基于自适应提升小波的电厂汽轮发电机组振动信号消噪

采用基于提升格式的自适应小波变换,并根据LMS(least mean square)自适应法使伯恩斯坦预测算子P(predictor)自适应匹配特定的数据序列.用此方法对电厂汽轮发电机组的振动信号进行消噪处理,并通过实例仿真证明了该方法的可行性和有效性,从而为汽轮发电机组振动信号的故障诊断提供有力依据.     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点，提出了基于小波包变换的汽轮机转子振动故障诊断方法，它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号，运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明，基于小波包分析与信号能量分解的故障特征提取方法，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，从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效，适合于机械故障诊断。     

基于WP_SVD降噪的OLTC振动信号特征识别

为对变压器有载分接开关机械故障进行诊断,提出一种结合奇异值分解SVD(singular value decompo-sition)消噪与小波包WP(wavelet packet)消噪的信号特征提取方法。首先对信号进行小波包消噪,然后进行SVD二次消噪,将消噪信号进行经验模态分解EMD(empirical mode decomposition),对得出的各阶固有模态分量进行希尔伯特-黄变换HHT(Hilbert-Huang transform)。数值仿真表明基于WP_SVD降噪的信号特征提取比小波包或SVD单独降噪的信号特征提取方法有效,并成功地将该方法应用到分接开关实际振动信号分析中。     

小波包分解在发电机组转子振动故障诊断中的应用研究

为研究发电机组转子振动问题,从转子实验台上得到几种典型振动信号,分别进行了小波包分解和能量特征提取;并与海南某电厂燃气轮发电机组的现场振动信号进行了对比和研究。结果表明,小波包分析在发电机组振动故障诊断中能较好地识别故障类型。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

小波包分析技术在大型电机转子故障诊断系统中的应用

通过精密离心机电机驱动系统和机械系统的故障机理的分析,提出了两种故障信号基于小波包分析的特征提取方法.一个是渐进性故障信号的特征提取方法,控制器误差信号通过小波包分解与重构,最后在最低频段的节点得到了已经去噪的故障信号.另一个是振动信号频带能量的特征向量提取方法,动平衡系统的振动信号被分解到独立的频段,不同频带内的信号能量变化反映了系统机械运行状态的改变,每个能量成分被提取形成特征向量用于故障诊断.试验与仿真结果表明这种基于小波包分析的故障方法具有算法简单、可行的优点.     

小波分析技术在汽轮机振动信号消噪与检测中的应用

采用小波包进行汽轮机振动信号的消噪与检测,可有效保留信号中包含故障特征的弱突变信息。提出了基于小波包的汽轮机振动故障信号的消噪与检测方法。它是以小波包能量为基础,以原始信号与降噪后信号之间的均方误差(MSE)极小化为目标的基于小波包的降噪算法,并与传统的Donoho硬阈值降噪算法作了比较。检测结果表明,在故障检测前先采用小波包基方法对故障信号进行消噪,有利于提高汽轮机振动检测的准确性。     

小波分析在汽轮机振动故障诊断中的应用研究

针对常见的汽轮发电机组频率突变的振动故障,采用傅立叶变换和小波变换对同一汽轮发电机组振动信号进行傅立叶变换和小波分解。结果表明傅立叶变换无法检测出信号的瞬态变化,只适用于分析平稳信号;而小波分析可以有效的提取信号的瞬态变化特征,能准确的检测出信号的奇异点位置,利用小波分析有利于提取汽轮发电机组振动信号的故障特征。此外,对汽轮发电机组的混合信号进行小波分解,可以将信号有效的分离,为确定故障种类提供了依据。     

水电机组振动信号去除高频噪声技术综述

本文针对水电机组振动信号消噪方法进行了系统地总结.将现行的振动信号去噪方法中的基于Fourier变换的传统振动信号去噪方法和以提升法为代表的新型振动信号预处理技术两类技术进行了全面地分析,并比较了各自的优缺点.利用提升法的第二化小波变换对水电机组振动信号进行消噪具有计算速度快、无需选择小波基函数、处理结果更为合理的优势.最后,进一步给出了水电机组振动信号消噪技术的主要发展方向.     

基于小波BP网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和BP网络结合构造了一个三层的小波BP网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行小波BP网络的学习,最后用该学习过的小波BP网络诊断故障并将此方法成功地应用于汽轮发电机组故障诊断。仿真结果表明此方法是可行和有效的。     

小波包能量谱和功率谱分析在水电机组故障诊断中的应用

小波包克服了小波分析在高频空间分辨率差的缺点,能够给信号提供更加精确的分解。因此在小波包分析的基础上,从能量和功率分析的角度出发,阐述了在水电机组故障诊断中采用小波包能量谱和功率谱分析相结合的信号特征提取的方法。通过对实验及电厂振动故障信号的提取与分析,表明小波包能量谱和功率谱分析相结合的信号特征提取方法准确而高效,是一种应用价值较高的信号特征提取方法,并能为机组故障的准确诊断提供依据。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

基于小波变换的异步电机故障检测与分析

通过合理选取小波基,对提取到的电机振动信号和定子电流信号做小波包变换,从而对电机滚动轴承损坏、转子断条这两类电机主要故障做出准确的判断与分析。对转子断条故障的仿真结果表明,小波包分析方法在电机故障诊断方面具有较好的准确性和优越性。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。