基于Grey-GMDH的模块化实时潮汐预报

为了提高潮汐水位的实时预测精度,本文提出了一种基于灰色的数据处理群模块化(Grey-GMDH)潮汐水位实时预测模型。模块化将潮汐分解为两部分:由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。使用Grey-GMDH模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。并选用San Diego港口的实测潮汐值数据进行实时预报的仿真实验,实验结果验证了该方法的可行性与有效性并取得了良好的仿真结果,验证了模型有着较高的预报精度。     

基于调和分析法与ANFIS系统的综合潮汐预报模型

港口沿岸地区以及河流入海口等地区的精确潮汐预报对于各种海洋工程作业有着非常重要的意义。潮汐水位的变化受到众多复杂因素的影响,而且这些复杂的因素往往有着较强的实变性和非线性。为了进一步提高沿岸港口码头等水域的潮汐水位的预测精度,本文提出了一种基于调和分析模型与自适应神经模糊推理系统相结合的模块化潮汐水位预测模型;并采用相关分析确定整个预测模型的输入维数;模块化将潮汐分解为两部分：由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。其中调和分析法用于天文潮部分的预测,ANFIS用于预测具有较强非线性的非文潮部分。模块化综合了两种方法的优势,即调和分析法能够实现长期、稳定的天文潮预报,ANFIS能够以较高的精度实现潮汐非线性拟合与预测。模型使用ANFIS模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。此外,本文选用三种不同的模糊规则生成方法（grid partition （GP）,fuzzy c-means （FCM） and sub-clustering （SC））生成完整的ANFIS系统,并使用实测数据进行验证用以选取最优的ANFIS预测模型。最后将最优的ANFIS模型与调和分析模型相结合进行潮汐水位的最终预报。仿真实验选用Fort Pulaski潮汐观测站的实测潮汐值数据进行预报的仿真实验,仿真结果验证了该模型的可行性与有效性并取得了良好的效果,具有较高的预报精度。     

基于加权峭度自适应滤波和对称差分能量谱的船舶推进轴系轴承故障诊断

【目的】滤除振动信号中的背景噪声、增强故障冲击特征,实现船舶推进轴系轴承故障诊断。【方法】提出一种基于加权峭度自适应滤波和对称差分能量谱的信号处理方法：设计加权峭度自适应高通滤波算法,以加权峭度指标作为迭代优选条件,解决传统最佳截止频带选取只能依靠先验知识的缺点;在传统Teager能量算子的基础上引入希尔伯特变换和对称差分求导方式,解调滤波后信号从而得到能量谱。【结果】在仿真实验和工程实验中,振动信号中的背景噪声被滤除,故障冲击更加突出,能正确识别轴承外圈故障、内圈故障及滚动体故障。【结论】加权峭度自适应滤波具有算法复杂度低、运行时间短的优点;对称差分能量谱能够有效提升故障冲击信号的能量占比。本方法能够准确诊断船舶推进轴系轴承故障。