基于小波包熵和马氏距离的级联式变频器故障诊断

针对级联式变频器内部功率管开路故障诊断中,逆变侧功率管开路故障隐蔽性较强、诊断较难的问题,提出了一种基于小波包特征熵的故障信号提取方法。为了提高级联式变频器功率管开路故障的诊断精度,采用马氏距离分类法进行故障诊断。首先,采集某型号级联式变频器在不同工况下的输入侧电流信号;其次,对采集的电流信号作小波包变换,并提取其特征熵向量作为样本数据集;最后,利用马氏距离分类法进行故障诊断。试验结果表明:采用小波包特征熵提取算法,可以有效地提取级联式变频器功率管发生开路故障时的电流信号特征;同时,采用马氏距离分类法,能够较好地对特征熵向量进行分类和识别。2种算法的结合,可以有效诊断级联式变频器功率管开路故障,也为变频器功率管开路故障的诊断提供了新方法。     

改进的模糊聚类在控制系统故障诊断中的应用

为了提高控制系统中传感器与执行器故障诊断的准确性,结合小波分析特征提取的优势和密度函数加权模糊C-均值聚类具有较好分类效果的特点,提出了一种新的控制系统故障诊断方法。该方法首先利用小波分析对故障信号进行特征提取,降低噪声的影响;然后对特征提取后的数据通过加权模糊C-均值聚类算法,对故障进行识别分类。实验表明,基于小波分析和加权模糊C-均值聚类相结合的方法,不仅可以识别不同部件的故障,而且可以对同一部件的不同类型的故障进行诊断。     

基于小波与GBDT的无人机传感器故障诊断

相对于有人飞行器,确保无人机传感器的正常工作更为重要.针对无人机传感器的故障诊断,提出了一种将小波特征提取与梯度提升决策树(GBDT)算法相结合的故障诊断方法.采用基于多层小波包分解的特征提取方法,将小波包分解系数与频带能量熵组合构成特征向量,相比单一的能量特征提取方法,有效提升了故障的可分性.采用梯度提升的策略对弱分类器进行迭代优化和线性组合,构成强分类器,使故障分类精度得到显著提高.仿真结果表明,该方法能有效进行特征提取和故障类型识别,且有较高的诊断精度和较强的泛化能力.     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

小波变换在液压油缸泄漏故障诊断中的应用

针对液压油缸泄漏故障诊断中压力信号特征提取的难题,提出了通过监测压力信号,基于小波变换能量特征和BP网络的故障诊断方法。该诊断方法将压力信号进行小波分解后得到的各频带信号能量作为特征向量,输入到BP网络分类器中进行故障识别和分类。实验结果表明,该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的三种状态,是液压油缸泄漏故障诊断行之有效的方法。     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

基于最优提升小波局部熵的轴承故障特征提取

为了解决轴承故障诊断中,传统无量纲指标没有考虑其他噪声干扰,且分析结果有一定偏差等问题,提出一种基于提升小波分解的局部熵无量纲指标特征提取方法.该方法采用最优提升小波进行分解,并结合局部熵提出一种无量纲指标,对滚动轴承振动实验信号进行故障特征提取,并与常用无量纲指标进行对比,验证了该方法的有效性.     

基于小波包特征熵的飞机液压系统故障诊断方法研究

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。     

小波包特征熵在级联式变频器故障诊断中的应用

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.     

基于小波熵的电机故障诊断

小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值．基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。仿真实验证明小波分析技术对电机声频故障诊断十分有效,有进一步的研究的必要,在电机的故障诊断方面小波有良好的应用前景。     

基于图像特征提取的飞行器故障诊断系统设计

为提高飞行器测试数据的利用率,解决飞行器故障诊断中资源浪费的问题。提出并实现了一种基于数据图像特征提取的飞行器故障自动诊断系统。系统通过建立一个历史测试数据库,对各种测试项目的历史图像提取特征值,将其存储在数据库中,且将该次测试对应的诊断信息存储在内。利用小波变换法作为特征提取的方法,小波能谱熵作为特征值表征。将当前测试故障的数据图像进行特征提取,并与数据库中图像进行比对,找出相似度最高的历史数据图像。从而帮助测试人员进行故障定位诊断工作。     

基于故障特征信息熵的故障诊断策略优化方法

针对复杂电子设备的顺序故障诊断策略问题,为实现快速的故障检测与隔离,提出了一种基于故障特征信息熵的故障诊断策略树生成算法。该算法综合考虑测试费用和故障概率因素,依据故障特征信息熵的大小依次选择测试点来生成优化的故障诊断策略树。实例表明该算法可行,能以较低的测试费用和较少的测试步骤实现复杂电子设备的故障检测和隔离。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点，提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号，利用小波变换对检测信号进行预处理，基于主成分分析对特征矢量进行降维，根据模拟电路的不同故障模式分别建立诊断神经网络，用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障；通过电路实例验证了新故障诊断方法的有效性，实验结果表明新方法可有效提高故障诊断性能。     

基于WPEE-RF的模拟电路故障诊断

为实现高效的模拟电路故障诊断,提出了基于小波包能量熵(WPEE)和随机森林(RF)的模拟电路故障诊断方法;选择合适的测试激励信号,监测电路收集数据,对模拟电路监测数据进行5层小波包分解,计算多频带WPEE向量表征故障特征,由RF分类器实现故障诊断;仿真实验结果表明,该方法在双二次滤波电路、Sallen-key滤波电路容差故障诊断以及对数放大器综合故障诊断中体现出良好的性能,故障诊断准确率达99%以上,且该方法具有参数鲁棒性,RF模型训练时间短;较支持向量机和BP网络方法相比,表现出更好的综合性能,更能贴近工程实践应用。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

改进深层小波自编码器的轴承故障诊断方法

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入“跨层”连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器等方法。     

Support Vector Machines for classification and locating faults on transmission lines

This paper presents a new approach to classify fault types and predict the fault location in the high-voltage power transmission lines, by using Support Vector Machines (SVM) and Wavelet Transform (WT) of the measured one-terminal voltage and current transient signals. Wavelet entropy criterion is applied to wavelet detail coefficients to reduce the size of feature vector before classification and prediction stages. The experiments performed for different kinds of faults occurred on the transmission line have proved very good accuracy of the proposed fault location algorithm. The fault classification error is below 1% for all tested fault conditions. The average error of fault location in a 380 kV–360-km transmission line is below 0.26% and the maximum error did not exceed 0.95 km.     

一种融合差别矩阵和条件熵的故障诊断方法

当约简对象过多时,粗糙集中基于差别矩阵的属性约简算法无法摆脱“知识爆炸”的问题。引入相对差别矩阵的概念,提出一种基于相对差别矩阵和条件信息熵的算法,比较分析了该算法与单纯应用差别矩阵算法和信息熵算法的优势,应用于某型机载电台设备进行故障诊断,结果表明3种算法结果一致,并且是对单纯差别矩阵和信息熵算法的简化。