基于变分模态分解的变压器绝缘缺陷故障检测

变压器绝缘缺陷故障检测容易受到现场随机噪声的影响,导致检测效果不佳。为了解决这个问题,提出了基于变分模态分解的变压器绝缘缺陷故障检测。通过变分模态分解变压器绝缘缺陷故障信号,获取信号瞬时幅值。结合常用阈值函数处理小波分解后的故障信号,避免随机噪声干扰。通过信息熵表示每个模态的概率分布,得到熵最小值所在的最佳分量,提取故障特征信息。根据该信息构建约束变分模型,获取故障检测信息。同时检测变压器绕组导线的连接情况,计算回路的供电电压,检测变压器绝缘绕组缺陷。通过计算套管穿芯引线和内导管的接触点温度,分析变压器绝缘套管缺陷。由实验结果可知,该文方法与实际电流的最大误差值仅为0.15 kA,其余均一致,检测效果较好。     

希尔伯特-黄变换在谐波和间谐波检测中的应用

提出了一种检测电力谐波和间谐波的方法。将Hilbert-Huang变换（Hilbert—Huang Transform,HHT）用于谐波检测中,应用该方法可以提取任意频次的谐波信号。首先,运用经验模态分解处理含谐波的信号,得到一组平稳的固有模态函数分量。然后,对每个固有模态函数分量进行希尔伯特变换,得到每个模态分量的瞬时幅值和瞬时频率,从而检测出各种分量的谐波和间谐波的参数。仿真研究表明该方法的可行性与有效性,并且可以准确地确定谐波的幅值、频率和时间。     

一二次融合电力环网箱接地定位算法设计

针对配电网接地故障可能对电力可靠供应造成严重威胁的现状,开展了一二次融合电力环网箱接地定位算法的设计研究。在分析了一二次融合电力环网箱结构与优点的基础上,采用经验模态分解（EMD）算法来处理故障信号,并获得了多个内涵模态分量（IMF）。同时将IMF分量作为卷积神经网络（CNN）的输入,利用CNN自动学习进行故障信号与位置的关联分析,进而实现对故障的精准定位。通过对实际电网数据集进行的测试结果表明,EMD算法可实现对不同频率故障特征的提取,以减少后续神经网络模型的训练时长;且CNN模型具有深层的网络结构,能够提高故障定位的准确度,并保障电能的高可靠供应。     

HHT在高频周期抖动分解中的研究

用希尔伯特-黄变换算法（HHT）对高频周期抖动的分解进行了研究。通过将小波阈值和FFT滤波相结合,去除随机成分和低频周期抖动后,对高频周期抖动进行经验模态分解（EMD）,将得到的各固有模态函数（IMF）分量经过HHT变换得到Hilbert谱。结合IMF时域图和HHT时频谱,能较准确地估算各抖动成分的频率和其他信号特性,弥补已有算法在研究高频周期抖动的不足,并首次提出分频段分解抖动的方法。将实际抖动数据的测量结果与本方法估算的结果比较可知,HHT算法分解抖动的精度较高。     

频率辅助信号结合EMD的旋转机械故障诊断

针对旋转机械的故障自动诊断问题,提出一种基于经验模态分解(EMD)和频率辅助信号(FAS)的故障诊断方法.首先,利用滤波器移除非故障分量,通过实验采集各种故障下的特征频率,构建故障模型.然后,在实时故障诊断中,对光电位移传感器采集到的机械振动信号进行频谱分析,当主频接近一个特定故障的特征频率时,根据该特征频率构建一个FAS,并将其与振动信号进行叠加.接着,对叠加后的信号进行EMD,根据能量准则选择出主固有模态函数(IMF).最后,通过三次样条插值法获得主IMF信号的包络,并获得包络谱的中心频率,以此对故障进行诊断.实验结果表明,提出的方法能够解决EMD的模态混叠问题,同时对故障的并发情况具有鲁棒性.     

基于EMD的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,该文提出了基于经验模态分解(EMD)的声发射信号分析方法。该信号分析法将管道泄漏产生的复杂声发射信号分解成有限个固有模态信号(IMF),使Hilbert-Huang变换(HHT)的瞬时频率具有了实际物理意义,提高了管道泄漏检测的定位精度。结果表明,HHT法能准确描述声发射波形信号的非线性、非平稳时变特征,是声发射信号时频分析的有效工具。     

添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

基于过零点-极点估计的瞬时频率幅度算法

Hilbert-Huang变换(HHT)理论通过经验模态分解(EMD)提取信号的内蕴模态函数(IMF),并对IMF利用Hilbert变换得到信号的时频幅度谱和边际谱。在总结Hilbert变换理论和算法实现局限性的基础上,提出基于过零点-极点估计求取IMF瞬时频率、幅度算法,通过对离散信号插值运算精确求取过零点和极点位置,并据此求出相应点的瞬时频率和幅度,最后采用三次样条求取信号的瞬时频率幅度曲线。通过几个典型的例子对该算法进行检验,结果表明,与Hilbert变换结果比较,借助该算法得到信号的时频幅度谱和边际谱结果更精确、频率分辨率更好。     

基于Hilbert-Huang变换的车削颤振特征提取

针对车削加工过程中颤振现象,将希尔伯特-黄(Hilbert-Huang)变换方法引入到车削颤振特征提取中。通过对振动信号进行经验模态分解(EMD)获得一系列固有模态函数(IMF),筛选出合适的分量,计算敏感分量的方差和主要分量的瞬时能量分布,并将其作为判断车削发生颤振的依据。用实测振动信号验证了该方法提取的车削颤振特征量,可以作为颤振发生的判断依据。     

