基于局部Hilbert边际谱隶属度的微弱目标检测算法

文章采用Hilbert-Huang变换处理海杂波数据,获得了海杂波的Hilbert边际谱,并分析了海杂波的Hilbert边际谱特点以及目标的影响。分析发现:无目标时,海杂波信号的Hilbert边际谱的谱宽较宽,低频成份较弱;而当目标出现时,其谱宽变窄,低频成份明显增强。为了描述目标对海杂波Hilbert边际谱的这种影响,将隶属度引入Hilbert边际谱,并采用目标出现频率处的海杂波局部Hilbert边际谱计算隶属度,通过分析发现,目标出现时,其隶属度明显减小,在此基础上,提出了基于局部Hilbert边际谱隶属度的微弱目标检测算法。仿真结果表明,对于实测和仿真目标数据,该算法的检测性能较好,明显优于基于盒维数的微弱目标检测算法、频域检测算法和多脉冲CA-CFAR检测算法的检测性能,对海杂波中的慢起伏固定目标具备较强的检测能力。

基于局部Hilbert边际谱的自动倾斜器轴承故障诊断

针对直升机操纵系统重要承力部件自动倾斜器轴承健康监测与故障诊断的需求,研究相应健康监测技术及其故障诊断方法,从而为直升机结构健康监测状态评估与使用管理提供依据。经验模态分解方法作为一种自适应时频分析方法,非常适用于处理复杂非平稳信号,提出了一种基于局部Hilbert边际谱的直升机自动倾斜器轴承故障诊断方法。该方法首先将振动信号进行小波包分解;然后对重构降噪信号采用Hilbert变换进行包络分析得到包络信号;最后对包络信号进行EMD分解,选取有效IMF集计算局部Hilbert边际谱,提取故障特征。在此基础上,构建了某型直升机自动倾斜器故障诊断试验系统。研究表明,该诊断方法合理、可行。

基于LMD边际谱能量熵的高压断路器机械故障诊断

断路器分合闸振动信号蕴含着丰富的机械特征信息,为准确提取其特征,提出一种基于LMD边际谱能量熵与GPSO算法相结合的高压断路器机械故障诊断方法。首先将原始振动信号进行小波软阈值去噪处理,然后将去噪后的信号利用LMD进行分解,获取若干反映断路器操动过程中机械状态信息的PF分量;然后依据各PF分量与原始信号相关性确定包含主要状态信息的PF分量,并将前3阶分量进行希尔伯特变换(Hilbert变换),求取其边际谱能量熵作为特征向量;最后将特征向量输入到GPSO-SVM分类器,实现断路器机械故障诊断。实验结果表明:LMD边际谱能量熵能准确反映断路器机械故障特征,GPSO-SVM可有效辨识断路器机械故障。

基于EMD和Hilbert谱的风电机组滚动轴承故障诊断方法研究

滚动轴承是风电机组传动系统的关键零部件,恶劣的服役工况导致其故障率比较高,且故障所造成的经济损失比较大,对风电机组滚动轴承故障诊断具有重要的现实意义。针对传统包络谱分析在复杂故障诊断中的局限性,联合EMD和Hilbert谱提出了滚动轴承故障诊断的新方法。对实测振动信号进行小波分解得到高频系数,并对高频系数进行Hilbert变换,得到包络信号。将包络信号进行EMD分解,计算各IMF分量的瞬时频率,结合故障频率选择有用的IMF分量,最终得到用于故障诊断的局部Hilbert边际谱。将该方法应用于实测风电机组滚动轴承外圈和内圈故障振动信号分析中,其在提取滚动轴承故障频率方面的性能优于传统包络谱分析法。

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。

基于LCD和局部Hilbert边际能量谱的滚动轴承故障特征提取方法

在定义局部Hilbert边际能量谱的基础上,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和局部Hilbert边际能量谱的滚动轴承故障特征提取方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后对各个ISC分量进行Hilbert解调得到信号的时频分布。根据信号时频分布中能量分布确定频率段的下限和上限频率,从而得到相应的局部Hilbert边际能量谱,计算该频率段内信号的能量并将其作为故障特征参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息。

基于边际谱图像的变压器局部放电检测技术研究

目前变压器局部放电检测的识别率较低,而且随着检测样本的增多,检测速率会变慢,增大了变压器的内存消耗。为此,提出了基于边际谱图像的变压器局部放电检测技术,利用样本采集器进行放电样本的收集,再通过层次网络TesINEet24结构进行样本数据的传输,利用边际谱图像的Hilbert-Huang变换模型分离算法对收集的样本数据进行处理,通过二维散点图进行数据集的优化,最后利用处理后的数据搭建局部放电检测模型。通过实验发现,设计方法可提高放电检测识别率,在放电样本最大时,其检测识别率可以高达99%,而且随着样本的增多,其检测识别率也会提高,减少了变压器的运行内存,提高了电力系统的效率。

