希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

微电网HHT谐波检测与时频分析方法

为解决微电网谐波、突变等复杂非平稳信号的精确检测问题,提出一种基于Hilbert-Huang变换（HHT）的微电网谐波检测与时频分析方法。该方法采用保形分段三次埃尔米特插值法拟合极值点曲线,对谐波信号进行经验模态分解（EMD）,得到有限个固有模态分量（IMF）并进行Hilbert变换,最终计算各个IMF分量的瞬时频率和瞬时幅值,实现微电网谐波等非平稳电能信号的时频特性精确检测。仿真结果表明,该方法能够快速、准确地获取谐波信号频率成分、幅度及电压突变时刻。相对于FFT变换及传统HHT方法具有较高的精度和时域区分特性,可满足微电网谐波微机检测的工程应用需求。     

基于HHT的信号奇异性检测

针对信号的奇异性,采用基于希尔伯特-黄变换（HHT）的方法进行奇异性分解,即首先利用经验模态分解（EMD）对信号进行分解,再提取第一阶分量的瞬时频率;利用瞬时频率检测信号奇异点。通过对幅值突变、频率突变、脉冲突变和方向突变四种奇异信号的仿真分析,表明了该方法能够准确地检测信号奇异点。     

基音周期检测的希尔伯特-黄变换方法

根据语音信号非平稳非线性的时变特点,提出了一种基于希尔伯特-黄变换的基音周期检测法。该方法不需要对语音信号进行短时平稳假设,能自适应地对信号进行分解,具有很高的时频分辨率(不受Heisenberg不确定原理的制约)。利用短时能量对语音进行清浊音判断,再经过经验模态分解将信号分解为若干固有模态函数,然后对每个固有模态函数进行希尔伯特变换求其瞬时幅值与瞬时频率,根据基音特点对分解得到的固有模态函数加权求和突出基音周期信息,最后采用自相关平方法进行基音检测。实验表明,该方法较传统的基音检测法精度有所提高,且鲁棒性较好。     

Hilbert-Huang变换在谱分析中的应用

本文对Hilbert-Huang变换(Hilbert-Huang Transform)理论做了仿真研究,并通过仿真实验对非平稳信号作经验模式分解(Empirical Mode Decomposition),得到它的固有模态函数(Intrinsic Mode Function)分量;对各个分量作Hilbert变换,得到瞬时频率,并构造希尔伯特谱-时间-频率的时频分布图。通过与短时傅立叶变换(Short Time Fourier Transform)、小波变换(Wavelet Transform)的分析比较,Hilbert-Huang变换方法更能反应原始数据的固有特性,有更好的时频聚集性,更适用于对突变信号和非平稳信号的处理。     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征;传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题;传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低,导致故障识别效果差。针对上述问题,提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先,利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理,准确估计瞬时频率;其次,通过Vold-Kalman滤波方法自适应提取谐波分量信号;再次,采用Hilbert变换计算谐波的瞬时相位,进而获得时间域与角度域的映射关系,完成原始时间域信号在角度域的重采样;最后,对重采样的信号进行快速傅里叶变换,通过分析包络阶次谱,实现轴承故障特征识别。仿真和试验结果表明,该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%,表征轴承故障特征阶次准确且明显,可有效诊断轴承故障。     

基于HHT瞬时能频值的耳语音端点检测

由于耳语音信噪比较低,采用传统的算法进行耳语音端点检测存在正确率低、抗噪性能差等问题。提出了一种基于希尔伯特-黄变换瞬时能频值的耳语音端点检测的算法。运用希尔伯特-黄变换,分离出耳语音的瞬时幅值与频率,提取基于时间-能量-频率的特征参数瞬时能频值,利用该特征值对耳语音和噪声进行区分,进行端点检测。对700个信噪比为2～10 dB的耳语音测试样本进行仿真实验,该算法检测的起点正确率与终点正确率均高于零能积法、熵法以及拟和特征法。实验表明,该算法适应于多种非平稳噪声环境,能较好地检测耳语音的端点。     

基于Morlet复小波变换幅值和相位信息的间谐波检测方法

小波变换以其良好的时频局部化特性在电力系统中得到了广泛的应用,包括在谐波分析方面。但即使是时频窗面积最小的Morlet小波也存在频谱混叠现象,使得单纯利用小波变换系数的幅值无法对谐波准确检测。本文提出了基于Morlet复小波幅值和相位信息相结合的谐波、间谐波检测方法。首先利用a-S（a）曲线粗略确定包含被测信号信息的尺度范围,然后利用这些尺度上的小波变换系数的相位信息来实现谐波、间谐波频率的检测,最后根据检测出的频率确定特征尺度,进而确定被测信号的幅值。与FFT方法和传统的尺度-幅值法相比,该方法能够克服频谱泄漏现象,且能够区分频率相近的信号成分,提高了谐波、间谐波的检测精度。通过Matlab软件进行仿真,结果验证了该算法的正确性。     

联合SWT和三角基神经网络的近频率谐波提取

同步挤压小波变换(SWT)可以精确地检测近频率谐波信号的频率,但在幅值和相位的检测中存在较大的误差.为了提高SWT的检测精度,提出一种将SWT和三角基函数神经网络相结合的近频率谐波检测方法.首先,通过SWT检测近频率谐波中谐波分量的个数和频率初值;然后,根据检测结果构造三角基函数神经网络,将频率作为权值在网络中参与学习;最后,利用最速下降法对网络进行训练,根据训练后得到的权值精确计算谐波分量的频率、幅值和相位.利用不同类型的近频率谐波对所提方法进行了实验分析,实验结果表明,该方法可以有效提高近频率谐波的提取精度,即使在强白噪声干扰下,也可较精确地提取出各谐波分量,提取效果优于经典的SWT方法.     

