基于小波能量系数和神经网络的管道缺陷识别

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。     

一种基于动态识别邻域的免疫网络分类算法及其性能分析

针对传统免疫网络分类算法在记忆细胞确定上缺乏有效的指导,该文提出一种基于动态识别邻域的免疫网络分类算法。算法采用核函数表示机制来描述抗体-抗原之间的亲和度;利用抗原对构造动态识别邻域来指导抗体群体的进化,并选择邻域中距离对偶抗原最近的抗体为记忆细胞。算法被应用于多分类问题及高维分类问题来进行算法性能分析,同时,算法被应用于多个标准数据集的分类来评估算法的整体性能。分类结果表明该算法对于标准测试数据集有良好的分类性能,这说明基于动态识别邻域的训练方法能够有效地指导记忆细胞的生成,显著地改善分类器的性能。     

小波变换在毫米波雷达目标识别中的应用

将小波分析引入了毫米波这目标识别中，提出了基于小波分析的能量特征矢量法。该方法结合小波分析和毫米波信号的特点，克服了传统方法的局限，提高了毫米波雷达的目标识别性能，获得了仿真试验良好的识别结果，并具有简便高效的优点。     

基于支持向量机的发电机匝间转子绕组短路故障诊断

具有结构风险最小化原则的支持向量机(SVM)对于小样本决策具有较好的学习推广性,并且故障样本的不足在一定程度上制约了基于知识的方法在故障诊断中的运用。针对这一问题,提出了利用支持向量机的方法对匝间转子绕组短路故障诊断方法。该方法利用小波分析对探测线圈测得感应电动势进行处理构造特征向量,然后输入到支持向量机的多故障分类器中进行故障识别。实验数据表明该方法是可行、有效的,并且在小样本的情况下,较BP神经网络有更好的分类效果。     

基于自适应小波网络的激光切割表面质量预报的研究

基于自适应小波网络理论,建立了一个应用于激光切割质量预报与激光能量、激光切割速度、辅助气体压力及材料厚度之间关系的自适应小波网络分类器。仿真结果表明,该方法具有良好的识别性能,且收敛速度快,是一种有效的预报方法。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于人工免疫算法的变压器故障诊断方法

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术。基于人工免疫识别原理提出一种电力变压器故障诊断方法,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类。经过对故障数据的Matlab实验,将结果与IEC三比值法进行比较,表明该算法有较高的诊断准确率。     

小波包变换用于双模噪声的信号检测

将小波包变换良好的时频分析能力用于分析双模噪声的统计特性,因为小波包变换具有带通滤波的作用,当分解的层数足够多时,变换可看作窄带系统,将双模噪声作某一尺的小波包变换,在此空间上双模噪声的输出近似于高斯分布,在这一空间上进行信号的识别与检测。将小波包变换用于双模噪声背景下的信号检测系统,并将此方法与经典检测系统进行性能上的比较,仿真结果表明,小波包方法优于经典检测方法。     

基于人工免疫算法的变压器故障诊断方法

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术.基于人工免疫识别原理提出一种电力变压器故障诊断方法,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类.经过对故障数据的Maflab实验,将结果与IEC三比值法进行比较,表明该算法有较高的诊断准确率.     

无线信道指纹特征识别技术研究

无线信号识别在无线信号传输和监测中占有重要地位,为了减少各类干扰源和白噪声对传播信号造成的影响,提高信号识别准确度,分析了基于PCA和小波变换法的特征提取技术,提出积分包络法来提取接收信号特征的模型,采用不同信号样本包络之间的贴近度构建简洁而明确的评价指标以验证有效性,同时利用模糊数学识别功能计算样本与区域划分之间的贴近度,通过贴近度差值来判断和识别无线信号。实验结果表明,该算法识别性能较好,不仅具有较高的识别率和良好的稳健性且计算复杂度较低。     

