基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机(GA-SVM)相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),分解成若干个固有模态函数(Intrinsic Mode Function,IMF),依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。

基于全息希尔伯特频谱分析的交流串联电弧故障电流特征研究

针对交流串联电弧故障信号特征提取和分析的难题,提出采用循环掩码经验模态分解(itEMD)进行信号分解以获取多层内涵模态分量(IMF),结合全息希尔伯特变换(HHT)展现高维幅度调制频率调制(AM-FM)谱图的分析方法,从而获取高区分度的电弧故障信号特征谱图。采用基于GB/T 31143—2014的电弧故障实验平台,采集7种屏蔽负载模式下电弧故障电流信号,分析研究不同环境下电弧故障特征。所提方法对于电弧故障检测技术的开发具有一定的理论指导意义。

集成全息希尔伯特谱分析及其在滚动轴承故障诊断中的应用

全息希尔伯特谱分析(holo-Hilbert spectral analysis, HHSA)是一种新的信号解调分析处理技术,其采用双层经验模态分解(empirical mode decomposition, EMD),能够有效揭示非线性或非平稳振动信号中的跨尺度耦合关系。但是,EMD在信号分解过程中存在严重的模态混叠问题,导致瞬时频率估计不准确,影响了HHSA的分析精度。基于此,提出了集成全息希尔伯特谱分析(ensemble holo-Hilbert spectral analysis, EHHSA)方法。同时为了更精确解调故障特征信息,通过对载波变量进行积分,定义了一种可以揭示调制特征的调幅边际谱分析方法。最后,通过对滚动轴承仿真和实测数据进行分析,结果表明:与传统谱分析方法相比,所提EHHSA方法及调幅边际谱的特征提取性能和噪声鲁棒性更强。

三相异步电机轴承故障的诊断策略

轴承故障是三相异步电机常见的故障之一,及时准确地进行故障诊断对于保障电机的正常运行至关重要。针对电机电流信号特征分析法(MCSA)易受到电机基波频率和系统噪声干扰等影响,本文提出了一种基于Hilbert变换的轴承故障诊断方法。先对三相电流信号进行Hilbert变换,提取电流信号的平方包络线,然后利用频域分析方法傅立叶变换(FFT),对平方包络信号进行分析,最后对FFT之后的频谱图进行归一化处理。通过观察其频谱特征,可以判断轴承是否发生故障。该方法避免了电机基波频率和系统噪声干扰,能够可靠地检测三相异步电机轴承故障。并搭建了试验平台验证了方法的可行性。

基于Hilbert-Huang变换的语音增强技术研究

提出了一种基于Hilbert-Huang变换的语音增强方法。首先利用经验模态分解方法(Empirical Mode Decomposition,EMD),选择合适的固有模态函数对含噪语音进行初步降噪,然后根据信噪比分别确定过减因子进行谱减运算。实验结果表明,与传统的谱减法相比,该方法的输出信噪比提高了5dB以上,尤其在非稳定噪声条件下,输出性能有更为明显的改善。经Hilbert-Huang变换后得到的特征量能较为有效地描述语音信号的非线性以及非平稳特性。

汤加火山运动引起的井水位动态特征提取

为了对2022年1月15日汤加火山爆发引起的井水位变化特征进行识别、提取,以河北唐山地区4口观测井为研究对象,使用EEMD方法分别处理井水位和气压观测数据,将观测数据表征的信号从频率由高到低分为多个IMF分量。通过高频分量描述井水位和气压高频事件的变化特征,结合Hilbert谱分析得到两者高频事件能量波动所在频段范围一致,发生时间相近,进一步对其进行相干性分析。结果表明汤加火山地震爆发后,井水位出现了两次变化,水位波形变化趋势与气压波形同步反向变化,相干性结果表明井水位与气压显著相关,林西矿井对气压剧烈变化响应更为灵敏。在此基础上,分析EEMD方法对短时间序列井水位处理的效能,探索Hilbert谱识别井水位干扰信号的能力。

Hilbert方法在大气边界层湍流特征分析中的有效性

介绍一种新的建立在经验模态分解(EMD)方法基础上的非线性、非平稳数据分析技术—Hilbert分析技术,并首次将其应用于大气边界层(PBL)湍流数据的分析,初步探讨了其在PBL湍流研究中的有效性。通过对城市与森林冠层上湍流资料的能量分布特征和统计平稳度进行分析、比较,结果表明:Hilbert谱分析能有效地对PBL湍流信号进行分析。它的边缘谱分析能够有效地探测PBL湍流信号的能量分布特征,统计平稳度分析也能有效地给出PBL湍流信号平稳性的定量化测量,这些将有助于建立合适的数据质量控制方法,以及对现有空气质量与扩散模式中扩散参数的计算加以改进。文中个例分析中,城市和森林冠层上空的湍流有一定相似性,湍流混合都比较充分,但森林冠层上湍流信号的能量更多地集中在大尺度湍涡,且扰动风速的高频部分具有更强的间歇性。对于相近高度的湍流信号来说,多数情况下,森林冠层上相同尺度的湍涡表现得比城市冠层上更不稳定,但湍涡的含能量要更低。

