基于改进HHT算法的重载铁路信号自动化解调方法设计

重载列车在铁路运行过程中,信号容易受到干扰和失真,影响列车的安全性。该文提出一种基于改进HHT算法的重载铁路信号自动化解调方法。采用小波阈值去噪方法改进HHT算法中的集成经验模态分解成多个IMF分量后,利用小波阈值去噪法对含有噪声的分量展开去噪。使用Bedrosian乘积定理获取全新的递归函数,改进HHT算法中的希尔伯特变换,将纯调频信号作为新的重载环境面的铁路信号,基于递归Hilbert变换实现重载铁路信号自动化解调。实验测试结果表明,所提方法解调后的信号频率与仿真信号频率基本吻合,频带利用率最高可达9.3%,具有良好的信号解调能力。

基于VMD-HHT 冲击回波法的隧道衬砌检测技术研究

研究目的:针对常规冲击回波法在进行隧道衬砌脱空检测时容易出现多重峰值、虚假频率等问题,提出以模糊熵和相关系数为综合目标函数的遗传算法对原始信号进行最优化变分模态分解(VMD),然后基于希尔伯特-黄变换(HHT)计算信号的边际谱,并据此进行脱空检测分析,解决了傅里叶变换对非平稳冲击回波信号分析存在的固有缺陷,并基于仿真信号和隧道衬砌物理模型检测信号对数据处理方法进行了验证。研究结论:(1)以模糊熵和相关系数为综合目标函数的遗传算法有效实现了VMD分解参数的最优化,避免了人为设定参数所具有的偶然性;(2)VMD能够自适应地实现对冲击回波信号不同主频分量的有效分离,不存在模态混叠,因此能够有效滤除噪音信号,提高数据信噪比;(3)本文所提出的基于改进VMD-HHT的冲击回波法能够对衬砌厚度进行可靠检测,且检测结果中主频清晰明显,干扰远小于常用的傅里叶变换,不容易产生误判,有效提高了检测精度;(4)由于傅里叶变换及VMD-HHT处理方法的检测结果均存在一定的误差,因此要精确判断衬砌是否存在脱空,需结合隧道衬砌为密实情况的结果进行综合对比分析。

基于小波变换算法的普朗铜矿爆破振动信号能量分布研究

小波变换算法能够对爆破振动信号的频率、能量分布特征进行研究,按照不同的主振频带对爆破振动信号进行分解及重构,已被广泛应用于爆破振动稳定性分析以及矿山安全生产管理。针对在矿山复杂条件下爆破振动信号易受干扰等问题,以普朗铜矿南部拉底爆破振动数据为研究对象,采用小波变换算法分析振动信号0~125 Hz各个频率段能量分布情况,通过HHT算法、STFT算法分别对爆区近区、爆区远区开展能量分布及其衰减规律的研究。研究结果表明:在0~125 Hz频率段范围内,爆区近区和爆区远区能量衰减速度和分布不同,爆区近区能量主振频率分布在15.62~<31.20 Hz频率段,爆区远区能量主振频率分布在46.87~<93.75 Hz频率段。在15.62~<31.20 Hz频率段,爆区近区比爆区远区能量占比平均多出14.1%;在46.87~<93.75 Hz频率段,爆区远区比爆区近区能量占比平均多出18.65%。基于本次爆破施工所监测到的普朗铜矿南部巷道区域爆破振动数据得出,在0~125 Hz频率段范围内,爆区近区能量衰减速度较快且能量分布不集中,爆区远区能量衰减速度较为缓慢且能量分布密集;爆破振动能量随着传播距离增加,能量虽有所衰减,但能量分布更为集中。分析结果表明,小波变换算法可以真实反映振动信号的能量分布情况,为研究爆破振动效应下的井下构筑物的结构安全提供有效的分析手段。

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。

基于渐变信号的HHT-PCA-MRVM煤岩辨识算法

针对井下无人、自动作业的新型采煤战略目标,提出了对于截割电机输入电流信号渐变的分析,通过Hilbert变换-主成分分析-多分类相关向量机(HHT-PCA-MRVM)对煤岩进行识别,从而满足复杂的开采需求。在煤矿开采实验平台上进行了良好的实验验证,实验证明:通过对传感器采集传输的电流渐变信号分析,在煤岩突变时其值波动较为明显,能够很好地为MRVM煤岩识别提供分类界限,煤岩识别率为95%,对于综采自动化有较好的作用。

