优选小波包和AdaBoost-SVM的柔性直流输电变流器故障诊断

变流器作为输电系统中的核心部件极易发生故障。为了提高其故障诊断精度,提出一种优选小波包的故障特征提取和鸟群算法优化的AdaBoost-SVM相结合的故障诊断方法。首先,采用正常特征和故障特征之间的夹角余弦来选择小波基;再利用Parseval恒等式计算小波包变换后各频带的能量,以突出故障信号在尺度上复杂的细节特征;最后采用鸟群算法优化AdaBoost-SVM来实现变流器的故障诊断。仿真结果显示,该方法可对变流器开路故障进行有效诊断;相比于传统的SVM算法,该方法噪声鲁棒性强而且在不同比例训练样本下的诊断精度都要高。     

基于振动分析的风力机齿轮箱故障诊断

为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。     

基于小波-能量谱分析的风电机组齿轮箱故障诊断方法研究

风电齿轮箱结构和工作条件特殊,使其故障机制复杂。为此提出了一种基于小波分解和能量谱相结合的风电齿轮箱故障诊断方法。首先是齿轮箱振动信号进行时域特征分析,观察特征参数的变化趋势,然后对变化特征最明显的振动信号进行功率谱分析,进行故障定位,最后结合小波能量谱对齿轮箱进行故障诊断。通过风电齿轮箱的故障实例,能准确地诊断出其故障形式和位置,说明该方法具有一定的工程意义。     

基于改进ABC优化RVM的模拟电路故障诊断

为提高模拟电路的故障诊断精度,提出了基于改进蜂群算法(IABC)优化相关向量机(RVM)的模拟电路故障诊断方法。该方法首先基于小波包能量提取故障特征集,然后将故障特征输入RVM进行故障诊断,同时利用IABC算法进行RVM参数的优化,避免参数选择的盲目性,提高故障诊断的精度。通过对Sallen-Key带通滤波器电路的单故障和复合故障诊断结果表明,该方法是有效的,相比与其他一些方法,可以获得更高的诊断精度,具有一定的优势。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

基于CWT和CooAtten-Resnet的弧齿锥齿轮箱故障诊断方法研究

提出一种基于连续小波变换(CWT)和坐标注意机制残差网络(CooAtten-Resnet)的弧齿锥齿轮箱智能故障诊断方法。首先将振动信号重叠采样获得大量信号样本，将这些样本通过连续小波变换将振动信号转化为时频图，并以此构建不同故障下的时频数据集，同时通过人为添加噪声样本以验证噪声对此类诊断方法的影响；然后将时频图数据集用于CooAtten-Resnet训练；最后对故障进行分类并输出诊断结果。结果表明，该方法可以准确的识别弧齿锥齿轮箱故障，无人为添加噪声的情况诊断准确率可达100%,添加噪声后在无降噪处理的情况下准确率仍在93%以上。相较于其他方法，该方法的准确率更高，抗噪能力更强，网络收敛速度更快，诊断结果更稳定。     

小波包分解在惯性器件故障诊断中应用研究

提出了一种基于小波包分解的惯性器件故障检测与诊断方法,该方法利用小波包精确细分的特点,分别对正常系统和故障系统的观测信号进行小波包分解,提取其特征信息,从而实现对惯性器件的故障诊断.并且给出了故障诊断的硬件原理图.实验表明,该方法具有很好的工程实际应用价值.     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,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.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于云边架构和小波神经网络的配电网故障诊断方法

电力物联网的建设促进了配电网故障诊断技术的发展。提出了基于云边架构和小波神经网络的配电网故障诊断方法,利用电力物联网的智能传感和通信技术,实现配电网故障诊断的同步数据量测及智能化信息分析。根据配电网同步相量测量单元(distributed phasor measurement unit,D-PMU)等装置对配电网故障进行分层处理,将经过小波变换的故障电流信号进行小波包变换分解得到故障特征向量,带入神经网络训练,输出诊断结果,实现快速收敛并减少了故障时间,提高了故障诊断精度。通过仿真算例验证,证明了所提方法的有效性。