Hilbert谱分析和平稳度

提出了本征模式函数IMF成员相应的幅度及频率时间函数的计算方法。由函数的Hilbert谱可获得相关的边缘谱，边缘谱确定了几乎连续的能量分布，从而提供了通过每个频率值测量总能量的方法。根据能量-频率-时间分布，就可以定量确定平稳性，平稳性是物理过程的一个复杂属性，其由平稳度Ds和统计平稳度Dss进行度量，同时给出了Ds和Dss的计算公式。

基于Hilbert-Huang变换的仿真模型排序评估方法

针对输出为非平稳速变数据的仿真模型验证及排序评估问题,提出了一种基于Hilbert-Huang变换的仿真模型排序评估方法。首先采用经验模态分解对仿真和参考输出的非平稳速变数据进行分解得到趋势项和平稳项;然后从距离和形状两方面刻画趋势项误差特征并进行一致性分析,采用基于Hilbert变换的谱密度相容性检验方法对平稳项进行一致性分析,同时为满足相容性检验的条件,证明了基于Hilbert变换的平滑样本谱密度服从χ2分布;最后引入灰色关联分析综合3类一致性分析结果实现仿真模型的排序评估。通过实例应用,验证了方法的有效性。

基于水质光谱检测数据的改进型HHT算法研究

希尔伯特-黄变换(Hilbert-Huang Transform,HHT)是一种适用于处理非线性和非平稳信号的自适应方法。着重探讨了该算法在应用中可能出现的模态混叠问题,分析了其产生的机理和目前的研究进展。针对微试剂光谱水质检测数据中希尔伯特-黄变换存在的模态混叠问题,结合顺序注射微试剂水质在线检测技术,提出了一种微试剂水质光谱在线检测改进型HHT算法。这种改进方法采用EEMD来分析信号,有效地解决了传统HHT中EMD分解时出现的模态混叠问题,从而提高了信号分解的性能。通过改进型HHT算法与传统HHT算法水质光谱检测效果对比,研究结果表明,改进型HHT算法处理相较于基础型在校正决定系数上提高了31.78%,三种不同浓度总氮的RSD都有显著增加。与HHT算法相比,该方法有效解决了经验模态分解方法存在的模态混叠问题,同时也提高了微试剂水质光谱在线检测系统的准确性与稳定性,为微试剂水质光谱信号的准确测量提供了一种新思路。

基于Riemann-Hilbert问题建模求解孤立子解

基于矩阵谱问题构造了一种实用的方法来对一类实轴上的可积方程的Riemann-Hilbert问题进行建模。当跳跃矩阵是单位矩阵时,孤立子解通过特殊约化的Riemann-Hilbert问题显性表示。作为一个范例,对于具有任意阶矩阵谱问题的多分量非线性薛定谔方程,给出了该方法的具体应用。

Hilbert-Huang transform and wavelet analysis of time history signal

The brief theories of wavelet analysis and Hilbert-Huang transform (HHT) are introduced firstly in the present paper. Then several signal data were analyzed by using wavelet and HHT methods, respectively. The comparison shows that HHT is not only an effective method for analyzing non-stationary data, but also is a useful tool for examining detailed characters of time history signal.

基于改进VMD算法的直流微网纹波检测方法

凭借线路成本低、效益高等优势,直流微网成为未来新的配用电趋势,但其多源多变换的特点易导致系统中存在多种形式的纹波发生源。纹波的大量存在不仅直接影响直流微网电能质量,且不便于准确计费,能否准确检测纹波对于直流微网的可靠供电有着重要意义。文中提出了一种基于改进变分模态分解算法(Modified VMD,MVMD)的纹波检测方法,可用于稳态纹波与暂态纹波的准确检测。在MVMD方法中,基于频谱特征相关度的方法确定最佳分解尺度,通过VMD算法将直流检测信号分解为一系列的本征模态分量(IMF),进行希尔伯特变换(HT),可获得纹波分量的一系列参数,以及暂态纹波信号起止时间,采用MVMD方法与经验模态分解(EMD)算法进行对比,实验证明所提出方法相比EMD算法具有较高的检测精度以及噪音鲁棒性,适用于直流微网的纹波监测。

