Hilbert时频谱在大地电磁数据处理中的应用

文中研究了大地电磁信号的Hilbert时频谱特征,并将其用于大地电磁信号的噪声识别、数据筛选和分段平稳分析中。通过内蒙古毛登区实测大地电磁数据处理,验证了方法的有效性。结果表明Hilbert时频谱可准确地描述大地电磁数据的突变点、持续时段和频带能量分布,为大地电磁信号的噪声识别、数据筛选和分段平稳处理提供了条件;利用Hilbert时频谱可挑选出信噪比高、能量强且分布均匀的信号段,并可做进一步的参数估计,提高了资料处理质量。

冲击信号的Hilbert时频谱频率分辨率性能评价模型

频率分辨率是Hilbert时频谱表征信号的一个重要参数,即便对同一信号来说不同的频率分辨率会造成Hilbert时频谱有较大差异,并直接影响分析结果的准确性。但如何确定最佳的Hilbert时频谱频率分辨率,当前还鲜有研究。为了获取最佳Hilbert谱频率分辨率,提出了一种新的频率分辨率评价方法,建立冲击信号Hilbert时频谱频率分辨率的性能评价模型,以此为依据来获得最佳的Hilbert时频谱频率分辨率。最后,通过信号分析来验证此方法的有效性。

应用Hilbert时频谱和神经网络对发电机转子故障进行分类的方法研究

提出了一种新的发电机转子故障检测的信号分类方法H ilbert时频谱,它是一种新的分析非平稳、非线性的时频分析方法。这种方法用经验模式分解法将一维信号分解成内蕴模式函数,进而计算有意义的多分量信号的瞬时频率。将其应用于故障信号的分析,可以提供新的时频属性;然后计算这种时频谱的矩和边缘以及时频熵,并将其作为特征向量。应用RBF概率神经网络作为分类器,可以实现不同故障模式的自动分类。对发电机的不同转子故障模式的信号研究表明了该方法的精确性和稳定性。

基于二维时频谱图与改进YOLOv5的电能质量扰动识别

随着新型电力系统中新能源渗透率逐渐升高,电网结构复杂性增加,PQD(电能质量扰动)呈现多样化和复杂化的趋势。为实现电能质量扰动的精准识别,提出一种基于二维时频谱图与改进YOLOv5的电能质量扰动图像识别的方法。首先,利用S变换将PQD数据映射成二维时频谱图,通过图像来表征时间、频率和幅值的扰动细节特征;然后,搭建引入ASPP(空洞空间卷积池化金字塔)结构和注意力机制的YO-LOv5训练网络,扩大特征图的感受野以充分提取扰动图像特征,进而以图像识别方法实现PQD分类识别;最后,利用仿真数据进行扰动识别准确率和鲁棒性的验证。结果表明,该方法的识别准确率较高,且图像识别法的引入有助于PQD识别结果的可视化。

基于时频谱图的配电网高阻接地故障智能识别方法

针对配电网中发生高阻接地故障(high impedance fault, HIF)进行特征提取时,人为构造的特征量或特征向量难以充分体现高阻接地故障区别于其他事件的特征问题,提出一种波形隐含特征提取方法.通过连续小波变换将零序电流转换为时频谱图,并分割为正方形切片,然后使用卷积神经网络辨识高阻接地故障特有的“齿”形特征.结果表明:文中所提方法能由波形中的高频分量得到可视化的时频谱图,省去了人为构造的特征量的步骤,避免了特征量难以准确表征HIF特征的问题,其可靠性在仿真及现场样本测试中得到了验证.

基于S变换时频谱和KHA-CNN的换流变故障声纹识别

为准确进行换流变压器故障诊断,保证直流输电可靠性,提出一种基于S变换时频谱和KHA-CNN模式的换流变故障声纹识别方法。利用自适应补充集合经验模态分解算法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),实现换流变本体声纹信号与噪声的分离;通过S变换得到时频谱图,实现声纹信号的特征提取;通过磷虾群优化算法(krill herd algorithm,KHA)对卷积神经网络进行超参数寻优,将S时频谱图作为特征输入到KHA-CNN,实现故障诊断。研究结果表明:该方法对于换流变故障具有很好的识别效果,能为换流变故障诊断提供有效参考。

二维信号Hilbert-Huang变换时频谱研究

Hilbert-Huang变换(HHT)自适应时频分析是处理非平稳数据较为有效的新方法.根据一维Hilbert-Huang变换信号时频谱变换原理,研究了二维信号的分解和时频谱分析方法.通过把二维信号按指定方向进行一维分解和时频谱变换,构造出二维信号时间(空间)-频率-能量谱图,使二维信号在指定方向的时频特性能正确地显示出来,从而拓展了Hilbert-Huang变换的应用范围.该方法为分析非平稳二维信号提供了新的工具.

