边际谱

摘要： 针对局放信号中单一的去噪方法去噪效果差以及经验模态分解(empirical mode decomposition,EMD)存在的模态混叠和其他缺陷,文章提出一种基于改进的希尔伯特黄变换(Hilbert-Huang transform,HHT)的去噪方法;针对神经网络所需样本多和计算量大的特点,提出对有高信息维度的边际谱进行方向梯度直方图(histogram of gradient,HOG)和灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征提取后通过支持向量机(SVM)辨别的方法。局放信号中主要有窄带周期干扰和白噪声2种噪声干扰难以去除,窄带噪声能量集中在频域上,可以通过快速傅里叶变换(FFT)将其先去除,然后采用添加互补自适应白噪声的完整集合经验模态分解(complete ensemble empirical mode decomposition with complementary adaptive white noise,CEEMDCAN)和自适应阈值法结合的方法,不仅有效抑制了白噪声,而且消除了模态混叠,重构误差和计算量都更小。仿真结果表明,该去噪方法去噪效果明显,在少样本情况下,通过SVM快速辨别可以获得92.5%的高识别率。

摘要： 针对圆弧齿轮泵由空化造成的振动问题,提出一种基于经验模态分解(ensemble empirical mode decomposition,EEMD)的圆弧齿轮泵空化流动及振动特性试验方法。以圆弧齿轮泵空化试验平台为基础,引入EEMD分解及希尔伯特边际谱分析技术,得到了不同转速及不同出口压力下的监测点的频域结果,实现了对圆弧齿轮泵振动特性的研究。试验表明:EEMD分解及希尔伯特边际谱分析技术,可以有效地识别圆弧齿轮泵出口振动特征;在额定出口压力下,随着工作转速的增大,泵出口处振动加速度信号的振动主要引起低频段能级上的增加,其中以1000~1500 Hz尤为剧烈,形成能级最大的谱峰;在额定转速下,随着出口压力的增大,振动加速度信号的边际谱峰值、中心频率位置及频率变化范围呈现出先增大后减小再增大的趋势;进一步可提取圆弧齿轮泵振动加速度信号的边际谱峰值、中心频率以及带宽作为泵空化特征参数进行分析。

摘要： 为识别仙女山断裂周缘发生的构造地震、矿震、塌陷地震特征,基于集合经验模态分解时频分析方法(EEMD)对地震波形信号进行了分解,通过信号的IMF分量的时频谱和边际谱分析了其差异。结果表明:①构造地震的时频谱频率在0~40 Hz均有分布,频率成分复杂,边际谱集中在0~20 Hz;②矿震时频谱在0~30 Hz均有分布,频率成分相对简单,但在地震波幅值变化最大的区域存在20~30 Hz的频率成分空白区,边际谱存在一个0~5 Hz的主频带和2 Hz左右的主频;③塌陷地震时频谱频率成分分布在0~30 Hz,在Pg波到达前存在0~5 Hz左右低频区域,边际谱的主频带和主频集中在0~3 Hz和1 Hz。该研究成果可以作为识别构造、矿震、塌陷地震事件的判别依据。

摘要： 在噪声的影响下,齿轮的故障信息不易被识别。同步压缩小波包变换(synchrosqueezed wave packet transform,SSWPT)作为一种新的时频分析方法,具有良好的抗噪声能力。在其基础上提出基于SSWPT边际谱特征信息提取的齿轮故障诊断方法。首先,对故障齿轮的振动信号进行SSWPT得到信号的能量矩阵,并对能量矩阵进行积分变换求取齿轮振动信号的边际谱;然后,根据边际谱提取啮合频率及其倍频,并选择对应的啮合调制频带对能量矩阵运用同步压缩小波包逆变换(synchrosqueezed wave packet inverse transformation,ISSWPT)进行信号重构;最后,对重构信号进行解调分析,从而可以有效提取齿轮故障特征频率。仿真及试验分析结果表明,该方法可以准确地提取齿轮故障特征信息,且分析效果优于包络谱和基于快速谱峭度的共振解调方法,为齿轮的故障特征提取提供一种有效的方法。

