基于SOM神经网络的三电平逆变器的故障诊断

针对三电平逆变器的开路故障,采用一种基于小波包变换与自组织映射神经网络(SOM)的故障诊断方法。测量三电平逆变器的上、中、下桥臂电压进行故障模式的分类,桥臂电压经过小波包分解后进行故障特征向量提取,将故障向量作为SOM神经网络的输入进行故障模式识别。仿真和实验表明,该诊断方法对三电平逆变器故障的分类准确且快速,能够降低检修人员的故障识别难度,有效提高诊断效率,对于实现三电平逆变器的在线故障诊断具有广阔的应用前景。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

基于Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

基于小波包熵和马氏距离的级联式变频器故障诊断

针对级联式变频器内部功率管开路故障诊断中,逆变侧功率管开路故障隐蔽性较强、诊断较难的问题,提出了一种基于小波包特征熵的故障信号提取方法。为了提高级联式变频器功率管开路故障的诊断精度,采用马氏距离分类法进行故障诊断。首先,采集某型号级联式变频器在不同工况下的输入侧电流信号;其次,对采集的电流信号作小波包变换,并提取其特征熵向量作为样本数据集;最后,利用马氏距离分类法进行故障诊断。试验结果表明:采用小波包特征熵提取算法,可以有效地提取级联式变频器功率管发生开路故障时的电流信号特征;同时,采用马氏距离分类法,能够较好地对特征熵向量进行分类和识别。2种算法的结合,可以有效诊断级联式变频器功率管开路故障,也为变频器功率管开路故障的诊断提供了新方法。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

果蝇优化算法融合SVM的风机叶片损伤识别研究

为提高风机叶片裂纹损伤和边缘损伤识别的准确率,提出使用果蝇优化(FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号,然后对信号进行小波处理,提取能量特征,根据能量特征信息,建立支持向量机模型,测试其准确率;采用果蝇优化算法优化支持向量机参数,使模型损伤识别更准确,并将优化后模型识别结果与粒子群优化(PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明,使用果蝇优化算法优化后的支持向量机模型的识别精度更高,能够准确地实现对风机叶片损伤的识别。     

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

一种模拟电路的支持向量机故障诊断方法

系统地提出了模拟电路的最小二乘小波支持向量机故障诊断方法。从测试点得到各种故障状态下的输出电压信号，对输出电压信号进行小波去噪，对信号进行小波分解获取多尺度的低频系数和高频系数，并对小波系数进行处理从而提取出故障特征量，以此作为学习样本来训练最小二乘小波支持向量机，确定其模拟电路故障诊断的模型。雷达系统电路仿真结果表明了模拟电路的小波变换和最小二乘小波支持向量机故障诊断方法取得了较好的效果。     

7500吨浮吊齿轮箱故障诊断系统的研究

针对7500吨浮吊齿轮箱故障诊断问题,将离散小波变换和Tikhonov支持向量机结合建立了一个浮吊齿轮箱故障诊断系统。在输入层对振动信号进行离散小波变换,提取不同频带的能量参数作为故障特征向量,利用这些特征向量进行Tikhonov支持向量机的学习,训练后的Tikhonov支持向量机诊断浮吊齿轮箱故障。实验结果表明,离散小波Tikhonov支持向量机具有很强的故障识别性能和鲁棒性,诊断精度优于常规的BP网络方法。     

基于支持向量机的转子系统早期故障诊断方法

转子系统中的振动信号包含了很多状态信息,运行过程中故障特征的有效提取和识别对于转子系统早期故障诊断非常关键。针对转子系统故障信息的复杂性,提出将小波包分析和支持向量机相结合的转子系统早期故障诊断方法。该方法首先利用改进的小波包方法提取早期故障特征;然后将提取的特征向量输入基于支持向量机的分类器进行故障识别。实验分析结果表明,该方法在小样本情况下,能够有效识别转子系统的早期故障,具有很好的分类精度,而且能够实现旋转机械的多故障诊断。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

