基于信号包络与希尔伯特边际谱的高阻接地故障检测方法

配电网高阻接地故障(HIF)信号具有失真性和随机性,故障特征微弱,难以被有效检测。为此,本文提出一种基于信号包络(SE)和希尔伯特边际谱(HMS)的HIF诊断方法。该方法对长时间尺度的零序电压提取SE和HMS,分别代表HIF的失真性和随机性特征。将这些特征转化为图像,利用ResNet18实现对HIF的检测。该方法的有效性已在10kV真型试验中得到验证,试验结果表明,该方法的HIF检测精度明显优于对比方法,尤其是在谐振接地系统中。

希尔伯特黄变换中边际谱的研究

为了深入理解和正确掌握希尔伯特 黄变换(Hilbert HuangTransform,简称HHT)中的边际谱概念,证明了边际谱的线性性质,指出了文献中对边际谱概念的一种误解,提出了边际普与Fourier频谱之间本质区别的一种的新观点,即Fourier频谱的幅值只能反映频率在信号中实际存在的可能性大小,而边际谱的幅值则能真实反映频率在信号中是否存在。利用边际谱的线性性质进一步给出了边际谱的物理意义,即边际谱的幅值表示信号中某一频率在各个时刻的幅值之和。通过一个实测振动信号验证了边际谱在应用中的优越性。

利用希尔伯特边际谱鉴别变压器励磁涌流

根据励磁涌流中有很大成分的高次谐波和非周期分量,而故障电流基本保持基频正弦波的特点,研究了一种利用希尔伯特边际谱来辨别变压器励磁涌流和故障电流的新方法。该方法利用希尔伯特黄变换对电流信号按频率分离,对额定频率段的希尔伯特边际谱幅值进行积分,根据积分值与整定值关系可鉴别信号电流。经PSCAD/EMTDC和MATLAB仿真软件对大量样本的仿真验证,该方法能精确地实现变压器励磁涌流与故障电流的可靠区分。

基于希尔伯特边际谱互相关分析的织物疵点检测

提出了一种基于希尔伯特黄变换和互相关分析相结合的织物检测疵点方法.首先,选取正常织物作为模板并对待检测图像进行等尺寸分割,得到子图像,其大小与模板尺寸保持一致;然后分别对模板图像和每个子图像做希尔伯特黄变换,得到希尔伯边际谱.最后,求取模板图像的边际谱和每个子图像边际谱的互相关,选取合适的互相关值作为疵点识别的依据.仿真试验表明,该方法对断经、断纬、缺经、粗经、错经、错纬、扣痕、破洞等疵点具有良好的检测效果.

应用希尔伯特黄变换的水下目标特征提取

针对传统时频分析方法的水下目标特征提取各有其局限,采用了希尔伯特黄变换方法用于水下目标特征提取.仿真与实验数据的处理结果表明,希尔伯特黄变换方法对于信号的时频特性具有较高的分辨能力,希尔伯特边际谱能够清晰的突出目标弹性成分;希尔伯特谱能有效地展现目标的亮点结构,时频分辨力高于小波变换.研究表明混响具有与目标信号明显不同的希尔伯特谱特征,希尔伯特谱可以有效抑制混响.结果表明希尔伯特黄变换方法是一种有效的水下目标特征提取方法.

基于希尔伯特黄变换的刀具磨损特征提取

概述了希尔伯特黄变换(HHT)的基本理论和算法,对信号经过经验模态分解(EMD)后得到的固有模态函数(IMF)求取振幅均值,差值筛选出与刀具磨损相关的IMF分量,并对单分量固有模态函数求取边际谱,获取边际谱最大幅值点,建立他们与刀具磨损之间的映射关系,进行特征提取,将其作为神经网络的输入特征向量,结合希尔伯特三维时频谱进行刀具磨损状态的判断。研究结果证明,该方法可以作为刀具磨损监测中信号特征提取的一种简单和可靠的方法。

希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用

针对传统方法无法有效识别不同尺寸细小裂纹所产生的脉冲涡流信号,提出一种基于希尔伯特-黄变换的脉冲涡流信号消噪与识别算法。对脉冲涡流信号进行集成经验模态分解并通过归一化自相关函数及其方差特性分选出含有噪声的本征模态函数;对含噪声的本征模态函数进行阈值消噪并与未做处理的本征模态函数重构成无噪声信号;对无噪声信号进行希尔伯特-黄变换并计算出希尔伯特边际谱;根据希尔伯特边际谱的差异识别出不同细小尺寸的表面与下表面裂纹。实验结果表明了所提方法的有效性,经过集成经验模态分解消噪,消除了噪声对脉冲涡流信号的干扰;而基于希尔伯特-黄变换的方法则能够有效识别出不同尺寸的裂纹。