摘要： 针对有轨电车运行过程出现的异常振动现象,提出将希尔伯特-黄变换(HHT)应用于有轨电车的异常振动分析研究。针对经验模态分解中模态混叠难题,提出利用集合经验模态分解(EEMD)对原始车辆振动数据进行分解。针对振动信号可能包含虚假分量的问题,提出通过相关系数法剔除虚假本征模分量(即噪声分量或趋势项分量),最后进行希尔伯特-黄变换的优化处理流程。以某型有轨电车为研究对象,通过HHT得到轴箱垂向加速度的Hilbert谱,获取时间-瞬时频率-瞬时能量三维关系,结合边际谱分析振动特征,判断有轨电车的异常振动原因及故障模式。结果表明该方法对有轨电车异常振动的分析研究十分有效。

摘要： 目的 运用希尔伯特-黄变换法(Hilbert-Huang transform,HHT)探究SD大鼠在清醒、浅麻醉、深麻醉状态下头皮脑电信号(EGG)边际谱特征量.方法 选取雄性SD大鼠16只.每只大鼠未注射乌拉坦时视为清醒状态,首次腹腔注射乌拉坦(500 mg/kg)视为浅麻醉状态,1 h后再次腹腔注射乌拉坦(800 mg/kg)视为深麻醉状态,分别记录大鼠清醒、浅麻醉、深麻醉时EGG.采用HHT法比较各波段SD大鼠EGG的平稳度、边际谱谱峰和能量比.结果 清醒状态下大鼠边际谱谱峰在α波波段,α波能量占比45％,而δ波能量占比仅5％;浅麻醉和深麻醉状态谱峰在δ波波段,但深麻醉时能量占比(40％)略高于浅麻醉时能量占比(38％).结论 HHT边际谱和能量比反映信号幅值和能量频域分布特性——按序向频率降低的方向移动.

摘要： 以西安地震台VP垂直摆倾斜仪2018年观测资料为研究对象,用HHT(Hilbert-Huang Transform)方法对VP垂直摆正常时段和干扰时段秒采样观测数据进行处理,获得HHT时频图和Hilbert边际谱图,总结VP垂直摆观测背景的频谱特征,有助于认识形变资料的正常观测背景和干扰特征,为识别地震异常信息提供客观的背景依据.

摘要： 以西安地震台VP垂直摆倾斜仪2018年观测资料为研究对象,用HHT(Hilbert-Huang Transform)方法对VP垂直摆正常时段和干扰时段秒采样观测数据进行处理,获得HHT时频图和Hilbert边际谱图,总结VP垂直摆观测背景的频谱特征,有助于认识形变资料的正常观测背景和干扰特征,为识别地震异常信息提供客观的背景依据。

摘要： 目的 提出一种基于希尔伯特-黄变换(Hilbert-Huang Transform,HHT)的生命体雷达微动信号辨识方法.方法 构建生命体微动特征频带,通过提取边际谱和计算能量占比这两类能反映微动信号频带特性的信息实现人与兔、犬的辨识.结果 根据人与两种动物的微动信号经HHT处理得到的边际谱和能量占比信息具有显著差异的特性(P<0.01),本方法区分人与动物的准确度达91.67％,精准识别人与兔、犬目标的准确度达83.33％.结论 本文提出的辨识方法为静止状态下障碍物后人与多种动物的辨识提供了一种通用的新方法,对于灾害救援、反恐维稳等多种应用场合下提高搜救效率,优化救援资源等具有重要的社会价值和实际意义.

摘要： 本文介绍了局部均值分解是一种自适应非平稳信号处理方法,对脉搏信号的处理可以有效地进行临床病理诊断。采用局部均值分解对实测脉搏信号进行降噪处理,同时将降噪处理后的脉搏信号进行边际谱分析,指出心血管疾病患者的边际谱能量值均方差离散程度比较大,可以作为有效区分健康人群和心血管疾病人群的依据。本论文的研究对医学脉搏信号的分析具有一定的参考价值。

摘要： 针对镗削颤振在孕育和形成时,其能量从小变大,主峰频率会逐渐向低频方向移动直至颤振频率附近的特点,提出一种基于经验模式分解与HHT边际谱相结合的镗削颤振识别和预测方法.对采用光纤布拉格光栅(FBG)传感器实测镗杆颤振应变信号进行经验模态分解(EMD),再对得到的本征模态函数(IMF)中能量较大的进行任意瞬时频率的时间积分,所得的边际谱对多模态振动信号中,能量集中的频率具有好的锁定效果,以频率的分布和幅值大小,能够很好的识别出颤振信号三个阶段的特征.实例分析结果表明,提出的方法能够有效地应用于镗削颤振的识别.

