矿用栓接电缆接头松动故障识别方法研究

利用自研的实验平台开展了不同松动程度、负载电流和负载类型条件下的电缆接头松动故障实验,研究了不同条件下栓接电缆接头的温度特性、接触电压和回路电流特性。提出1种基于小波能量熵和概率神经网络(PNN)的松动故障识别方法。采用小波变换对电流信号进行多分辨率分析,提取电流能量熵作为松动故障的典型特征,作为PNN松动故障识别模型的输入向量。利用newpnn函数创建PNN模型,采用循环寻优法对该模型的扩展参数S进行优化。分析了训练样本数量以及高频电磁噪声对模型识别准确率的影响。测试结果表明,该方法能够有效识别矿用栓接电缆接头的电连接松动故障。     

基于WVD和OEW算法识别矿用栓接电缆电连接松动故障

为深入研究栓接电缆电连接松动故障的典型特征,实现故障识别,以铜-铜电缆接头作为研究对象,利用电缆接头松动故障实验平台开展了不同电流、不同松动程度条件下的松动故障实验。提出了基于Wigner-Ville(WVD)及客观熵权（OEW）的松动故障识别方法。运用WVD对回路电流进行变换,使其具有联合时频特征,然后提取该信号的时间边缘和频率边缘,进而计算回路电流的平均能量和基频能量。以回路电流的极差、平均能量、基频能量作为故障特征参数,采用OEW算法确定特征参数的权值,并构造加权规范化矩阵,结合最优距离准则（ODC）和硬判决规则识别松动故障。实验表明,该方法能够有效识别栓接电缆的电连接松动故障。     

矿井供电系统串联型故障电弧仿真分析及诊断方法

因接触不良或机械损伤,煤矿供电系统会产生串联型故障电弧,串联型故障电弧是引发煤矿电气火灾的原因之一,目前缺少有效的检测手段,影响了井下的供电安全。井下可能存在瓦斯和煤尘等易燃易爆物质,不宜开展串联型故障电弧实验,无法获得大量故障电弧电流样本,加大了井下串联型故障电弧诊断工作的难度。为研究矿井供电系统串联型故障电弧的典型特征及诊断方法,论文首先在Mayr-Schwarz电弧数学模型的基础上,建立了矿井供电系统串联型故障电弧仿真模型,并结合实验结果对仿真模型的性能进行了评估;然后对矿井供电系统的采煤系统、胶带输送系统、泵房排水系统、照明系统的串联型故障电弧、过电压、单相接地、两相接地短路、两相短路、三相短路电气故障进行仿真分析、特征分析,以电流信号的过零点数、峰峰值、方差、峭度系数、裕度因子、谐波畸变率、单边功率谱频率方差、小波包系数能量熵、小波包系数峰峰值为特征量,建立了矿井供电系统串联型故障电弧特征参数数据库;最后综合比较决策树、K近邻、Bagged trees多分类模式识别方法在故障电弧诊断、选相及抗负载电流波动扰动、抗背景噪声扰动方面的性能,提出了K近邻矿井供电系统串联型故障电弧诊断方法。结果表明,建立的串联型故障电弧仿真模型能够用于仿真分析矿井供电系统串联型故障电弧,所建立的特征参数数据库能够反映矿井供电系统串联型故障电弧的典型特征,提出的K近邻串联型故障电弧诊断方法可用于矿井供电系统串联型故障电弧诊断及选相。     

基于WPSV和BPNN的煤岩识别方法研究

为解决综采工作面无人开采和采煤机滚筒自动调高的实际工程问题,提出了基于小波包奇异值(WPSV)和BP神经网络(BPNN)的煤岩界面识别新方法。利用WPSV构建特征向量,再与BPNN结合进行煤岩界面自动识别。首先使用传感器采集采煤机滚筒截割煤岩的扭矩信号,对扭矩信号进行小波包变换(WPT),获取信号的小波包分解系数,得到小波包分解系数重构信号矩阵;然后并对该矩阵进行奇异值分解(SVD),获取主要WPSV,构建奇异值特征向量;最后将该特征向量输入BPNN中进行煤岩界面自动识别,并与传统方法进行了对比,结果表明:该方法具有更高的准确率,能有效地判断采煤机滚筒的工作状态。     

