基于改进Hilbert-Huang变换算法的电气化铁路谐波检测

通过对电力机车负载电流进行仿真建模,得到电力机车在不同工况下的电流波形;使用改进的Hilbert-Huang变换算法对电流波形进行谐波检测;采用限制带宽经验模态分解算法对原始电流波形进行分解;通过引入屏蔽信号来控制本征模态函数的带宽,以有效抑制模态混叠.结果表明,所提出的改进Hilbert-Huang变换算法能够有效检测电气化铁路负载电流中各次谐波随时间变化的特征.

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Hilbert-Huang变换和小波包能量谱的电压暂降源识别

针对电压暂降源识别问题,提出一种基于Hilbert-Huang变换(HHT)和小波包能量谱的电压暂降源识别方法。首先对电压暂降信号经过经验模态分解(EMD),得到一个固有模态函数(IMF)集合,然后将各IMF进行n层小波包分解并计算其小波包能量谱,得到Hilbert-Huang(HH)谱图。通过比较突变点、幅值、谐波等特征量,对电压暂降源进行识别。实验结果表明,该方法简洁可靠、识别准确性高、实用性强。

基于Hilbert-Huang变换的生物触电电流检测模型

为了检测触电时刻剩余电流中生物体触电支路电流信号的难题,应用Hilbert-Huang变换方法,确定了生物触电时剩余电流的固有模态函数中相关系数最大的IMF分量的局部幅值达34.02 m A,且与原信号相关性系数达到0.99,同时剩余电流与触电电流暂态过程频谱特性具有相似变化规律。以此为基础,应用生物电流信号高频IMF分量幅值的突变特征,作为触电故障时刻确定判据,建立生物触电故障时刻判定方法,实际数据的仿真处理正确率为94.17%;筛选剩余电流分解的相关性较高的有限个数的低频固有模态IMF分量,应用逐步多元线性回归方法,提出基于剩余电流固有模态分量的生物触电支路电流幅值检测方法,仿真试验结果的平均相对误差值5.46%,具有良好的适应性和实用性,为研发基于生物体触电电流而动作的剩余电流保护装置提供参考。

Hilbert-Huang变换在电气化铁路谐波检测中的应用

将Hilbert-Huang变换(Hilbert-Huang transform,HHT)用于电气化铁路谐波检测中,应用该方法可以提取任意频次的谐波信号。为了解决直接应用经验模式分解(empirical mode decomposition,EMD)方法可能出现的模态混叠问题,文中采用基于傅里叶变换(Fourien tranform,FT)的EMD方法对电气化铁路谐波信号进行提取。首先利用傅里叶变换对指定频率部分进行滤波,然后分别进行HHT变换,再重新组合,即可得到信号全部完整的本征模态函数(intrinsic mode function,IMF)分量,进而计算其Hilbert谱,得到谐波信号的Hilbert谱值。对电气化铁路牵引变电站实测谐波电压、电流数据进行了分析,仿真结果表明利用改进的HHT方法可以得到电气化铁路各次谐波的准确时频分布。

局部放电信号检测的HHT-MDL自适应阈值算法

基于局部放电信号特征,将HHT与信息论的MDL判据相结合应用于局部放电信号的提取。该算法以多分辨率的EMD为基础,结合MDL判据自适应地确定EMD得到的IMF的阈值,来提取局部放电信号,同时还得到局部放电信号的时间-相位-幅值谱。对于强周期窄带干扰,提出了先用FFT预处理后,再用HHT和MDL消噪的简单算法。该算法综合了这两种方法的优点:无需定义任何基函数,无需事先知道噪声的水平,不需要预置阈值、不需要选择阈值行为方式,有较强的自适应性。仿真结果表明,本方法能够有效地消除局部放电中的噪声,其效果优于基于小波和MDL准则的消噪算法,为局部放电信号的消噪提供了一种新思路。

Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换(HHT)中瞬时频率计算的真实性和稳定性,提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换,然后根据插值点数作补零处理,再进行傅里叶反变换,完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解(EMD)得到一组固有模态函数(IMF),计算所有IMF的瞬时频率和幅值,最终获得信号时频分布的Hilbert谱.结果表明,该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生,增强了瞬时频率的准确性,提高了HHT方法的信号分析频率,该方法能有效应用于实际信号处理的HHT时频分析中.