基于改进HHT算法的谐波信号分析方法

电能被广泛运用在动力、冶金、照明、通信等各个领域,电力系统中存在大量的非稳态信号,而希尔伯特-黄变换（HHT）算法非常适合对非稳态信号进行时频分析。介绍了HHT的基本原理,并针对其存在的端点效应、模态混叠等问题提出了一种改进HHT算法,其基本原理是采用集合经验模态分解（EEMD）将非线性、非平稳的原始信号分解成若干固有模态分量（IMF）,再对每个IMF分别进行Hilbert变换获得相应的瞬时特征量,从而建立短时谐波模型。EEMD在信号分解的过程中通过增加白噪声以达到减少频谱混叠的目的,测试值增多必然会使误差减小,精度提高,在一定程度上弥补了经验模态分解（EMD）的不足,并通过实验仿真验证了EEMD分解的可行性和高效性。

基于ISBM边界延拓和迭代HHT算法的电能质量扰动检测方法

电能质量扰动的快速检测是高质量供电的基础。提出一种基于斜率改进方法(ISBM)用于边界延拓和迭代HHT电能质量扰动检测方法,一方面由于信号的首末两端信息不足,采用ISBM算法进行边界延拓;另一方面,为了解决高频小产生模态混叠的现象,提出了迭代HHT算法,准确提取出高频小信号扰动特征信息。最后通过仿真对比分析得出本文提出的方法在一定程度上可以识别出高频小幅值特征,并使得边界特征波动变得平稳,更加逼近真实情况。

基于HHT降噪的潜艇地磁匹配算法

潜艇在地磁导航时各种干扰磁场的存在会使导航精度降低。为消除干扰磁场的影响,提高地磁匹配导航的精度,提出基于HHT降噪的潜艇地磁匹配算法。算法首先对地磁数据利用HHT方法进行去噪处理,在此基础上采用Hausdorff距离算法进行地磁匹配导航。给出算法的具体流程,并进行仿真验证。仿真结果表明,算法能够较好地消除各种地磁噪声的影响,从而提高潜艇地磁匹配的精度。

基于SURE小波阈值消噪和MCEEMD-HHT的低频振荡分析

为解决低频振荡分析中广域量测系统存在量测噪声影响和应用希尔伯特黄变换(Hilbert-Huang transform,HHT)进行模态辨识中的模态混叠和伪分量问题,提出基于Stein的无偏似然估计(Stein unbiased risk estimate,SURE)小波阈值消噪和改进的补充集合经验模态分解希尔伯特黄变换(modified complementary ensemble empirical mode decomposition and Hilbert-Huang transform,MCEEMD-HHT)的低频振荡分析方法。首先,对含较强噪声的电网量测低频振荡信号,采用SURE小波阈值消噪实现信号预处理。其次,引入排列熵算法改进CEEMD形成MCEEMD,有效抑制经验模态分解中的模态混叠和伪分量现象。最后,对MCEEMD分解得到的低频振荡真实模态进行HHT分析。通过复合信号测试、IEEE四机两区域系统仿真以及实测北美电网数据分析,验证了所提方法在电力系统低频振荡分析中的有效性。此外,与快速傅里叶变换(fast Fourier transform,FFT)、Prony算法分析进行对比可知,所提方法在模态参数的提取方面表现得更为准确,且无需人为定价。

基于改进HHT的电压闪变检测

针对应用希尔伯特-黄变换(HHT)算法进行电压闪变参数检测过程中经验模态分解(EMD)产生的固有模态分量(IMF)不理想而增大参数检测误差的问题,提出了一种改进HHT的电压闪变检测方法。首先通过在EMD"筛选"步骤中添加四点插值细分算法"分裂"出新的控制点供三次样条插值拟合包络线,然后分解出一组IMF分量,最后对IMF分量采用Hilbert变换得到闪变检测参数。就含噪声的单一分量闪变信号、不含噪声的和含噪声的多分量闪变信号,分别采用未改进HHT方法与改进HHT方法进行仿真检测,研究结果表明,改进HHT算法具有良好的抗噪能力,对模态混叠具有一定的抑制作用,并且能够提高闪变信号参数检测的准确度。

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型。针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项。通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测。由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化。仿真结果表明此种方法具有较高的预测精度。

基于HHT变换和FOA_LSSVM的电缆故障诊断

针对现有的地下电缆故障诊断方法存在准确率不高、误差较大的缺点,提出一种基于HHT变换和FOA_LSSVM的地下电缆故障诊断方法。针对地下电缆故障信号,通过HHT变换提取地下电缆故障信号的特征分量,将提取的特征分量和地下电缆故障类型作为FOA_LSSVM的输入和输出,实现地下电缆故障类型的识别。以150组地下电缆故障数据为实验对象,结果表明,FOA_LSSVM比GA_LSSVM,PSO_LSSVM和DE_LSSVM具有更高的准确率,更适合地下电缆故障的诊断和识别。

