基于EMD/HHT的变压器故障检测算法研究

为精准实现变压器故障检测,文章提出基于EMD/HHT的变压器故障检测算法。该算法依据EMD算法对采集的变压器运行信号进行经验模态分解,获取多个固有模态分量;利用HHT算法分析固有模态分量的时频变化情况,获取其频率谱并提取变压器运行信号特征频率,将提取结果输入卷积神经网络模型中,通过网络模型的学习和训练,得出变压器故障检测结果。测试结果显示：该方法具有较好的应用性能,能够有效获取变压器的运行信号固有模态分量,通过所提取分量的频率特征精准完成不同类别变压器故障检测,为电力系统稳定运行提供了可靠的依据。     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

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。     

一种局部放电信号去噪的新方法

小波变换是在局部放电信号去噪过程中常用的方法,由于实际信号中噪声频带较宽,仅用小波变换去噪有可能带来波形畸变。文中将经验模态分解（Empircial Mode Decomposition,EMD）引入小波阈值去噪算法中,提出了一种基于EMD的小波阈值去噪算法,信号经EMD变换后被分解成若干个频率的本征模态函数（Intrinsic Mode Function,IMF）,再对各个频率的IMF分量进行小波阈值去噪。相比于普通的小波阈值去噪算法,该方法能取得更好的去噪效果。对仿真信号和实测信号的处理结果验证了该方法的有效性。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

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。     

极点均值型经验模式分解及其去噪应用

使用经验模式分解（EMD）对信号进行去噪时,由于EMD 本身会产生模态混叠,往往很难将噪声完全分离。针对这一问题,提出了一种新型的极点均值型EMD 方法,并且给予固有模态函数（IMF）一个新的定义。首先,将相邻极点平均以求得均值包络,然后迭代相减进而获得IMF。最后用原始信号减去分离出的高频IMF 实现去噪。随机信号仿真以及激光雷达回波信号去噪实验表明,该方法与EMD 分解相比,可以更好地将噪声分离,有效地抑制模态混叠,更可以极大地减小均方误差。因此,极点均值型EMD 拥有很好前景。     

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CEEMD和排列熵的SAR窄带干扰抑制方法

为了有效抑制合成孔径雷达（SAR）系统中常见的窄带干扰（NBI）,本文提出一种基于互补集合经验模态分解（CEEMD）和排列熵（PE）的NBI抑制方法。矩峰度系数法用于检测原始回波中是否存在NBI,对包含NBI的回波使用CEEMD将其分解为一系列本征模态函数（IMF）。计算所有IMF排列熵得到全局阈值以区分NBI和有用信号,并使用去除NBI后的IMF分量重建信号以获得良好聚焦的SAR图像。结果表明：所提方法能有效克服经验模态分解（EMD）带来的模态混叠问题,且干扰抑制性能优于传统频域陷波法及基于EMD的NBI抑制方法。     

基于EMD的语音功率谱分析

提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。     

总体经验模态细分法提取血流超声多普勒信号的研究

提出基于总体经验模态分解（EEMD）血流细分法提高血流超声多普勒信号提取精度.首先估计辅助分析所需的白噪声幅度,进而用EEMD得到无模态混叠的本征模态函数（IMF）组,最后分离出血流信号的IMF.将本方法应用于计算机仿真和人体实测超声多普勒信号,并与高通滤波器法、原EMD法和EMD细分法比较.结果表明本文方法,提取的血流信号精度最高,特别对WBSR=70dB的混合信号,其精度比上述方法分别提高35%、38%及17%.     

基于 EMD 方差特性的混沌信号自适应去噪算法

本文利用经验模态分解算法（EMD ）,研究了不同状态下混沌信号的方差特性,提出了一种EMD分解层数自适应的去噪算法．该算法根据固有模态函数（IMF）方差最大值对应层数与总分解层数的关系,能够自适应选择需处理的IMF层数,并结合提升小波在更新和预测方面的优势综合去噪,分别以Lorenz、Chen系统（加入10％－100％的高斯白噪声）和实测的IPIX雷达数据作为混沌背景噪声进行了实验研究．结果表明：在不同程度的低噪声（≤30％）环境下,与传统小波阈值去噪等方法相比,其均方误差降低了30％以上,信噪比提高了1．5 db－3．5 db ,并能有效地去除海杂波噪声,提高混沌背景下的微弱信号检测效果．     

基于改进的EMD方法的模拟电路故障诊断研究

文中主要进行模拟电路故障特征提取与神经网络结合的故障诊断研究。提出改进的经验模态算法(EMD)的故障特征提取方法。先通过Pspice获取电路中的可测输出节点的电压作为故障特征提取的数据,并导入到MATLAB中,然后将数据进行EMD分解得到多个包含原数据信息的内在模函数(IMF),以此来构建有效的故障特征向量,进而将得到的故障特征向量送入BP神经网络构建训练集与测试集,最后完成故障诊断。从仿真结果得到,此方法获得了较高的故障诊断正确率。     

一种基于经验模态分解的信噪比盲估计新算法

为了增强未知样式信号的信噪比估计性能,提出了一种基于经验模态分解（EMD） 的信号信噪比估计新算法,通过固有模态函数（IMF）分量平均周期判断信号与噪声界限。 给出了经验模态分解估计法的工作原理和流程图,分析了经验模态分解估计法的性能。仿真 结果表明,与信号空间分解法一样,经验模态分解估计法能够实现盲信号信噪比估计,后者 估计均方误差比前者要小,在0 dB信噪比下均方误差不超过0.3 dB。     

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

RBF神经网络在动物动态称重中的研究

针对动物动态称重数据样本不平稳,真实信号淹没在噪声中导致动物体重难以快速准确测量的问题,通过将RBF神经网络引入到动态称重数据的处理中,结合经验模态分解（EMD）算法处理动态称重数据的对比试验,得出RBF神经网络能有效降低干扰信号影响的结论。EMD算法处理数据的平均相对误差为9.51%,RBF算法处理数据的平均相对误差为5.86%。实验结果表明,RBF算法处理动态称重数据的平均相对误差比EMD算法高了近一倍,证实了RBF算法应用于动物动态称重数据比EMD算法更有效。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

多模态自适应特征融合的目标检测

随着深度学习的发展，基于卷积神经网络（CNN）的目标检测方法取得巨大成功。现有的基于CNN的目标检测模型通常采用单一模态的RGB图像进行训练和测试，但在低光照环境下，检测性能显著下降。为解决此问题，提出了一种基于YOLOv5构建的多模态目标检测网络模型，将RGB图像和热红外图像相结合，以充分利用多模态特征融合信息，从而提升目标检测精度。为了实现多模态特征信息的有效融合，提出了一种多模态自适应特征融合（MAFF）模块。该模块通过自适应地选择不同模态特征并利用各模态间的互补信息，实现多模态特征融合。实验结果表明：所提算法能有效融合不同模态的特征信息，从而显著提高检测精度。     

基于EMD与SSA的语音增强算法研究

针对低信噪比下语音性能不佳及经验模态分解(EMD)在语音增强中的有效应用,文中提出了一种基于奇异谱分析(SSA)与EMD的语音增强算法。将含噪语音信号做EMD分解,对噪声IMF分量及信号IMF分别采用小波变换和SSA去噪处理。在输入信噪比为-10d B到10d B的高斯白噪声环境下进行仿真实验。结果表明文中提出的是一种有效的语音增强算法。