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.     

基于希尔伯特变换的改进地震信号谱重排

谱重排最早被称为改进的滑动时窗法,用来提高常规的时频谱分析的分辨率,其基本原理是将原时频谱中每一点的能量进行聚焦重排。由于该算法仅对信号在频率域进行重排,致使其重排过程是不可逆的。为了优化时频重排算法,将原始的谱重排算法与希尔伯特变换相结合,通过对信号求取导数并使用加窗傅里叶变换对理论信号进行再处理得到改进后的处理结果。结果表明,基于希尔伯特变换的改进谱重排算法不仅兼顾了时频谱重排和加窗傅里叶变换的优势,提高了对信号时频变换的分辨率,而且在地震勘探领域具有广泛的应用前景。     

基于HHT信号处理方法的水轮发电机组低频压力脉动信号的特征提取

基于经验模态分解(Empirical mode decomposition,EMD)的希尔伯特黄变换(Hilbert-Huang transform,HHT)方法能够较好地分析非平稳和非线性的信号.提出了基于Pascal程序设计语言的HHT算法的程序实现方法.通过对某水轮发电机组水导轴承的振动信号进行分析发现,EMD方法等够有效地分离出低频压力脉动信号中的各个单一模态的振动分量,分解出来的各振动分量具有物理意义.Hilbert谱相比于传统的时频谱具有更好的时频分辨率,且具有自适应的信号处理能力.     

希尔伯特-黄变换谱及其在地震信号分析中的应用

介绍了希尔伯特-黄变换(HHT)这一非线性、非平稳信号处理方法,并利用HHT处理了地震工程中常用的ElCentro地震波,得到了该信号的Hilbert谱、边际谱和能量谱,提取了该信号的主要动力特性,并与该信号的Fourier分析结果进行了对比,显示出HHT这一方法的优越性.     

希尔伯特黄变换在齿轮故障诊断中的应用

希尔伯特黄变换是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得时频谱的信号处理新方法。介绍了希尔伯特黄变换算法的原理及流程，利用由希尔伯特谱反映出的丰富的物理信息来对齿轮进行故障诊断。结果表明，希尔伯特谱较好地实现了齿轮故障的诊断，希尔伯特黄变换为齿轮故障提供了有力的工具。     

电力物联网背景下基于HHT-CNN的智能变电站故障诊断

在电力物联网的背景下,为提高传统智能变电站故障诊断能力,提出基于希尔伯特-黄和卷积神经网络相融合的智能变电站故障诊断方法.将智能变电站中的故障录波数据作为故障诊断数据,利用希尔伯特-黄变换提取综合电流的故障特征,通过训练好的卷积神经网络实行故障定位.以典型的110 kV智能变电站为例进行仿真测试,测试结果表明：增加数据增强模块能有效提高卷积神经网络模型的泛化能力;选择合适的卷积神经网络模型参数能有效提高故障诊断正确率和降低训练时间;相对于其他2种方法,该方法有较高的故障诊断正确率.     

基于EEMD和Hilbert边际谱的天然气压缩机故障诊断

针对天然气压缩机出现故障时其振动信号呈现出的非平稳非线性特性,提出了基于集总经验模式分解和Hilbert边际谱的压缩机故障诊断方法。首先采用EEMD算法对振动信号进行自适应抗混叠分解,得到不同频带的固有模态函数,然后利用Hilbert边际谱频率分辨率高的特点来提取故障信息。将该方法用于实际天然气压缩机的故障诊断,结果表明本文提出的方法能够成功诊断出压缩机的故障,与基于经验模式分解(EMD)的方法相比具有明显的优势。     

锌钡白回转窑消色力波动性的成因分析

为寻找某锌钡白回转窑过程的关键质量指标——消色力不稳定的原因,对消色力指标的序列进行了研究.首先用傅立叶方法进行分析,发现其包含的谐波分量比较显著,表明消色力波动存在一定的周期性.为得到关于波动的更详细信息,并考虑消色力序列的非平稳特性,进一步采用希尔伯特-黄变换时频联合分析的方法,通过对其边际谱的研究得到比较精确的波动频率,并由Hilbert谱的分析实现对该波动的时间定位,最后结合实际指出产生该波动的管理和工艺上的原因,从而为质量问题的追溯提供了线索和条件.     

基于希尔伯特-黄变换的车用逆变器开路故障检测方法

针对车用变频驱动系统中逆变器开路故障,采用直流侧电流频谱作为故障特征量进行故障诊断;并引入希尔伯特-黄变换(HHT)作为频谱分析工具,将该方法延伸到非平稳信号的频谱分析中。通过对稳态、动态两种工况下单管开路故障和单相开路故障两种故障模式的研究,结果表明:该方法能够在稳态和动态工况下可靠提取出直流侧电流信号中隐含的故障特征量,适用于车用工况。     

基于Hilbert-Huang变换的电力系统故障检测

电力系统发生故障时,其暂态信号多为非线性非平稳信号。希尔伯特-黄变换可从此类信号出发,自适应分解为有限个本征模式函数之和,通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真结果表明,希尔伯特-黄变换在电力系统故障检测中非常有效。