下载文档原格式
希尔伯特—黄变换局瞬信号分析理论的研究希尔伯特—黄变换局瞬信号分析理论的研究引言近年来，随着科学技术的不断发展，人类对信号分析的需求也越来越迫切。
传统的频域和时域分析方法在处理非平稳和非线性信号时存在一定的局限性。
希尔伯特—黄变换局瞬信号分析理论作为一种新兴的信号分析方法，正在蓬勃发展，并在多个领域得到广泛应用。
本文将探讨希尔伯特—黄变换局瞬信号分析理论的基本原理、方法以及其在电力系统、金融市场等领域的应用。
一、希尔伯特—黄变换基本原理希尔伯特—黄变换（Hilbert-Huang Transform, HHT）由美国华盛顿大学的黄其煜教授首次提出，是一种将非线性和非平稳信号转化为时频域瞬态信息的方法。
HHT由希尔伯特变换（Hilbert Transform）和本征模态分解（Empirical Mode Decomposition, EMD）两部分组成。
希尔伯特变换用于将信号从时域转换为分析频域，而本征模态分解则用于将信号分解为一系列本征模态函数（Intrinsic Mode Functions, IMF），每个IMF都代表不同频率的局部信号。
二、希尔伯特—黄变换的方法1. 希尔伯特变换：希尔伯特变换是对时域信号进行处理的关键步骤。
它是通过与原始信号进行卷积操作，得到解析信号的虚部，并通过解析信号的相位来计算瞬时频率。
希尔伯特变换的实质是对信号进行包络提取。
2. 本征模态分解：本征模态分解是希尔伯特—黄变换的第二个关键步骤。
它通过一系列的迭代过程将信号分解为多个单调且封闭的振动模态。
每个振动模态的频率是递减的，而模态之间是相互正交且线性无关的。
三、希尔伯特—黄变换在电力系统领域的应用1. 故障诊断：希尔伯特—黄变换可以用于电力系统的故障诊断。
通过分析电力系统中的非平稳信号，可以快速准确地定位故障点，提高故障诊断的效率。
2. 电力质量分析：希尔伯特—黄变换可以对电力质量进行分析，识别电力系统中的异常波形，如电压闪烁、谐波等。
基于希尔伯特-黄变换的复杂电能质量信号检测技术胡晓曦;刘含露;熊婷婷;胡京莹【摘要】电力系统中大量非线性负荷的使用导致了电能质量信号的非平稳性和复杂性。
针对复杂电能质量信号的检测问题，文中采用Hilbert-Huang变换（HHT）对复杂电能质量信号进行分析。
介绍了HHT的基本原理；提出了实现复杂电能质量信号检测的HHT方法；分析了HHT在复杂电能质量信号检测中的优越性。
仿真试验表明该方法可以实时精确的检测扰动起止时刻和扰动幅度，适用于电能质量多扰动的检测和辨识系统。
%Lots of nonlinear loads using in power system led to the non-stationary and complexity of power quality signals. For the complex power quality signal detection problem, this article uses the Hilbert-Huang transform （HHT） for analysis of the principle of HHT; put forward the HHT method to complex power quality signal. Introduced the basic realize the detection of the complex power quality signal; analysed of the superiority of HHT in the detection of the complex power quality signal. The simulation results show that this method can be a real-time accurate detection of perturbation starting and ending time and perturbation amplitude, and applicable to the detection and identification system of the multi-disturbances power quality.【期刊名称】《电气技术》【年(卷),期】2012(000)005【总页数】5页(P6-10)【关键词】电能质量;Hilbert-Huang变换;多扰动信号;谐波;电压暂降;电压中断【作者】胡晓曦;刘含露;熊婷婷;胡京莹【作者单位】长沙理工大学电气与信息工程学院,长沙410114;湖北成宁市供电公司,湖北成宁437100;长沙理工大学电气与信息工程学院,长沙410114;长沙理工大学电气与信息工程学院,长沙410114【正文语种】中文【中图分类】TM711提供高可靠性、高质量的电能是智能电网建设的目标之一[1-2]。
基于改进希尔伯特黄的故障特征提取方法研究作者：沈颉郭欣何嘉来源：《智能计算机与应用》2020年第03期摘要：旋转机械故障特征的提取是监测故障信号的关键。
本文针对旋转机械中的重要零部件如轴承等的故障振动信号往往被噪声淹没的问题，提出一种基于完备集成经验模态分解的改进希尔伯特黄故障特征提取方法，消除了经验模态分解存在的模态混叠现象。
该方法首先采用相关性、光滑度综合指标进行信号去噪，然后利用改进的希尔伯特黄筛选出故障特征模态进行信号重构，最后对重构信号进行频谱分析。
经过仿真信号和实测信号的验证，此方法能够准确提取故障特征频率，从而实现对故障信号的识别。
关键词：故障信号; 信号重构; 能量指标; 故障特征提取【Abstract】 The extraction of fault characteristics of rotating machinery is the key to monitoring fault signals. In this paper， the fault vibration signal of important parts such as bearings in rotating machinery is often overwhelmed by noise. The paper proposes an improved Hilbert Huang fault feature extraction method based on complete integrated empirical mode decomposition， which eliminates the empirical mode and decomposes the existence of modal aliasing. The method