小波包分析在电机转子断条故障信号处理中的应用

针对笼型异步电动机转子断条故障信号的处理,采用基于小波包分析的转子断条故障信号处理方法进行故障检测.该方法突出特点在于多分辨率多尺度分析故障特征信号,能够准确识别故障特征信号.结果表明:根据电动机定子电流信号的小波包分解系数能够有效地检测转子断条故障信号.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

小波分析在发动机早期故障识别中的应用研究

在对飞机发动机早期故障进行分析的基础上,提出了利用虚拟仪器和小波分析相结合对发动机早期故障进行识别的原理与方法。文中对如何从检测信号中提取早期故障特征信号和对早期故障特征信号进行分离、放大、识别等进行了分析和研究,并通过实验证明了所提方法的有效性。结果表明,虚拟仪器强大的图形化功能与小波分析良好的多分辨率时频局部化特性,能够从复杂的微弱信号中提取出早期故障特征信号,并能有效地消除噪声,对早期故障进行快速识别。     

小波包分析在车辆变速箱故障诊断中的应用

运用小波分析方法对车辆变速箱振动信号进行预处理,并运用小波包能量尺度图分析方法识别出故障,按此方法对BJ212型车辆变速箱振动加速度信号作了分析,准确地识别出了故障.结果表明,利用小波包分析进行变速箱故障诊断的方法简单且行之有效.     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

矿井配电网输电线路故障测距方法的研究

针对矿井配电网处于供电网的末端，又是单端供电，中性点不接地或通过消弧线圈接地的特点，提出了使用单端电流行波法实现矿井供电线路单相故障点定位的方法．通过对矿井供电网故障行波的特征进行的深入分析和选择合适的小波函数，将小波分量的模极大值出现时间确定为电流行波脉冲的到达时刻，根据不同尺度下小波变换的模极大值的大小及极性可以识别被检测信号的性质，实现故障点的准确定位．大量实验数据和仿真结果表明了该小波分析的有效性并得出了小波神经网络可以提高测距法测距精度和可靠性的结论．     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

基于小波多分辨分析的往复机械故障特征提取与识别

本文从往复机械故障诊断领域中特征信号处理的应用角度,探讨了利用小波多分辨分析与信息熵相结合,对往复机械故障进行诊断识别的方法。首先应用小波分解,将监测信号映射到由一个小波伸缩而成的一组基函数上去,在通频范围内得到分布在不同频段内的分解序列;在此基础上,对各分解序列进行ＦＦＴ变换,建立信号的小波特征熵,以此作为故障识别的特征参数,对往得机械运行故障进行诊断识别,并以压缩机振动监测信号为例,实现了不同     

基于小波包络谱分析法的齿轮箱故障振动信号诊断

利用正交小波基将齿轮箱故障振动信号变换到时间一尺度域.对高频段尺度域的小波系数进行包络细化谱分析,不仅能检测到齿轮箱内部故障的存在,而且能有效地识别故障模式,说明了正交小波分析是信号检测淹没于非平稳信号中瞬时信号的有力工具.结合实例.从小波故障特征提取来说明小波变换的有效性.     

基于自适应提升小波包的故障微弱信号特征早期识别

针对齿轮箱故障微弱信号特征识别问题,设计了一种识别该类信号微弱特征的自适应提升小波包方法.该方法以提升方法为基础,构造了提升小波包分解和重构过程算法,并以分解层信号相邻样本点自相关系数的大小作为目标函数,在每个样本点上选择能够自适应匹配信号局部特性的提升小波包算子,将每个分解频带信号进行重构,识别时域故障微弱信号特征.该方法成功地识别出了某齿轮箱发生摩擦故障时隐含在振动信号中的调制波形和周期性冲击脉冲故障微弱特征.结果表明,自适应提升小波包方法对强噪声背景下故障微弱信号特征的识别效果优于经典小波包方法.     

基于小波包的配电网故障选线距离判别方法

针对目前小波包选线方法的不足,提出了一种利用距离判别的统计方法以对小波包分解的信息进行充分利用,计算实时能量向量与非故障线路分布的距离以进行选线．充分利用了小波包分解的各频段能量信息和频段能量之间的相关信息,能较好地提高故障选线的正确性,并能结合暂态方向分量、五次谐波等稳态分量的统计特征使用．     

复双谱耦合性质在故障诊断中的应用

为了提高故障诊断正确率,提出了一种基于复双谱的机械故障诊断方法.这种方法根据复双谱的不同耦合方式进行故障判别.由于耦合方式不同,复双谱包含的信号间的耦合信息也不相同,这些信息可以用来进行故障诊断.在减压阀故障诊断实验中,对特定的故障信号和正常信号同时采用相同的耦合方式,根据二维小波可以有效提取信号中频率信息的特点,利用二维小波提取复双谱中的这些耦合信息的特征值,并将这些特征值输入支持向量机进行故障判别.实验结果表明,随着耦合方式的不同,同一故障的诊断正确率也不相同.     

基于神经网络和小波分析的机组振动故障诊断

对于水轮发电机组而言,尽快实施其故障诊断是十分必要的.小波包分析能有效地提取机组振动信号中的有用成分,采用小波包分解方法提取特殊频段上的能量特征值作为神经网络输入向量,针对南桠河水电厂实测数据采用单隐层BP网络进行训练并对不同故障模式进行识别,取得良好效果.     

基于动态小波变换的小电流接地系统故障选线研究

小电流接地系统发生单相接地故障时,由于故障电流小及接地点电弧不稳定等原因,其零序故障电流准确获取和定值整定困难,使其故障线路的检出仍是难题。提出一种基于动态小波变换的故障选线方法,利用所有健全线路暂态能量与故障线路暂态能量之差为最小值作为判据。该方法充分利用了动态小波变换分析故障信号的优势,克服常规小波变换在这方面的不足。仿真结果表明,该判据不受接地条件和接地方式影响,能够准确可靠地选出故障线路。     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

小波变换在电力系统负荷状态监视和故障诊断中的应用

阐述了小波变换的基本原理及其特性,举例并通过MATLAB具体说明了如何利用小波变换分析电力负荷曲线中所反映的重要故障信息,进一步证明了小波变换能有效地应用于电力系统负荷状态监视和故障诊断。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。