局部Hilbert边际能量谱在滚动轴承故障诊断中的应用

针对滚动轴承振动信号非线性的特点,提出一种基于局部希尔伯特边际能量谱和马氏距离判别法相结合的故障诊断方法。首先,采用镜像延拓方法抑制经验模态方法将待分析信号分解成多阶固有模态函数和的形式,并根据相关性判别算法选取含有主要故障信息的IMF分量;其次,利用局部Hilbert边际能量谱提取故障信号能量特征参数;最后,利用马氏距离算法对滚动轴承的工作状态进行判别。通过相关试验证明了此方法的有效性,具有一定的工程应用价值。

Hilbert边际谱在框架结构损伤检测中的应用

提出了一种基于Hilbert边际谱的损伤检测方法,在Hilbert边际谱的基础上定义了特征幅值,并以损伤前后同一响应点位置特征幅值的相对变化量来计算用于进行结构损伤检测的损伤指标。由一个8层剪切框架结构的损伤检测仿真算例,获得了所提出的损伤指标与结构健康状态及损伤位置的对应关系,进而提出了利用该损伤指标来检测并定位框架结构损伤的步骤。最后,使用一个8层剪切框架结构的损伤检测实验说明该方法可以准确识别出框架结构的健康状态以及损伤位置。

基于局部均值分解的边际谱在滚动轴承故障诊断中的应用

局部均值分解(Local Mean Decomposition,LMD)将复杂的多分量信号自适应地分解为有限个乘积函数(PF)的和,在计算了各个分量的瞬时幅值(IA)和瞬时频率(IF)后,可以计算出基于LMD的边际谱。针对直接法求取瞬时频率存在端点误差大问题,提出一种改进的直接求取瞬时频率的方法;提出了基于LMD的边际谱的滚动轴承故障诊断方法,将该方法应用于实际滚动轴承故障诊断中,结果表明该方法能有效地提取出滚动轴承的故障特征频率,从而确定故障部位。

基于广义形态学滤波和Hilbert边际谱的滚动轴承故障诊断

广义形态滤波器可以很好地抑制输出统计偏倚的现象,Hilbert边际谱克服了传统包络法需要确定带通滤波器的中心频率和带宽的不足,将两种方法相结合,首先利用广义形态滤波对信号进行去噪,在此基础上对信号进行经验模态分解,然后选取合适的IMF分量得到信号的局部Hilbert边际谱。通过对轴承内外环进行故障诊断发现,该方法能准确地提取故障特征,从而有效地判别轴承的故障类型和部位,具有较广阔的应用前景。

Hilbert边际能量谱在语音情感识别中的应用

情感特征的提取是语音情感识别的重要方面。由于传统信号处理方法的局限,使得提取的传统声学特征特别是频域特征并不准确,不能很好地表征语音的情感特性,因而对情感识别率不高。利用希尔伯特黄变换(HHT)对情感语音进行处理,得到情感语音的希尔伯特边际能量谱;通过对不同情感语音的边际能量谱基于Mel尺度的比较分析,提出了一组新的情感特征:Mel频率边际能量系数(MFEC)、Mel频率子带频谱质心(MSSC)、Mel频率子带频谱平坦度(MSSF);利用支持向量机(SVM)对5种情感语音即悲伤、高兴、厌倦、愤怒和平静进行了识别。实验结果表明,通过该方法提取的新的情感特征具有较好的识别效果。

基于Hilbert边际谱与随机-模糊统计原理的梁桥损伤识别试验研究

HHT是一种新的适用于非线性、非平稳信号且具有自适应性的数据处理方法,而桥梁试验模型空间变异的模糊性和测量过程中荷载激励的随机性,使得Hilbert边际谱能量比同时具有随机不确定性和模糊不确定性,适用于被随机-模糊统计原理处理,提出了基于Hilbert边际谱与随机-模糊统计原理的结构损伤识别方法,并将四个Hilbert边际谱能量指标应用到室内两跨连续梁模型桥的损伤识别中。结果表明:主梁损伤前后四种能量指标都发生了变化,但是能量累积变异指标和能量变异最值指标能准确指示出损伤位置和程度,比能量比偏差和能量比方差对于结构损伤更加敏感,更适用于桥梁实时在线的预测预警系统。

基于Hilbert边际谱的道路载荷谱特征分析

针对实际道路载荷谱信号具有非平稳特点的问题,以某自卸车在不同强化道路上的实测载荷谱为研究对象,运用Hilbert-Huang变换计算其Hilbert边际谱,分析了不同强化道路载荷谱的信号特征,得出了该车的动态响应特性以及自身固有特性.在此基础上,确定迭代目标谱的滤波频率范围,并在该车的室内道路模拟试验中取得良好的迭代效果.结果表明,Hilbert边际谱能够有效地应用到非平稳道路载荷谱的分析当中.

