基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

小波分析在煤矿胶带机滚动轴承故障诊断中的应用

本文介绍了小波变换理论及小波分析的特点,对小波变换应用于煤矿滚动轴承故障诊断的方法和滚动轴承故障特征频率的计算方法进行了研究。根据煤矿胶带机滚动轴承的振动特征,应用小波分解重构的方法对煤矿胶带机滚动轴承的现场故障振动信号进行分析,验证小波变换在提取滚动轴承早期故障信号特征方面的有效性。     

基于暂态量小波分析的矿井漏电保护选线

文章在分析电网发生单相接地时暂态特征的基础上．提出应用小波变换提取故障暂态信息。准确采样各线路暂态量．对采样暂态量进行小波变换,计算由小波系数构成的选线判据．宴现故障选线的方法。经matlab进行故障仿真,表明该选线方法具有可行性．灵敏度高,选线准确等优点。     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

基于小波包分析和Elman神经网的故障诊断方法研究

由非线性电力电子装置组成的电路发生故障时,故障特征信息不易提取和识别。对此提出一种基于小波包分析和Elman神经网的电力电子装置故障诊断的方法,先运用小波包分析法提取电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以12脉冲整流电路为例,在Matlab软件下建立电路模型进行仿真实验,结果表明该方法能快速、准确的完成故障诊断。     

模拟电路故障诊断的小波方法

利用小波变换与神经网络相结合的(WNT)方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,提取特征信息。并从函数型和权值型小波神经网络中寻找最优故障辨识器,提出了模拟电路故障诊断的系统方法。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

基于LMD和SVM算法的模拟电路故障诊断

对模拟故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种局域均值分解(LMD)与SVM相结合的新算法。该算法运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),通过提取电路正常和故障状态的特征,运用SVM对其分类,获得诊断效率。仿真实验结果表明,该方法对模拟电路的故障诊断精度达到98%以上,适用于模拟电路的故障诊断。     

改进的BP神经网络在模拟电路故障诊断中的应用研究

介绍了应用小波变换法与BP神经网络相结合实现模拟电路故障诊断的方法。应用小波变换法作为故障信号的预处理器,提取故障特征量,减小了BP神经网络的规模。该方法提高了神经网络收敛的速度以及故障类别识别的准确度,具有一定的应用价值。     

基于多智能体的光传感器故障诊断系统

为提升故障诊断效果，设计基于多智能体的光传感器故障诊断系统。采集光传感器信号，利用小波变换的多尺度加权排列熵特征提取方法，提取光传感器故障特征；智能体根据提取的故障特征生成故障诊断总任务，并分解成故障诊断智能体可直接诊断的故障子任务；根据子任务为故障诊断智能体分配子任务；故障诊断智能体利用径向基函数神经网络，完成光传感器故障诊断。实验结果表明：该系统可有效提取光传感器故障特征；在不同故障程度下，该系统均可精准诊断光传感器故障。其故障诊断准确率为98%左右、诊断耗时为0.5 s左右。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

Intelligent fault diagnosis system of induction motor based on transient current signal

This paper presents a method for induction motor fault diagnosis based on transient signal using component analysis and support vector machine (SVM). The start-up transient current signal is selected as features source for fault diagnosis. Preprocessing of transient current signal is performed using smoothing and discrete wavelet transform to highlight the salient features of faults. In this work, independent component analysis, principal component analysis and their kernel are performed to reduce the dimension of features and to extract the optimal features for classification process. In this work, the influence of the number of component analysis towards diagnosis accuracy is also studied. SVM multi-class classification using one against all strategy is selected for classification tool due to good generalization properties. Performance of the system is validated by applying the system to induction motor faults diagnosis. According to the result, the system has potential to serve an intelligent fault diagnosis system in real application.     

Induction machine fault diagnostic analysis with wavelet technique

A wavelet transform based method was developed for diagnosing machine faults operating at different rotating speeds. This paper shows that machine fault diagnosis can be effectively performed when an appropriate narrow-band filter is used to extract the required spectra components. A wavelets-transform-based technique is used to design specified narrow filter banks. This enables effective machine fault diagnostic analysis to be performed in the frequency domain. Gaussian-enveloped oscillation-type wavelet is employed. By matching the wavelet basis functions with the associated faulty signals, the required narrow filter banks are obtained. As a result, the detection and diagnosis of machine faults operating at different rotating speeds are made possible. The proposed technique was thoroughly tested at different rotating speeds.     

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。     

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。     

Data-fused method of fault diagnosis for analog circuits

A data-fused fault diagnosis method based on wavelet packet decomposition of voltages of test nodes and current signals of the terminals stimulated is proposed in the paper. For the faults difficult to detect merely from voltages of test nodes, the current signals of the terminals which contain sufficient information with various faults are fused with the sampled node voltages of the circuit stimulated by the sources selected according to the principles proposed to make up for the insufficiency of the node voltages. This results in the maximization of feature vectors, more accurate classification of the faults and correct identification of the fuzzy sets of faults.     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于WOA-PNN算法的电力电子电路故障诊断分析

为进一步提高电力电子电路可靠性,提出了一种基于鲸鱼优化算法(WOA)的优化概率神经网络(PNN)算法,对电力电子电路进行了故障诊断。通过Simulink软件建立电路模型,利用小波变换分析电路中的直流输出。将分析后的参数作为特征值,将电路正常工作状态下的特征值与故障状态中的特征值作为训练样本,输入WOA-PNN,并进行训练。仿真验证结果表明,与直接应用PNN进行故障诊断相比,WOA-PNN算法能更准确地诊断和分析电力电子电路的故障。