摘要： 介绍了HHT理论及其实现方法。分析了利用HHT理论和瞬态信号进行机械故障诊断时常用故障特征提取方法的不足。针对瞬态信号中所包含的故障特征随时间的变化而变化的特点，研究了将瞬态频率相对基准转速“定常化”，再与边际谱理论相结合的瞬态信号特征提取方法。算例分析验证了该方法的有效性。

摘要： 本文对HHT算法在信号分解和分析中的应用进行了研究。首先是对当今信号处理中主要算法以及HHT算法的由来、运算步骤进行了介绍,然后模拟了两个单一频率的叠加信号,通过对其做EMD分解和HHT时频图可以准确的分解出两个频率,并给出了边际谱。最后模拟了一个调频信号和一个单一频率信号的叠加信号,通过HHT时频图和HHT边际谱,可以分解并计算出各自的频率以及调制频率,并与传统的FFT做了比较。得出该方法克服了FFT不能反映信号的局部特征的缺点。

摘要： 本发明涉及一种基于希尔伯特边际谱特征的光伏组件性能一致性评价方法。光伏组件性能的非一致性，将导致光伏发电效率的下降，甚至会影响光伏发电系统的稳定性，因此对光伏组件性能进行一致性评价，具有重要的应用价值。本发明考虑到光伏组件经过串并联构成光伏阵列时的频域线性叠加特性，首先对光伏阵列直流伏安信号利用经验模态分解和Hilbert边际谱变换，然后对边际谱一致性指标计算的频率范围进行筛选，去除反映叠加特性的边际谱峰值所对应的频率范围，提出了一种对边际谱局部频率范围进行一致性指标评价的计算方法，从而实现光伏组件性能一致性在线评价。本发明将提高光伏电站的运行效率和稳定性，有助于光伏发电的推广应用。

摘要： 本发明公开了一种利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置，该方法包括以下步骤：a、将采集到的肌电信号存入数组sEMG[CE]中；b、利用希尔伯特黄变换时频分析方法结合信息熵理论，对采集到数组sEMG[CE]中的肌电信号提取边际谱熵特征；c、将上述边际谱熵值存入数组HHE[CH]中，定义HHE[CE]为一帧数据，数组HHE[CH]用来按照先进先出方式存放边际谱熵；以及d、重复上述步骤a、b和c，存满数组HHE[CH]，将存满后的数组HHE[CH]作为肌肉疲劳特征，以用于肌肉疲劳判断。采用上述方法判断肌肉疲劳，基于边际谱熵的肌肉疲劳指标，计算快速，数据长度稳健性好，评估肌肉疲劳可靠性强，抗噪性能好。

摘要： 基于声波信号HHT边际谱的柴油机排气净化器诊断方法，属于柴油机排气后处理系统诊断技术。在柴油机运行过程中，声波信号采集器（4）将净化器出口端采集到的声波信号x(t)送入声波信号处理单元（9），对信号进行HHT边际谱分析，并经处理得到声波HHT边际谱特征信号：所测特征频率和所测特征能量。电控单元（5）根据当前柴油机转速信号和扭矩信号查询声波HHT边际谱特征信号MAP，找到对应工况下的声波HHT边际谱特征信号：标定特征频率和标定特征能量。电控单元（5）通过对和四个参数进行比较，确定排气净化器是否工作正常。该方法能对堵塞状况进行准确识别并给出再生时机，对排气净化器破损尤其微小破损能精确识别。

摘要： 本发明涉及一种基于频域卷积和边际谱反馈的虾类声信号时频特征提取方法，该方法采用频域卷积处理和边际谱反馈对虾类声信号的时频谱作特征分析提取。S1：对虾类声信号进行互补集合经验模态分解得到若干本征模态函数分量，再对这些本征模态函数分量作希尔伯特谱分析，在归一化处理后得到虾类声信号的时频谱图；S2：根据实际情况构造频域卷积向量，对归一化的时频谱图进行频域卷积处理，得到频域平滑后的时频谱图；S3：计算得到边际谱，利用其反映时频谱特征的特点，对频域平滑后的时频谱图做一次反馈和二次反馈，得到不同边际谱反馈次数下的优化时频谱图；S4：对比分析不同边际谱反馈次数下的优化时频谱图，综合谱图表现得到虾类声信号的时频特征。

