来源：期刊VIP网 时间：
作者：于慧泽;刘玉健;刘涛;许少鹏;
单位：内蒙古农业大学机电工程学院;
摘要：为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题，提出一种基于完全自适应噪声完备集合经验模态分解（CEEMDAN）与长短期记忆神经网络（LSTM）相组合的分类预测方法。该方法先通过CEEMDAN分解算法，将采集到的声音信号和振动信号分解为多层具有不同特征的子序列分量本征模态函数（intrinsic mode function,IMF），然后分别建立LSTM网络模型进行单步预测，最后通过叠加预测结果得出管道输送稀饲料浓度最终预测值。结果表明：CEEMDAN分解算法优于经验模态分解（empirical mode decomposition,EMD）和集合经验模态分解（ensemble empirical mode decomposition,EEMD）算法，可克服EMD模态混叠现象和EEMD带来的冗余噪声影响。CEEMDANLSTM模型分类预测振动信号的平均绝对误差（mean absolute error, MAE）指标为0.001、均方根误差（root mean square error, RMSE）指标为0.001，分类预测声音信号的MAE指标为0.036、RMSE指标为0.044。相较神经网络（back propagation, BP）、长短期记忆网络、支持向量回归（support vector machines, SVM）等分类预测模型具有更高的准确性。该方法可在管道输送稀饲料时精确预测其浓度提供理论依据，具有一定的实际应用意义。
关键词：管道输送;;浓度;;完全自适应噪声完备集合经验模态分解(CEEMDAN);;长短期记忆神经网络(LSTM);;分类预测
基金资助：内蒙古自治区自然科学基金项目[2024SHZR2 650];; 内蒙古自治区高等学校科学技术研究重点项目[NJZZ23041]
