基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别

地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混叠、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。     

小波变换在地震瞬时属性提取中的应用

本文介绍了运用小波变换求取地震信号瞬时属性的基本原理。分析了适合做小波变换的信号特征,讨论了小波变换与希尔伯特变换在求取地震瞬时属性的联系与区别。然后,分别给出了小波变换和希尔伯特变换在实际地震资料中提取瞬时属性计算结果,并进行了比较分析。通过理论分析和实际资料的应用表明,应用小波变换求取地震信号瞬时属性能取得较理想的效果。     

基于希尔伯特-黄变换周期平稳类微弱故障信号检测

在希尔伯特黄变换可以将振动信号分解为有限的模式函数的基础上,针对周期平稳类微弱故障信号难以检测到的问题,对信号进行经验模式分解,然后对本征模式函数进行希尔伯特变换;接着通过希尔伯特谱对多频信号中的弱信号和仿真齿轮裂纹弱故障信号分析,得出多频信号中弱信号成分和其时间分布以及调相频率;最后分析滚动轴承损伤弱故障,从希尔伯特谱中可以分析时频和振动量的分布情况,进而提取故障特征,分析出故障;表明希尔伯特谱对周期平稳类微弱故障信号具有一定的分析能力.     

基于希尔伯特-黄变换和EMD消噪的电压闪变信号检测

针对日渐增多的电压闪变现象,提出了基于希尔伯特-黄变换(HHT)与EMD消噪的电压闪变检测新方法.首先采用希尔伯特-黄变换(HHT)提取电压闪变信号的包络,然后利用经验模态分解(EMD)消除包络信号中的噪声,最后采用经验模态分解(EMD)对消噪后包络信号进行分解,提取调幅波的特征信息.仿真的结果表明,该方法能够准确检测出非平稳电压闪变信号的时间、幅值、频率,对不同形式的电压闪变有着良好的适应性.     

基于HHT的微震信号分析

利用希尔伯特-黄变换(HHT)中经验模态分解(EMD)法,对武钢金山店铁矿微震监测信号进行分解,得到满足一定条件的IMF分量,再对其进行希尔伯特变换,得到能量谱图,通过对波形和谱图的分析,实现微震震源的提取及分类。     

基于粒子群优化SVM的电能质量复合扰动分类的研究

针对暂态电能质量复合扰动的问题,提出了基于希尔伯特-黄变换和粒子群优化多分类支持向量机的暂态电能质量复合扰动检测分类的方法。利用希尔伯特-黄变换提取分类所需的特征向量作为训练数据输入粒子群参数优化的支持向量机,实现了对多种复合的暂态电能质量扰动问题分类。从仿真结果可以看出,该方法可以对常见的复合暂态电能质量扰动信号进行检测和分类,且结果精确。     

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。     

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解（EMI）提取信号的内在模函数（IMF），并利用希尔伯特变换对所得IMF进行包络分析，提取机械故障特征。与直接对原信号进行包络分析相比较，该方法提取的机械故障特征更明显，数值模拟和对故障轴承振动信号分析表明了该方法的有效性。     

HHT在提取Lamb波特征参数中的应用

超声Lamb波被广泛用于薄板状结构的损伤检测,其频散特性为损伤信号特征参数的提取增加了难度,因此提出HHT方法对时域的Lamb波进行频域转换,以提取信号的能量和时间特征。首先,介绍了Lamb信号的特性及生成方式;其次,详细说明希尔伯特-黄变换(HHT)的实现方法及步骤,用Matlab进行了算法实现,获得Lamb波信号的Hilbert谱、瞬时能量密度谱和边际谱;最后,通过复合材料结构的损伤实验,分别对损伤前后的结构检测信号进行HHT变换,提取信号的能量参数和时间参数,对比分析证明HHT能有效提取损伤前后信号的能量衰减和时间延迟信息,为下一步进行损伤程度和位置的识别提供了数据依据。     

激光雷达回波信号的EMD处理

对一列时间序列数据进行经验模式分解（Empirical Mode Decomposition：EMD）,然后对各个分量做希尔伯特变换的信号处理方法,称之为希尔伯特黄变换（Hilbert-Huang Transformation,HHT）。该方法既能对线性稳态信号进行分析,又能对非线性非稳态信号进行分析。本论文将使用EMD方法对激光雷达回波信号进行分析。     

基于希尔伯特-黄变换的直流微电网母线电压振荡检测

直流母线电压稳定是直流微电网运行控制的目标之一,但由于直流微电网特殊的物理架构,易出现母线电压振荡现象.依据IEEE对电压振荡参数的规定,建立直流母线电压振荡信号的数学模型.考虑希尔伯特黄变换的模态混叠弊端,采用一种基于掩膜信号的改进希尔伯特-黄变换对母线电压振荡仿真信号进行检测.检测结果显示,该方法可以快速判断直流母线电压振荡的发生和结束时间,相对误差在0.378%以下,表明通过准确提取电压振荡信号的时频信息,希尔伯特-黄变换可实现对直流微电网母线振荡的检测与分析.     

