基于eemd的齿轮故障诊断与交通状态预测研究

本文主要探讨了预测模型在齿轮故障诊断中的应用，特别是基于 Ensemble Empirical Mode Decomposition (EEMD) 的方法。EEMD 是一种处理非线性、非平稳信号的有效工具，尤其适用于机械故障诊断中的复杂信号分析。 在齿轮故障诊断中，预测参数的研究至关重要。合理的参数应能准确反映设备的状态，并且易于获取。例如，车速、延误指数、饱和度和占有率等交通参数常用于评估交通状态。速度参数可以通过多种技术收集，如视频检测、浮动车监测，甚至红外或超声波检测。这些参数的可比性和对交通状态的反映能力使其成为预测模型的基础。 预测模型的研究是另一个关键领域。交通状态预测通常分为基于单一断面和多断面的方法。单一断面预测仅考虑单个数据点的变化规律，而多断面预测则考虑相邻点之间的相互影响，一般被认为具有更好的预测效果和应对突发情况的能力。此外，预测模型可以基于单一模型（如卡尔曼滤波、神经网络、时间序列、灰色理论和混沌理论模型）或组合模型（结合多种预测方法）来构建。单一模型虽然在特定条件下表现优秀，但可能缺乏普适性和对原始数据规律性的敏感性，而组合模型则旨在克服这些局限性，以提高预测的准确性和稳定性。 在交通拥堵预测方面，作者提出了加权改进的 GM(1,1)-马尔可夫模型，该模型融合了灰色预测模型的GM(1,1)和马尔可夫链预测原理，同时考虑了数据间的依赖关系，从而提高了识别和预测的合理性与精确度。 这篇论文属于交通工程领域，特别是交通拥挤管理和预测模型的研究，对于理解和改进城市交通管理，以及预防和解决交通拥堵问题具有重要意义。