基于延拓补偿策略的气体传感器端点效应诊断

摘要

针对经验模态分解(empirical mode decomposition, EMD)处理非平稳信号时因端点效应造成分解结果失真的问题，提出一种基于麻雀搜索算法(sparrow search algorithm, SSA)与长短时记忆(long short-term memory, LSTM)网络的耦合模型，突破传统梯度下降算法易陷入局部最优的局限，显著提升时序预测精度。首先将气体响应信号预处理为周期特征变量；然后采用双向周期延拓策略，通过LSTM-SSA深度训练，生成首尾各延伸一个周期的预测序列；最后利用双向性预测序列构建复合信号，并对其进行EMD分解。以丙酮和甲苯信号为例的实验结果表明，经LSTM-SSA预测后再进行EMD分解时端点效应引起的能量误差分别降低了74.966%和23.368%、正交性系数分别提升了51.444%和34.990%,有效抑制了端点处模态分量的幅值失真，提升了EMD的可靠性，为气体传感信号的特征提取与工业安全监测提供了新思路。

关键词

经验模态分解 / 端点效应 / 麻雀搜索算法 / 长短时记忆网络 / 周期延拓