EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究

为了准确实现电磁斥力机构真空断路器的故障诊断,针对电磁斥力机构真空断路器分闸振动信号,在正常状态、单一故障状态、多个故障共存状态下,通过小波包分解、希尔伯特-黄变换(HHT)提取振动信号能量熵向量,结合特征提取方法原理分析了两种方法提取特征量的有效性,提出了主成分分析(PCA)—支持向量机(SVM)优化模型进行故障诊断,并验证了网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)3种参数寻优算法的性能。经实验测试,PCA-SVM优化模型解决了因样本特征信息存在噪声和冗余而引起的SVM识别准确率下降的问题,有效提升了测试样本的识别准确率和模型效率,具有较好的诊断效果。     

基于EMD与SVD的齿轮箱分形诊断方法研究

提出了一种基于经验模态分解(EMD)与奇异值分解(SVD)的机械振动系统故障分形诊断方法。该方法首先将EMD和SVD相结合,对信号进行分解和特征筛选,通过重组所得轨道矩阵,实现对机械系统振动信号不同特征信息的提取。然后利用Kolmogorov熵、多重分形等动力学分析方法,对降噪振动信号进行分形诊断。在直齿轮减速箱故障识别中的应用表明,该方法不仅有效提取出了系统的特征信息,而且可实现对系统状态和细微故障差别的有效识别,并可给出定量判据。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

一种利用融合相关谱的异步电机故障诊断方法

为提高异步电机故障诊断的可靠性,针对故障特征频谱分量小信号、多成分、难识别的问题,提出一种异步电机融合相关谱故障诊断方法.该方法基于多源信息融合的思想,采用电机定子电流和振动信号的融合相关谱特征作为转子断条及定子匝间短路故障的诊断依据.通过将含有相同故障频率分量的特征信号作融合相关分析,建立不同信号间的相关关系,能够有效抑制单一信号频谱中与故障识别不相关的频谱分量,使得电机故障特征频率分量更加突出,降低故障识别难度.通过仿真分析,揭示了融合相关谱特征频率与电机故障类型的对应关系,实现了转子断条及定子匝间短路故障的快速诊断,并与单一信号频谱分析进行对比,验证了该方法的有效性和实用性,对于异步电机运行状态的准确监测具有重要意义.     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

基于多模态堆叠自动编码器的感应电机故障诊断

针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE)。该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断,为融合多传感器信息的设备故障诊断提供了新思路。实验证明,与使用单一传感器信息的堆叠自动编码器模型、具有同样隐藏层结构的多层感知机以及使用手动提取特征的支持向量机相比,提出模型具有最高的诊断准确率(94.84%),并在振动信号被噪声损坏的情况下展现了良好的适应性。因此该方法可用于多传感器融合的感应电机故障诊断。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

基于VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障.该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断.结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性.     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。     

基于LMD的全矢包络技术及其在TRT振动故障诊断中的应用

为了更加准确地提取高炉煤气余压透平发电机组(TRT)振动故障信息,提出了基于局部均值分解(LMD)的全矢包络技术。该方法采集TRT转子某一截面上互相垂直的2个振动信号,利用LMD分别将2个信号分解为若干乘积函数(PF)分量。对2个信号的PF分量的包络函数分别进行融合,得到全矢包络谱,利用其对TRT进行故障诊断。仿真和实际算例分析结果表明,较之单源信息分析方法,所提方法获取的故障特征更全面、准确。     

基于多传感信息融合的电力变压器绕组故障诊断方法

传统电力变压器绕组故障诊断方法直接对变压器绕组故障进行诊断,未对振动信号进行特征提取,造成诊断精准度低。为此,提出基于多传感信息融合的电力变压器绕组故障诊断方法。在故障诊断之前采集绕组振动信号,在采集绕组振动信号的基础上,重点对变压器绕组振动特征进行提取,通过提取的特征利用多传感信息融合算法对变压器绕组变形故障进行故障诊断。设计对比实验,实验结果证明该方法在不同数据预处理下的故障诊断精准度高于传统方法,有一定的研究价值。     

基于ReliefF特征量优化及BP神经网络识别的高压隔离开关故障类型与位置诊断方法

针对高压隔离开关机械故障的类型和发生位置难以有效识别的问题,提出了一种将隔离开关多路振动特征利用Relief F算法进行优化然后利用BP神经网络进行融合决策的故障诊断方法。首先进行试验模拟故障,在隔离开关本体和操动机构上分布式安装振动传感器,采集不同位置振动信号;然后将多个传感器采集的振动信号进行经验模态分解,得到固有模态函数,分别计算能量距,并把多路信号的能量距进行融合。最后使用Relief F算法对其进行特征筛选,构成BP神经网络的输入特征向量,从而实现故障类型、位置诊断。试验结果表明,多路传感器融合特征向量相比于单路信号提取的特征,对隔离开关不同的故障具有较好的识别能力,可诊断出故障发生的种类及位置,提高了诊断准确率。     

基于D-S证据理论的感应电动机转子故障诊断方法研究

提出运用D-S(Dempster-Shafer)证据理论对感应电动机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子电流信号进行小波包分解,建立了转子断条故障的特征矢量,提取转子断条故障的特征信息,利用BP神经网络对其识别的结果形成彼此独立的证据,并根据D-S证据融合规则进行融合处理,以实现对电动机转子断条故障的准确识别.实验结果表明,该方法克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,提高了故障诊断的判决精度,可实现转子断条故障的可靠诊断.     

基于多尺度特征提取与KPCA的轴承故障诊断

针对滚动轴承故障信号特征难以提取导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析(KPCA)的轴承故障诊断模型。该模型首先利用固有时间尺度分解(ITD)将振动信号分解成若干个固有旋转(PR)分量,其次根据相关系数准则筛选固有旋转分量,然后求取固有旋转分量在多个尺度上的时域特征,最后利用核主成分分析将得到的多尺度特征进行融合,并用融合后的特征向量建立极限学习机(ELM)故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,具有度量时间序列在不同尺度因子下复杂性的优点。     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法.首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号.然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小.由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合.最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障.仿真和试验结果证明了所提方法的可行性和有效性.     

基于数据融合的滚动轴承故障诊断研究

信息融合方法应用到滚动轴承故障诊断之中,能有效地利用传感器资源最大限度地获取旋转机械中有关被测对象的状态信息.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.