搜索资源列表
27
- 齿轮发生裂纹故障时其振动信号会产生调制现象,包括幅值调制和频率(相位)调制两部分。目前调幅信号的解调分析已经比较成熟,但对于调频信号的解调方法研究还不够完善。全面系统介绍了近年来处理调频信号 中最常用的希尔伯特相位解调和循环平稳解调两种方法-Gear crack fault occurs when the vibration signal will produce modulation phenomenon, including the two parts of the modulation
zuizhong1
- HHT算法实现emd分解，及希尔伯特黄变换，实现瞬时频率瞬时幅值，边际谱的提取。-The HHT algorithm emd decomposition and Hilbert-Huang transform to achieve the instantaneous amplitude of the instantaneous frequency marginal spectrum extraction.
119
- 根据希尔伯特- 黄模态分解的特点, 结合 ST A / LT A 算法自动识别信号模态与噪音 模态, 提 出了基于 HHT的模态分解-ST A / LTA 的地震信号自动去噪算法-According to Hilbert- Huang mode decomposition characteristics, combined with ST A/LT A algorithm for automatic identification signal and noise modal modal prop
1
- 基于HHT变换的电机故障诊断研究_周粉利 硕士研究生论文。。希尔伯特黄变换应用-Motor fault diagnosis based on research on HHT _ Zhou Li powder graduate thesis. . Hilbert-Huang Transform
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
energy-leakage--dual-tree
- 首先根据高斯白噪声频率充满整个频带的特性，通过双树复小波包变换对高斯白噪声进行分解，利用频带能量泄漏的定量分析方法，验证了双树复小波包变换具有较低的频带能量泄漏特性；其次利用双树复小波包变换逐层分解信号，对每层分解所得分量求其FFT谱的峭度，得到基于双树复小波包变换的谱峭度图，根据图中峭度最大的原则，可以自动准确的选择信号分解最佳层数和最佳分量；最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中，对齿轮故障振动信号进行分析，选择最佳分解层数和分量后利用希尔伯特包络解调，有效准确地
6-Instantaneous-Frequency
- 分解后的一些希尔伯特黄变换，边际谱，瞬时能量，瞬时频率。。。很好的，值得一看-Some decomposed Hilbert-Huang transform, marginal spectrum, instantaneous energy, instantaneous frequency. . . Good, worth a visit. .
基于改进的希尔伯特振动分解的机械故障诊断方法研究
- 针对多分量机械故障振动信号的特征提取问题，介绍一种基于希尔伯特振动分解( HVD) 的时频分析方法。该方法首先利用 Hilbert 变换得到原始振动信号的解析信号，然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率，同时经同步检测获得相应的瞬时幅值和初相位，最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对 HVD 方法的边界效应问题，提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。 通过两组仿真信号分析验证了 HVD 方法对多分量非平稳信号的分解能力，同时
基于希尔伯特黄熵的麻醉深度估计
- 麻醉深度监测是外科手术中必不可少的步骤之一。 目前已经提出多种监测麻醉深度的脑电信号分析方 法, 尤其熵方法得到了广泛的关注。 提出一种新的麻醉深度监测方法-希尔伯特黄熵, 先用经验模态分解—希尔 伯特黄变换处理脑电信号获取希尔伯特黄边际谱, 再根据香农熵定义得到希尔伯特黄熵。 对 19 个接受吸入药物 七氟醚麻醉的病人脑电信号的希尔伯特黄熵和时频均衡谱熵进行计算、测试和比较, 结果表明:希尔伯特黄熵能够 更准确的区分麻醉和清醒状态, 更适合于麻醉深度监测。