firstly uses the comprehensive index such as correlation and smoothness to denoise the signal， then uses the improved Hilbert Huang to screen out the fault modality for signal reconstruction， finally performs spectrum analysis on the reconstructed signal. After verification of the simulated signal and the measured signal， the method can accurately extract the fault characteristic frequency， thereby realizing the identification of the fault signal.【Key words】 ;fault signal; signal reconstruction; energy index; fault feature extraction0 引言目前旋轉传动部分对于各类机械装置而言必不可少，其中轴承作为作为核心部件起着至关重要的作用，该部件的性能表现在很大程度上影响着整套设备的运行状态[1]。
第27卷第8期V ol.27 No.8 工程力学2010年8 月Aug. 2010 ENGINEERING MECHANICS 54 文章编号：1000-4750(2010)08-0054-06基于Hilbert-Huang变换和自然激励技术的模态参数识别*韩建平1,2，李达文3(1. 兰州理工大学防震减灾研究所，甘肃，兰州 730050；2. 同济大学土木工程防灾国家重点实验室，上海 200092；3. 湖南中大设计院有限公司，湖南，长沙 410075)摘要：基于工程结构振动信号的分析与处理识别结构的模态参数，是结构健康监测和损伤诊断的重要手段之一。
基于傅里叶分析的信号处理方法对非线性、非稳态信号的处理能力差，传统的模态参数识别方法也存在阻尼比识别精度不高的问题。
基于Hilbert-Huang变换和自然激励技术，提出了一种新的模态参数识别方法，首先通过经验模态分解和Hilbert变换提取信号的瞬时特性，进而利用自然激励技术和模态分析的基本理论识别结构的模态频率和模态阻尼比。
利用这一方法，对12层钢筋混凝土框架模型振动台试验一测点的加速度记录进行了处理，识别了模态参数，识别结果与其它识别方法及有限元分析结果的对比表明该方法识别模态频率是可靠的，而模态阻尼比的识别虽然较传统的基于傅里叶变换的半功率带宽法有所改进，但识别的精准性仍然难以确认。
关键词：Hilbert-Huang变换；经验模态分解；自然激励技术；模态参数识别；振动台试验中图分类号：TB122; TU311.3文献标识码：AMODAL PARAMETER IDENTIFICATION BASED ON HILBERT-HUANG TRANSFORM AND NATURAL EXCITATION TECHNIQUE*HAN Jian-ping1,2 , LI Da-wen3(1. Institute of Earthquake Protection and Disaster Mitigation, Lanzhou University of Technology, Lanzhou, Gansu 730050, China;2. State Key Laboratory of Disaster Reduction in Civil Engineering, Tongji University, Shanghai 200092, China;3. Hunan Zhongda Design Institute Limited Corporation, Changsha, Hunan 410075, China)Abstract:Identifying modal parameters via processing vibration signals is one of the mainstream approaches for structural health monitoring and damage diagnosis. The processing approaches based on Fourier analysis are not able to process nonlinear and non-stationary signals. In addition, most of traditional identification methods suffer from low precision to identify damping. Therefore, a new approach is proposed for identifying modal parameters based on Hilbert-Huang transform (HHT) and natural excitation technique (NExT). First, the instantaneous characteristics of the original signal are extracted by means of empirical mode decomposition (EMD) and Hilbert transform (HT). Then, NExT and basic modal analysis theory are used to identify modal frequencies and modal damping ratios. Furthermore, the original acceleration record from the shaking table test of a 12-storey RC frame model is processed and modal parameters are identified by the proposed approach. And identification results are compared with the results from other identification algorithms and finite element analysis.