基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁。为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法。将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估。实验结果表明：采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30～45 min,患者有足够的时间采取措施应对；癫痫发作周期在5～10 min,缩短患者等待时间,降低焦虑程度；与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度。

基于希尔伯特黄变换的超声信号分析

传统的分析方法难以对细小裂纹缺陷尺寸进行有效判别,而依靠人工判别细小缺陷尺寸常导致检测准确度差、效率低下。针对这类问题,提出了一种基于希尔伯特黄变换的超声缺陷信号识别算法。通过对超声无损检测缺陷信号进行自适应经验模态分解得到不同频率的固有模态函数,再进行希尔伯特变换得到信号的瞬时频率、希尔伯特谱和边际谱。根据边际谱体现的差异进行缺陷尺寸判别。实验结果表明了该方法能有效识别不同尺寸的裂纹缺陷。

希尔伯特-黄变换下的磁悬浮陀螺仪数据处理方法研究

磁悬浮陀螺仪在观测过程中容易受到外界环境的影响,使陀螺数据产生随机噪声,进而影响陀螺寻北的精度。本文提出了针对陀螺数据随机噪声的希尔伯特-黄变换(HHT)方法,该方法首先对陀螺数据进行经验模式分解(EMD)得到固有模态函数(IMF),然后对每一阶的IMF进行希尔伯特变换得到边际谱,判断出应该去掉前几阶的IMF函数。通过试验分析表明,希尔伯特-黄变换方法非常适合于分析非线性非平稳数据,完全自适应,并且不受Heisenberg测不准原理的制约,能有效去除随机噪声,还原信号的有用成分,提高陀螺定向精度。

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。

基于希尔伯特损伤特征向量的挡土墙结构损伤诊断

为了诊断挡墙结构损伤,通过希尔伯特-黄变换对激励作用下挡墙结构动力响应间虚拟脉冲响应函数进行希尔伯特边际能量谱分析,筛选出对损伤较为敏感的特征频段,基于特征频段创建希尔伯特损伤特征向量,并提出损伤识别指标:能量比变异系数。基于损伤特征向量及损伤指标,提出了一种用于挡墙结构的损伤诊断方法,即通过损伤特征向量判别挡墙损伤状态,通过损伤指标走势曲面图诊断挡墙损伤位置,通过损伤指标与损伤程度间的定量关系识别挡墙损伤程度。对某桩板式挡墙进行了动力测试,验证该损伤诊断方法的可行性及有效性。结果表明:当挡土墙无损(无钻孔)时,损伤特征向量为零向量;当挡土墙有损(有钻孔)时,损伤特征向量为非零向量。通过损伤特征向量可判别挡墙损伤状态。局部损伤导致损伤指标走势图出现较大起伏,走势图峰值坐标即为局部损伤中心。建立了损伤指标与挡土墙损伤程度间的定量关系式,已知损伤指标可反算出损伤程度。该损伤诊断方法可敏感判别挡墙损伤状态、有效诊断损伤位置及定量识别损伤程度。

基于集合经验模态分解与希尔伯特-黄变换的有轨电车异常振动分析

针对有轨电车运行过程出现的异常振动现象,提出将希尔伯特-黄变换(HHT)应用于有轨电车的异常振动分析研究。针对经验模态分解中模态混叠难题,提出利用集合经验模态分解(EEMD)对原始车辆振动数据进行分解。针对振动信号可能包含虚假分量的问题,提出通过相关系数法剔除虚假本征模分量(即噪声分量或趋势项分量),最后进行希尔伯特-黄变换的优化处理流程。以某型有轨电车为研究对象,通过HHT得到轴箱垂向加速度的Hilbert谱,获取时间-瞬时频率-瞬时能量三维关系,结合边际谱分析振动特征,判断有轨电车的异常振动原因及故障模式。结果表明该方法对有轨电车异常振动的分析研究十分有效。