多样性表示的深度子空间聚类算法

针对深度子空间聚类问题中不同层次特征中互补信息挖掘困难的问题,在深度自编码器的基础上,提出了一种在编码器获取的低层和高层特征之间探索互补信息的多样性表示的深度子空间聚类(DRDSC)算法。首先,基于希尔伯特-施密特独立性准则(HSIC)建立了不同层次特征衡量多样性表示模型;其次,在深度自编码器网络结构中引入特征多样性表示模块,从而挖掘有利于提升聚类效果的图像特征;此外,更新了损失函数的形式,有效融合了多层次表示的底层子空间;最后,在常用的聚类数据集上进行了多次实验。实验结果表明,DRDSC在数据集Extended Yale B、ORL、COIL20和Umist上的聚类错误率分别达到1.23%、10.50%、1.74%和17.71%,与高效稠密子空间聚类(EDSC)相比,分别降低了10.41、16.75、13.12和12.92个百分点;与深度子空间聚类(DSC)相比,分别降低了1.44、3.50、3.68和9.17个百分点,说明所提出的DRDSC算法有更好的聚类效果。

基于非负矩阵分解的均方残差多视图聚类算法

针对高维海量数据,现有的多视图聚类方法存在无法发现高维视图隐藏信息、聚类效果差等问题。结合均方残差(Mean Squared Residue, MSR)思想,提出了一种基于非负矩阵分解的均方残差多视图聚类方法(Mean Squared Residue Non-negative Matrix Factorization, MSRNMF)。首先,采用改进的非负矩阵分解方法结合流形学习、希尔伯特-施密特独立性准则计算各单视图的系数矩阵,不仅降低了多视图中各个视图的维度,而且有效地提取了高维数据中的隐藏信息;其次,采用谱聚类算法对各单视图的系数矩阵进行聚类,获得单视图聚类簇;接着,利用均方残差思想,针对各单视图聚类结果进行融合,得到最终多视图聚类结果;最后,以标准数据集和古建数据集为对象进行验证,实验结果表明该算法在精度上优于MVCF,GPSNMF,GPMVNMF,DMF和MCLES,在古建筑集上效果明显,进而验证了算法的有效性。

巡检机器人遍历诊断轨交设备故障方法研究

因人工成本较高,且人工诊断设备故障准确性不高、遍历性不全,仅依靠人工排查轨道交通设备故障存在困难。为了准确地判断轨道交通设备故障类型,对巡检机器人遍历诊断轨交设备故障进行了研究。计算售票机的故障特征频率。利用三层小波包分解法,将原始频带划分为8个子频带,结合希尔佰特变换提取信号包络特征。创新性地利用故障识别搜索算法设定巡检机器人,执行判定谱峰、遍历搜索故障信号频带以及故障特征频率误差操作,完成设备故障诊断。测试结果表明,所提方法应用机器人能够判断轨交设备故障,判断故障类型特征频率包络谱最高峰值为26.75 Hz,能够准确地诊断轨道交通设备故障类型和故障位置。

基于DT-CWT和MCKD的滚动轴承早期故障诊断方法

滚动轴承早期故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波(dual-tree complex wavelet transform,DTCWT)和最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最大相关峭度反褶积处理以消除噪声成分,凸现故障特征信息。最后对降噪信号求取Hilbert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。

基于总体平均经验模态分解残差的故障诊断方法

为了提高化工过程故障诊断的效率,基于残差对故障状态具有敏感性以及经验模态分解(EMD)无需建模仅依据输入输出数据分析的优势,提出了一种基于总体平均经验模态分解(EEMD)残差进行故障诊断的新方法。基于历史数据的6σ控制图,确定残差的故障诊断控制限。利用在线实时数据采用贝叶斯信息准则在线确定EEMD的移动窗口。基于移动窗口的采样数据,在线获得EEMD残差最大值的变化,结合相应的故障诊断控制限在线诊断故障并确定故障发生时间及原因。该文方法与传统的希尔伯特谱分析方法相比,具有可在线诊断故障的优势,提高了故障诊断的准确率。将该文方法用于田纳西-伊士曼(TE)过程的故障在线诊断,验证了其有效性。

三种时频分析方法在心音信号分析中的应用

文章介绍了一种新的时频分析方法—— Hilbert谱分析 ,并将其应用到心音信号的时频分析中 ,分析对比了短时 Fourier变换 ,小波分析和 Hilbert谱分析这三种方法在处理心音信号时的性能差异 .传统的基于 Fourier的方法不能有效的分析非平稳信号 .文章分析证明了这种新方法在分析像心音信号这种非平稳信号的有效性 ,它能对信号的时频分布做出比短时 Fourier变换和小波分析更为精确的描述 .用这种方法 ,我们能提取心音信号中频率变化的信息 .

基于希尔伯特-黄变换的小鼠血液光谱信号分析研究

目的:对非线性、非稳态的小鼠血液光谱信号的时频局部特征进行分析,形成小鼠是否存在肝损伤的健康状况判断依据。方法:用近红外光谱法采集正常和肝损伤小鼠的血液指标的光谱信号,应用希尔伯特-黄变换(HHT)方法对信号进行研究。结果:初步形成了判断小鼠是否存在肝功损伤信号依据。结论:基于HHT的分析方法对小鼠血液光谱信号的分析能准确判断小鼠的健康状况,同时为利用近红外光谱法进行血液无创检测提供了一种新的分析方法。