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏,提高振动监测系统对外力破坏的预警能力,提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先,将振动传感系统获取的3000组外破振动信号转化生成为时频谱图数据集,在图像预处理阶段,采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维;然后,将图像数据集的70%作为CNN模型的训练集,并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优,从而获得优化PSO-CNN分类模型;最后,利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证,并与其他分类模型进行了对比。结果表明,所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度,为快速准确地识别外力破坏事件类型提供了一种可行方案。

隧道爆破振动信号时频谱增强优化分析

针对隧道爆破振动信号时频解析度不足的难题,运用基于卷积神经网络的时频图像增强算法,增强实测隧道爆破信号时频图像,捕获到爆破信号能量在时频域上的聚集范围,从而重构得到反映爆破特征的真实信号;根据真实信号对爆破网络中雷管的起爆时刻进行了精确判别,识别隧道爆破雷管灾害源特征。分析表明:基于卷积神经网络的时频图像增强算法可有效抑制信号中的交叉项,最大限度地保留信号自有项,提高爆破信号能量聚集性和时频解析度;不同批次雷管混用是隧道安全的主要致灾因素,应加强监管以实现隧道安全高效施工。

基于博弈论的空时频谱共享:动态接入与惩罚策略

为了解决时空域频谱资源利用不充分的问题,针对异构网络中多个次用户通过感知空时频谱机会动态接入的场景,提出一种基于博弈论的可靠频谱共享策略。首先,次用户通过信道采样感知主用户的活跃程度,并进一步寻找适合的空时频谱机会。其中,每个次用户旨在寻求更多的频谱资源,须避免对主用户的通信质量造成损害。为此,次用户与主用户之间需进行个人效用的协商,以达到混合纳什均衡状态。当次用户发射功率异常时,其行为将被视为违规。然后,结合违规次数和网络中活动节点数,对次用户采用退避时间补偿算法进行惩罚。最后,仿真结果验证了引入惩罚机制的空时频谱机会共享策略的有效性。

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network,CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。

基于Hilbert谱的心率变异信号时频分析方法

心率变异性(heart rate variability,HRV)信号的频域分析方法是用来表征自主神经调控信息的基本方法。为了评估自主神经系统功能及对心血管活动的影响,提出一种基于Hilbert时频谱的HRV信号的时频特征提取和分析的新方法。对HRV信号进行希尔伯特-黄变换(Hilbert-Huang transform,HHT)以获得HRV信号Hilbert时频谱,依据短时程HRV信号的线性频域分析指标,得到不同生理频带的Hilbert能量棒形图,提取总能量、各生理频带的能量和其归一化能量以及生理频段的能量比值作为评价心率变异性的时频特征。对MIT-BIH数据库的年轻人、老年人样本和健康人、心衰病人样本的HRV信号分析表明,基于Hilbert谱的时频特征的区分性能好,有较清晰的生理意义,能反映人的生理病理变化,为短时程HRV信号分析提供了一种有效方法。

融合DAE-LSTM的认知物联网智能频谱感知算法

第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通信环境的复杂性高以及信号易畸变的特性,对现有的频谱感知算法提出了重大挑战。因此,提出了一种融合去噪自编码器(denoising autoencoder,DAE)和改进长短时记忆(long short term memory,LSTM)神经网络的智能频谱感知算法。DAE通过编码和解码过程挖掘移动信号的底层结构特征,改进的LSTM频谱感知分类器模型结合过去时刻信息特征对时序信号序列进行分类。与支持向量机(support vector machine,SVM)、循环神经网络(recurrent neural network,RNN)、LeNet5、学习矢量量化(learning vector quantization,LVQ)和Elman算法相比,该算法的感知性能提高了45%。

