基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

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.     

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。     

基于小波包LVQ网络的传感器故障诊断

提出小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法.小波包三层分解得到各个节点的分解系数,通过一定的削减算法使得故障瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练LVQ神经网络.通过正常状态及各种故障模式下的特征数据训练,LVQ网络具有了传感器故障诊断的功能.最后,通过火箭发动机试车台液氢管路流量传感器数据对训练之后的LVQ神经网络进行检验,验证了这种方法的实用性和有效性.     

神经网络信息融合技术在控制系统故障诊断中的应用

针对钢管修磨控制系统中存在的常见故障,构造了神经网络信息融合中心。对来自多传感器的残差信号进行了预处理和离散小波变换,提取其细节系数作为神经网络的故障特征向量,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。仿真结果表明,基于神经网络的信息融合技术用于控制系统的故障诊断是可行的和有效的。     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

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。     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

MSPCA在发动机试车台传感器故障诊断中的应用

针对传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足的问题,提出了基于小波包的MSPCA模型,并应用于传感器的故障诊断.首先,对传感器数据进行正交小波包变换,得到小波包最佳分解树.然后,根据最佳树的各个节点系数在对应的尺度上建立主元分析模型,利用这些主元分析模型的残差子空间的统计量——平方预报误差对传感器故障进行检测,采用传感器有效度指标对故障传感器进行分离.最后,以火箭试车台液氢供应系统的传感器为例对设计的模型进行了验证,传感器周期性干扰故障诊断实例验证了基于小波包的MSPCA方法的有效性,其检测性能要优于基于小波变换的MSPCA模型.     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。