基于两种NN的CRH3动车组辅助逆变器故障诊断

针对CRH3型动车组辅助逆变器故障特征向量与故障类型之间呈现的是非线性联系的特点，提出一种BP和GRNN算法的辅助逆变器故障诊断方法。在MATLAB/SIMULINK环境下搭建辅助逆变器仿真模型，对辅助逆变器中IGBT开路故障进行仿真，得到不同故障情况下输出电流波形；采用db3小波对电流输出波形进行分解重构，提取能量值和波形比例系数作为故障诊断的特征向量；采用BP和GRNN神经网络算法进行故障识别，分别建立BP神经网络和GRNN故障诊断模型并完成测试。测试结果可提高辅助逆变器故障诊断的效率及精确度，减少因过度维修导致的成本浪费，为动车组检修降本增效提供帮助。     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

基于小波变换和LS-SVM的雷达故障诊断

根据雷达接收机信号特点,提出了将小波变换和最小二乘支持向量机相结合的雷达故障诊断新方法.首先,根据专家经验选取电路中恰当的测试点,运用小波变换对采样数据进行处理和特征提取,然后建立了雷达故障诊断模型.最后再运用最小二乘支持向量机(LS-SVM)的基本原理和分类方法进行故障诊断,并在某型雷达接收机故障诊断中进行了实际应用研究.采样信号先经过小波降噪处理,以减少采样引人的误差,再进行小波分解提取能量系数作为雷达的故障特征向量,经归一化处理后,作为输入向量,经诊断模型输出后完成雷达接收机典型故障的诊断.MATLAB实例仿真结果表明,该方法有很好的分类能力,提高了雷达故障诊断的正确性和效率.     

基于特征融合的提升机逆变器故障诊断

矿井提升机逆变器故障诊断的难点在于提取表征故障的特征,目前主要利用信号处理方法得到故障统计特征,或通过神经网络提取故障深度特征。提升机逆变器在实际工作环境中,受背景噪声和负载变化等因素影响,运用单一的特征提取方法难以获得能有效表征故障的特征,导致提升机逆变器故障诊断准确率低。针对上述问题,提出了一种基于统计特征与深度特征融合的提升机逆变器故障诊断方法。首先,利用希尔伯特-黄变换(HHT)对逆变器输出电流信号进行优化集合经验模态分解(MEEMD),提取故障统计特征,同时利用压缩激励密集连接卷积网络(SE-DenseNet)提取输出电流信号的深度特征;然后,利用局部线性判别分析(LFDA)对2种特征的组合进行融合降维处理,得到统计特征和深度特征的低维融合特征;最后,将低维融合特征输入极限学习机,实现逆变器故障分类。针对提升机逆变器中单个IGBT开路故障进行实验,结果表明,该方法得到的低维融合特征比单一特征的故障表征能力更强,有效提高了故障识别准确率。     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

三类运动想象脑电信号的离线分析研究

为解决运动想象脑电信号(EEG)的多分类问题,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的EEG分类方法,采用NEUROSCAN平台设计实验自测数据,对想象左手握握力器,右手握握力器,右脚踩油门三类运动想象任务进行了分类识别研究。采用FFT和IFFT对信号进行预处理,采用离散小波分析(DWT)提取能量值,并结合小波系数作为组合特征,分类效果明显好于BP和自组织神经网络(SOM)分类器。     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

支持向量机在压缩机气阀故障诊断中的应用

由于结构复杂且缺乏故障样本等原因,往复式压缩机的故障样本及诊断结果存在很强的不确定性。针对典型压缩机气阀振动信号的特点及不同故障机理,研究气阀振动信号的特征参数提取方法。提取工作循环有效值RMS1、气阀关闭段有效值RMS2,以及经两层小波包分解得到的各频带能量比系数E1、E2、E3、E4,组成6维特征向量,并将其作为支持向量机的输入。利用支持向量机适合处理高维数据且在有限样本下具有最优泛化能力的特点,对3种不同气阀状态下的振动信号经时域波形分析和小波包分解后提取的特征参数进行支持向量机学习;建立气阀故障诊断的支持向量机分类模型;利用Libsvm软件包对故障样本进行随机分类测试,并与其他智能诊断方法进行对比。对比结果表明,将支持向量机方法应用于往复式压缩机的气阀故障诊断中具有可行性;在小样本条件下,支持向量机较其他智能诊断方法具有更大的优势。