Hilbert—Huang变换在谱分析中的应用

本文对Hilbert—Huang变换（Hilbert-Huang Transform）理论做了仿真研究，并通过仿真实验对非平稳信号作经验模式分解（Empirical Mode Decomposition），得到它的固有模态函数（Intrinsic　Mode　Function）分量；对各个分量作Hilbert变换，得到瞬时频率，并构造希尔伯特谱-时间-频率的时频分布图。通过与短时傅立叶变换（Short　Time　Fourier　Transform）、小波变换（Ｗavelet　Tramform的分析比较，Hilbert—Huang变换方法更能反应原始数据的固有特性，有更好的时频聚集性，更适用于对突变信号和非平稳信号的处理。     

Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis

The mean frequency (MNF) of surface electromyography (EMG) signal is an important index of local muscle fatigue. The purpose of this study is to improve the mean frequency (MNF) estimation. Three methods to estimate the MNF of non-stationary EMG are compared. A novel approach based on Hilbert-Huang transform (HHT), which comprises the empirical mode decomposition (EMD) and Hilbert transform, is proposed to estimate the mean frequency of non-stationary signal. The performance of this method is compared with the two existing methods, i.e. autoregressive (AR) spectrum estimation and wavelet transform method. It is observed that our method shows low variability in terms of robustness to the length of the analysis window. The time-varying characteristic of the proposed approach also enables us to accommodate other non-stationary biomedical data analysis.     

改进型HHT方法在钻机电网谐波检测中的应用

传统HHT方法在分析谐波时存在模态混叠现象,不能有效得出各次谐波分量,所以本文采用基于小波分解的HHT方法来解决上述问题。该方法根据小波分解进行频带滤波,然后再利用empirical mode decomposition（EMD）分解得到准确的intrinsic mode function（IMF）,最后进行Hilbert变换得到各次谐波分量频率和瞬时幅值,解决了传统HHT方法存在的模态混叠问题。首次将改进的Hilbert-Huang Transform（HHT）方法用于石油钻机系统中,并在Matlab/Simulink平台上搭建了石油钻机电网谐波源模型,仿真谐波电流信号,并将改进型HHT方法与传统的HHT方法进行对比,比较结果验证了改进型HHT方法的先进性和有效性。     

基于Hilbert-Huang变换的语音信号分离

针对短时傅里叶变换不能正确得到非平稳信号的能量频率分布问题,提出了一种基于Hilbert-Huang变换的单信道语音信号分离的算法。该算法首先对分解得到的各内蕴模式函数分量(IMF)进行Hilbert变换,得到混合信号时频面上的Hilbert谱,然后对混合信号的Hilbert谱运用独立子空间分析的方法得出代表各个独立源信号的子空间,并对其求逆变换,从而恢复出各个源信号。通过仿真实验验证了此算法的正确性和有效性,且与短时傅里叶变换时频分析法相比较,其分离性能明显得到改善,显示了Hilbert-Huang变换在处理非平稳信号的优越性。     

强干扰环境下高炉雷达信号机器学习算法

高炉料面属矿物-煤气-焦炭多元高温固体/熔体混杂共存的粗糙表面,其电磁反射特征包含非均匀和非平稳的气固混合介质的表层电磁回波信息、布料溜槽引起的周期性遮蔽效应、十字测温等装置引起的固定干扰,以及电磁辐射等环境因素引发的随机噪声.本文研究了复杂环境下调频连续波(FMCW)提取的料面信号,采用瞬时频率分析的希尔伯特-黄变换(HHT)方法代替传统快速傅里叶变换(FFT)方法.结合经验模态分解,将原始非平稳信号分解为若干个平稳的内在模式函数;并按照基于先验知识的决策树算法分类与学习,获得各类分量权值并加权突出真实物料的电磁信号;通过Hilbert变换得到原始信号的时频域特征,可以揭示流态化料面包含的丰富冶炼信息.同时该算法也有助于提高料面成像的帧准确率和稳定性,为钢铁行业节能减排提供可靠的数据支撑.     

A new music-empirical wavelet transform methodology for time–frequency analysis of noisy nonlinear and non-stationary signals

The goal of signal processing is to estimate the contained frequencies and extract subtle changes in the signals. In this paper, a new adaptive multiple signal classification-empirical wavelet transform (MUSIC-EWT) methodology is presented for accurate time–frequency representation of noisy non-stationary and nonlinear signals. It uses the MUSIC algorithm to estimate the contained frequencies in the signal and build the appropriate boundaries to create the wavelet filter bank. Then, the EWT decomposes the time-series signal into a set of frequency bands according to the estimated boundaries. Finally, the Hilbert transform is applied to observe the evolution of calculated frequency bands over time. The usefulness and effectiveness of the proposed methodology are validated using two simulated signals and an ECG signal obtained experimentally. The results demonstrate clearly that the proposed methodology is immune to noise and capable of estimating the optimal boundaries to isolate the frequencies from noise and estimate the main frequencies with high accuracy, especially the closely-spaced frequencies.     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.