Morlet小波变换结合MLP神经网络的齿轮箱故障检测方法

针对变速齿轮箱中的故障检测问题,提出了一种结合Morlet小波变换和多层感知器(MLP)神经网络的齿轮故障检测方法。利用角域技术,将时域中齿轮故障的非平稳振动信号转化为角域中的平稳信号。然后,利用进行Morlet小波变换并从小波系数中提取统计特征。同时根据最大能量与香农熵比来确定连续小波变换(CWT)的最优尺度,以此来缩减特征量,并将小波系数的能量和香农熵作为两个新特征添加到特征向量。最后,利用MLP神经网络对输入特征进行分类,从而检测故障。实验结果表明,该方法故障检测准确率高,且计算速度快。     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

基于小波包变换的FED驱动电路故障诊断

根据FED驱动电路的特性,提出了一种小波包变换和神经网络相结合的方法,并将其应用于FED的驱动电路故障诊断.首先采用小波包变换对电路输出节点的电压信号进行分解,提取各频段的能量作为故障样本输入神经网络.仿真实验证明,该方法减少了故障诊断的时间,提高了故障诊断的准确率,使准确率达到87.17％.     

基于小波分析和人工免疫算法的模拟电路故障诊断

受生物免疫系统自己-非己识别过程的启发,提出了一种基于小波分析和人工免疫算法的模拟电路故障诊断的新方法。该方法首先利用小波变换,归一化和主元分析法作为预处理提取模拟电路的最优故障特征向量,然后利用反面选择算法的检测器对故障信息进行检测,从而实现模拟电路故障的分类。计算机仿真证明该方法是可行的。     

基于小波分析的地下电缆故障定位仿真研究

针对电力电缆行波法故障测距中脉冲信号识别难度大的问题,文中提出了将小波分析理论应用于电力电缆的行波信号识别的方法。该方法利用PSCAD/EMTDC软件建立精确的仿真模型,借助于MATLAB中的Daubechies小波对仿真波形进行5层小波分解。仿真结果表明,利用小波分析对故障信号进行全频段范围的分析处理能够显著提高电缆的故障测距精度,在一定距离范围内,其相对误差可以有效控制在0.5%以下。     

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

基于QPSO优化算法的石化旋转设备故障诊断研究

针对现有石化旋转设备故障诊断算法去噪过程中阈值范围控制不准确、故障诊断误差偏高的不足,提出一种基于QPSO优化算法的故障诊断方法研究。为克服传统PSO算法无法实现全局收敛的弊端,QPSO优化算法利用波函数来表示粒子的状态,降低阈值范围识别的总体代价;在原始故障信号处理方面,基于小波阈值分解得到不同频段的信号系数,在QPSO算法优化下利用GCV函数准确确定出小波阈值滤波去噪中的最优阈值范围,进而也提高了小波信号重构的精度,实现对旋转设备故障信号的精确诊断。     

小波包分析在电动机转子断条故障诊断中的应用研究

文章介绍了鼠笼式异步电动机常见的故障及其诊断的重要性,采用了改进型小波包算法从电气和机械方面提取信号的故障特征。并提出了一种基于小波包分析频带能豢的故障诊断方法。经实验可知,该方法能够更全面的快速检测到转子断条故障的存在而且准确率高,具有很大的可行性和很强的推广性。     

Fault Detection,Diagnosis and Prediction in Electrical Valves Using Self-Organizing Maps

This paper presents a proactive maintenance scheme for fault detection, diagnosis and prediction in electrical valves. The proposed scheme is validated with a case study, considering a specific valve used for controlling the oil flow in a distribution network. The scheme is based in self-organizing maps, which perform fault detection and diagnosis, and temporal self-organizing maps for fault prediction. The adopted fault model considers deviations either in torque, in the valve’s gate position or in the opening or closing time. The map which performs the fault detection, diagnosis and prediction, is trained with the energy spectral density information, obtained from the torque and position signals by applying the wavelet packet transform. These signals are provided by a mathematical model devised for the electrical valve. The training is performed by fault injection based on parameter deviations over this same mathematical model. The proposed system is embedded into an FPGA-based platform. Experimental results demonstrate the effectiveness of the proposed approaches.