三峡船闸人字门连门轴故障诊断的小波包分析

根据船闸人字门及启闭机故障引起的闸门振动信号具有随机性和非平稳性的特点,经检修已知人字门连门轴磨损故障,采集船闸检修前后的闸门振动信号,提出利用小波包分析技术进行故障诊断的方法。即,利用小波包对信号进行分解和重构,计算各频带信号能量分布,经分析能量集中频带信号的时频特性后,发现信号故障主要分布在低频部份,证明了利用小波包分析技术进行船闸人字门及启闭机故障诊断是有效可行的。其方法可为同类事故诊断参考。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

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。     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪，提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化，提取关系型征兆;然后将这2种特征组合，形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有一定的可行性和有效性。     

基于小波包-神经网络的尾水管故障诊断

尾水管水压脉动信号中包含与涡带紧密相关的低频信息。偏心涡带是引起尾水管振动故障的主要根源。傅立叶变换很难提取涡带的低频特征，为此采用小波包与神经网络相结合的方法，对尾水管信号进行小波包多层分解，以提取信号的特征信息，然后输入神经网络进行故障诊断。试验表明：该法能利用小波包时频局部聚焦分析能力和神经网络的自适应能力，对尾水管振动故障进行有效诊断。     

水流脉动压力的小波分析研究

利用小波分析对试验所测得的水垫塘边坡脉动压力信号进行小波包的完全分解。对分解所得的各个频段的信号的方差进行统计分析。结果表明，分解前后信号的能量是守恒的，脉动能集中在低频段，其分布规律与用傅里叶变换计算的功率谱一致。水垫塘较低高程处脉动压力具有较大的能量，该处旋涡的尺寸相对较大，测点间存在较大的相关性；在较高处测点间相关性不大，旋涡尺寸相对较小。     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

水电机组振动信号小波去噪参数优选方法研究

水轮机组振动信号在采集、传输和处理过程中不可避免地会引入噪声,要进一步处理信号必须进行去噪处理.小波去噪过程中小波和分解层数对去噪效果有很大影响,通常都按经验选取.本文提出一种针对具体水轮机组振动信号去噪时选择最优小波基和分解层数的方法.最终确定采用Db4小波分解5层对某机组上机架振动信号进行去噪,取得了良好的效果,分析得到最终去除的噪声为白噪声.     

水力机组振动监测与故障诊断

针对水力机组运行过程中因振 动而引起故障并造成经济损失这一问题，开发了一套新型的振动监测及故障诊断系统，它以 工业PC 机为主体，与摆度、振动传感器及有关功能模块和信号预处理器共同组成机组振动 在线监测分析系统。利用该系统对机组振动的周期性监测，能够在线监测机组缺陷的缓慢变 化过程，为视情检修提供良好的依据，同时也为机组运行调度提供可靠的信息。介绍了该系 统的硬件及软件组成、原理及功能，并结合实例运用小波分析与傅里叶分析相结合的信号分 析方法，对机组故障进行了分析诊断，找出了故障原因。     

为傅里叶级数引进座标系集合的概念并应用于数字滤波

作为傅里叶积分特例的傅里叶级数是分析连续性周期信号行之有效的古典方法。为在计算机上做傅里叶级数的分解，需要对连续信号进行抽样， 然后按离散傅里叶级数进行分解。本文第一次为傅里叶级数引进座标系集合的概念，为傅里叶级数建立明确的空间旋转向量集合的物理概念。它有助于在离散数据系统中对傅里叶级数加以合理的和灵活的运用。文中给出了座标集合的定义，各座标量的求法及有关座标系变换的四个定理等内容，并举例说明它们在数字滤波中应用。     

基于经验模态分解的局部放电去噪方法

在简单介绍经验模态分解（EMD）的基础之上，将经验模态分解用于局部放电的信号分析。根据含噪声信号分解后固有模态函数（IMF）的统计特征，提出了一种基于向量阈值的新去噪算法，相比于常规的小波去噪算法，该算法具有形式简单、应用方便灵活、不受傅里叶变换及小波函数选择的限制等特点。实际处理结果及与小波的对比表明，新算法可以有效地抑制白噪声，取得和小波变换几乎一致的效果。     

小波包分析及高斯混合模型在汽轮机振动故障诊断中的应用

提出一种利用高斯混合模型对汽轮机振动故障进行诊断的方法。原始的汽轮机振动故障信号用小波包进行分解重构滤波,提取振动信号特征量,然后用特征量来建立高斯混合模型。用每种故障状态的几组数据作训练数据,对每种故障状态建立一个识别元,识别元的参数用EM算法求解最大似然估计,最终将待识别故障数据输入每个识别元,找到最大概率的识别元所对应的故障即为诊断的最后结果。     