基于Hilbert模量频谱分析的异步电机转子断条故障研究

转子绕组断条是异步电机最常见故障之一。在分析当前主要诊断方法的基础上,提出Hilbert模量频谱分析方法对异步电机转子断条故障进行研究。将Hilbert模量定义为原始信号与其共轭信号的平方和,利用Hilbert模量将原相电流中的基波分量转变为直流分量,原频谱分析的转绕组断条的故障特征分量转变为频率为二倍转差频率的电流分量,决了相电流频谱分析方法中断条故障特征成分容易被基波湮没而难以突出故障特征的问题。文中研究了Hilbert模量频谱分析方法的原理和实现方法,并对偏心故障电机和转子断条电机分别进行仿真和实验研究。仿真分析和实验结果均表明,该方法对异步电机转子断条故障诊断具有较高的诊断精度和很好的频率分辨率,能克服传统的电流频谱法主频泄漏的影响,且工程实现方便。

基于Hilbert模量频谱分析的异步电动机转子故障在线监测与诊断方法

Hilbert 变换是数字信号处理中的一种理想的移相方法。对某一信号进行这种变换,可得到其共轭信号。该文将Hilbert模量定义为原始信号与其共轭信号的平方和,并在此基础上提出了一种基于定子电流Hilbert模量频谱分析的异步电动机转子故障在线监测与诊断方法。理论分析和实验结果表明该方法可以有效地诊断鼠笼式异步电动机的转子故障。与需要同时采样三相电流的扩展的Park捠噶糠椒ㄏ啾?该方法大大节省了硬件和软件开销。

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.

利用小波包变换时频谱识别宁夏及邻区的地震和爆破

采用dmey小波基函数分别对地震和爆破事件的垂直向记录信号进行小波包变换,计算各事件信号的归一化时频谱值以及P波和S波时频谱值达到最大时的频率fmp和fms,比较地震信号和爆破信号P波段(0～6.25Hz)和S波段(0～6.25Hz)在各相同分解频带内的瞬时谱最大值差异,寻找合适的单项定量识别指标,并综合各单项识别指标形成综合识别判据。运用综合识别判据对银川台记录到的宁夏及邻区14个地震事件和19个爆破事件进行判别,结果表明,各单项定量识别指标的识别率均在80%以上,综合判别结果均与事件的真实类型一致。

基于时频谱图的脉冲噪声抑制方法

从时频分析的角度,提出了一种新的音频信号脉冲噪声的处理方法。该方法基于被污染信号的时频谱图,通过区分纯净信号和脉冲噪声信号的频域特性与相关性来检测脉冲噪声。首次提出前后信息相关联的"限幅"噪声抑制方法,并利用带过滤系统的中值滤波方法分别对短时和暂态两种脉冲噪声信号加以抑制和消除。和信噪比相比,还进一步提出了四个指标专门用于评价去除脉冲噪声方法的性能。基于这四个指标,分析了如何调整参数以获得更好的检测和修复性能,并用大量仿真实验证实了这种新方法的有效性。最后给出了系统仿真结果,并指出了该方法的应用前景。

高精度地震时频谱分解方法及应用

由于受测不准准则的制约,应用小波变换、广义S变换等线性算法无法同时获得高时间分辨率和高频率分辨率,而应用匹配追踪算法可克服窗函数的限制,能在时间域和频率域同时精细表征信号特征。本文在阐述地震信号匹配追踪时频谱分解的算法原理基础上,通过对标准Morlet小波进行合理改造,完备了时频原子库,有利于提高地震信号匹配分解的精度;依据Morlet小波的时宽对地震道进行开时窗,可在多个时窗内同时动态扫描匹配小波原子,可以适当提高计算效率。模型试验与实际数据分析表明,基于改进Morlet小波的地震信号匹配追踪算法更精确更高效,且具备一定的抗噪能力,适合定量分析地震资料的频谱变化特征,有助于研究储层及油气的分布范围。

Wigner-Ville高阶时频谱及其在塔中奥陶系缝洞型储层预测中的应用

塔中地区奥陶系深层地震反射信号弱、信噪比低,反射特征复杂,且存在火成岩干扰,造成应用常规属性分析技术不能有效地描述储层特征。Wigner-Ville高阶时频谱分析方法能够准确地反映时变信号的频谱特性,有效压制噪声、提高分辨率。本文结合孔洞地震地质模型,分析了Wigner-Ville高阶时频谱对孔洞储集体地震反射波的敏感性和有效性,并利用该方法对塔中地区奥陶系碳酸盐岩储层进行了预测,证实所求的储层频谱异常与对应的钻遇储层特征相吻合,表明了本文方法的有效性。