———————————————收稿日期：2009-03-02；修改日期：2009-08-03基金项目：甘肃省科技攻关项目(2GS057-A52-008)作者简介：*韩建平(1970―)，男，甘肃宕昌人，教授，博士生，从事结构抗震减振、结构健康监测及结构检测鉴定加固方面的教学与研究(E-mail: jphan@)；Comparison indicates that the proposed approach is reliable to identify modal frequencies. Although identification of modal damping ratios gets improved by comparison with half-power bandwidth method, it is still difficult to confirm the precision of the results.Key words: Hilbert-Huang transform; empirical mode decomposition; natural excitation technique; modal parameter identification; shaking table test基于工程结构振动信号的分析与处理识别结构的模态参数，是结构健康监测和损伤诊断的重要手段之一，也是当前国内外研究的热点问题之一[1]。
基于希尔伯特-黄变换的电力系统小干扰稳定分析方法李雨【摘要】采用特征值求解分析系统小干扰稳定时存在不足：全部特征值的求解在大规模电力系统中会出现“维数灾”；分析大规模系统的部分特征值求解方法可能遗漏某些重要的模态。
为此,提出一种基于时域特性曲线分析的电力系统小干扰稳定分析方法。
该方法基于矩阵指数函数的计算,获得表征系统小干扰稳定性的时频特性曲线,通过希尔伯特–黄变换(Hilbert-Huang Transform,HHT)方法分析该时频特性曲线获取系统的模态参数,进行小干扰稳定分析。
最后,通过 WSCC 3机9节点系统算例验证了该方法的有效性。
%There are deficiencies of the solution to eigenvalue for analyzing small signal stability of the power system including dimension disasters of solutions to all eigenvalues in large scale power systems and part eigenvalue solving method for large scale systems being likely to leave out some important modals.Therefore,this paper proposes a kind of analysis method for small signal stability of power system based on time-domain characteristic curve analysis,which is based on calculation on matrix exponential to obtain the time-domain characteristic curve representing small signal stability of the system.Mean-while,it is able to obtain modal parameters of the system by analyzing this time-domain characteristic curve based on Hil-bert-Huang transform method so as to conduct analysis on small signal stability.Finally,example analysis on WSCC3 ma-chine with nine nodes verifies validity of this method.【期刊名称】《广东电力》【年(卷),期】2016(029)004【总页数】6页(P45-49,88)【关键词】电力系统;时域仿真;矩阵指数计算;小干扰稳定分析;希尔伯特-黄变换【作者】李雨【作者单位】广西电力系统最优化与节能技术重点实验室，广西南宁 530004【正文语种】中文【中图分类】TM71现代电力系统逐步向超大型互联电力系统发展，电网负荷需求逐年增加、输电线路的输送功率不断增大，电力系统的运行条件变得日益紧张，小干扰稳定问题频繁出现，已经成为制约联络线功率传输和互联电网安全稳定运行的重要因素[1-2]。
一种基于LCD-Hilbert变换和奇异谱熵的配电网暂时过电压类型识别方法金涛;许立彬;高伟;郭谋发;陈永往【摘要】针对当前电力系统配网领域的过电压识别问题,提出一种基于时频分布特征的配电网暂时过电压分类识别方法.在暂时过电压中,单相金属性接地过电压的三相电压能量分布均匀度最低,间歇性弧光接地零序电压的直流分量最高,铁磁谐振零序电压信号在幅值和频率集中频带上存在很大差异.计算零序电压能量贡献率、零序电压平均值和三相电压奇异谱熵,提取过电压信号的时域能量分布特征;采用局部特征尺度分解(LCD)和Hilbert变换结合带通滤波算法计算零序电压重心频带,提取过电压信号的频域能量分布特征;结合阈值判别法实现暂时过电压类型识别.该方法不需要分类器,算法简单,计算时间少.仿真和实验表明该识别方法在不同故障条件下均有更高的识别率.【期刊名称】《电机与控制学报》【年(卷),期】2018(022)011【总页数】11页(P26-36)【关键词】中性点不接地系统;暂时过电压;能量贡献率;平均值;奇异谱熵;重心频带【作者】金涛;许立彬;高伟;郭谋发;陈永往【作者单位】福州大学电气工程与自动化学院,福州350116;福州大学电气工程与自动化学院,福州350116;福州大学电气工程与自动化学院,福州350116;福州大学电气工程与自动化学院,福州350116;国网福建晋江市供电有限公司,福建泉州362200【正文语种】中文【中图分类】TM730 引言运行经验表明，过电压是影响配电网安全运行的重要因素之一[1-2]。
暂时过电压持续时间较长，易引起设备绝缘损坏，从而引发各类短路故障，危及配电网供电可靠性。
因此，及时检测配电网出现的暂时过电压，准确区分过电压类型，对于配电网灾害预防和故障分析具有重要意义。
国内外普遍采用的过电压识别方法是先提取特征量，再结合支持向量机、极端学习机、径向基核函数(radial basis function, RBF)神经网络等分类算法，得到识别结果。