作物重金属铜污染的HHT边际谱特征与污染预测模型

为了解读作物受重金属污染的光谱响应与光谱特征,以不同浓度梯度硫酸铜(CuSO_4·5H_2O)胁迫土壤的盆栽玉米培养胁迫实验为研究对象,依据不同胁迫梯度下玉米叶片反射光谱以及叶片中Cu^(2+)含量的测定数据,采用希尔伯特-黄变换(HHT)方法,研究了玉米叶片在不同Cu^(2+)胁迫梯度下光谱的Hilbert边际谱变化特征与污染程度预测方法.通过构建玉米叶片光谱的边际谱熵(MSE),边际谱幅值(MSA)、边际谱陡坡斜率(MSSS)和边际谱包围面积(MSEA)等特征参量,分析叶片在不同Cu^(2+)污染程度下的边际谱变化;同时基于边际谱特征参量值与叶片中Cu^(2+)含量的相关性分析和逐步回归统计,提出了玉米叶片重金属污染的Cu^(2+)含量预测指数模型.实验结果表明,不同Cu^(2+)胁迫梯度下,玉米叶片光谱的边际谱为分布在100Hz频率以内的连续谱;MSE值表现出与叶片中Cu^(2+)含量呈负相关的变化趋势,而MSA、MSSS和MSEA值都表现出与叶片中Cu^(2+)含量呈正相关的变化趋势;由于MSEA值与叶片中Cu^(2+)含量的相关性最好,可把MSEA作为监测作物重金属污染衡量或预测的最优指标;根据MSE、MSA、MSSS和MSEA值构建的Cu^(2+)含量预计指数模型应用结果比较,证明MSEA指数模型具有最优的预测能力.

运用HHT边际谱的柴油机故障诊断

提出了一种基于希尔伯特-黄变换(Hilbert-Huang transformation,简称HHT)边际谱的柴油机故障诊断方法。在3110柴油机上进行了气门间隙变化和断油等故障的模拟试验,测取了柴油机在断油工况和气门间隙异常工况下的气缸盖振动信号,并采用抽区间采样分析法对缸盖振动信号进行了时域特性分析。通过对故障敏感段信号的HHT边际谱分析,得出了在各工况下信号随时间和频率变化的精确表达,并以边际谱的最大峰值作为特征向量,采用马氏距离(Mahalanobis距离)进行分类,判断柴油机的工作状态和故障类型。试验分析表明,该方法即使在小样本的情况下也能有效地识别柴油机气门间隙变化和断油故障。

基于边际谱的优越性在风电机组轴承故障诊断的应用

为了保障风力发电机组的安全运行,对其进行状态监测和故障诊断是非常重要的。对于非平稳信号,传统方法傅里叶变换(FFT)不能很好地进行分析。文中提出了在希尔伯特黄变换的基础上,对希尔伯特谱进行积分,求取边际谱的方法。以某台风力发电机组轴承内圈故障为例,将该方法与传统FFT,希尔伯特时频谱进行比较。结果表明,边际谱可以很好地检测轴承故障特征频率,也验证了该方法对非平稳信号分析的有效性。

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法。首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类。实验结果表明,本文方法对癫痫信号的分类准确率达到了99.8%,相比其它分类方法具有更高的检测精度和运算速度,对癫痫发作的实时检测具有潜在的应用价值。

HHT边际谱熵在单相自适应重合闸中的应用

瞬时性故障与永久性故障的快速准确识别是输电线路单相自适应重合闸实现的关键。首先分析了输电线路瞬时性故障与永久性故障下故障相端电压信号的频域特性,探讨了HHT边际谱熵对信号频域复杂度的刻画能力及对电力信号分析的适用性。在此基础上,将HHT边际谱熵应用于超高压输电线路故障相电压信号分析,提出了基于HHT边际谱熵的输电线路故障性质判别方法,为超高压输电线路单相自适应重合闸提供了一种有效实现途径。ATP-EMTP仿真结果表明,所提方法故障性质识别准确性高,识别速度优于其他基于HHT与熵结合的方法。

基于边际谱熵的肌肉疲劳实时评估方法研究

肌肉疲劳是一种复杂的生理现象。针对利用表面肌电信号实时评估肌肉疲劳,要求疲劳指标兼具快速、可靠、抗噪的问题,提出基于边际谱熵的肌肉疲劳实时评估方法。首先,利用不同数据长度的确定性周期信号和高斯白噪声分析了边际谱熵快速性与数据长度稳健性;其次,利用10名受试者握力持续静态收缩状态下从100%MVC下降到50%MVC时桡侧腕长伸肌的肌肉疲劳信号,分析了边际谱熵评估肌肉疲劳的可靠性与应用于不同个体的稳定性;最后,在某一受试者肌肉疲劳信号中加入高斯白噪声和心电噪声考察了边际谱熵的抗噪性。实验结果表明,边际谱熵与近似熵和中值频率相比计算快速,数据长度稳健性更优;线性拟合优度较佳(0.46±0.14),能可靠地评估肌肉疲劳;斜率变异系数较低(30.30%),对不同个体稳定性高;加入高斯白噪声和心电噪声后边际谱熵拟合优度变化率较低(分别为34.39%和3.78%),具有良好的抗噪性。因此边际谱熵兼具快速、能可靠评估肌肉疲劳以及抗噪等优点,为实时评估肌肉疲劳提供一种新方法。

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。