电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

极限学习机在电机故障智能诊断中的应用

针对传统的电机故障诊断方法往往采用单一信号作为诊断依据,以及利用传统的BP神经网络进行故障诊断时存在的训练速度慢、易陷入局部极小值的缺点,提出了一种基于极限学习机和多源信息融合的电机故障诊断方法.首先将定子电流信号做陷波处理,滤除基波分量;然后对电流及振动信号进行小波包分解和重构,以各频带的小波包能量谱作为故障特征向量训练极限学习机模型;最后将训练好的极限学习机模型作为诊断决策分类器来判断电机的运行状态.实验结果表明,此方法能够准确地诊断电机的故障类型,具有运行速度快、故障诊断准确率高的特点,满足了系统在线实时诊断的要求.     

基于信息融合的电机音频故障诊断

针对目前电机音频故障诊断单传感器信号分析可靠性不足的缺点,将信息融合技术与神经网络相结合,建立电机故障诊断系统。采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,运用D-S证据理论合成算法对各证据理论进行决策级融合,构建了电机故障音频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

飞行器导航传感器故障诊断的应用研究

研究导航传感器故障诊断问题,由于飞行器导航传感器所处环境十分复杂,导航系统由多种部件组成,故障存在许多随机性、模糊性和不确定性因素,难以建立确定数学模型。传统线性模型故障诊断准确率低。为了提高飞行器导航传感器故障诊断准确率,提出一种神经网络的导航传感器故障诊断方法。飞行器导航传感器发生故障时信号中会产生突变成分,利用小波包对原始故障信号进行分解,提取信号特征向量,然后将特征向量输入神经网络训练,实现飞行器导航传感器故障智能化诊断。在Matlab平台实现传感器故障诊断的仿真,结果表明,神经网络提高了飞行器导航传感器故障诊断的准确率,是一种在线、行之有效的导航传感器故障方法。     

神经网络对水电机组振动故障的应用研究

研究水电机组振动故障问题.由于引起水电机组故障原因十分复杂,且监测数据量大、冗余信息严重,采用传统的RBF神经网络对水电机组故障进行诊断,存在RBF网络结构复杂、训练时间长和诊断准确率低等缺陷.为了提高故障诊断的准确性,提出一种主成分分析和RBF神经网络相结合的水电机组故障诊断方法.首先用主成分分析方法对故障信息进行预处理,消除无用和冗余的信息,然后采用RBF神经网络对预处理后的故障信息进行训练和诊断,从而减少RBF神经网络的规模,简化网络结构,加快故障诊断速度.借用某电站实测机组数据进行仿真,结果表明,本文算法不仅很好地克服了传统RBF神经网络的不足,而且有效地提高了水电机组故障诊断准确性和效率,结果证明本文提出的水电机组故障诊断方法的有效性和优越性.     

基于神经网络的电机可靠性控制技术研究

以改进的CMAC(cerebellar model articulation controllers)神经网络作为电机可靠性控制的基础,提出一种动态非线性系统自适应容错控制方法。由于改进CMAC信息融合模型具有连续输出特性,从而解决常规故障诊断方法对电机涌堵故障连续变化情形不能诊断的缺陷。从而提高神经网络的在线学习速度和精度;在故障在线学习的基础上进行电机的容错控制律的在线重构,实现电机的在线故障诊断与容错控制的集成,分析了系统的稳定性,并给出了仿真结果。     

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。     

一种新的神经网络故障诊断方法

基于数据融合思想，提出一种新的神经网络故障诊断方法。利用系统故障征兆的分散性和复杂性，采用多个神经网络分别对每一类故障进行诊断，网络输入为与输出故障相关联的监测信号的特征值，将各网络输出进行融合，给出最后诊断结果。将该方法应用于斜轴式无铰柱塞液压泵故障诊断，结果表明能够充分利用各种特征信息，提高诊断速度和精确度。