用改进的Hilbert-Huang变换辨识电力系统低频振荡

针对Hilbert-Huang变换(HHT)在辨识电力系统低频振荡模态时易出现的模态混叠问题,提出了利用改进HHT辨识密频电力系统低频振荡模态参数的方法。首先通过Fourier变换确定每个模态频率的大致范围;然后在利用经验模态分解(EMD)求取每个模态时,根据所求得的模态频率的密集程度,或引入屏蔽信号,或通过滤波处理的方式,以分离频率相近的模态;最后通过对每个模态的瞬时幅值和频率进行线性最小二乘拟合,得到每个模态的模态参数。利用传统的HHT和改进的HHT分别对理想信号、仿真信号以及实际录波信号进行了分析,分析结果表明该方法能够准确辨识出低频振荡的特征参数,适用于密频电力系统低频振荡的辨识。

基于小波及Hilbert-Huang变换提取壁湍流相干结构

为了研究壁湍流中的相干结构,在直流抽吸式低(变)湍流度风洞的实验段中,应用恒温热线风速仪IFA-300精确测量平板湍流边界层不同法向位置的流向速度信号.分析壁湍流脉动速度的概率密度分布,并与高斯分布比较,验证了壁湍流中相干结构引起的猝发现象的统计规律.提出了一种利用小波变换和Hilbert-Huang(HHT)变换相结合来提取相干结构的方法.对壁湍流脉动速度进行HHT变换,通过变换后各模态的能量分析,分离出主要含能模态对应的相干结构.利用小波重构法继续提取未分离的小尺度相干结构.对剩余湍流信号进行概率统计,并比较提取的全部相干结构与原始湍流信号的波形和HHT边际谱,验证了湍流信号既包含非随机的相干结构信号也包含随机的非相干信号.

基于改进Hilbert-Huang变换的转子碰摩故障诊断

针对信号总体平均经验模式分解中的两个参数———所加白噪声标准差和总体平均次数难以设置的问题,通过仿真信号实验分析,给出了这两个参数设置的一般方法。以转子碰摩故障信号为对象,提出了改进的Hilbert-Huang变换(HHT)算法并将其用于提取转子碰摩故障特征。仿真和实验结果表明,改进的HHT算法能较好地提取出转子碰摩故障特征,与传统HHT算法相比,改进的HHT算法效果更好。

基于EMD的HHT变换技术在长江三峡水库年平均流量预报中的应用

本文应用基于经验模态分解(EMD)的Hilbert—Huang变换(HHT)技术,对长江宜昌站1900～2000年来天然年平均流量序列进行了分析研究,并在此基础上建立了长江三峡水库年平均流量多尺度统计动力预报模型。研究结果表明:(1)长江三峡年平均流量存在准3.2年、7.4年、13.1年、16.7和53.8年的周期,并以准3.2年和7.4年的波动为主;(2)基于EMD的HHT变换技术的三峡水库年平均流量多尺度统计动力预报模型,预报效果较好,对2001～2004年进行试验预报,预报模型的预报相对误差在2.4%以下。本文研究成果对长江三峡水库防洪调度以及发电计划制作有重要的参考价值。

改进HHT在线滤波算法在电液伺服系统控制中的应用

希尔伯特一黄变换(Hilbert-Huang transform,HHT)是一种针对非线性非平稳信号时频分析的有效方法,在诸多领域有着广泛应用.目前HHT变换主要应用于离线分析,为了将HHT变换引入电液伺服控制系统,实现了一种HHT的在线滤波方法,通过改进的经验模式分解法(EMD),能对系统的输出信号进行实时滤波处理,并适用于电液伺服控制系统.首先设定一定长度的滤波窗口,利用文中改进后的EMD分解法对窗口内的数据进行经验模态分解,从中得到噪声分量和其他干扰信号分量.然后从原信号中去除噪声和干扰信号分量,达到滤波的效果.由于该滤波器的时延特性不随控制信号频率的改变而改变,只与滤波器的窗口长度有关,因此在控制器中可进行延时补偿,将基于HHT在线滤波器的控制方法应用于电液伺服控制系统中,系统输出在相位和控制效果方面都取得了良好的效果,验证了该方法的实用性.

