基于Hilbert-Huang变换的信号奇异性检测的比较研究

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时一频谱.这种方法的关键部分是经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的模态函数,对这些固有模态函数作Hilbert变换,就可得到每一个固有模态函数的瞬时频谱,综合所有固有模态函数的瞬时频谱可以得到信号的一种新的时频描述方式-Hilbert谱.本文比较了小波变换和Hilbert-Huang变换在信号奇异性检测上的异同,并列举了一些实例说明Hilbert谱的优越性.     

基于LMD的信号瞬时频率求取方法及实验

研究了调频信号瞬时频率的直接求取法,提出了纯调频信号的瞬时频率直接求取法的适用条件,并用数学方法证明了该适用条件. 针对极值点附近瞬时频率的畸变情况引进平滑处理改进了瞬时频率求取法. 应用局域均值分解(LMD）和经验模态分解(EMD）求取仿真信号和汽轮机转子振动信号的瞬时频率. 结果表明,由LMD方法求取信号瞬时频率时,不会出现难以解释物理意义的负频率现象.     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法. 该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果. 实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.     

基于Hilbert-Huang变换的涡街信号处理方法

利用Hilbert-Huang变换(HHT)的固有模态分解特性，提出了一种涡街信号频率估计的新方法.采用压电传感器进行涡街信号的检测，通过分析信号经过固有模态分解后的时频特性，获得了不同模态所代表的噪声信号成分和实际涡街信号成分.模态中的一部分表示了信号中的噪声，而剩下的部分模态真实反映了信号的频率成分.在仿真的基础上，获得了去除噪声的部分模态瞬时频率与涡街频率的关系.研究结果表明，基于HHT的涡街频率估计方法，可以精确估计涡街信号频率并提高涡街流量计的抗干扰能力.该方法计算量小，能够满足涡街流量计在实际工程应用中的要求.     

Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换（HHT）中瞬时频率计算的真实性和稳定性，提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换，然后根据插值点数作补零处理，再进行傅里叶反变换，完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解（EMD）得到一组固有模态函数（IMF），计算所有IMF的瞬时频率和幅值，最终获得信号时频分布的Hilbert谱.结果表明，该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生，增强了瞬时频率的准确性，提高了HHT方法的信号分析频率，该方法能有效应用于实际信号处理的HHT时频分析中.     

经验模态分解中端点效应的抑制

Hilbert-Huang变换是通过对信号的经验模态分解,使非平稳信号平稳化,从而使信号Hilbert变换后得到的瞬时频率具有物理意义。在应用经验模态分解方法时,通过3次样条插值算法给出的上、下包络在数据信号的两端不可避免地会出现发散现象。会严重影响经验模态分解的质量,使分解出的本征模态函数没有实际的物理意义。镜像闭合端点延拓通过镜像法把镜内信号映射成一个周期性的环行信号,不存在端点,从根本上避免了经验模态分解和Hilbert变换的端点效应。从理论上说,镜像闭合端点延拓是解决经验模态分解端点的一个好方法。     

联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析

经验模态分解方法无法分离2倍频内信号分量而可能导致模态混叠,这是应用著名的Hilbert-黄变换(Hilbert-Huang Transform,HHT)分析非线性信号时无法回避的问题,而消除模态混叠对于准确分析非线性信号具有重要意义。在此背景下,提出了一种联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析方法,以解决这一问题。首先,提出了基于HHT瞬时频率的、用于判断是否发生模态混叠的指标;在此基础上为解决常规经验模态分析方法无法分解2倍频内信号的问题,采用傅里叶变换分析存在模态混叠的信号,并通过高通低通滤波将2倍频内的信号分离。之后,对经过滤波后的信号进行经验模态分解,并与之前未发生模态混叠的分量整合,得到原始信号完整的本征模态函数分量,进而计算得到各分量的瞬时频率和瞬时幅值。最后,用算例说明了所提方法的基本特征。     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.     