基于匹配追踪和SVM的滚动轴承故障诊断

针对滚动轴承的噪声信号问题提出了一种基于匹配追踪(MP)的降噪算法。该算法对信号进行最佳匹配,提取特征信息实现信号降噪。在滚动轴承故障识别中,利用内禀模态奇异值分解(SVD)提取特征向量,运用支持向量机(SVM)进行分类判别。实验结果表明,所提方法可以有效提高信噪比,对滚动轴承故障进行准确的状态识别。     

钢绳芯输送带的磁记忆信号特征提取方法研究

利用金属磁记忆(MMM)技术进行故障检测时,较弱的故障信号提取成为检测准确度高低的关键。采用小波分析和奇异值分解相结合的方法,对金属磁记忆信号经行故障特征提取。通过小波分析将故障信号分解为不同尺度的分量,以形成初始向量特征矩阵,并对该矩阵进行奇异值分解,选择代表特征信号的奇异值分量重构,从而实现对故障信号的特征提取。经过实验证明该方法有效。     

基于IITD和奇异值差分谱的滚动轴承故障诊断

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法 (Improve Intrinsic Time-scale Decomposition,简称IITD),将该方法与奇异值差分谱相结合,实现了滚动轴承故障的精确诊断。首先通过IITD方法将非平稳的原始加速度振动信号分解成若干个平稳的固有旋转分量(Proper Rotation Component,简称PRC);然后挑选包含故障特征信息最丰富的PR分量作为主PR分量;构造主PR分量的Hankel矩阵并进行奇异值分解,得到相应的奇异值差分谱,选择奇异值差分谱中的最大突变点来确定重构信号的奇异值个数,进而得到降噪后的主PR分量;最后对降噪后的主PR分量进行包络解调分析,提取滚动轴承的故障特征。实例分析表明,相比传统包络谱分析和基于经验模态分解和奇异值差分谱的方法,该方法能更有效地提取出滚动轴承的故障特征。     

基于WPD-SVD的矿山微震信号特征提取及分类方法

为减少人工识别矿山微震事件的工作量,提出了基于小波包分解(WPD)和奇异值分解(SVD)提取微震信号特征的方法。首先对爆破震动、岩体破裂、机械干扰和电干扰等4种信号进行4层小波包分解,再利用奇异值分解计算第4层节点上小波包系数构成矩阵得到奇异值。以奇异值为特征值,建立16维特征向量,利用支持向量机(SVM)对400组矿山现场微震信号进行了训练和分类。研究结果表明:与爆破震动、岩体破裂和电干扰信号相比,机械干扰信号的奇异值的差异性最大;SVM的分类正确率达到94.5%,取得了理想的分类效果。     

基于主成分分析的故障电动机异常点搜索方法

运用主成分分析法,经过矩阵变换、降低维数以及提取故障信息的主要特征,实现对故障电动机转子三相定子电流的特征提取。使用Matlab 8.3对实验所得的三相定子电流数据进行处理,得到完好电动机、转子断条故障电动机和气隙偏心故障电动机的主成分分析结果,为鼠笼异步电动机的故障诊断提供了一种有效的分析方法及相关故障样本。     

基于级联奇异值分解和Hilbert变换的滚动轴承故障诊断

针对Hilbert变换包络解调法在强噪声影响下不能有效提取轴承故障信息的问题,研究了级联奇异值分解降噪的方法,并采用简便方法对重构矩阵的时间延迟和奇异值降噪阶次进行选择。应用结合后的方法分析含故障信息的滚动轴承实验信号,结果表明该方法能有效降低噪声并突显故障特征频率。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

