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.     

基于改进希尔伯特-黄变换的电力系统谐波检测方法

由于电力系统谐波谐振点检测结果存在较大噪声,导致谐波检测精准度较低,由此提出了基于改进希尔伯特-黄变换的电力系统谐波检测方法.通过希尔伯特-黄变换建立相应的解析信号,并分解模态,使信号呈局部对称形式,获取瞬时变化频率和幅度.经过模态分解后,检测谐波参数,将特征值的倒数定义为模态阻抗,获取最小特征值,以该点为电力系统谐振点,采用希尔伯特-黄变换方法,从间接谐波次数开始逐渐递增,得到最大模态阻抗图,从图中获取最大模态阻抗的峰值,也就是谐波谐振点.设计谐振点检测流程,并进行去噪处理,在改进希尔伯特-黄变换方法支持下,获取真实信息,完成电力系统谐波检测.由仿真实验结果可知,该方法在有无噪声环境下,都具有较高检测精准度,保证电力系统的稳定运行.     

基于HHT的矢量传感器瞬态信号方位估计

针对瞬态信号存在时间短、变化快,传统的信号处理方法很难对其进行方位估计的问题,将希尔伯特-黄变换与矢量信号处理相结合应用到水声领域,提出了矢量希尔伯特-黄变换的方法.利用希尔伯特-黄变换获取信号的瞬态信息,结合矢量信号处理宽带方位估计提出了矢量瞬时方位估计的概念,在此基础上发展了矢量希尔伯特-黄变换水声应用的理论框架.海试表明新理论在瞬态信号处理和单矢量传感器目标方位估计方面,其性能比常规方法有了明显的提高.     

基于LMD法的电力系统暂态扰动检测技术研究

为了实现电力系统暂态扰动信号的精确识别,针对暂态扰动信号的非线性、不规则性和突变性特点,采用局部均值分解(local mean decomposition,LMD)法检测电力系统暂态扰动;并用LMD法分析了电压暂降、电压暂升、电压中断、振荡暂态、脉冲暂态、频率偏移、谐波加电压暂升信号以及某智能变电站采集的实际扰动信号等典型扰动;同时与希尔伯特-黄变换(HHT)法的分析结果进行比较.研究结果表明:用LMD法检测电力系统的暂态扰动信号是有效的,且在定位精度、运算速度方面比HHT法更具优越性.     

基于希尔伯特-黄变换的船舶声信号特征提取

将希尔伯特-黄变换(HHT)用于船舶声信号特征提取中,利用HHT对实录船舶辐射噪声进行特征提取后,利用神经网络进行分类.研究表明希尔伯特-黄变换方法对于信号的时频特性具有较高的分辨能力,适用于水声非平稳信号的分析.与传统时频分析方法相比具有很强的自适应特性和较好的时频聚集性,时频分辨力高于小波变换.结果表明对于船舶声信号识别,希尔伯特-黄变换方法是一种有效的特征提取方法.     

希尔伯特——黄变换及其在混凝土无损检测中的应用

希尔伯特—黄变换(HHT)是处理非线性、非平稳信号的时频分析方法。将希尔伯特—黄变换方法用于工程勘察的资料处理与解释。HHT对非线性、非平稳信号的处理的基本步骤为:首先对工程勘察的资料进行多分辨经验模态分解和瞬时频率的求解,随后获得信号的时频谱,再利用提取的瞬时振幅、瞬时频率、瞬时相位信息来分析地下目标物(比如在混凝土损伤与地下溶洞等情况)。以三峡工程混凝土质量缺陷物探快速无损检测现场1∶1模型为例探讨了HHT方法的有效性。     

基于apFFT-AMD的密集频率谐波/间谐波检测

针对电力谐波信号中含有密集频率的谐波/间谐波问题,提出全相位快速傅里叶变换（apFFT）与解析模态分解法（AMD）相结合的检测方法. 由于AMD在分解前需要确定信号中各个频率成分,应用apFFT对待分析信号进行频谱分析,得到频谱中各个频率的值;通过apFFT相位谱的平坦特性来判断信号中是否含有密集谱频率成分,获得密集频谱谐波/间谐波频率的大概位置,若含有密集频谱成分,对信号中的密集频段使用量子粒子群进行优化,寻找最佳的二分频率;通过各个频率成分之间的二分频率,利用AMD方法将电力谐波信号分解为一系列的单频信号分量,以完成含有密集频率的谐波测量. 与希尔伯特-黄变换法（HHT）相比,该方法对于含有密集频率的谐波/间谐波信号分解效果更好. 仿真和实验结果都表明了该方法的有效性和准确性.     

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.     

LabVIEW实现电力系统谐波测量加窗插值算法

为了提高虚拟仪器测量电力系统谐波的精度,研究了电力系统谐波测量非同步采样加窗插值算法的原理,给出了用LabVIEW系统实现该算法的具体程序,并进行了仿真验证.仿真结果表明,用LabVIEW实现该算法准确性高,实现方便,能快速地在普通PC机上完成信号的频谱分析.     