基于Hilbert-Huang变换的心率变异信号分析与处理

提出一种均匀重采样RR间期序列预处理方法,利用Hilbert-Huang变换进行心率变异信号的特征提取与RR间期序列的Hilbert谱分析.研究表明,该算法能明确RR间期序列的物理意义,能有效提取HRV中频率变化的有用信息,改善Hilbert谱估计结果,为心率变异分析提供新思路.

基于GA-LSSVM预测的Hilbert-Huang变换端点效应问题处理

针对Hilbert-Huang变换中的端点效应,利用基于遗传算法(Genetic Algorithm,GA)的最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)数据延拓方法对信号及其各内禀模态函数(Intrinsic ModeFunction,IMF)分量进行延拓,在一定程度上克服了Hilbert-Huang变换中的端点效应,实现了准确的Hilbert-Huang变换。

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Hilbert-Huang变换的船舶结构冲击响应研究

针对水下爆炸时船舶结构遭受的冲击响应信号具有非线性非平稳的特点,提出将Hilbert-Huang变换用于船舶结构冲击响应信号处理。Hilbert-Huang变换是基于经验模态分解(EMD)和Hilbert谱的一种信号处理方法,用EMD分解把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),然后对IMF分量进行Hilbert变换,从本质上分析船舶结构冲击响应信号的组成成分及特点。与FFT变换和小波变换相比,Hilbert-Huang变换体现出自适应性和先进性,可以有效提取船舶冲击响应信号的时频特征,揭示船舶结构自身的动态特性对冲击响应的影响。

基于希尔波特—黄变换(HHT)的海洋平台结构模态参数识别

本文研究了希尔波特一黄变换(HHT)中的模态混淆问题解决方法的理论。建立海洋平台结构有限元模型,通过模态分析得到其理论模态参数;然后在瞬时荷载的激励下得到有限元模型和实际结构的振动响应,利用采用Fourier滤波器的HHT方法和采用改进伪信号技术的HHT方法识别其模态参数。结果对比表明,这两种方法都可以准确地识别结构的模态参数,采用改进伪信号技术的HHT方法对实际平台的模态参数识别结果相对更加准确、合理。

USMC控制的采煤机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,提高对煤岩的辨识是至关重要的。在对采煤机截割电机控制的基础上,基于稀疏矩阵变换器理论,提出对于截割电机输入电流信号渐变的分析。通过HHT-PCAMRVM对煤岩进行识别,从而实时对井下采煤机姿态进行调节来满足复杂的开采需求。该方法在某煤矿的开采实验平台上进行了良好的实验验证。实验表明:截割电机在USMC控制下,在煤岩突变时波动较为明显,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Hilbert-Huang变换时频谱特征的齿轮箱故障模式分类

针对现有的齿轮箱故障模式分类方法的缺陷,提出了一种基于Hilbert-Huang变换(HHT)时频谱特征的齿轮箱故障模式分类方法。首先通过HHT算法获得齿轮箱的故障信号时频谱图,然后依据不同故障时频谱图的不同特征,成功地对齿轮箱的故障模式进行了分类。对于时频谱图相似的故障模式,可以借助有效值和峭度系数的大小来区分不同的故障程度。将HHT方法与傅里叶变换及小波变换在齿轮箱故障模式分类中的效果进行了对比,对比结果验证了HHT方法在齿轮箱故障模式分类中的有效性和优越性。为齿轮箱的故障模式分类提供了一种简单易行的方法。

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。