GIS不同耦合方式下注入脉冲的加权IMF局放信号等效性

注入脉冲模拟局放是气体绝缘金属封闭组合电器(gas insulated switchgear,GIS)特高频(ultra high frequency,UHF)局放监测装置功能校验的主要方法,由于现场校验脉冲注入的耦合方式不同,模拟局放与实际局放等效性规律尚不明确,无法保证监测装置功能校验的有效性。文中首先建立126 kV GIS典型局放缺陷(尖端、悬浮、绝缘子气泡)和内/外置式脉冲注入UHF局放检测平台,并对UHF信号有效脉冲进行归一化提取;接着提出基于经验模态分解的加权本征模函数(intrinsic mode functions,IMF)信号处理方法,通过计算局放信号欧式距离平均值和最大值表征其等效性;最后与常规信号偏差法进行对比验证。研究表明,相较于常规信号等效性分析方法,加权IMF法可有效解决UHF信号波形局部差异较大的问题;使用内置传感器脉冲注入的模拟局放信号与悬浮局放信号等效性最高,局放信号的欧式距离平均值M e和最大值M a分别为3.82%和10.28%。因此,UHF监测装置功能校验可采用恒定参数注入脉冲代替悬浮缺陷,且模拟局放可优先选择内置UHF传感器注入脉冲。文中研究可为UHF局放监测装置功能校验的脉冲注入方法提供参考。

经验模式分解对恒电量瞬态响应信号的预处理

应用经验模式分解(EMD)将恒电量瞬态响应信号分解为不同时间尺度的内在模函数(IMF)分量,去除其中的小时间尺度的干扰噪声分量,然后经过拉普拉斯变换获得恒电量频谱以研究电化学腐蚀过程。

抑制经验模分解边缘效应的极值点对称延拓法

经验模分解(Em p iricalM ode D ecom position,EMD)是希尔伯特-黄变换(HHT)的核心,而经验模分解方法的关键是对提取固有模式函数(Intrinsic m ode function,IM F)时所谓边缘效应问题的处理。提出了极值点对称延拓方法,用来对边缘效应问题进行处理。算例分析结果表明该方法的算法简单,计算速度快,能有效地抑制EMD分解时的边缘效应,分解得到的固有模式函数完备地体现了原信号真实的频率和幅值信息。在信号重构时不会带来原始信号的畸变。

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解 (EMD)提取信号的内在模函数 (IMF) ,并利用希尔伯特变换对所得IMF进行包络分析 ,提取机械故障特征。与直接对原信号进行包络分析相比较 ,该方法提取的机械故障特征更明显。数值模拟和对故障轴承振动信号分析表明了该方法的有效性。

一种基于经验模式分解的心电QRS波检测方法

讨论了一种信号分析法——经验模式分解法,用于检测心电信号中QRS波的可行性和有效性,并提出了相应的检测算法。实验结果表明,适当选择心电信号在经验模式该方式分解后的内在模函数,特别是其高频分量,可有效地抑制或缓解各种主要噪声干扰,使用简单算法即可分离QRS波的特征点。该方法经标准心电信号进行有效验证,获得了较高的准确率。

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。

经验模式分解对恒电量瞬态响应的滤波处理

用经验模式分解的方法对恒电量瞬态响应信号进行滤波处理.通过计算机仿真,在模拟等效电路生成的理想瞬态响应信号上加入不同形式的噪声,获得恒电量瞬态响应信号经验模式分解滤波的实际判据.结果表明:将前两项内在模函数(IMF)和IMF4的50 Hz成分(大信噪比时前三项IMF和IMF4的50 Hz成分或直接将前四项IMF)置零在大多数情况下滤波效果很好,将此滤波判据应用于实际腐蚀体系结果较满意.

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.

