HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)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),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

基于集成学习与BP神经网络的室内地磁定位算法

本文针对当前室内地磁定位技术存在地磁信号不稳定和地磁指纹不唯一所造成定位误差大等问题,提出一种基于集成学习与BP神经网络的室内地磁定位方法,提高地磁定位精度。将BP神经网络作为弱预测器,通过集成学习的方法把多组弱预测器集成为强预测器,使用地磁数据进行室内定位,与地磁指纹库中的真实位置信息进行对比并计算出定位误差。结果表明本方法与KNN、DTW以及BP神经网络相比,总平均定位误差分别降低了2.55、1.33和0.4 m。     

一种抑制模态混叠的改进HHT模态参数识别方法

针对传统HHT法识别模态参数时的模态混叠问题,提出基于互补总体平均经验模态分解(CEEMD)和信号调频变换(FM)结合的改进HHT模态参数识别方法;并在CEEMD分解后应用随机减量处理(RDT)削弱CEEMD分解对自由衰减响应的影响。将改进的HHT法应用于密集模态系统的参数识别中,结果得出:密集模态系统的频率为0.672 7,1.184 0,1.307 5,阻尼比为0.636 1,1.110 3,1.213 0,与其他方法所得数据相比,改进方法最接近真实数值。表明改进HHT法可以有效避免间断信号与密集模态共同作用下造成的模态混叠问题。     

Hilbert-Huang 变换在爆破震动信号分析中的应用

介绍了Hilbert-Huang变换(HHT)法的原理、内容和优越性, 并用仿真信号进行实例分析, 以验证其关键技术经验模态分解(EMD)的高效性、自适应性, 以及其时频图能定量地描述时间与瞬时频率的关系. 用HHT法对爆破震动信号进行分析与处理. 研究结果表明: EMD能很好地按不同的时间尺度对信号进行分解, 分解后的固有模态函数能反映信号本身所固有的特性;能将Hilbert能量谱中的信号能量清晰地表示在时间-频率-能量的分布图上;HHT法能有效地提取爆破震动信号的时频特征;HHT法比小波分析更具适应性, 为爆破震动信号的分析与处理提供了新的研究思路与方向.     

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.     

基于Hilbert Huang变换的多自由度参数辨识

Hilbert Huang变换（简称HHT）是近年来发展起来的一种新的时间序列信号分析方 法，特别对非平稳信号和非线性信号的分析有较好的适定性.该文结合HHT和状态变量分析 方法对多自由度系统的模态频率和阻尼比进行了辨识.首先，用经验模态分解对测得的激励 响应信号进行分解，然后对分解结果进行Hilbert变换，求出瞬时幅度和相位，再通过线性 最小二乘拟合求出模态频率和阻尼比.最后的仿真结果显示本文方法是可行的.     

基于行人航位推算的后向地磁匹配算法

针对行人航位推算(pedestrian dead reckoning,PDR)定位存在误差累积和智能手机内置传感器精度不高的问题,采用PDR结合地磁的方法进行室内定位研究,提出一种改进的基于PDR的后向地磁匹配算法.在构建地磁基准库阶段,使用克里金插值算法有效减少数据采集所耗费的大量时间并构建出双分辨率地磁基准库.在地磁匹配阶段,改进了基于动态时间规整(dynamic time warping,DTW)的后向地磁匹配算法,改进后的算法避免传统DTW地磁匹配需要全局搜索地磁序列的缺点,在保证定位精度的前提下,增强了定位实时性.实验结果表明,本文算法最大定位误差小于1.5m,可以满足普通室内定位需求.     

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。     

一种5G辅助地磁匹配的室内定位方法

针对地磁匹配存在误匹配、定位误差较大等情况,提出一种5G信号辅助地磁匹配的定位方法,利用5G的CSI粗定位约束地磁匹配范围,从而获得较高的定位精度。分析了5G信号和地磁匹配定位的不同特点,并利用BP神经网络对5G信号进行粗定位,再以该结果作为约束条件筛选地磁匹配区域,然后在该区域利用动态时间规整算法进行地磁匹配,实现5G辅助下的高精度地磁匹配定位。实验结果表明,基于5G的CSI的单基站定位方式的精度约为2～3 m, 5G辅助地磁匹配的组合定位可有效解决地磁误匹配问题,平均误差在1 m以内,能够满足大多场景下室内定位的需求。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