车辆道路载荷谱的Hilbert边际谱分析方法及应用

针对车辆道路载荷谱信号非平稳特点及Fourier分析的局限性,利用Hilbert-Huang变换(HHT)方法处理振动信号,提出了基于Hilbert边际谱的道路载荷谱信号特征分析方法。以某自卸车的载荷谱数据处理为例,通过Hilbert边际谱与Fourier谱的比较分析,得出该车在不同强化道路上的响应特性及自身固有特性。试验结果表明,Hilbert边际谱比Fourier谱能更准确地反映信号的频域特征,可有效进行道路载荷谱分析。

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法。Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号。实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征。

基于边际谱图像和深度残差网络的变压器局部放电模式识别

针对传统人工特征提取方法易受主观不确定性影响的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)-Hilbert边际谱图像和深度残差网络的变压器局部放电模式识别方法。首先,用VMD算法分解局部放电信号,对所得各模态分量做Hilbert变换进而得到信号的边际谱图像作为输入,然后,利用深度残差网络对局部放电类型进行识别,并做了对比实验。所得实验结果表明,提出的深度残差网络在局放模式识别中的正确率可达98%,相比其他经典卷积神经网络具有更好的识别效果,且识别性能显著优于传统的BP神经网络、支持向量机模型。该方法利用残差网络优越的特征提取能力,能够自主学习谱图完整的内在特征,避免了人工提取方法的主观性对识别结果造成的影响,在一定程度上简化了实验步骤,实现了对局部放电Hilbert边际谱图像的直接识别,具有更高的正确识别率和更优的泛化性能。

基于EEMD和Hilbert边际谱的四轮车辆非平稳路面不平度分析

采用EEMD和Hilbert边际谱对四轮车辆的非平稳路面不平度进行了研究。应用EEMD算法对SY6480轻型客车在C级路面上变速行驶得到的非平稳路面不平度进行了分解,得到了C级路面不平度高频滤波后的Hilbert边际谱,确定了C级路面对变速行驶四轮汽车激励的频带范围和峰值频率,并把该结果与A级、B级和D级路面进行了比较,发现该车在A级、B级、C级和D级路面上变速行驶时受到的路面激励除了幅值随着路面不平度等级升高而增加外,其频谱结构没有明显的变化,这个结果为汽车在变速行驶时的主动悬架设计、振动控制和平顺性分析提供了理论依据。

光纤传感网络小样本入侵信号边际谱标记检测

光纤传感网络中,小样本人工入侵信号由于没有入侵经验数据做识别背景,其首次入侵特征标记一直是一个难点。设计了一种光纤传感网络小样本人工入侵信号动态提取方法。首先采用高斯滤波器对光纤传感网络信号做去噪处理,消除光纤传感网络信号中存在的噪声信号对入侵信号提取产生的干扰。然后结合希尔伯特变换方法和经验模态分解方法,构建光纤传感网络信号的Hilbert边际谱。将光纤传感网络信号的Hilbert边际谱作为信号的标记特征,输入SVM分类器中,完成光纤传感网络小样本人工入侵信号的动态提取。仿真结果表明,所提方法的噪声信号、敲击信号和晃动信号事件识别率平均值分别为95.5%、91.5%及89.5%,当时域信号采样点数量为5 000个时,所提方法的信号提取时间为0.245 s。

基于EEMD与边际谱能量的电缆局部放电定位方法

振荡波局部放电试验在电缆绝缘缺陷检测中得到了越来越多的研究和应用,但背景噪声干扰和放电脉冲匹配的问题会影响局部放电定位的准确度。为实现振荡波电压下电缆绝缘缺陷的准确定位,提出一种基于集合经验模态分解与Hilbert边际谱能量的局部放电定位方法。首先采用移动窗口阈值法提取出局部放电脉冲信号,采用集合经验模态分解算法对信号进行分解,对得到的各分量进行Hilbert变换获得其边际谱能量值;然后选择不同本征模态函数分量在原始信号边际谱能量值的占比作为特征量,计算信号相似度进行入射脉冲信号和反射脉冲信号的匹配,最终采用时域反射法进行局部放电定位;最后对35 kV电缆进行振荡波耐压试验,对检测到的局部放电信号进行定位计算。结果表明,提出的方法可以在高斯白噪声较强的情况下实现电缆绝缘缺陷定位,定位平均误差可以达到1.15%。