这有利于VMD更准确地获取有用的信息。

5。结论

本研究提出了一种新颖弱故障提取方法。该方法包括QPSO-SR方法和变分模式分解。QPSO-SR方法是一种自适应去噪方法能够传输的一部分噪声能量微弱的故障信号。首先,QPSO-SR方法提出了提高故障特征信号,减少干扰噪声的影响和冲击。根据最初的故障振动信号的特点,老系统的参数由QPSO算法动态优化。此后,最优SR系统用于去噪和处理过的信号是由VMD来分解方法。提取故障特征信息可以通过FFT VMD组件。调查的结果模拟滚动轴承故障信号和数据表明,该方案可以避免干扰噪声的影响和冲击。该方案达到一个更高的精确度与先前的VMD相比,机械故障诊断方法。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金资助(基金号。51675350和51675350)和辽宁省的博士研究初始基金(201601154)。

引用

1. j .帅c .沈,z .朱,“自适应形态特征提取和支持向量回归的轴承故障诊断分类,“旋转机械的国际期刊卷,2017篇文章ID 2384184, 2017。视图:出版商的网站|谷歌学术搜索
2. c·彼得斯,p . Guillaume, j . Helsen”比较cepstral编辑方法作为vibration-based轴承故障检测信号预处理技术,”机械系统和信号处理卷,91年,第381 - 354页,2017年。视图:出版商的网站|谷歌学术搜索
3. l . Barbini说a . p . Ompusunggu a·j·希利斯·j·l·杜波依斯和a . Bartic”阶段编辑作为自动化轴承故障检测的信号预处理步骤,”机械系统和信号处理卷,91年,第421 - 407页,2017年。视图:出版商的网站|谷歌学术搜索
4. a·库马尔和r·库马尔”最小平方拟合用于生成自适应小波和自动预测缺陷尺寸的轴承使用Levenberg-Marquardt反向传播,”杂志的无损评价,36卷,不。1,货号。7日,2017年。视图:出版商的网站|谷歌学术搜索
5. d·p·耶拿和s . n . Panigrahi自动齿轮和轴承故障定位使用振动和声学信号,”应用声学卷。98年,特尔,2015页。视图:出版商的网站|谷歌学术搜索
6. l·l·夏l .温h . m . Liu y,和j·j·泰,“电力变压器的故障诊断模式识别和基于改进PSO-BPNN,”ofShenyang理工大学》杂志上,38卷,不。6,606 - 611年,2016页。视图:谷歌学术搜索
7. c . Mishra a . k . Samantaray, g . Chakraborty”键合图建模和实验验证的小说计划滚动轴承故障诊断的特殊的操作条件,”杂志的声音和振动卷,377年,第330 - 302页,2016年。视图:出版商的网站|谷歌学术搜索
8. l . j .孟和j·w·香”,滚动轴承故障诊断基于第二代小波去噪和改善EEMD”应用力学和材料卷,556 - 562,2677 - 2680年,2014页。视图:出版商的网站|谷歌学术搜索
9. c .咦,y Lv, z .见鬼,h·肖和x Yu”四元数使用凸优化和奇异谱分析的滚动轴承故障诊断中的应用,”测量卷,103年,第332 - 321页,2017年。视图:出版商的网站|谷歌学术搜索
10. l .谢x朗,j .陈听呀,和h·苏,“时变振荡检测器基于改进LMD和健壮Lempel-Ziv复杂性,”控制工程实践卷,51 48-57,2016页。视图:出版商的网站|谷歌学术搜索
11. c .咦,y Lv, m .通用电气、h·肖和x,”张量基于排列熵的奇异谱分解算法对滚动轴承故障诊断,”熵,19卷,不。4,货号。139年,2017年。视图:出版商的网站|谷歌学术搜索
12. k . Dragomiretskiy和d . Zosso变分模态分解”,IEEE信号处理,卷62,不。3、531 - 544年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. c .咦,y Lv, z .见鬼,”一个滚动轴承的故障诊断方案基于粒子群优化的变分模式分解,“冲击和振动卷,2016篇文章ID 9372691, 10页,2016。视图:出版商的网站|谷歌学术搜索
14. t·杜塔,Satija、b·拉姆库玛儿和m . s . Manikandan,“一种新型自动调制分类方法在非高斯噪声下基于变分模态分解,”22日国家会议上沟通,NCC 2016印第安纳州,2016年3月。视图:出版商的网站|谷歌学术搜索
15. y . j . w . Ngouongo gdp Kenmoe, t . c . Kofane”耦合对随机共振的影响和随机电流谐振过程中单向N-coupled系统周期性正弦的潜力,”自然史答:统计力学及其应用卷。472年,25-31,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
16. Z.-H。赖和Y.-G。愣,“基于随机共振的微弱信号检测双稳态杜芬振荡器在早期故障诊断中的应用,”机械系统和信号处理卷。81年,60 - 74、2016页。视图:出版商的网站|谷歌学术搜索
17. d·汉一个,施p, p . li“基于小波变换的多频微弱信号检测和参数补偿带通multi-stable随机共振,”机械系统和信号处理卷,70 - 71,995 - 1010年,2016页。视图:出版商的网站|谷歌学术搜索
18. A·洛特,m . Jelali, d . Soffker”简要回顾的第一个应用程序time-frequency-based脱衣舞轧钢厂的监测分析方法,”《过程控制,35卷,第79 - 65页,2015年。视图:出版商的网站|谷歌学术搜索
