LNG船电力系统故障检测的仿真研究

研究电力推进LNG船电力系统故障有效识别的问题.LNG船电力系统中含有大功率推进电机,其随机变化易造成电力系统故障,产生的故障暂态信号蕴含大量噪声,具有随机、非平稳的特点.传统方法不能有效提取这类故障信号特征,故障检测准确度低.为解决上述问题,提出了一种基于聚类经验模型分解(Ensemble Empirical Mode Decomposition,EEMD)的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)故障检测方法.首先,将故障时刻的电网电压信号进行EEMD分解,得到固有模态函数分量;然后,将上述分量的希尔伯特边际谱进行时频分析,提取较为准确的故障特征信息.仿真结果表明,HHT方法能弥补传统信号分析方法的不足,最大限度的抑制噪声和保留故障信号特征,提高故障检测准确率.     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

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.     

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。     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

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。     

一种非线性非平稳自适应信号处理方法—希尔伯特-黄变换综述：发展与应用

非线性非平稳信号的分析、处理以及特征提取问题,一直是学术和工程界关注的热点问题之一。为突破传统数据分析方法受线性或者平稳性假设的限制,一种新颖的、高效的非线性、非平稳、自适应的数据分析方法——希尔伯特-黄变换（HHT）被提出。在这篇综述中,我们介绍HHT的基本思想和近期发展,总结起在工程领域中的应用情况,并且列举与之相关的数学问题。     

HHT在浅层地下震动信号分析中的应用

利用希尔伯特-黄变换(HHT)中经典模态分解(EMD)法,对浅层地下爆炸场采集的震动信号进行分解,得到满足一定条件的IMF分量,再对其进行希尔伯特变换,得到能量谱图,通过对波形和能量谱图的分析,实现对浅层爆炸场信号的分析及特征提取。     

基于小波分解与希尔伯特-黄变换的跳频信号检测

现有的基于时频分析的检测方法在时间分辨率和频率分辨率上往往不能同时满足要求,针对这一问题,提出了一种结合小波分解与希尔伯特-黄变换(HHT)的跳频(FH)信号检测方法.利用小波分解去除混合信号中的噪声;利用希尔伯特-黄变换实现跳频信号的检测,避免了传统时频分析过程中窗函数的影响.理论推导和仿真实验表明:本文方法能同时有效地兼顾时间分辨率和频率分辨率,明显改善了跳频信号检测的准确性.     

信号自适应去噪方法的仿真研究

研究信号问题,实际中信号都带有噪声.对不同的信号寻找最佳的去噪方法一直是信号处理和检测的主要问题,传统的信号去噪方法存在基函数单一,或者基函数难以选择的问题,使去噪效果不理想.提出一种新的基于Hilbert-Huang变换的自适应的信号去噪方法,解决了传统去噪方法存在的问题,提高了信号去噪的效果.方法是一种新的分析非线性非平稳信号的时频方法,包括经验模态分解(EMD)和Hilbert变换两部分,从信号本身的尺度特征出发对信号进行EMD分解,得到一组固有模态函数,具有良好的局部自适应性.进行仿真证明,方法的基函数具有自适应性,能很好的匹配信号的特征,既能分析平稳信号又能分析非平稳信号,尤其是对短时的非平稳信号进行去噪是非常有效的.     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

经验模态分解方法的小波消失现象

在分析经验模态分解（EMD）算法的基础上,通过提取叠加在正弦信号中的瞬态微小波形成分发现EMD分析方法的小波消失现象。以正弦信号中的微小信号的提取为分析对象,根据EMD算法的特点,推出正弦信号中的微小波形提取时的小波消失条件。通过改变微小波形的时间中心相对于正弦信号的位置提取正弦信号中叠加的微小波形,验证了小波消失条件的正确性。EMD分解方法的小波消失现象的分析丰富了EMD分解方法的适用性研究。     

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

基于总体平均经验模态分解的主动噪声控制系统研究

为了提高宽窄带混合噪声的消噪效果,本文提出一种基于总体平均经验模态分解（Ensemble empirical mode decomposition,EEMD）的主动噪声控制（Active noise control,ANC）系统,利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数（Intrinsic mode functions,IMF）分量.因为这些IMF分量的频带各不相同,所以实现了混合噪声中宽带分量和窄带分量的有效分离,独立进行ANC处理后成功解决了处理混合噪声时带来的“火花”现象,而且避免了传统混合ANC（Hybrid ANC,HANC）系统中频率失调的影响. EEMD算法也是对混合噪声的平稳化处理过程,因此当混合噪声中出现非平稳变化时,本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析,提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.     

HHT经验模式分解的周期延拓方法

针对经验模式分解的端点效应,运用插值理论,给出了端点邻域处三次样条插值引起的截断误差表达式,分析了产生端点效应的原因,提出采用对称(镜像)和反对称两种信号周期延拓的方法.为保证周期延拓的平滑性,对于端点为极值点或零点的不同情况,提出了分别采用对称(镜像)和反对称周期延拓的方法.通过对截断误差的分析,以及对典型模拟信号和语音实验数据的计算,证明了周期延拓方法的有效性可行性,方法可以大大地提高经验模式分解的准确性和町靠性.     

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。     

基于总体经验模态分解的多类特征的运动想象脑电识别方法研究

人的脑电信号（Electroencephalogram,EEG）复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解（Ensemble empirical mode decomposition,EEMD）是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数（Intrinsic mode functions,IMFs）,利用希尔伯特变换提取边际谱（Marginal spectrum,MS）及瞬时能谱（Instantaneous energy spectrum,IES）时频特征,同时通过加窗的方法提取非线性动力学特征近似熵特征,利用线性判别分类器（Linear discriminant analysis,LDA）作为分类器,实验结果得出,对于被试S2和被试S3可达到识别率分别为79.60%和87.77%,实验中9名被试的平均识别率为82.74%,得到平均识别率也高于近期使用相同数据集文献的其他方法.