基于混沌蚁群优化小波阈值法地磁信号噪声压制

地磁信号测量广泛应用于资源勘探、地质勘查和管线探测等领域。由于实际测量地磁信号易受到外界环境因素干扰,影响后期地磁数据资料解释。针对常规去噪算法需要获取噪声信号的统计特性,难以达到较好的去噪效果,本文研究基于混沌蚁群优化的小波阈值方法,将信号小波分解后,使用GCV函数选取阈值,结合混沌蚁群算法迭代寻优,确定最优阈值,进而实现地磁信号的噪声压制。通过对合成正弦信号和实测地磁信号进行去噪处理,与常用方法去噪法对比,本文方法去噪效果明显提升。     

一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用

对于非平稳信号时频分析,提出了一种基于改进Hilbert-Huang变换(HHT)的分析方法.根据HHT的已有原理,改进了经验模式分解(EMD)过程中的筛选停止准则,提高了分解精度;给出了Hilbert谱分析的完整过程;以线性调频连续波(FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,通过分析时频分布特征实现高噪声背景下雷达目标信号的检测以及干扰信号的提取.仿真结果表明了改进后的HHT方法对于低信噪比非平稳信号分析的有效性.     

基于改进希尔伯特-黄的泵阀故障诊断新方法

将改进的希尔伯特黄应用到泵阀的故障检测,通过对现场采集数据的分析,提出了一种新的识别故障泵阀的简易诊断方式。首先对6个泵阀信号都作EMD分解,用IMF分量数鉴别故障泵阀,故障泵阀含有IMF数量最多,然后再做出每个泵阀信号希尔伯特能量谱,通过故障泵阀具有高能量来进一步证实。结果表明了该方法能够准确有效的判断出故障泵阀。因此相对于可靠性低并对工作人员身体有害的传统方法而言该方法具有可靠性高,对工作人员无害等优点。     

基于霍尔元件阵列的缺陷漏磁检测技术研究

利用高灵敏度霍尔器件,设计研制了多通道阵列式漏磁检测传感器及信号处理电路.对不同几何参数的铁磁性试件缺陷进行了检测实验研究,该漏磁检测系统可实现地磁场激励和人工弱磁激励下的缺陷信号图像显示.探讨了基于多通道漏磁信号的缺陷表示方法,并利用人工神经网络技术对基于多通道传感器漏磁信号的缺陷反演问题进行了初步研究,表明利用霍尔元件阵列检测装置和人工智能信息处理方法,可以实现多通道漏磁信号与缺陷参数的非线性拟合,进而实现漏磁检测中的缺陷定量化分析.     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

基于神经网络的室内外场景识别方法

针对目前室内外场景识别方法所面临的低精度、低可靠性和低稳定性的问题,提出了一种基于神经网络算法的高精度室内外场景识别的方法.该方法利用智能手机内置的光传感器、磁传感器和全球导航卫星系统(global navigation satellite system,GNSS)模块采集训练数据,根据卫星数量、高度角、信噪比数据在室内外具有不同的特性,将场景划分成不同的区间并结合室内外的地磁数据与光照强度数据构成场景识别的特征,最后将不同时间的特征数据输入神经网络模型进行训练室内外场景识别模型.大量的测试实验结果表明,基于神经网络的室内外场景识别方法在不同的场景下识别准确率可以达到96％,能有效地识别室内外场景,具有较强的稳定性,可为室内外无缝定位系统的构建提供参考.     

HH变换在地震动信号分析中的应用

通过对仿真信号和实际地震动信号的分析,指出HH变换(Hilbert-huang transform)中产生的虚假IMF(intrinsic mode function)主要是由于EMD(empirical mode decomposition)没能将信号中频率相近的分量分解开而产生的.这种虚假的IMF在对地震动信号进行分解时很难将其排除,并且不能正确给出地震动的能量在频率上的分布.此外,Hilbert变换对某种信号会给出错误的瞬时频率.因此将HH变换应用于地震动信号分析时,将Hilbert变换同小波变换联合应用以得到较好的分析结果.