小波包特征熵提取水电机组轴心轨迹形状

将小波包多分辨与信息熵相结合,提出了一种提纯水电机组轴心轨迹的方法--小波包特征熵法.首先对采集到的摆度信号进行小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而提取其小波包特征熵,选取占信号特征熵比较大的几个主要小波包进行信号重构,得出能清晰反映轴心轨迹形状特征的提纯信号.     

基于传递熵的水电站厂房振动传递路径识别

水电站厂房空间结构复杂,同时振动测试信号中常混杂各种噪声,使得水电站厂房结构振源传递路径的分析难度增大;论文将传递熵方法与基于EMD分解的小波熵阈值去噪方法相结合,实现水电站厂房振动传递路径的识别。首先采用EMD分解和小波熵方法自适应地根据信号能量特征确定对应尺度的去噪阈值,对振动测试信号去噪;然后采用传递熵的方法识别厂房结构振源的传递路径。通过模拟信号的分析证明了该方法在判断信号传递方向方面的合理性。将该方法应用到一大型水电站厂房,结合现场实测振动数据对尾水涡带的垂向传递路径进行了识别,并计算了测点之间的信息传递率。结果表明尾水涡带引起的垂向振动主要传递路径为:尾水管→机墩(定子基础、下机架基础)→厂房上部结构楼板。     

基于小波分析与人工神经网络的水流压力脉动分析

摘　要: 针对水轮机尾水管压力脉动信号的非平稳和时变特性，提出了一种基于小波分析和自组织人工神经网络相结合的尾水管压力脉动信号的分析方法。这种方法以水轮机尾水管压力脉动信号作为分析对象，首先应用小波阈值法对信号进行降噪减少干扰，然后将小波分解系数重构得到不同频带的信号分量，并提取显著的不同频带能量，最后将各频带能量作为特征向量，用自组织人工神经网络进行模式识别，得到了尾水管压力脉动的不同模式。进行对比分析表明，这种分析方法是有效的，能够用于对水轮机尾水管中的压力脉动状态进行有效地识别。     

小波包-最大熵谱估计及其在水轮机故障诊断中的应用

充分利用小波包(WP)的时频局部化分析能力和最大熵谱估计(MESE)的频谱细化优点，提出了一种新的谱分析方法——小波包最大熵谱估计(WP-MESE)。该方法能对振动信号进行多分辨分解，提取故障特征信息，进而进行精确的频谱分析；并运用此法有效地提取了水轮机轴系动态特性信息。实践证明该法是提取微弱故障信息并进行早期诊断的有效方法。     

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。     

基于小波分析与人工神经网络的水轮机压力脉动信号分析

针对水轮机尾水管压力脉动信号的非平稳和时变特性,提出了一种基于小波分析和自组织人工神经网络相结合的尾水管压力脉动信号的分析方法。这种方法首先应用小波阈值法对信号进行降噪减少干扰,然后将小波分解系数重构得到不同频带的信号分量,并提取显著的不同频带能量,最后将各频带能量作为特征向量,用自组织人工神经网络进行模式识别,得到了...     

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。     

基于混合经验模式分解的水轮机压力脉动分析

针对水轮机尾水管压力脉动信号的非平稳性以及经验模式分解(EMD)和集成平均经验模式分解(EEMD)的一些重要缺陷,以虚假分量识别和信号重构为基础,提出了一种混合经验模式分解方法。分别以仿真信号和某混流式水轮机尾水管压力脉动信号为例,验证了该方法相对于EMD和EEMD的优势。     

基于随机共振和经验模态分解的水力发电机组振动故障诊断

针对实际水力发电机组故障诊断中微弱信号难以检测引起故障诊断准确率低的难题,提出了一种基于随机共振(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的微弱信号检测方法。首先,采用随机共振对振动信号进行降噪处理,提高信号的信噪比;继而对随机共振的双稳输出信号进行EMD分解,并采用能量法进行故障特征向量的提取,最后将其作为基于遗传算法优化支持向量机(GA-SVM)故障诊断模型的输入,实现故障模式的识别与诊断。仿真结果表明,该方法能够准确识别机组的异常情况,具有较高的故障诊断精度。     

基于小波分析的汽轮机振动故障诊断

基于小波分析对汽轮机振动的故障诊断展开研究,介绍了傅里叶变换和小波分析的基本原理,分析了小波分析在定位振动信号成分上相对于傅里叶分析的优越性,并对仿真信号进行了验证。利用db7小波对信号进行了6层分解,信号分解的细节部分清晰地显示了奇异点的准确位置。分析结果证明,在清楚汽轮机振动故障信号特征的情况下,小波分析能有效地进行汽轮机的故障诊断。     

融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法

现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。     

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。     

水轮发电机组非平稳振动信号的检测与故障诊断

针对传统方法难以精确检测水轮发电机组的非平稳振动信号以及现有振动故障诊断方法精度低等问题,本文首先引入排列熵算法对其进行检测与分析,进而引入多维度排列熵算法,以实现对非平稳振动信号的特征提取,构造故障样本数据,并将其作为基于遗传算法的支持向量机诊断模型的输入,从而完成故障的诊断与识别。仿真实例表明,排列熵能够有效检测非平稳振动信号的突变,多维度排列熵与支持向量机相结合的故障诊断方法可有效识别机组的异常情况,具有较高的诊断精度。     

坝体振动信号的小波熵特征

利用小波变换具有时频局部化特性和熵对系统状态表征的特点,将小波变换和熵结合起来,对泄流条件下的坝体振动信号进行了分析.结果表明,小波变换能够把振动信号中的有用信号分离出来;小波熵能够定量表征振动能量在时频上的分布特征.同时,有用信号的统计特征与原始信号相接近,因此文中提出的方法为坝体振动特征分析提供了一种新的思路.     

小波分析在AR模型重构路面不平度中的应用

针对线性滤波器AR模型重构路面不平度时低频处误差较大的问题,提出利用小波分析的时频特性来调整重构的路面随机序列。首先根据等级路面的功率谱利用AR模型构造C级路面随机序列,然后利用小波分析的小波分解方法和小波包分解方法对路面随机序列进行分解,根据信号能量与信号振幅平方成正比原理,调整信号分解分量各频段的振幅后再进行信号重构,并在时域和频域上与原信号进行对比。仿真结果表明,小波分解方法和小波包分解方法都能提高重构路面功率谱与目标功率谱的拟合精度,且小波包分解方法在处理高频分解分量时更具优势。     

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WP-MUSIC功率谱的水轮机低频故障信号分析

WP（小波包）对信号的分解与重构能够提取信号在某一小频率段内的信息;多信号分类（MUSIC）功率谱分析不仅适用于正弦信号，而且广泛适用于窄带信号的估计，能够从信号中分检出低频和微小的信息。大型水轮机组的工作频率和各种故障征兆频率往往较低，结合WP及MUSIC谱的优点建立WP-MUSIC谱分析法，能够更加有效、准确地进行低频故障信号分析，并有利于水轮机故障诊断及定位。     

基于WP—MUSIC功率谱的水轮机低频故障信号分析

WP（小波包）对信号的分解与重构能够提取信号在某一小频率段内的信息；多信号分类（MUSIC）率谱分析不仅适用于正弦信号，而且广泛适用于窄带信号的估计，能够从信号中分检出低频和微小的信息。大型水轮机组的工作频率和各种故障征兆频率往往较低，结合WP及MUSIC谱的优点建立WP—MUSIC谱分析法，能够更加有效、准确地进行低频故障信号分析，并有利于水轮机故障诊断及定位。