EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

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...     

基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

基于全矢Hilbert时域边际谱的轴承诊断

为实现有效的故障诊断,提出一种基于全矢希尔伯特(Hilbert)时域边际谱的轴承诊断方法,对使用中的滚动轴承进行故障诊断及预警。通过采集运转中滚动轴承的同源双通道振动信号,采用经验模态分解(EMD)和Hilbert变换对同源双通道的振动信号进行处理,把非平稳振动信号分解为一系列固有模态函数(IMF)和信号的Hilbert谱;再对Hilbert谱进行积分,得到能够体现信号时域特征的时域边际谱;结合全矢谱技术对其进行同源双通道的信息融合,最终得到滚动轴承振动信号的全矢HHT时域边际谱。该方法可以避免由于传统单通道信息采集可能发生的信息遗漏而导致的对故障诊断的漏判和误判,从而提高诊断的准确性和可靠性。在国家轴承质量监督检验中心滚动轴承全周期疲劳寿命试验机上,对滚动轴承外圈故障进行试验。结果表明,与传统的Hilbert边际谱相比,该方法能够更有效地识别外圈剥落、内圈剥落等局部损伤类故障的部位和类型,可以在工程应用上实践、推广。     

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.     

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。     

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。     

基于脑电信号瞬时能量的情感识别方法

希尔伯特-黄变换(HHT)是一种处理脑电信号(EEG)的有效方法,包括经验模态分解(EMD)和Hilbert变换2个部分。但EMD无法分解包含低能量的信号,且在低频区域会产生不良的本征模态函数。为消除EMD的弊端,提出一种小波包变换(WPT)和HHT相结合的EEG处理方法。采用WPT将EEG分解成一组窄带信号,通过HHT得到Hilbert能量谱,求出平均瞬时能量作为EEG特征并封装成特征矩阵。将特征矩阵通过卷积神经网络(CNN)、递归神经网络(RNN)、支持向量机(SVM)组成的混合情感识别模型进行训练与分类。实验结果表明,该方法对高兴、悲伤、平静、恐惧4种情感的平均识别率为86.22%,最优识别率为93.45%。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

GA和RBF神经网络的Hilbert.Huang变换端点问题研究

Hilbert.Huang变换(HHT)在对信号进行经验模态分解和对各内禀模态函数进行Hilbert变换时会产生端点效应,端点效应会严重影响HHT的应用质量;为克服该问题,文中采用多目标分配遗传算法(GA)解决RBF神经网络(NN)模型训练的参数选择,并利用RBF_NN对信号延拓后再进行经验模态分解;该方法可有效克服经验模态分解方法的端点效应问题,得到具有明确物理意义的内禀模态函数和Hilbert谱;通过对典型确定信号和实际信号的仿真分析表明:文中提出的算法能有效解决HHT中存在的端点效应问题,且其效果优于RBF神经网络和支持向量机(SVM)的数据序列延拓方法。