摘要：采用改進(jìn)的變分模態(tài)分解(improved variational mode decomposition,簡(jiǎn)稱(chēng)IVMD)與支持向量機(jī)(support vector machine,簡(jiǎn)稱(chēng)SVM)相聯(lián)合的方法,對(duì)泵站管道的振動(dòng)響應(yīng)趨勢(shì)進(jìn)行預(yù)測(cè)。首先,基于互信息準(zhǔn)則確定IVMD的分解模態(tài)數(shù),克服變分模態(tài)分解(variatronal mode decomposition,簡(jiǎn)稱(chēng)VMD)盲目選取分解參數(shù)的缺點(diǎn),利用IVMD將機(jī)組和管道的振動(dòng)序列分解為多個(gè)固態(tài)模量(intrinsic mode function,簡(jiǎn)稱(chēng)IMF),分別作為SVM模型的輸入和輸出;其次,利用粒子群優(yōu)化(particle swarm optimization,簡(jiǎn)稱(chēng)PSO)分別尋找各模態(tài)分量對(duì)應(yīng)SVM模型的最優(yōu)參數(shù)并對(duì)各分量分別進(jìn)行預(yù)測(cè);最后,將各測(cè)點(diǎn)對(duì)應(yīng)的IMFs預(yù)測(cè)結(jié)果重構(gòu)作為最終的預(yù)測(cè)值。結(jié)合某大型泵站2號(hào)壓力管道振動(dòng)響應(yīng)數(shù)據(jù),分別采用IVMD-SVM,PSO-SVM和BP神經(jīng)網(wǎng)絡(luò)3種模型對(duì)管道振動(dòng)響應(yīng)趨勢(shì)進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明,IVMD-SVM模型得到的預(yù)測(cè)結(jié)果和實(shí)測(cè)值更加接近,計(jì)算精度更高,且誤差較小,該方法對(duì)管道及類(lèi)似工程結(jié)構(gòu)的振動(dòng)趨勢(shì)預(yù)測(cè)具有一定的參考價(jià)值。