基于小波包分析的异步电机转子故障检测

针对异步电机转子断条故障信号特征频率易被主频淹没的缺点,利用小波包分析法提取电机电流信号的故障特征频带能量,并以此为依据,基于"频率-能量-故障"模式,对异步电机转子断条故障进行检测信号,实验结果表明该方法能够有效检测转子断条故障。     

利用小波包能量区分变压器内外部故障

TA饱和是变压器差动保护中待解决的关键问题之一。通过对变压器TA饱和的深入分析及仿真研究,得出结论:TA饱和时,区外故障电流含有大量明显的突变点,而区内故障电流连续。据此结论,文章提出了一种利用小波包变换区分变压器内外部故障的新方法。首先小波包变换分别对TA饱和情况下的内外部故障电流进行分解,然后对分解后的信号进行能量计算,将问题量化,可以直观地观察信号的差异,最后提出判据。仿真验证证明,该方法能够正确区分TA饱和情况下的内外部故障电流,能及时阻止可能造成的损害,并可防止变压器保护误动。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于小波包分析的变压器继电保护方法研究

对于电力系统而言,区分电力变压器的励磁涌流与短路电流并尽快实施故障诊断是十分必要的.小波包分析能有效地提取上述信号中的有用成分,本文采用小波包分解方法提取特殊频段上的能量特征值作为故障特征向量,针对实测数据进行识别,取得良好效果.     

基于小波包能量熵的变压器振动信号特征研究

利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,最后根据该能量熵值来对变压器绕组进行故障诊断。试验结果表明,该方法能够突显变压器绕组的故障特征信息,为变压器绕组的早期故障的诊断奠定了坚实的基础。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

基于小波包和改进BP神经网络的变压器励磁涌流识别方法

根据励磁涌流和内部故障电流的波形特征存在巨大差异,提出一种基于小波包和改进BP网络的识别励磁涌流的新算法。利用小波包对励磁涌流和故障电流信号进行分解和重构,提取小波包重构系数,计算各频段的能量并进行归一化处理,构造能量特征向量,作为BP网络的输入样本,进行训练和测试,提出保护判据。经过PSCAD/EMTDC和MATLAB软件对大量样本进行仿真验证,证明该方案能够快速准确地识别励磁涌流和内部故障电流。     

基于小波包分析的风力发电系统中变流器的故障识别

以风力发电系统中背靠背式双脉冲宽度调制(pulsewidth modulation,PWM)变流器中整流状态为例,分析了绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)各类开路故障状态下三相PWM整流器直流侧的输出电压信号,提出了基于小波包分析的变流器故障识别方法。该方法利用直流侧输出电压信号的调制特点,从能量谱和功率谱的角度分析了小波包分解后的直流侧输出电压的细节信号,通过频谱特征识别出三相PWM整流器的各类故障。仿真结果验证了该方法的有效性。     

基于小波包分析的配电陬故障选线新方法

提出了基于小波包分析的配电网故障选线新方法用于解决低频采样零序电流信号因发生不同程度的能量衰减而导致的选线错误问题。当发生单相接地故障时．分别对零序电流信号进行低频采样和高频采样．计算高频采样零序电流信号的首波头极性和最大值以及低频采样零序电流信号的最大值．以此为依据对低频采样的零序电流信号做增强处理．然后利用小波包分析方法对增强的信号进行小波包分解，根据能量最大的原则实现故障选线。基于上述原理研制了配电网接地选线装置，给出了装置的硬件结构及软件流程。分别针对零序电流信号能量衰减严重和极性检测错误的情况进行仿真试验。结果表明．该方法有效地提高了小电流接地选线的准确性．     

基于半正交小波包的电机故障信号处理方法

B－样条小波是对称的半正交小波，基于它的小波包称为半正交小波包，它的算法简洁，准确，与Daubechies小波迭代算法不同，B－样条小波是对称的或反对称的小波，基于它的滤波器具有线性相位或广义线性相位，因而可避免信号的相位失真，实验结果表明半正交小波包对故障信号的分解，压缩，重构比Daubechies小波包效果明显，另外对故障信号的小波包分解的不同频带的特征值与正常信号的特征值进行比较，可以对故障信号进行谐波检测和定位。     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

基于小波和神经网络的导弹故障诊断方法

在导弹试验过程中,及时进行故障诊断是保障试验安全的关键,故障诊断的方法一般是采用分析提取到的特征数据,来预判导弹飞行的预期效果和发生故障的概率.在分析过程中需要处理来至多只传感器的测量数据,而其特征向量维数较多,一般的数据处理方法不能满足要求.因此,提出了1种利用小波包分析辅以人工神经网络分析处理的故障诊断方法,实现了...     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于小波神经网络的可更换电路单元故障诊断

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于某装备可更换电路单元故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

基于改进型小波神经网络的灭火系统故障诊断

在装甲车辆灭火系统故障诊断中,小波神经网络算法能将故障诊断定位到元件级,但各元件存在容差,导致参数变化的连续性和随机性使得诊断率不高。为了提高小波神经网络算法在灭火系统中的诊断率,针对网络在运行过程中存在着收敛效果差、训练误差大及容易陷入局部极小值的缺点,网络无法继续训练和测试,提出一种以增加动量的小波自适应神经网络的改进型算法,可以使网络运行更稳定,学习速率更快。经MATLAB仿真实验表明改进后的算法诊断率远高于普通算法。     

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。     

基于小波分析和神经网络的光学电流互感器误差补偿系统

介绍了基于法拉第磁光效应的光学电流互感器的基本原理及线性双折射对系统性能的影响,结合电磁式电流互感器的良好稳态性能和光学电流互感器的无饱和暂态性能,设计了一种基于小波分析和神经网络的光学电流互感器误差补偿系统.小波分析用于检测电力系统的故障时刻从而区分暂态和稳态,神经网络用于补偿光学电流互感器线性双折射效应.通过仿真实验证明:系统能够对光学电流互感器的线性双折射等误差因素进行补偿,提高了光学电流互感器的稳定性和测量结果的准确性.     

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。