19. l . Barbini说,m·o·t·科尔,a·j·希利斯和j·l·杜波依斯“微弱信号检测基于二维随机共振”第23届欧洲信号处理研讨会论文集,EUSIPCO 2015,页2147 - 2151,不错,法郎,2015年9月。视图:出版商的网站|谷歌学术搜索
20. r·卡斯特隆l·加里波第s Marchesiello, r·塞拉”随机共振算法来提高损伤诊断轴承故障,”Matec Web会议,20卷,p。07005年,2015年。视图:出版商的网站|谷歌学术搜索
21. s . l .高,s . c中,k, h·马,“弱信号检测基于混沌和随机共振,”《物理学报》,卷61,不。18日,ID 180501条,2012年。视图:谷歌学术搜索
22. 美国,问:他,h·张,f .香港“旋转电机故障诊断通过全波增强随机共振信号施工,“机械系统和信号处理卷,85年,第97 - 82页,2017年。视图:出版商的网站|谷歌学术搜索
23. L.-f。h . Wang Lin l . Yu和s .钟”Parameter-adjusted非周期随机共振系统回波啁啾信号最优FrFT域,“非线性科学与数值模拟通信,43卷,第181 - 171页,2017年。视图:出版商的网站|谷歌学术搜索|MathSciNet
24. b·j·布林j·g·里克斯,s·j·罗斯et al .,“收获风能使用机械随机共振检测弱信号,”物理评论E:统计、非线性和软物质物理学,卷94,不。6、文章ID 062205, 2016。视图:出版商的网站|谷歌学术搜索
25. 施p、c·苏和d·汉“旋转机械故障诊断的基于自适应随机共振和AMD-EEMD”冲击和振动卷,2016篇文章ID 9278581, 11页,2016年。视图:出版商的网站|谷歌学术搜索
26. j .香和y中,“一个两步方法使用杜芬振荡器和随机共振检测机械故障”《2016年IEEE国际仪器和测量技术会议,I2MTC 2016,台北,台湾,2016年5月。视图:出版商的网站|谷歌学术搜索
27. W.-X。刘,Y.-J。王、刘x和蔡明俊。张,“弱为AUV推进器故障检测基于随机共振和小波重建,”中南大学学报,23卷,不。11日,第2895 - 2883页,2016年。视图:出版商的网站|谷歌学术搜索
28. y z,陈、子,j .锅”以独立性为中心的VMD轮轴轴承故障诊断识别故障特性的高速机车,“机械系统和信号处理卷,85年,第529 - 512页,2017年。视图:出版商的网站|谷歌学术搜索
29. Sutera r . Benzi a, a . Vulpiani“随机共振的机理,物理学杂志》:数学和一般,14卷,不。11日,L453-L457, 1981页。视图:出版商的网站|谷歌学术搜索|MathSciNet
30. h·张,y郑,f .香港“弱脉冲信号检测基于step-varying非对称随机共振,”美国机械工程师学会学报》上,C部分:机械工程科学》杂志上,卷231,不。2、242 - 262年,2017页。视图:出版商的网站|谷歌学术搜索
31. m . Uzuntarla j·j·托雷斯,p . m .沉思和e . Barreto“双重逆与动态突触,随机共振”物理评论E:统计、非线性和软物质物理学,卷95,不。1,文章ID 012404, 2017。视图:出版商的网站|谷歌学术搜索
32. 周p, s, g . Li y . Liu f . Liu和j .赵”小说合成基于索引的自适应随机共振方法及其在轴承故障诊断中的应用,”杂志的声音和振动卷,391年,第210 - 194页,2017年。视图:出版商的网站|谷歌学术搜索
33. p . Addesso诉Pierro, g . Filatrella”检测策略和随机共振特性之间的相互作用,”非线性科学与数值模拟通信,30卷,不。1 - 3,15-31,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
34. z俏,y Lei, j·林和f .贾”一种适应性不饱和双稳态随机共振方法及其在机械故障诊断中的应用,”机械系统和信号处理卷,84年,第746 - 731页,2017年。视图:出版商的网站|谷歌学术搜索
35. 。书院杨。王敏,。利晟娇“量子粒子群优化,”学报2004年国会进化计算波特兰,页320 - 324,或者美国。视图:出版商的网站|谷歌学术搜索
36. w·方,j .太阳,y叮,吴x,和w·徐”回顾研究粒子群优化”,IETE技术评审,27卷,不。4、336 - 347年,2010页。视图:出版商的网站|谷歌学术搜索
37. 李·d·杨,h . y . Hu j .赵h·肖和y局域网,“风力发电机轴承振动状态监测系统基于噪声抑制与多点数据融合,“《可再生能源卷,92年,第116 - 104页,2016年。视图:出版商的网站|谷歌学术搜索
38. A . A . Abdoos”一种新的智能方法基于VMD和榆树的短期风电预测,“Neurocomputing卷,203年,第120 - 111页,2016年。视图:出版商的网站|谷歌学术搜索
39. y . g . j . j . Liu愣,z H Lai和t .丹,“基于频域信息交换的随机共振”,《物理学报》,卷65,不。22日,ID 220501条,2016年。视图:谷歌学术搜索

版权

版权©2017 Xiaojiao Gu和陈长征。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。