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。

基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于ICEEMDAN与样本熵的脑血氧信号去噪方法

人体生理活动和随机噪声都会对脑血氧检测数据精度产生影响,为提高测量精度,需解决信号采集时遇到的噪声干扰。文中提出一种利用改进的具备自适应噪声的完全集成经验模态分解(Improved Complete Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)与样本熵(Sample Entropy,SampEn)相结合的脑血氧信号去噪方法。利用ICEEMDAN对脑血氧信号进行模态分解,从而获得不同时间复杂度的固有模态函数(Intrinsic Mode Function,IMF)分量。通过样本熵值判断各IMF分量的时间复杂度,依据IMF分量的样本熵值选择合适的分量重构信号,从而去除原始信号的噪声。实验结果表明,所提方法可以有效去除原始脑血氧信号中的噪声,实现采集数据的精度提升,进而提高脑血氧检测精度。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

基于行波固有频率和经验模态分解的混合线路故障测距方法

基于行波固有频率的故障测距方法不依靠识别行波波头即可进行精确故障测距,测距的关键是正确提取故障行波固有频率的主成分。该方法应用于架空线—电缆混合输电线路时,由于波阻抗不连续,会形成混叠的固有频率频谱,给正确识别和提取故障行波固有频率主成分带来困难。基于此,文中提出一种基于行波固有频率和经验模态分解(EMD)的架空线—电缆混合线路故障测距方法,在提取故障行波固有频率主成分之前先利用EMD进行信号分解,获取故障测距所需的故障行波成分,再对其进行固有频率频谱分析、主成分提取和故障测距计算。对某实际的110kV架空线—电缆混合输电线路的仿真分析表明,该方法可较好地解决现阶段频域方法进行架空线—电缆混合线路故障测距时存在的频谱混叠问题,具有一定的实用价值。

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。

经验模态分解、数值仿真与形变信号滤波试验

首先介绍了经验模态分解的方法与原理,给出了由经验模态分解产生的固有模态函数重构特定滤波器的算法,然后通过对已知数据的仿真检验,认为该方法在分解与重构滤波器方面具有较高的精度,最后通过对形变数据中几类典型干扰信号的初步试验与对比分析,可看出获得了满意的处理效果。综合分析认为,经验模态分解及其组合滤波器在干扰消除或某些频率成分滤波与研究中具有重要意义,可作为形变数据预处理中一种行之有效的数据分解方法。

基于IMF和粗糙度特征的发动机振动信号分析

航空发动机振动信号为典型的非平稳信号,包含了多种振源振动信息和大量的噪声分量。通过对航空发动机振动信号进行Hilbert-Huang变换,将复杂信号分解为代表不同物理意义的单分量固有模态函数(intrinsic mode functions,IMF),然后对每一个IMF信号提取广义粗糙度特征实现对振动信号的描述。由于各IMF分量的能量百分比大小表征了该分量信号的有效性,使用提取的能量百分比对各分量下的广义粗糙度特征进行加权,最后得到了对发动机振动信号进行描述的能量加权广义粗糙度特征。通过对航空发动机实际试车采集的碰摩振动信号和正常工况下信号的实验分析可以看出,两种情况下信号特征具有明显不同,说明该特征可以有效地对振动信号进行描述。

经验模态分解在矿井风机振动信号分析中应用

由于获取矿井风机振动信号的特殊性,致使有效的振动信号被大量干扰信号所淹没,给基于振动信号的矿井风机故障诊断带来很大困难。为此,提出一种EMD-FFT振动信号分析方法,该方法将经验模态分解技术与傅里叶分析相结合。采用EMD对矿井风机振动信号进行分解,用FFT对分量(IMF)分别进行频谱分析,并将其按频率重组,剔除高频干扰,获取真实振动信号。通过将原始信号FFT直接分析与EMD-FFT分析对比研究,证明EMD-FFT较直接FFT在矿井风机振动信号分析中的优越性。

油气核磁共振测量信号的经验模态分解去噪

针对某油气探井核磁共振测量信号,进行了8层经验模态分解,得到不同分解层次下的固有模态函数分量的振幅和频率,重新拟合低频信号丰富的固有模态函数分量后,高频信号噪声被大量过滤,提高了有用信号的分辨力。

基于经验模态分解的电能质量信号消噪新方法

基于EMD理论,采用一种电能质量信号消噪的新方法,即首先对电能质量信号进行EMD分解,得到一系列的IMF分量和一个剩余分量,根据噪声和信号在不同尺度的IMF分量上的表现特性,分别将其进行阈值处理,再将消噪后的IMF分量重构,从而得到消噪后的电能质量信号.仿真结果表明,该方法的消噪效果较好.

爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(EMD)得到的IMF在端点处的发散现象,提出一种同时考虑信号端点发展趋势和全局时间-能量联合参数的改进EMD端点效应抑制算法。该算法首先考虑端点变化趋势得到延拓后的边界局部特征尺度X_0,再计算X_0的能量E_0,找到原始信号中和E_0最匹配的分段信号X_k,最后用X_k代替X_0进行EMD。通过建立仿真信号,验证该算法和常规端点效应抑制算法相比,对EMD端点效应具有更好的抑制能力,能够得到精度更高的IMF。最后将该算法用于实际爆破地震波信号分解中,发现提出的算法能够有效抑制EMD端点效应,有利于爆破地震波信号细节特征参数的提取。

基于经验模态分解方法的拉曼光谱信号处理研究

经验模态分解(EMD)方法是一个以信号内在物理频率成分为对象的自适应时频分析方法,而常见的非平稳信号分析方法,比如小波分析,它需要选择小波基,不同小波基的分析结果不同;拉曼光谱信号是典型的非线性和非平稳信号,EMD方法充分地保留了信号本身的非线性和非平稳的特征,适应于拉曼光谱信号的分析。实验在自行研制的拉曼光谱测试平台上获得了原始的拉曼光谱信号,并通过经验模态分解将信号分解成不同频率的10个本征模式分量,信号能量集中在750cm^(-1)和1 500cm^(-1)左右,最后进行了频率成分分析和去噪处理,并和小波分析方法进行了对比,验证了EMD方法的有效性和实用性,该方法在拉曼光谱信号分析中有较好的应用前景。

基于经验模态分解的有载分接开关振动信号识别

为了提升有载分接开关振动信号降噪效果及故障识别准确率,研究了一种基于经验模态分解的有载分接开关振动信号识别方法。该方法对有载分接开关振动信号进行采用掩膜的经验模态分解,降低模态混叠;采用阈值滤波方法对各个固有模态函数进行处理,降低噪声影响;再采用相关系数法选取特定固有模态函数并进行信号重构,采用时频分析和卷积神经网络方法进行特征提取和故障识别,得到故障识别结果。实验结果表明,利用所提出的方法进行降噪处理后的识别准确率得到有效提高。

信号分解技术在新能源发电功率预测中的应用评述

非平稳性是影响风电功率序列和光伏功率序列精准预测的主要问题。信号分解技术能够将非平稳功率序列分解为若干不同频率的固有模态分量,从而平缓序列的波动程度,提取序列特征,建立具有强适应性的预测模型,实现预测精确度的切实提高。首先将信号分解技术进行归类划分,从时域分解和频域分解两个角度系统评述了国内外研究人员对信号分解技术的应用研究现状;其次,从风电和光伏功率预测两个方面详细评述了信号分解技术的应用研究实例并通过实际分解结果对比了分解技术的优缺点;最后,总结了信号分解技术的应用场景,并对分解技术的应用领域和提高预测精度的研究方向进行了展望。

基于CEEMDAN·MPE-NHT的爆破地震波信号时频分析

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)处理混有噪声的爆破地震波信号时,会出现时频分析失真的现象,对影响HHT时频分析精度的因素进行逐一改进,得到改进后的算法来提高含噪爆破地震波信号时频分析精度。首先对经验模态分解(Ensemble Empirical Mode,EMD)进行改进得到自适应补充集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)抑制低频趋势项,同时添加多尺度排列熵(Multiscale Permutation Entropy,MPE)代码控制高频噪声,最后对CEEMDAN·MPE得到的IMF进行归一化Hilbert变换(Normalized Hilbert Transform,NHT),通过上述三步即可改善传统HHT含噪爆破地震波信号时频分析精度不足的问题。为验证CEEMDAN·MPE-NHT算法时频分析的准确性,进行HHT和CEEMDAN·MPE-NHT算法的含噪仿真信号时频分析对比研究,并将CEEMDAN·MPE-NHT算法用于水下钻孔爆破地震波信号时频分析中。研究结果表明:CEEMDAN·MPE分解得到的IMF经NHT处理得到的时频谱在时域和频域上均具有较高的分辨率,得到的时频分析参数精度相比HHT有了很大的提升,可实现更准确提取含噪爆破地震波信号时频特征参数,对爆破地震波危害效应识别,制定科学的爆破地震波危害效应控制措施具有重要的现实意义。

基于经验模式分解的脑机接口信号多模态识别

当前方法对脑机接口信号识别时,因其基函数无法自适应调整,导致信号特征提取与识别结果不够准确,因此提出基于经验模式分解的脑机接口信号多模态识别方法。根据固有模态函数及其相关约束条件,通过筛选对经验模式分解实施分析,基于细胞电流架构的信号频率,对脑电信号分类;根据分类结果,采用经验模式分解法对脑机接口信号滤波降噪,经过确定经验模态分解级数,滤波处理剩余信号分量;利用Hilbert变换方法提取信号包络,通过包络信号各段能量完成能量熵的计算,实现信号特征提取;在此基础上,根据信号的导函数与极值点的约束条件,获取包络的高低频分量,最终完成脑机接口信号多模态识别。仿真实验结果表明,所提方法的脑机接口信号特征提取准确率和多模态识别精准度均较高,具有理想的识别有效性与较强的鲁棒性。

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解(Empirical Mode Decomposition,EMD)中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数(Intrinsic Mode Function,简称IMF分量),采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。