摘要： 本发明涉及无损检测领域，特别是涉及一种基于边际谱质心检测的缺陷深度识别方法、系统。该缺陷深度识别方法包括如下步骤：S1：获取若干具有加工缺陷的试验件，以每个试验件和具有对照关系的参考件为一个样本组。S2：获取样本组中样本的脉冲涡流检测信号的差分信号；对差分信号进行变分模态分解得到多个固有模态函数。S3：对多个固有模态函数做希尔伯特变换，将希尔伯特谱的相应频率成分在整个时间域内进行叠加，得到脉冲涡流检测信号的边际谱图。S4：提取边际谱图的边际谱质心，构建一个缺陷深度识别模型。S5：用历史缺陷深度识别模型识别待检测件的缺陷深度。本发明解决了现有的缺陷深度检测方法单一，小宽度缺陷的深度检测结果精度低的问题。

摘要： 本发明公开了一种基于PICA‑VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，该方法的步骤如下：采集轴向柱塞泵壳体处的振动信号并构建初始样本集；采用小波包自适应阈值对原始信号进行去噪；对去噪后的信号进行PICA‑VMD变换得出对应的Hilbert边际谱，提取边际谱中的边际谱幅值作为故障特征并构建特征集；采用PCA法对提取的故障特征进行降维；最后将降维后的故障特征集输入到多分类SVM模型内完成空化等级的识别。本发明方法能有效地识别出轴向柱塞泵的空化等级，Hilbert边际谱幅值能够较好地反映微弱的轴向柱塞泵空化故障特征。

摘要： 本发明涉及一种基于希尔伯特边际谱特征的光伏组件性能一致性评价方法。光伏组件性能的非一致性，将导致光伏发电效率的下降，甚至会影响光伏发电系统的稳定性，因此对光伏组件性能进行一致性评价，具有重要的应用价值。本发明考虑到光伏组件经过串并联构成光伏阵列时的频域线性叠加特性，首先对光伏阵列直流伏安信号利用经验模态分解和Hilbert边际谱变换，然后对边际谱一致性指标计算的频率范围进行筛选，去除反映叠加特性的边际谱峰值所对应的频率范围，提出了一种对边际谱局部频率范围进行一致性指标评价的计算方法，从而实现光伏组件性能一致性在线评价。本发明将提高光伏电站的运行效率和稳定性，有助于光伏发电的推广应用。

摘要： 本发明公开了一种利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置，该方法包括以下步骤：a、将采集到的肌电信号存入数组sEMG[CE]中；b、利用希尔伯特黄变换时频分析方法结合信息熵理论，对采集到数组sEMG[CE]中的肌电信号提取边际谱熵特征；c、将上述边际谱熵值存入数组HHE[CH]中，定义HHE[CE]为一帧数据，数组HHE[CH]用来按照先进先出方式存放边际谱熵；以及d、重复上述步骤a、b和c，存满数组HHE[CH]，将存满后的数组HHE[CH]作为肌肉疲劳特征，以用于肌肉疲劳判断。采用上述方法判断肌肉疲劳，基于边际谱熵的肌肉疲劳指标，计算快速，数据长度稳健性好，评估肌肉疲劳可靠性强，抗噪性能好。

摘要： 本发明涉及一种基于EEMD和边际谱熵的绝缘子污秽放电模式识别方法。本发明首先进行人工污秽实验，采集大量绝缘子不同放电模式的声发射信号，然后对采用集合经验模态分解方法，对不同放电阶段的声发射信号进行分解，得到其本征模态分量，再对本征模态分量进行Hilbert变换得到声发射信号的时频谱。在此基础上，计算声发射信号的边际谱，以声发射信号的边际谱熵和重心频率作为声发射信号的特征值，利用神经网络最终实现对绝缘子不同放电阶段的模式识别。结合大量的绝缘子污秽放电试验，运用该方法识别的结果表明，该发明能有效区分污秽绝缘子污秽放电的三种不同放电阶段，为判断绝缘子的外绝缘状态及实现污闪预警提供了技术支持。

摘要： 基于声波信号HHT边际谱的柴油机排气净化器诊断方法，属于柴油机排气后处理系统诊断技术。在柴油机运行过程中，声波信号采集器（4）将净化器出口端采集到的声波信号x(t)送入声波信号处理单元（9），对信号进行HHT边际谱分析，并经处理得到声波HHT边际谱特征信号：所测特征频率和所测特征能量。电控单元（5）根据当前柴油机转速信号和扭矩信号查询声波HHT边际谱特征信号MAP，找到对应工况下的声波HHT边际谱特征信号：标定特征频率和标定特征能量。电控单元（5）通过对和四个参数进行比较，确定排气净化器是否工作正常。该方法能对堵塞状况进行准确识别并给出再生时机，对排气净化器破损尤其微小破损能精确识别。