小波包分形技术在泵机组故障诊断中的应用

针对泵机组振动信号的非线性和非平稳特征,根据小波包和分形理论,引入小波包分形技术对泵机组常见故障类型进行研究。使用盒维数分别计算经过降噪处理的故障信号和对原始信号进行2层小波包分解的4个频带信号,结果表明:250~500 Hz频段状态信号盒维数的区分度最大,最适合作为泵机组的故障特征量;中高频信号的维数值对复合故障和松动故障比较敏感,通过量化中高频信号的维数值,能够有效捕捉到复合故障和松动故障信息。     

分形维数在往复泵泵阀故障诊断中的应用

研究了分形维数的计算方法,并计算出往复泵泵阀正常和故障状态振动信号的分形维数.通过对往复泵的实验表明,设备在不同运行状态下具有不同的分形维数,因此可以将分形维数作为识别往复泵泵阀故障的特征量。     

基于分形盒维数和小波包能量矩的垮落煤岩性状识别

针对综放工作面垮落煤岩性状识别的技术问题,采集了综放开采现场垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于分形盒维数和小波包能量矩的识别方法。该方法结合分形盒维数对非线性信号整体定量描述的特点和小波包能量矩对非线性信号在各频带精细描述的特点,先对振动信号进行分形特征分析,求出其盒维数,然后对振动信号进行小波包变换,并计算各频带的能量矩。以分形盒维数和小波包能量矩构造特征向量,并作为BP神经网络的输入来识别顶煤垮落和顶板岩石垮落两种工况。试验结果表明:分形盒维数和小波包能量矩构造的特征向量可用于识别垮落煤岩,识别率达到95%。     

基于混沌与分形理论的电机故障诊断方法

通过对鼠笼式异步电机故障电流信号的研究,提出了一种基于混沌以及分形理论的电机故障诊断方法。用互信息量确定了信号时间序列相空间重构的最佳延时,并对关联维数、分形维数进行了分析和计算,探讨了故障和正常状态下信号的混沌及分形特性。根据电机定子电流在不同工作情况下的分形维数和关联维数,便可确定电机故障的类型。     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

基于小波包和神经网络的矿用通风机故障预警研究

矿用通风机在长时间的运行过程中,可能存在着多种故障隐患,及时准确地发现其隐患,对于煤矿的安全生产具有极其重要意义。本文提出了基于小波包分解技术和BP神经网络的＂能量-故障＂方法。用小波包分解技术将含有通风机不同故障状态信息的特征向量,从不同的频带提取出来,并作为故障样本输入神经网络,建立BP神经网络模型。利用该模型可对矿用通风机的不同故障状态进行识别。研究结果表明,基于小波包和BP神经网络的故障诊断技术有效地利用了两者的优点,是提取设备故障状态特征,进行故障诊断的有效方法,并利用该方法实现矿用通风机的故障预警。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

小波包分析在采煤机减速器故障诊断中的应用

提出了一种采用小波包理论提取采煤机减速器故障信号的方法。利用小波包变换对减速器振动信号进行分解、重构及能量计算,有效地提取出采煤机减速器故障特征信号,从而获得故障的信息。仿真研究结果表明,基于小波包能量法的故障诊断方法能够有效地提取出采煤机减速器故障的频率信息。     

基于分形理论的滑动轴承故障诊断研究

针对滑动轴承异常振动时振动信号的无规则特性和分形维数对时域振动信号的敏感性,将分形理论应用于风机滑动轴承故障诊断,分析了不同程度的接触摩擦状态与分形维数关系,揭示了接触摩擦越严重分形维数越大的规律,将其应用于故障诊断,取得了良好的效果,为滑动轴承故障诊断提出了一种新方法。研究表明:将该方法应用于矿山机械故障诊断领域具有重要的现实意义。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于小波包和EM聚类的采煤机齿轮故障诊断

针对采煤机齿轮故障振动信号难以准确获取故障特征的问题,提出了一种利用小波包结合高斯混合EM聚类的齿轮故障诊断方法。首先对故障信号进行小波包分解和重构,得到其高频率尺度下的能量值,然后以此作为故障样本属性,结合高斯混合EM聚类算法建立故障模型数据库,最后将实时信号与故障库对比进行分类诊断。实验仿真结果表明,该方法对齿轮的几种典型故障表现出了良好的诊断能力,且可以实现采煤机不停机在线诊断,对提高采煤机故障诊断智能化水平具有较高的参考价值。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于小波分形理论的轮式装载机运行状态检测技术研究

基于小波阈值方法对装载机实测信号进行降噪处理,并以关联维数作为描述装载机运行状态的特征量。通过对小波类型、分解层数以及小波阈值函数对信号降噪效果的分析,建立起实测信号的小波降噪方法,然后采用关联维数对运行状态特性进行提取,有效提高了运行状态检测的准确性。     

基于KPCA-BP网络模型的滚动轴承故障诊断方法研究

针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于混沌及分形理论的异步电动机断条故障诊断方法研究

提出一种基于混沌及分形理论的鼠笼式异步电动机转子断条故障辨识方法。重构信号时间序列的相空间以及计算关联维数和分形维数,探讨了故障和正常状态下的信号混沌及分形特性。用互信息量的方法计算了重构空间的最佳延时,同时根据互信息量关系图对故障断条数量进行了有效辨识。研究表明,该方法具有较好的故障诊断效果。