为了优化能源结构，清洁低碳的可再生能源的规模持续扩大。由于拥有丰富的水力资源，加上水电能源具有转换效率高、水电机组运行灵活的优势，我国的水电事业蓬勃发展。水电机组的巨型化和复杂化对其安全稳定性提出了更高的要求，因为这关乎电厂安全及整个电力系统的运行可靠性。研究表明，通过振动信号的分析来充分挖掘水电机组的故障特征，可对80%左右的潜在安全问题实现早期预警和防范。随着在线监测技术的不断发展及信息化程度的提高，越来越多的电站配备了监测系统并累积了大量的振动信息，这为故障特征提取奠定了数据基础。因此，在机组故障征兆不明显、特征信息微弱时，如何通过振动信号快速、准确地提取处于早期阶段的微弱故障特征，是本文研究的重点内容。为了准确地提取水电机组振动信号的特征，本文提出了基于改进HHT算法的水电机组振动信号特征提取方法，具体内容包括：
　　(1)分析水电机组振动信号的特点。水电机组是一个复杂的非线性动力学系统。通过对水电机组振源、故障诱因的分析可知，状态监测系统采集到的振动信号受到机械、电磁和水力等多重因素的耦合激励，加上强背景噪声的影响，往往呈现出较强的非线性非平稳特性和多频混叠现象。
　　(2)针对水电机组振动信号的具体特点，选择了具有优异自适应性的HHT算法作为信号分析的基础，并就其存在的问题提出了相应的改进方法。HHT算法包括EMD方法和希尔伯特变换两个关键步骤。对于EMD方法的端点效应问题，提出了兼顾准确性和运算效率的基于ESN延拓与HMM修正的端点效应处理方法。对于EMD方法的模态混叠问题，提出了能够有效解决密集模态混叠与异常事件模态混叠的FM-CEEMDAN方法。对于解调时可能产生负频率的问题，采用正则化希尔伯特变换代替希尔伯特变换。
　　(3)利用改进的EMD算法对振动信号进行自适应分解获得一系列本征模态函数，引入循环频谱相干系数对同振源的相关分量进行合并，避免了误筛和减少有效组分的能量损失，然后提出了由自相关参数和能量波动系数两个参数构成的IMF价值，用以区分噪声分量、虚假分量与有效分量，最后运用正则化的希尔伯特变换对筛选出的分量进行解调，从而获得准确的时频特征。
　　在前述工作的基础上，分别通过仿真信号和实测水电机组振动信号对提出方法的有效性进行验证，结果表明，提出的改进HHT算法的分析方法适用于水电机组振动信号的特征提取，能够准确获取原信号中的时频特征。