基于HHT的电力系统谐波分析

鉴于现有电力系统谐波检测与分析方法的不足,用希尔伯特-黄变换(HHT)进行谐波分析.该方法由两部分组成.首先对谐波信号作经验模态(EMD)分解,得到满足一定条件的固有模态信号(IMF),然后用希尔伯特变换求其瞬时频率和瞬时幅值.该方法适用于非线性非平稳信号的分析,具有概念清晰、计算简单的优点.仿真研究表明,用HHT方法进行电力系统谐波分析是可行的,与傅立叶变换和小波变换等现有方法比较,有很多独特的优点.     

电传动车辆轮毂电机恒转矩弱磁控制策略

为了实现电传动装甲车用轮毂电机的高性能控制,开展先进的矢量控制方案研究. 为了获得良好的转矩、转速动态性能,采用转矩控制模式,设计基于全阶滑模观测器的电磁转矩估计方法. 基速以下,驱动系统采用最大转矩电流比（MTPA）控制策略,当转速大于基速时,结合轮毂电机的控制需求,提出并设计新颖的恒转矩前馈结合电压反馈的电流补偿弱磁控制方案. 基于90 kW内置式永磁同步电机（IPMSM）开展实验研究. 结果表明,所设计的转矩观测器能够保证较高的观测精度,误差基本小于5 N·m;电机转矩的跟随性能较好,动态误差小于5%;电机能够由MTPA运行模式平滑过渡到弱磁模式,严格按照所规划的弱磁路线运行. 在运行过程中,轮毂电机的转矩控制性能良好,转速响应快,能够满足电传动车辆的控制需求.     

并联混合动力汽车的换档规律

根据并联混合动力汽车的特点,提出了以保证车辆动力性为前提的混合动力汽车最佳经济性三参数换档规律。升档规律和驱动模式的降档规律采用发动机转矩、电机转矩和车速作为换档参数。制动模式的降档规律采用电机制动转矩、机械制动转矩和车速作为换档参数。计算表明,与原有的沿袭传统汽车的两参数换档规律相比,混合动力汽车最佳经济性三参数换档规律在驱动模式下可以降低油耗,在制动模式下可以显著增加制动能量回收的比例。     

基于EMD的井中雷达信号预处理

针对井中雷达数据因环境复杂易受到“污染”而很难提取出有效数据的问题,基于经验模态分解方法(EMD)提出了二维模态经验分解方法(BEMD),该方法对井中雷达信号预处理的时频域分解算法进行分析,将其拓展至高维进行信号处理。仿真结果表明,二维模态经验分解能够有效剔除高频、低频的干扰,较一维的模态经验分解有较大的改进,验证了该方法具备应用于井中雷达数据处理的潜力。     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

分离EMD中混叠模态的新方法

针对经验模态分解(empirical mode decomposition,EMD)过程中可能出现的模态混叠问题,提出一种新的处理方法.该方法利用了差分运算、累计求和,同时结合EMD来实现混叠模态的分离.该文对数值仿真信号和LOD(1ength-of-day)数据进行了仿真分析,比较了原始EMD和所提算法的分析结果.仿真结果表明,该算法可有效分离混叠模态,得到尺度成分清晰的本征模态函数.     

EMD和小波变换在结构模态参数辨识中的应用

针对希尔伯特-黄变换方法在振动信号处理中不能有效地进行模态解耦的缺点,提出一种将经验模式分解和小波变换相结合的结构模态参数辨识方法．首先利用经验模式分解方法对结构响应信号进行分解,获得多个本征模函数以完成结构模态的筛选过程,并根据模态筛选得到的本征模函数进行信号重构;然后对重构信号进行Morlet小波变换和模态解耦,获得信号小波变换系数的瞬时幅值和瞬时相位拟合曲线,并在此基础上计算出结构的各阶模态频率、阻尼和振型．结果表明,利用小波变换对本征模函数的叠加信号进行参数辨识代替对单个本征模函数进行希尔伯特变换,更能有效地进行模态解耦,从而获得更为准确的结构模态参数信息．     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于时频分析的混沌谐波线性混合信号提取算法

混沌信号与谐波信号的分离问题是混沌信号处理中的重点问题,时频分析理论的日趋成熟为该问题带来了新的解决方案。针对不同噪声情况下混沌背景下谐波信号的提取进行分析,将小波变换与EMD方法进行比较,经仿真实验总结出一种新的谐波信号提取的融合算法,仿真实验验证了该算法的有效性。