基于HHT的II/III类GBAS基准站故障检测

完好性信息的实时检测对于保证陆基增强系统（GBAS）基准站无故障运行至关重要,其中多基准接收机一致性检测（MRCC）的B值是GBAS地面完好性检测的重要参数之一。但传统的MRCC只能检测出故障基准站进而排除其所播发的改正信息,无法分析出基站信号的异常类型和程度。本文讨论了GBAS系统的故障模型,提出了一种基于希尔伯特—黄变换（HHT）的完好性信息异常检测方法。利用经验模态分解（EMD）故障信号,通过对分解后信号分量的分析实现地面基准站故障情况的检测,该方法的斜率检测误差范围在10%以内,为GBAS地面基准站在完好性检测方面提供更加及时、准确的数据支持。      

基于HHT的多分量LFM信号检测与参数估计

文中将Hilbert—Huang变换应用到多分量线性调频信号（LFM）信号的分析中：首先利用经验模态分解法（EMD）将原信号分解成有限个本征模态函数（IMF）；然后埘各个IMF进行Hilbert变换，获取瞬时频率、瞬时振幅，得到信号的Hilbert谱，该谱反映r瞬时振幅在频率一时间平面上的分布，从而可以比较准确地检测和估计各LFM分量的初始频率和调频斜率等参数。仿真结果验证了该方法的有效性。     

基于EMD的海杂波特性与目标检测

非线性非平稳是海杂波的重要特性之一,希尔伯特-黄变换（HHT）是一种全新的非线性非平稳信号的分析方法。含有目标的雷达信号在希尔伯特-黄变换过程中经过经验模式分解（EMD）后,其趋势分量及部分固有模态函数分量与海杂波的具有明显的区别。利用这种区别,本文提出一种海杂波环境下的目标检测新方法——趋势检测法,通过实测海杂波计算验证,该方法能够明显改善淹没于海杂波中的慢速小目标检测能力。     

融合EMD与全局版人工鱼群LS-SVM的网络流量预测

为提高网络流量预测模型对稳定性和精度要求,提出了一种融合经验模式分解(EMD)和全局版人工鱼群LS-SVM模型的网络流量预测算法。该模型首先通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,再用LS-SVM模型分别对各分量进行预测,其中LS-SVM的参数用全局版人工鱼群算法进行优化;最后通过SVM组合得到原始序列的预测值。仿真实验验证了该算法的预测准确性和稳定性。     

基于奇异值分解的有载调压变压器故障智能检测算法

针对当前有载调压变压器故障检测方法存在故障检测时间长,故障检测精度低以及检测结果误差较大的问题,提出基于奇异值分解的有载调压变压器故障智能检测算法。采用奇异值分解方法,建立Hankel矩阵,对有载调压变压器设备的电流反馈信号进行奇异值分解,去除有载调压变压器设备电流反馈信号中存在的噪声信号。通过局域波分解方法,将去噪后的信号分解为若干个局域波分量。利用尖峰能量法,构建有载调压变压器故障检测模型,检测局域波分量,完成有载调压变压器故障的智能检测。实验结果表明,所提算法的故障检测时间较短,能够有效提高故障检测精度,减小检测结果误差。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

基于HHT的宽带幅度非平稳调制信号的特征提取

宽带调制信号在调制源的工作状态产生变化时,信号的调制频率、调制深度随时间变化,传统解调制方法难以获取短时变化的调制特征。针对非平稳调制特点,利用Hilbert-Huang Transform（HHT）数据自适应特性和高分辨率的时频分析能力以及数学形态滤波器（MMF）对信号的降噪性能,提出了一种利用HHT提取宽带幅度调制信号的调制特征方法（MH_DEMON）。MH_DEMON中,检波信号经过MMF的预处理,HHT的经验模态分解（EMD）和Hilbert变换,提取目标瞬时调制频率。仿真数据和实际水声辐射噪声数据的实验分析表明,MH_DEMON能有效提取非平稳宽带幅度调制的特征,为目标调制源分类识别和运动状态分析提供了支持.      

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.8259 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。     

基于脉冲相关性的时域增强EMD轴承故障诊断

为了提高低速动车轴承故障诊断的有效性,提出基于互相关原理对EMD经验模态分解后的信号时域脉冲进行增强。轴承故障信息呈周期性出现,所以经过EMD分解得到的IMF分量也含有周期故障脉冲信号。为了增强故障脉冲信号的信噪比,利用基于对周期信号的时域相关性对各IMF本征模态分量分别进行时域叠加增强,最后对IMF进行包络分析提取故障特征频率。实验结果表明对IMF进行基于脉冲相关性的时域增强能够有效地抑制EMD无法去除的噪声信息,提高IMF包络谱中信噪比。     

基于核主成分分析的EMD去噪算法

本文以超声回波信号去噪为目的,研究了基于经验模态分解（EMD）分解的去噪方法。分解过程中固有模态函数（IMF）信号与噪声混叠,还会产生虚假分量,提出了基于核主成分分析（KPCA）的经验模态分解算法。首先对原信号进行经验模态分解得IMF分量;然后对信号进行KPCA变换,将各分量获得的贡献率与阈值比较,最终以去除分量中夹杂的噪声。为证明本文方法的有效性,还给出了仿真实验的仿真结果。