基于小波包的异步电动机故障分析

小波包分析是一种能有效进行时一频定位和微弱信号提取的方法,它对信号具有最优降噪处理能力。采用小波包分析法来提取异步电动机振动信号的故障特征,并将电机故障信号和正常信号的特征频段能量进行对比,给出定量对比的结果,充分说明故障与无故障之间存在明显差异,从而实现异步电动机的故障诊断。实例证明该方法正确有效。     

基于小波重构的异步电动机故障诊断

选用Daubechies小波作为小波基 ,对异步电动机鼠笼转子故障电流信号进行多尺度分析 ,将小波变换后取得的变换系数进行单支重构 ,取得了各频率分支上的时间信号。从高频分支上能够清楚辨识出异步电动机鼠笼转子故障时所不同于正常情况下的电流特性 ,实现了异步电动机鼠笼转子故障的小波诊断。     

基于小波包能量熵和BP神经网络的孤岛检测法

非计划性孤岛会对电网造成严重的冲击以及人身伤害,实现孤岛检测必须准确快速。针对目前的基于信号处理的孤岛检测技术,提出了小波包能量熵和BP神经网络的孤岛检测法。通过小波包变换分解重构公共点电压与逆变器输出电流,得到重构序列,对其进行熵运算,得到更稳定,且更具有代表性的特征向量,可以更有效地区分孤岛发生前后的能量分布。通过BP神经网络对孤岛进行判断,实现了孤岛检测。通过MATLAB/Simulink仿真,表明了此方法的有效性,并且响应速度非常快,未引入扰动,故不会产生电能质量的问题,其稳定性高,检测盲区小。     

基于小波包变换和神经网络的逆变器故障诊断

本文提出了一种基于小波包变换和神经网络的PWM逆变器故障诊断方法。利用小波包分解的分频特性对逆变器机侧电流信号进行小波包分解,求得故障特征频率相应子频带的信号能量值,将此作为神经网络的输入,通过对神经网络的训练,确定网络参数,对故障数据的分析,达到故障诊断的目的。仿真结果表明该方法的有效性。     

基于小波包的异步电动机故障分析

小波包分析是一种能有效进行时-频定位和微弱信号提取的方法,它对信号具有最优降噪处理能力。采用小波包分析法来提取异步电动机振动信号的故障特征,并将电机故障信号和正常信号的特征频段能量进行对比,给出定量对比的结果,充分说明故障与无故障之间存在明显差异,从而实现异步电动机的故障诊断。实例证明该方法正确有效。     

基于小波神经网络的电机故障诊断研究

提出了用小波神经网络对电机进行故障诊断的方法。利用小波神经网络对任意函数或信号具有有效的逼近功能的这一特点,对异步电动机故障进行有效的诊断与监控。通过实例仿真验证了基于小波神经网络的电机故障诊断方法,并与BP神经网络比较,进一步说明小波神经网络在故障诊断中的优越性。     

小波包特征熵神经网络在尾水管故障诊断中的应用

为精确诊断水轮机尾水管涡带，该文提出一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的尾水管压力脉动信号进行三层小波包分解，提取小波包特征熵，然后构造信号的小波包特征熵向量，并以此向量作为故障样本对三层BP神经网络进行训练，实现智能化故障诊断。试验结果表明训练成功的BP网络能够很好地诊断机组尾水管是否发生涡带以及涡带的严重程度，为水轮机故障诊断开辟新的途径。     

基于变结构神经网络最大值算法的高压异步电动机故障诊断研究

分析神经网络反向传播算法的缺点,提出一种变结构神经网络最大值算法,并将该算法用于高压异步电动机的故障诊断。实验结果表明：网络收敛速度加快,故障识别率提高,能够实现高压电动机常见故障的自动诊断,实现高压电动机的智能化综合保护。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于RPROP神经网络算法的异步电动机故障诊断

为了更快、更精确地识别异步电动机的各种故障类型,克服BP神经网络存在的局部极小值和收敛速度慢等问题,提出了一种改进的BP算法——RPROP（Resilient PROPagation）神经网络算法。在介绍RPROP算法的基础上,建立了基于RPROP算法的异步电动机故障诊断模型,对异步电动机的定子匝间短路、转子断条、转子偏心和轴承4种故障进行识别和诊断。实验结果表明,该方法对异步电动机的故障诊断是有效的。     

基于BP神经网络的舰船电机故障诊断

为了准确判断舰船电机故障类型,找到故障原因,建立基于BP神经网络的舰船电机故障诊断模型,收集故障样本数据.运用MATLAB软件进行仿真,以实例进行检测.检测结果表明,构建的模型准确可靠,可以模拟电工人员对舰船电机故障作出正确诊断,验证了BP神经网络的优越性和可行性.     

小波包与神经网络在电机故障诊断中的应用研究

文章对电机的故障特点进行分析,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,结合小波包的能量特性,提出了故障信号在不同分解频段的能量特征概念及算法,并将其与BP神经网络相结合,提出了一种新的电机故障诊断方法,实验结果证实了该方法的正确性和有效性。     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

基于小波包能量法及神经网络的电力电子装置故障诊断

故障特征提取和识别方法的研究对发展和完善电力电子装置的智能故障诊断技术有着重要的作用。应用小波包能量法提取出电力电子装置在各种状态下电压及电流信号的能量特征向量,并将它们进行数据融合作为神经元网络故障分类器的输入向量,由神经元网络故障分类器对各种故障进行识别和诊断。以电力电子整流装置主电路故障为例进行了仿真实验,试验结果表明该方法无需数学模型就能快速准确的完成故障定位诊断。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于模糊神经网络的异步电动机故障诊断研究

在对当前的检测方法与故障诊断手段研究的基础上,提出了基于模糊神经网络的故障诊断方法。该方法利用改进的BP算法,提高了学习速率,增强了稳定性。同时,针对异步电动机常见的故障特点,运用该诊断模型,对异步电动机故障进行了诊断。仿真结果表明：它具有准确度高,诊断速度快等优点,是一种较实用的故障诊断方法。     

小波包在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,利用在时频两域都具有表征信号特征能力的小波,对采集来的电机振动信号进行小波包分解。利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型。