基于HHT和PSO-C-均值算法的ECoG分类

皮层脑电图信号(electrocorticogram,ECoG)非平稳,如何提取有效的特征,设计恰当的分类器是ECoG脑-机接口研究的关键问题。该文提出了基于希尔伯特-黄变换的ECoG窄带特征提取和压缩方法,并且封装了粒子群优化和C-均值算法以调整特征权重,改善分类效果。采用BCI Competition III数据集I进行实验,结果表明:只需6个电极即可获得93%的分类精度。

基于HHT和Prony算法的电力系统低频振荡模态识别

将Hilbert-Huang变换(HHT)算法和Prony算法相结合进行电力系统低频振荡模式识别。利用HHT算法对实测信号进行经验模态分解,使之分解成处于不同频率的固有模态函数(IMF);然后根据Hilbert变换,分析IMF分量的频率和相位,提取出含主导低频振荡模式的IMF;利用Prony算法对含低频振荡模式的IMF进行分析,提取出低频振荡模态参数,准确识别低频振荡模态。通过算例分析,证明了该方法可提高模态识别的精确性,验证了提取低频振荡模态参数的有效性。

Stability of an explicit time-integration algorithm for hybrid tests, considering stiffness hardening behavior

An explicit unconditionally stable algorithm for hybrid tests,which is developed from the traditional HHT-α algorithm,is proposed.The unconditional stability is first proven by the spectral radius method for a linear system.If the value of α is selected within [-0.5,0],then the algorithm is shown to be unconditionally stable.Next,the root locus method for a discrete dynamic system is applied to analyze the stability of a nonlinear system.The results show that the proposed method is conditionally stable for dynamic systems with stiffness hardening.To improve the stability of the proposed method,the structure stiffness is then identified and updated.Both numerical and pseudo-dynamic tests on a structure with the collision effect prove that the stiffness updating method can effectively improve stability.

基于HHT算法的分布式电力系统状态自动监测方法

针对传统电力系统监测误差大、准确性较低的问题,提出基于HHT算法的分布式电力系统状态自动监测方法.基于希尔伯特谱特征分析模型和卷积图谱解析方法,对分布式电力系统状态参数信息进行融合和特征匹配,采集状态参数信息的输出功率及电压的模糊图谱关联特征集,通过功率谱密度重组和输出阻抗增益调度的方法,实现对分布式电力系统状态参数信息的HHT融合处理.通过融合规则进行分布式电力系统状态参数信息融合,结合HHT方法,实现分布式电力系统状态自动监测.仿真结果表明,采用该方法对分布式电力系统状态监测误差较小、准确性高,训练过程的收敛速率和传输速率较好,提高了分布式电力系统状态监测能力.

基于改进HHT算法的异步电动机故障诊断

异步电动机的状态监测和故障诊断能够及时发现故障问题,提高系统的稳定性和可靠性.针对异步电动机的转子断条故障,提出改进希尔波特-黄变换(HHT)算法,对定子电流信号进行频谱分析和故障特征识别.通过仿真实验,验证了改进HHT算法的有效性.

基于HHT的煤矿电网扰动起止时刻检测方法

针对煤矿电网电能质量扰动复杂、采用小波分析技术解决扰动暂态过程存在小波基选择的问题,提出了一种基于HHT的扰动起止时刻检测方法。该方法以电压缺口为例,在30dB和40dB噪声环境下,首先采用EMD算法对电压缺口信号进行分解,得到IMF1分量、IMF2分量、IMF3分量和剩余分量R;然后对含有高频部分的信号即原始信号、IMF1分量、IMF2分量进行Hilbert变换,得出通过瞬时幅值曲线中突变点位置可以检测扰动起止时刻的结论;通过对比原始信号、IMF1分量、IMF2分量的扰动起止时刻检测值,最后选用了误差最小的IMF1分量的瞬时幅值进行扰动起止时刻检测。实验结果表明,该方法精度高、抗噪声能力强。

基于改进HHT算法的电力系统低频振荡分析

低频振荡会严重影响电力系统的正常运行,因此,以电力系统低频振荡为研究对象,采用HHT算法作为低频信号分解算法。针对HHT算法的缺点进行改进,得到改进HHT算法。改进HHT算法应用于低频振荡分析中,初步定位低频振荡源。仿真结果表明改进HHT算法对电力系统低频振荡研究法有着较高的识别功能,低频振荡源寻源方式有着较高的判别特征。