希尔伯特-黄变换在微电网故障定位中的应用

基于微电网双向潮流结构运行及故障电流小等特点,采用不受波速和线路弧垂影响的三端行波测距与希尔伯特-黄变换(Hilbert-Huang Transformation,HHT)结合对故障电流行波进行检测。通过经验模态分解(Empirical Mode Decomposition,EMD)提取故障电流行波信号的固有模态函数(Intrinsic Mode Function,IMF),再对首个固有模态函数(IMF1)进行希尔伯特谱分析(Hilbert Spectrum Analysis,HSA),得到相应的瞬时频率谱,根据瞬时频率谱的突变点对行波波头到达测量端的时刻准确检测。利用Matlab/Simulink建立微电网仿真模型,针对微电网不同故障类型进行仿真分析,仿真结果表明所提出的故障定位方法有效且具有较高的定位精度。     

基于EMD-SVD的声发射信号特征提取及分类方法

针对胶合板损伤声发射(AE)信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(EMD)和奇异值分解(SVD)相结合的信号特征提取与识别方法.首先对AE信号进行EMD分解,运用互相关系数和方差贡献率筛选出包含主要信息的本征模态函数(IMF)分量;其次对各IMF分量构建的初始特征矩阵进行SVD分解,将得到的奇异值作为表征各损伤信号的特征向量;最后建立Mahalanobis距离判别函数对各损伤信号进行识别分类.五层胶合板损伤的实测数据表明,该方法能够方便地提取出AE信号特征并对其损伤类型进行有效的识别.     

基于二维HHT的隧道超前探测图像识别与检测

为有效分析隧道超前探测图像以避免灾害的发生,研究应用二维希尔伯特—黄变换(二维HHT)进行隧道超前探测图像的识别与检测。应用二维经验模态分解(BEMD)方法将隧道超前探测图像分解为不同频率的本征模态函数图(IMF)分量,去除含噪声的高频分量,得到重构后的新图像;再对新图像进行Hilbert变换,进而进行复信号分析,并求取图像的瞬时参数,突出图像特征。研究表明:二维HHT方法能较好地去除图像的噪声部分,并结合复信号分析所到的瞬时参数图,突出超前探测图像的异常体特征。     

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.     

城市轨道交通钢轨波浪形磨耗检测仿真研究

城市轨道交通钢轨波浪形磨耗会增加养护维修费用,降低乘车舒适度,引起噪声,甚至危及列车安全.为了检测钢轨波浪形磨耗,提出了一种基于运营车辆转向架加速度的钢轨波磨检测技术.利用SIMPACK多体动力学软件建立含有波磨病害的车辆-轨道模型,采集该状态下的车辆转向架加速度数据,应用经典的时频域分析、小波分析及希尔伯特黄变换分别对基于波磨病害的转向架加速度信号进行分析并提取出时频特征进行病害识别.仿真结果表明:利用连续小波分析提取的频域特性及经验模态分解(Empirical Mode Decomposition,EMD)得到的特征振动模态可用于波磨病害的检测和识别,从而验证了利用SIMPACK仿真模型进行钢轨波磨检测的可行性.     

经验模态分解的时频分析方法及其应用

研究了经验模态分解与希尔伯特变换相结合提取信号特征参数的方法,并对其性能进行了分析。给出了经验模态分解时频特性分析方法及步骤,并用该方法对瞬态信号特征提取及信号趋势提取进行了研究,仿真实验验证了该方法的可行性和有效性。将经验模态分解时频分析方法应用于信号的趋势提取领域,验证了此时频分析方法的有效性以及反映信号局部时频特征的独特优点。     

基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform,HHT)和改进概率神经网络(probabilistic neural networks,PNN)的信道状态信息(channel state information,CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm,GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

基于多重匹配同步压缩变换的充电机电压扰动分析

为了提高电力系统的安全性和稳定性,解决传统时频变换方法在电能扰动分析中不能准确分离提取扰动信号的缺陷,提出一种基于多重匹配同步压缩变换（Multiple Matching Synchrosqueezing Transform,MMSST）的电能扰动分析方法. 首先,利用MMSST将含扰动的信号分解为一组本征模态函数分量（Intrinsic Mode Functions,IMF）;然后,对每个IMF分量进行希尔伯特变换（Hilbert Transform, HT）,从而获得各个分量的瞬时频率和瞬时幅值,实现扰动信号的检测与分类. 仿真和实测实验结果表明,与经验模态分解（Empirical Mode Decomposition, EMD）算法相比,MMSST可以准确地分离提取电压扰动信号中的各个扰动分量,可以实现各个扰动分量的瞬时频率和幅值的准确提取,并且具有较强的鲁棒性.     

改进HHT方法在转子故障中的应用

HHT（希尔伯特-黄变换）能够将振动信号分解为有限的模态分量,并由此可对汽轮机转子故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影却很大。先利用小波变换技术对含噪故障信号进行去噪处理,再作HHT分析的方法。结果表明,该方法克服了直接用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了汽轮机转子质量不平衡故障诊断率。