基于HHT的电力系统谐波分析

鉴于现有电力系统谐波检测与分析方法的不足,用希尔伯特-黄变换(HHT)进行谐波分析.该方法由两部分组成.首先对谐波信号作经验模态(EMD)分解,得到满足一定条件的固有模态信号(IMF),然后用希尔伯特变换求其瞬时频率和瞬时幅值.该方法适用于非线性非平稳信号的分析,具有概念清晰、计算简单的优点.仿真研究表明,用HHT方法进行电力系统谐波分析是可行的,与傅立叶变换和小波变换等现有方法比较,有很多独特的优点.     

Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换（HHT）中瞬时频率计算的真实性和稳定性，提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换，然后根据插值点数作补零处理，再进行傅里叶反变换，完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解（EMD）得到一组固有模态函数（IMF），计算所有IMF的瞬时频率和幅值，最终获得信号时频分布的Hilbert谱.结果表明，该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生，增强了瞬时频率的准确性，提高了HHT方法的信号分析频率，该方法能有效应用于实际信号处理的HHT时频分析中.     

联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析

经验模态分解方法无法分离2倍频内信号分量而可能导致模态混叠,这是应用著名的Hilbert-黄变换(Hilbert-Huang Transform,HHT)分析非线性信号时无法回避的问题,而消除模态混叠对于准确分析非线性信号具有重要意义。在此背景下,提出了一种联合采用高通低通滤波与Hilbert-黄变换的非线性信号分析方法,以解决这一问题。首先,提出了基于HHT瞬时频率的、用于判断是否发生模态混叠的指标;在此基础上为解决常规经验模态分析方法无法分解2倍频内信号的问题,采用傅里叶变换分析存在模态混叠的信号,并通过高通低通滤波将2倍频内的信号分离。之后,对经过滤波后的信号进行经验模态分解,并与之前未发生模态混叠的分量整合,得到原始信号完整的本征模态函数分量,进而计算得到各分量的瞬时频率和瞬时幅值。最后,用算例说明了所提方法的基本特征。     

基于Hilbert-Huang变换的信号奇异性检测的比较研究

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时一频谱.这种方法的关键部分是经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的模态函数,对这些固有模态函数作Hilbert变换,就可得到每一个固有模态函数的瞬时频谱,综合所有固有模态函数的瞬时频谱可以得到信号的一种新的时频描述方式-Hilbert谱.本文比较了小波变换和Hilbert-Huang变换在信号奇异性检测上的异同,并列举了一些实例说明Hilbert谱的优越性.     

基于Intrinsic Time-scale Decomposition算法的扰动信号特征量提取问题研究

由于电能质量扰动信号具有非线性的特点,当下算法无法有效提取电能质量扰动信号,采取Intrinsic Timescale Decomposition算法,可以有效提取电能质量扰动信号的频率、幅值、相位等特征量。利用Intrinsic Time-scale Decomposition算法提取电能质量扰动信号的Proper Rotation Component分量,后对Proper Rotation Component分量进行Hilbert变换以求得电能质量扰动信号的相位和瞬时频率,再根据电能质量扰动信号的高频突变点得到电能质量扰动信号的起止时间;根据envelope函数求得衰减因子。利用软件开发程序MATHEMATICA对电能质量扰动信号进行分析,结果表明,Intrinsic Time-scale Decomposition算法可以很好地提取电能质量扰动信号特征量,并且具有极佳的抗噪性能。     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

经验模态分解法在地震资料处理中的应用

在连续小波基的平稳序列时频分析方法基础上,对非平稳时间序列的时频分析方法深入研究,引入经验模态分解法,利用信号的局部特征——时间尺度,从原信号中提取若干个固有模态函数(IMF)和一个残余量,用多个固有模态函数表征信号的局部特征,用残余分量表征信号缓慢变化的趋势,并形成非平稳信号经验模态分解算法。通过实例应用研究验证了EMD分解后所作的瞬时Hilbert幅值谱,比连续小波变换CWT分解后的谱的分辨率高,并与地震道波形匹配自然,可用于地震非平稳数据的时频分析。     

基于Hilbert-Huang变换的涡街信号处理方法

利用Hilbert-Huang变换(HHT)的固有模态分解特性，提出了一种涡街信号频率估计的新方法.采用压电传感器进行涡街信号的检测，通过分析信号经过固有模态分解后的时频特性，获得了不同模态所代表的噪声信号成分和实际涡街信号成分.模态中的一部分表示了信号中的噪声，而剩下的部分模态真实反映了信号的频率成分.在仿真的基础上，获得了去除噪声的部分模态瞬时频率与涡街频率的关系.研究结果表明，基于HHT的涡街频率估计方法，可以精确估计涡街信号频率并提高涡街流量计的抗干扰能力.该方法计算量小，能够满足涡街流量计在实际工程应用中的要求.     

基于经验模态分解的瞬变电磁信号的属性提取与分析解释

瞬变电磁法仅用时域资料进行分析与解释是不充分的,应该将信号的频率成分也综合利用起来进行分析解释。将Hilbert-Huang变换引用到瞬变电磁信号的分析中,将含噪的瞬变电磁信号通过经验模态分解成若干个固有模态函数,对每个固有模态函数进行Hilbert-Huang变换,获得瞬时幅度和瞬时频率,将每个测点的瞬时属性组合起来绘制瞬时振幅剖面图和瞬时频率剖面图,不同构造形态的地质体在两者的剖面图中均有明显的异常反映。各种模型和实例计算表明：用Hilbert-Huang时频分析方法提取瞬变电磁信号的瞬时属性意义明确而且分辨率高,明显优于传统分析解释方法。     

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。