小波包特征熵神经网络在尾水管故障诊断中的应用

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。     

基于BP神经网络和小波包能量熵的异步电动机故障诊断

为了高效解决异步电动机故障问题,提出了一种基于反向传播(BP)神经网络和小波包能量分析的异步电动机故障诊断系统。采用定子电流信号作为异步电动机的故障信号,运用小波包能量分析对采集的定子电流信号进行分析,提取出相应的故障特征向量。为了提高诊断的准确性,提取信号时域、频域的特征,输入到BP神经网络中进行训练学习。经过足够多的训练后,用测试样本对其精确率进行测试。通过所提方法,可以及时排除及修正异步电动机故障,提高工厂的经济效益。     

小波包与神经网络在电机故障诊断中的应用研究

文章对电机的故障特点进行分析,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,结合小波包的能量特性,提出了故障信号在不同分解频段的能量特征概念及算法,并将其与BP神经网络相结合,提出了一种新的电机故障诊断方法,实验结果证实了该方法的正确性和有效性。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

小波熵证据的信息融合在电力系统故障诊断中的应用

电力系统中快速准确的故障诊断是事故后隔离故障元件、恢复系统正常运行的首要前提,具有重要意义。该文从信息融合的角度出发,提出利用多种小波熵测度的融合来解决电力系统故障诊断问题。小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取线路故障特征,但由于故障的不确定性和多样性,依靠单一的小波熵测度诊断故障可能出现诊断困难或诊断失真等问题,因此提出采用D-S证据理论对多种小波熵进行信息融合,并采用范数加权平均的方法来建立基本可信度分配,以基本可信数的决策方法来实现故障模式诊断。基于EMTDC和Matlab的仿真证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性和实时性,是故障模式定量诊断的一种可行性新方法。     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

小波包-最大熵谱估计及其在水轮机故障诊断中的应用

充分利用小波包(WP)的时频局部化分析能力和最大熵谱估计(MESE)的频谱细化优点,提出了一种新的谱分析方法——小波包一最大熵谱估计(WP-MESE)。该方法能对振动信号进行多分辨分解,提取故障特征信息,进而进行精确的频谱分析;并运用此法有效地提取了水轮机轴系动态特性信息。实践证明该法是提取微弱故障信息并进行早期诊断的有效方法。     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

小波包-能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包-能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断.小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点.仿真结果表明,小波包-能量谱用于高压断路器机械故障诊断中是行之有效的.     

自适应小波分类网络在充油电力设备故障识别中的应用

本文针对电力设备故障诊断的特点,提出了一种用于高维数据分析的小波分类网络（ＷａｖｅｌｅｔＣｌａｓｓｉｆｉｃａｔｉｏｎＮｅｔｗｏｒｋ,简称ＷＣＮ）,并结合具体应用研究了提高网络推广能力和抗噪性能的方法。实例检验结果证明了该网络应用的有效性。     

小波熵理论及其在电力系统中应用的可行性探讨

电力系统采集的丰富实时数据包含系统模型的复杂性和不确定性,从这些数据中挖掘和融合出一个或系列普适量来检测系统的故障或稳定性至关重要。章分析了小波熵(Wavelet Entropy)在电力系统故障检测与判别中应用的可行性,探讨了基于小波分析理论的小波熵概念,提出了两种小波熵的定义和计算方法,仿真验证了小波熵可以用在输电线路的故障检测中,探讨了小波熵理论在电力系统故障检测与判别、系统故障分类等应用中的前景。     

Applying wavelet entropy principle in fault classification

The ability to detect and classify the type of fault plays a great role in the protection of power system. This procedure is required to be precise with no time consumption. In this paper detection of fault type has been implemented using wavelet analysis together with wavelet entropy principle. The simulation of power system is carried out using PSCAD/EMTDC. Different types of faults were studied obtaining various current waveforms. These current waveforms were decomposed using wavelet analysis into different approximation and details. The wavelet entropies of such decompositions are analyzed reaching a successful methodology for fault classification. The suggested approach is tested using different fault types and proven successful identification for the type of fault.     

小波包–能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包–能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断。小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点。仿真结果表明,小波包–能量谱用于高压断路器机械故障诊断中是行之有效的。     

联合AGR的神经网络在电力系统故障和振荡识别中的应用

结合最优联合时一频处理无交叉项干扰及神经网络自学习分类识别的优点,提出了一种在有色噪声干扰下识别电力系统故障和振荡的方法。将经过自适应高斯基表示(Adaptive Gaussian Representation,AGR)分析处理的电力信号特征向量输入神经网络分类器进行识别。待辨识输入向量不仅表征了原信号的基本信息,而且没有交叉项,运算简单。仿真结果表明,此方法能正确分类识别有色噪声干扰下的系统故障和振荡,提高了电力系统微机保护在系统振荡中检测故障的灵敏性和精确性。     

基于虚拟仪器的电力电缆故障测距仪的研究

电力电缆埋藏于地下,运行环境复杂,因此进行电缆的故障诊断比较困难.文章分析了现有测距设备的不足和测距方法存在误差的原因,并设计了基于虚拟仪器的电力电缆故障智能测距仪.此测试系统充分利用高级语言的强大功能和Windows编程风格;并引入小波变换和相关分析方法对故障信号进行分析以实现故障的自动测距.试验结果表明,此系统可提高故障测距的正确性和精度.     

基于电容式电压互感器二次信号的行波故障定位方法

根据行波定位的技术特点,建立了电容式电压互感器 (Capacitor Voltage Transformer,CVT)高频暂态仿真模型, 分析了CVT行波信号的传变特性,论证了利用CVT二次信号进行故障定位的可行性,在此基础上提出了利用小波分析进行行波波头检测的实现方法。仿真结果表明,利用CVT 二次信号,通过小波变换方法可准确识别电压行波波头,实现高精度的故障定位。     

基于人工神经网络的变压器故障诊断

介绍了电力变压器故障诊断的人工神经网络法 (ANN) ,提出了人工神经网络的模块化结构 ,并用具体实例说明了ANN对变压器内部潜伏性故障作出早期诊断的可行性和有效性。