基于EMD的洪涝灾害成灾面积波动的多时间尺度分析

应用经验模态分解(EMD)方法分析了1950-2002年全国洪涝灾害成灾面积波动情况。结果表明:(1)洪涝灾害成灾面积存在准3年、准6年、准11年和准50年左右特征时间尺度的周期性波动;(2)各时间尺度的周期性振荡的贡献率中以准3年时间尺度的成灾面积振荡的贡献最大,说明洪涝灾害成灾面积波动以准3年时间尺度为主;(3)从各时间尺度的振荡来看,自70年代中期以来,洪涝灾害成灾面积的波动频率增加,从各时间尺度振荡的趋势看,洪涝灾害成灾面积仍处在增加阶段;而且近年来洪涝灾害成灾面积振荡的幅度增大,说明洪涝灾害强度加剧,频度增加。因此,应充分利用高科技手段对洪水进行实时跟踪、预报,尽可能减少其损失。

基于小波包和EMD处理的滚动轴承故障诊断

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。

基于EEMD分解的欧洲温度序列的多尺度分析

利用EEMD方法对欧洲5个站大于150年逐日温度序列进行分解,分析了欧洲温度序列的低频变化、年循环及季节变化。结果表明:欧洲5站温度低频变化均存在明显的特征时间尺度,即年际、年代际和世纪尺度等;年循环强度在1910—1940年及1970年年末以后的两个暖期里均处于偏弱的状态,尤其是最近30年里年循环强度减弱趋势更加明显;此外,与1910—1940年相比,在20世纪70年代末以来的暖期里,夏季更长,冬季更短。

故障电流与励磁涌流的EMD特性分析

从IMF(intrinsic mode functions)需满足的两个条件出发,定性分析了故障电流、非对称涌流、对称涌流经过EMD(empirical mode decomposition)分解后各自的IMF波形组成特征。在此基础上提出主导IMF概念,并利用IMF的能量特征对主导IMF进行提取,然后采用故障电流与涌流不同的主导IMF组成特征对其进行区分。另外,理论分析考察了恒定直流分量和衰减非周期分量对IMF组成特征的影响。在Matlab下对动模仿真数据分析结果表明了故障电流与涌流在主导IMF构成上差别明显,是一个识别涌流的简单实用判据。

基于EMD与神经网络的机械故障诊断技术

经验模式分解 (EMD)是分析非线性、非平稳信号的有力工具 ,它将信号分解为突出了原信号的不同时间尺度的局部特征信息的内在模函数 (IMF)分量。本文通过将各 IMF分量输入到 BP网络中进行训练学习和故障诊断 ,比直接输入原信号可以提高 BP网络对故障诊断的准确率 ,而且减少了训练时间。

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。

煤岩动力灾害电磁辐射信号特征研究

为研究煤岩动力灾害发生前兆特征,即该过程中的电磁辐射信号产生规律,应用煤岩单轴加载破坏测试系统进行原煤及型煤煤样煤岩破裂过程电磁辐射测试试验。对原始电磁辐射信号进行集合经验模分解(EEMD),并在分解各个固有模态函数(IMF)分量波形的基础上,计算各IMF分量在原始辐射信号中的能量比例,确定原始信号的主要频段及优势频段。试验结果表明,煤岩破裂过程先后经过初始压缩阶段、弹性变形阶段以及加速破裂阶段。随着压力的不断增大,电磁辐射信号随着大量裂隙的形成而产生,且电磁辐射信号的强度与压力正相关。当压力增大至使煤体发生首次错动数值时,其电磁辐射信号强度达到极值,此后错动强度不断降低,电磁辐射信号强度也逐步下降。

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.

几种信号分析方法对非线性、非平稳信号分析效果的比较

本文通过对傅立叶变换 ,短时傅立叶变换 ,小波分析 ,经验模式分解几种信号分析方法在信号分析中的效果相比较 ,肯定了经验模式分解在分析非线性、非平稳信号中的作用 ,同时也指出了经验模式分解还存在的问题。

基于EMD的云南东川蒋家沟泥石流年输沙量多时间尺度分析

基于经验模态分解(EMD)方法,对云南东川蒋家沟泥石流1965年至2004年40年的年输沙量时间序列进行多时间尺度分析,该时间序列分解成3个本征模函数(IMF)分量和趋势项(Res)分量。分析表明:蒋家沟泥石流的年输沙量存在多尺度的周期性波动,分别是2～4 a、6～10 a和17～21 a的准周期。通过对各IMF分量和Res趋势项分析发现,自1985年之后,波动的振幅开始变大,表明蒋家沟泥石流的年输沙量变化很大。降雨对蒋家沟泥石流的年输沙量及周期性波动有一定程度的影响。人类活动改变环境的同时,也为蒋家沟泥石流提供固体物质来源,这使得蒋家沟泥石流的年输沙量周期性波动变得更加复杂。