含分布式电源的配电网接地故障自动检测方法

分布式电源发生故障时的零序电流极其微弱,不易被察觉,基于此,提出一种含分布式电源的配电网接地故障自动检测方法。利用S变换算法将配电网接地信号转换为复时频矩阵,提取其中信息量作为故障信号特征;计算配电网中每条线路的暂态信号真有效值,比较参考线路与其他线路间极性,找出故障线路;比较3条线路间的暂态能量比值是否大于1,如果大于1,说明线路出现了母线故障。经仿真实验验证,所提方法不受配电网中分布式电源的容量影响,可有效检测出隐藏的接地故障线路。     

改进离散S变换算法及其在槽波信号提取中的应用研究

采用调整离散频率域高斯窗函数离散变量取值的方法对传统离散S变换算法进行改进。通过对比分析传统和改进两种离散S变换算法的槽波地震数据时频谱,验证了改进离散S变换算法保持了离散频率域高斯窗函数的对称性,实现了负频率时频谱不再失真并与正频率时频谱对称的效果。对比分析数值模拟槽波地震数据和实测槽波地震数据的两种离散S变换槽波信号提取的应用效果,表明相对于传统离散S变换,改进离散S变换时频谱中槽波信号在时频域的分布与原槽波信号在时频域的实际分布较为一致,对改进离散S变换时频谱进行槽波信号时频域滤波和反S变换可以实现对槽波信号的保幅提取。     

Feature extraction of induction motor stator fault based on particle swarm optimization and wavelet packet

To effectively extract the interturn short circuit fault features of induction motor from stator current signal, a novel feature extraction method based on the bare-bones particle swarm optimization (BBPSO) algorithm and wavelet packet was proposed. First, according to the maximum inner product between the current signal and the cosine basis functions, this method could precisely estimate the waveform parameters of the fundamental component using the powerful global search capability of the BBPSO, which can eliminate the fundamental component and not affect other harmonic components. Then, the harmonic components of residual current signal were decomposed to a series of frequency bands by wavelet packet to extract the interturn circuit fault features of the induction motor. Finally, the results of simulation and laboratory tests demonstrated the effectiveness of the proposed method.     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

基于机器学习算法的煤矿汽车机械设备故障诊断模型

研究基于机器学习算法的煤矿汽车机械设备故障诊断模型,提升故障诊断抗干扰能力,有效保障煤矿汽车机械设备安全稳定运行。采用判别结构描述功能较强、拥有全局资源描述功能的、基于低秩鉴别投影的特征提取算法,提取衡量煤矿汽车机械设备故障时域特征和时频特征的最优投影矩阵的列向量;设计了墨西哥草帽函数改进ART神经网络学习算法,并逐渐削弱幂函数,改善收敛、聚类效果,将最优投影矩阵的列向量作为改进ART神经网络的输入,经过两阶段学习训练后,实现了对煤矿机械设备的故障诊断。实验结果也验证了该模型的泛化错误少、识别率可达96%,故障诊断精度高且拥有较好的抗噪声能力。     

顶煤放落过程煤矸声信号特征提取与分类方法

针对综放工作面煤矸智能识别问题,设计了能感应尾梁动作并自动触发数据采集的放煤声信号采集装置,在山东能源古城煤矿3106综放工作面采集现场数据并进行人工标注,构建了放顶煤声信号分类样本库。研究了6种常用机器学习分类方法在时域、频域和时频域中的特征,以及在不同帧长、不同特征向量维度下的分类效果。结果表明:在不同帧长下,基于时频域特征的分类效果最稳定、准确率最高,随机森林、K近邻、决策树、多层感知器模型分类准确率均达到80 % 以上,其中基于小波包分解与随机森林算法的分类器性能最好,分类准确率为93.06 %。维度较高的时频域特征向量之间存在相关性,降维可以提取少量的综合特征并降低系统的运算量,利用主成分分析法将时频域特征向量降维至20后,分类准确率进一步提高至94.51 %。