基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为支持向量机多故障分类器的故障样本，经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例，进行了实用验证.研究结果表明，支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于EMD的电机轴承故障识别研究

将经验模态分解(EMD)和支持向量机(SVM)方法相结合应用于电机滚动轴承故障诊断中,该方法利用EMD将电机滚动轴承振动信号分解为有限个内禀模态函数(IMF)之和,对表征高频信息的IMF分量取其能量作为故障特征向量,以此作为多项式核函数(2阶)SVM分类器的输入参数来区分电机滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对电机滚动轴承的工作状态和故障类型进行分类,实现电机滚动轴承故障自动识别。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于支持向量机的机械多故障智能分类方法研究

典型故障数据样本的严重不足是制约机械故障智能诊断技术发展的主要原因之一。提出了一种基于支持向量机的机械故障诊断新方法,综合了单值和多值支持向量机分类算法,在此基础上,建立了多故障分类器。采用该方法对转子实验台典型的多故障数据进行分类,结果表明:只需少量的时域数据样本来训练分类器,即可实现多故障的识别与诊断,克服了已有方法需要对原始数据进行预处理的困难,可更方便地应用于机械设备多分类故障诊断领域。     

基于小波包系数平均能量的异步电机转子故障诊断

异步电机的转子断条的特征信号与基波频率非常接近,并且幅值很小,很容易被变频分量湮没。研究了小波包分解和小波包节点系数重构,以及小波包系数的平均能量的计算。然后通过小波包分解提取故障的特征信号的频带向量,最后计算频带向量的小波包系数平均能量并进行归一化处理,形成故障特征向量。通过特征向量的对比判断电机是否发生转子断条故障。并通过Matlab仿真以及实验分析验证了这种方法的可行性。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

笼型异步电机转子断条故障诊断技术的研究

为了实现对笼型异步电机转子断条故障的有效诊断,设计了一套基于LabVIEW的转子断条故障诊断系统。针对笼型异步电机的定子侧电流信号,采用自适应陷波器对该信号进行陷波处理,以消除工频分量对断条故障特征分量的干扰,然后在快速傅里叶变换频谱上,实现对断条故障的识别。实验证明,该系统能够对断条信号进行有效的识别。     

基于ST-SVD-PCA的串联故障电弧特征提取方法

为深入研究煤矿井下串联故障电弧特征及提取方法,分别以电动机和变频器负载为研究对象,开展不同电流条件下的串联型故障电弧实验。采用S变换(ST)对回路电流进行时频域变换,求得S变换矩阵的幅值矩阵作为特征矩阵;对特征矩阵进行奇异分解(SVD),得到矩阵的奇异值;对多组奇异值组成的特征向量进行主元分析(PCA),选取累积贡献率高于95%的主元作为故障识别的特征,实现特征向量的降维;最后采用遗传算法(GA)优化的支持向量机(SVM)算法对故障电弧特征的有效性进行了测试。通过不同负载和工况条件实验,进一步验证了基于上述故障电弧特征的故障电弧识别方法的兼容性,该方法可以有效识别电机及变频器负载回路的串联故障电弧。     

高压电动机在线状态监测与故障诊断技术探讨

以潘一东区矿建项目部压风机房所安装的高压电动机为研究对象,介绍高压电动机状态监测与故障诊断技术的原理、方法,特别对转子断条故障、电动机偏心故障以及匝间短路故障的诊断方法从理论上进行阐述,提出了在尽量不增加硬件的情况下,以电流监测为主,通过频谱分析的方法在线诊断电动机故障。     

矿用刮板输送机运行时在线监测及故障诊断系统应用研究

为了提高煤矿用刮板输送机设备的自动化水平,设计了一种刮板输送机自动监测和诊断系统。刮板输送机的故障会直接影响到日常生产。提出了一种小波包分解（WPD）和支持向量机（SVM）相结合的带式输送故障诊断方法,重点是托辊故障的检测。由于托辊的数量可能很大,采用一个加速度传感器来收集多个托辊的振动信号,以减少传感器的数量。用WPD对振动信号进行分解,提取各频带的能量作为特征,并利用这些特征训练SVM,实现托辊故障的检测。首先在试验台上对该故障诊断方法进行了测试,设计了一种针对刮板输送机的在线监测和故障诊断系统。在运行中的刮板输送机上进行了实验,验证了该系统可以用有限数量的传感器定位故障托辊的位置,这对刮板输送机的运行很重要。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于改进支持向量机方法的汽轮机故障诊断研究

针对汽轮机故障诊断问题,在分析比较支持向量机"一对多"和"一对一"多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器,将其应用于典型的汽轮机故障诊断,仿真实验结果证明了该方法的有效性。     

基于支持向量机的液压泵故障判断方法研究

液压泵是液压系统的动力源,它的失效直接影响系统的正常工作,因此液压泵的状态监测与故障诊断是迫切需要解决的问题。阐述了支持向量机(SVM)算法的原理,研究了基于支持向量机的液压泵的故障诊断,通过分析,选择了恰当的核函数,建立了优化方程。试验分析的结果表明,该方法是一种简单而有效的方法。