汽轮机转子振动故障非线性诊断研究

针对汽轮机转子振动故障的特点,根据Bently实验台所采集的4种典型汽轮机转子振动故障数据,运用分形盒维数、ARMA自谱函数、ARMA模型的二维双隐层神经网络和小波包分析方法研究了振动故障的非线性特征,进行故障诊断。诊断结果表明:不同故障盒维数不同,采用盒维数能够较好的对故障类型进行判别;各种故障的自谱函数幅值分布在不同的频段,有较好地区分度;采用ARMA模型的二维双隐层神经网络进行故障诊断,可以得到各种故障检验样本与目标函数在欧氏空间的最小距离,有较高的故障辨识力;运用小波包分析方法,可以获得汽轮机转子振动的故障状况,根据不同故障发生时的频谱特征,识别出不同的故障。     

小波变换在电力系统故障信号分析中的应用

正确检测电力系统故障信号对提高电力系统稳定性具有非常重要的意义。通过简要介绍小波变换应用在信号奇异性检测方面的基本原理，提出了基于小波变换的电力系统故障信号分析方法。该方法既充分利用了小波变换在故障信号分析中的优点，又克服了传统傅里叶变换分析方法的不足，并通过实例进行了验证．取得了良好的效果。     

水轮机非平稳振动信号的小波分析

基于水电站机组振动的现场试验研究,利用小波分析方法在时域和频域上同时具有良好局部化性质的特点,对开停机这一典型非平稳过程信号进行小波分析。通过将信号分解到不同频带内,并对分解信号作振源分析和统计分析,以获取优势频率等有用信息。试验结果表明,水流脉动压力和尾水涡带摆动是引起开机过程中机组强烈振动的主要原因,同时也证明了小波是处理非平稳信号的最有力的工具。     

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN（经验模态分解）和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数（IMF）,每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。     

离散二进小波变换及其在电机故障分析中的应用

首次将小波分析理论应用于电机故障分析。小波分析在８０年代末才开始应用于工程技术领域，由于它克服了傅里叶变换不能对信号进行局部分析这一严重缺点，同时有很强的特征提取功能，尤其对突变信号的处理，表现出非常明显的优点，从而使小波分析的应用具有非常广阔的前景。本文较系统地给出了离散信号的二进小波变换及快速算法，并以同步发电机单相短路为例进行了实例分析，获得了满意的结果。     

基于SVD的水电机组振动信号去噪方法研究

为提高故障诊断的准确性,必须对水电机组振动信号进行有效去噪。提出一种基于奇异值分解的水电机组振动信号去噪方法,该方法对水电机组采集振动信号构造Hankel矩阵,得出奇异值序列,利用二倍频率数法选取有效奇异值阶次,最后利用所选奇异值进行矩阵重构,逆推实现信号恢复。分别对构造的仿真信号与水电机组实际采集信号进行去噪处理,与效果显著的GHM多小波相邻系数去噪法进行对比,实验结果表明:基于SVD的水电机组振动信号去噪法具有较好的准确度,噪声去除更彻底,对有效特征能量保留更稳定,是一种稳定有效的去噪方法。     

小波分析在水电机组状态监测和故障诊断中的应用研究

状态监测和故障诊断是大型水电机组检修的发展方向。其中一个重要方面就是故障信号的特征提取和分析。小波变换由于很好的解决了傅立叶变换很难与短时的瞬变信号相匹配的问题,在时域和频域都具有表征信号的良好能力,被广泛应用到水电机组故障信号降噪、数据压缩和奇异性分析等方面。但是小波应用中尚存在最优小波基和最佳分解层数的难题,这些问题给小波分析在水电机组中的应用带来了难题。     

基于傅里叶分解与排列熵的水轮机组去噪方法研究

针对强背景噪声下水轮发电机组原始信号难以提取的问题,提出了基于傅里叶分解(FDM)和排列熵相结合的水轮发电机组背景噪声去除方法。首先基于傅里叶分解理论将水轮发电机组信号分解为若干个瞬时频率的固有频带函数;然后对其进行排列熵的计算,利用排列熵对噪声的敏感特性,对所得的固有频带函数进行筛选,将符合条件的函数进行重构,达到对信号去噪目的;最后利用该方法进行仿真和实例分析,同时与EMD排列熵方法进行对比。结果表明,基于FDM与排列熵方法去噪效果更好,更适合应用于水轮发电机组背景噪声的去除。