基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合。提出的滚动轴承故障诊断新方法进行故障诊断过程:首先应用改进的希尔伯特黄变换对数据进行处理得到一个瞬时频率矩阵,然后将瞬时频率矩阵进行重构,最后搭建卷积神经网络,将重构数据输入卷积神经网络进行分类。经反复实验并与已有方法进行比较,可验证所提出的方法是合理且行之有效的。     

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．     

Hilbert变换与小波变换在探地雷达资料处理中的应用

希尔伯特（Hilbert）变换与小波变换是广泛运用于数字信号处理中的基本重要变换,希尔伯特变换能有效提取复杂信号中的＂三瞬属性＂,即瞬时振幅、瞬时相位、瞬时频率,基于小波多尺度分析可以进行信号奇异性检测。本文尝试将希尔伯特变换与小波变换配合使用,在瞬时相位的基础上进行小波分析,将此处理方法应用于探地雷达数据处理中,并给出了相应的处理实例,应用效果令人满意。     

一种改进的Hilbert-Huang变换方法及其应用

针对希尔伯特-黄变换方法中存在的端点效应和虚假模态分量等问题,通过对上述问题产生原因的分析,提出一种基于边界极值均值延拓的端点效应抑制方法与虚假模态分量剔除算法相结合的改进方法。该方法首先根据信号两侧端点和其临近极值点的特性,对包络线在信号两端点处的位置进行约束,从而改善包络线拟合结果,在一定程度上抑制端点效应问题的产生。然后,依据各模态分量间的正交性原理,通过虚假模态分量剔除算法,选取能够反映信号特征的敏感模态分量,以保证分析的准确性。通过数值仿真,验证了所提方法的有效性。最后,应用于发动机异响故障诊断中,诊断结果表明该方法有效抑制了传统希尔伯特-黄变化方法的端点效应和虚假模态问题,可有效提取发动机异响信号的故障特征。     

希尔伯特-黄变换高压直流输电线路行波保护

利用希尔伯特-黄变换法(HHT变换)对高压直流输电线路故障暂态电压信号进行了分析处理.根据线路暂态电压信号的Hilbert能量值的大小来判断是否发生故障。     

基于改进EMD算法的跳频信号参数估计

针对短时傅立叶变换时频分辨率不能同时很高,小波变换运算时间偏长,抗噪性差,Wigner-Ville变换及其改进方法受交叉项影响等问题,提出了一种基于希尔伯特-黄(HHT,Hilbert-Huang Transformation)算法的跳频信号参数估计.该方法的分解是自适应的,计算出的瞬时频率有很高的时间分辨率和较高频率分辨率.对于HHT算法中出现的虚假分量和端点效应问题,通过互相关方法来消除虚假分量,镜像闭合延拓方法去除端点效应.仿真结果表明该方法能很好解决上述两个问题.     

线性自适应小波理论的齿轮箱故障诊断方法

针对早期齿轮箱故障信息淹没在背景组分中的问题,提出了基于线性自适应小波理论的齿轮箱故障诊断方法.该方法基于希尔伯特变换(HT)和自适应小波变换(AWT),能从低频的调制振动信号中区分并识别不同程度的裂纹故障.首先用希尔伯特变换提取调制振动信号的包络值以显示调制频率.然后利用自适应小波变换来处理由希尔伯特变换得到的调制信号,其中在自适应小波处理希尔伯特变换后的调制信号的过程中利用粒子群算法(PSO)对过程参数进行优化.实验结果表明该自适应小波变换能通过过程优化小波找到匹配振动信号的啮合频率及其谐波、耦合频率、载波频率及其边频带,能够从调制信号中提取出特征参数,且具有较高的分辨率.     

基于希尔伯特-黄变换的信号处理方法

常用的信号处理方法对于非平稳信号处理效果不佳。1998年,N.E.Huang等研究出了一种新方法——希尔伯特黄变换(HHT)。这种方法要建立在经验模式分解(EMD)的基础上,通过分解获得信号的一种本征模函数(IMF),再根据本征模函数进行HHT。文中主要介绍了希尔伯特-黄变换方法的基本原理,并应用在铝电解阳极效应检测中。     

应用希尔伯特黄变换的水下目标特征提取

针对传统时频分析方法的水下目标特征提取各有其局限,采用了希尔伯特黄变换方法用于水下目标特征提取.仿真与实验数据的处理结果表明,希尔伯特黄变换方法对于信号的时频特性具有较高的分辨能力,希尔伯特边际谱能够清晰的突出目标弹性成分;希尔伯特谱能有效地展现目标的亮点结构,时频分辨力高于小波变换.研究表明混响具有与目标信号明显不同的希尔伯特谱特征,希尔伯特谱可以有效抑制混响.结果表明希尔伯特黄变换方法是一种有效的水下目标特征提取方法.     

基于希尔伯特-黄变换的低信噪比语音端点检测

应用希尔伯特-黄变换完成了一种低信噪比条件下的语言信号端点检测。该方法通过分析纯净语音信号与低信噪比下语音信号的固有模态函数及希尔伯特谱,找出固有模态函数中语音信号能量集中的分量,分析其希尔伯特谱,自适应地选取阈值进行语音段与非语音段的检测。通过对比实验表明了该方法在低信噪比下能有效地检测出语音信号。     

基于HHT和PSO-C-均值算法的ECoG分类

皮层脑电图信号(electrocorticogram, ECoG)非平稳,如何提取有效的特征,设计恰当的分类器是ECoG脑-机接口研究的关键问题.该文提出了基于希尔伯特-黄变换的ECoG窄带特征提取和压缩方法,并且封装了粒子群优化和C-均值算法以调整特征权重,改善分类效果.采用BCI Competition Ⅲ 数据集Ⅰ进行实验,结果表明:只需6个电极即可获得93%的分类精度.