|
1.
|
小波包特征熵-神经网络在轴承故障诊断中的应用
|
|
|
|
|
|
|
王利英《河北工程大学学报(自然科学版)》,2008年第25卷第1期
|
|
|
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。
|
|
2.
|
基于小波包特征向量与神经网络的滚动轴承故障诊断 被引次数：1
|
|
|
|
|
|
|
刘乐平 林凤涛《轴承》,2008年第4期
|
|
|
基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.
|
|
3.
|
小波包特征熵神经网络在尾水管故障诊断中的应用 被引次数：29
|
|
|
|
|
|
|
桂中华 韩凤琴《中国电机工程学报》,2005年第25卷第4期
|
|
|
为精确诊断水轮机尾水管涡带，该文提出一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的尾水管压力脉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熵向量，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。试验结果表明训练成功的BP网络能够很好地诊断机组尾水管是否发生涡带以及涡带的严重程度，为水轮机故障诊断开辟新的途径。
|
|
4.
|
基于小波包特征熵的飞机液压系统故障诊断方法研究
|
|
|
|
|
|
|
刘泽华 李振水《计算机测量与控制》,2009年第17卷第9期
|
|
|
为精确诊断飞机液压系统故障,提出了一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的飞机液压系统压力信号进行小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本,利用ART1神经网络进行训练,实现智能化故障诊断。试验结果表明,训练成功的ART1网络能够很好地诊断出飞机液压系统是否发生故障,为飞机液压系统故障诊断开辟了新的途径。
|
|
5.
|
基于小波熵和ANFIS的轴承故障诊断方法 被引次数：2
|
|
|
|
|
|
|
隋文涛 张丹 张宇《机床与液压》,2010年第38卷第11期
|
|
|
提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.
|
|
6.
|
改进的小波包-特征熵在高压断路器故障诊断中的应用 被引次数：6
|
|
|
|
|
|
|
孙来军 胡晓光 纪延超《中国电机工程学报》,2007年第27卷第12期
|
|
|
在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。
|
|
7.
|
基于小波包分解和BP神经网络的轴承故障诊断
|
|
|
|
|
|
|
叶瑞召 李万红《轴承》,2012年第10期
|
|
|
针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。
|
|
8.
|
小波-神经网络在齿轮故障诊断中的应用 被引次数：1
|
|
|
|
|
|
|
黄志刚 林凤涛《制造技术与机床》,2009年第4期
|
|
|
基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.
|
|
9.
|
小波一神经网络在齿轮故障诊断中的应用
|
|
|
|
|
|
|
黄志刚 林凤涛《制造技术与机床》,2009年第4期
|
|
|
基于齿轮箱故障齿轮的特征提取，提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解，构造小波包特征向量作为故障样本，用训练好的BP神经网络进行故障诊断，实验结果表明该方法能够有效地诊断出齿轮的故障类型。
|
|
10.
|
粒子群优化神经网络在高压断路器机械故障诊断中的应用
|
|
|
|
|
|
|
曾晓林 薛建辉 洪 刚《电网与清洁能源》,2010年第26卷第6期
|
|
|
提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断
|
|
11.
|
基于小波包变换和神经网络的逆变器故障诊断
|
|
|
|
|
|
|
戴鹏 蔡云 符晓 宋中仓《电源技术应用》,2011年第8期
|
|
|
本文提出了一种基于小波包变换和神经网络的PWM逆变器故障诊断方法。利用小波包分解的分频特性对逆变器机侧电流信号进行小波包分解，求得故障特征频率相应子频带的信号能量值，将此作为神经网络的输入，通过对神经网络的训练，确定网络参数，对故障数据的分析，达到故障诊断的目的。仿真结果表明该方法的有效性。
|
|
12.
|
小波包特征熵在级联式变频器故障诊断中的应用
|
|
|
|
|
|
|
李浩 王福忠 王锐《测控技术》,2017年第36卷第6期
|
|
|
为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.
|
|
13.
|
基于谐波小波包能量熵的轴承故障实时诊断
|
|
|
|
|
|
|
丁建明 林建辉 任愈 杨强《机械强度》,2011年第33卷第4期
|
|
|
将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法。对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障。给出谐波小波包能量熵的轴承故障的具体诊断方法和模型。对不同型号轴承的内圈故障、滚动体故障进行大量的试验研究,实验验证该方法的有效性。同时该方法具有很高的诊断实时性,能对采样频率低于64 kHz的诊断系统进行实时诊断,具有很好的工程适用性。
|
|
14.
|
基于小波-BP神经网络的发动机轴承故障诊断
|
|
|
|
|
|
|
陈良 贾春鹏 杨安元《中国新技术新产品》,2018年第2期
|
|
|
本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。
|
|
15.
|
基于虚拟技术的齿轮故障智能诊断研究
|
|
|
|
|
|
|
谢三毛《化工自动化及仪表》,2013年第6期
|
|
|
利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。
|
|
16.
|
基于小波包特征向量弹性BP算法的故障诊断 被引次数：1
|
|
|
|
|
|
|
祝晓燕 王继选 刘小贞 赵冉《汽轮机技术》,2008年第50卷第6期
|
|
|
为精确诊断转子故障，采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法，对采集到的信号进行3层小波包分解，构造小波包特征向量，对样本进行3层BP网络训练，实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法，训练的网络可以很好地诊断转子故障。
|
|
17.
|
基于小波包能量熵的电能质量扰动识别
|
|
|
|
|
|
|
李宁 任子晖 刘伟伟 王巍《工矿自动化》,2010年第36卷第8期
|
|
|
提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。
|
|
18.
|
基于小波包-模糊神经网络的发动机泵机组故障诊断
|
|
|
|
|
|
|
武建军 马振利 郑胜强 秦瑞胜 权郭军《流体机械》,2008年第36卷第2期
|
|
|
提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.
|
|
19.
|
基于小波包分析和Kohonen神经网络相结合的轴承故障诊断
|
|
|
|
|
|
|
姚万业 蒋雪丽《仪器仪表用户》,2015年第4期
|
|
|
简述了小波包分析及用于特征提取的机理，以SKF 6326-C3轴承为例，从吉林同发风电场采集了不同工况下的实时信号，利用小波包对滚动轴承振动信号进行分解，振动信号被分解到独立的频段。不同频带内的信号能量变化反映了运行状态的改变，提取各频带小波包能量谱，并对其进行能量归一化处理，作为特征向量，最后应用于基于Kohonen神经网络的故障诊断方法。经对大量实测数据的处理和分析，能够比较准确地诊断出轴承的故障。
|
|
20.
|
小波包-神经网络在汽轮机转子故障诊断的应用 被引次数：2
|
|
|
|
|
|
|
刘明利 傅行军 李艳《发电设备》,2009年第23卷第6期
|
|
|
根据汽轮机转子振动信号特点,提出了小波包分析和概率神经网络相结合的故障诊断方法。利用小波包对故障信号进行分解,然后将归一化后的数据用于概率神经网络,从而对信号特征及其故障类型建立非线性映射,实现故障诊断。MATLAB的实验仿真表明,小波包分析和概率神经网络的结合在汽轮机转子常见故障的诊断中是很有效的。
|
