基于小波包和神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见的故障,提出了基于小波包和神经网络的故障诊断方法.通过对瓦斯传感器的输出信号进行三层小波包分解,得到8个不同频段的分解信号,再对其进行特征提取得到一个八维的特征向量,作为故障样本对三层神经网络进行训练,建立故障类型分类器,对瓦斯传感器故障进行诊断.仿真结果表明:该方法可以准确地诊断出故障类型.     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

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.     

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.     

多传感器信息融合在滚动轴承故障诊断中的应用

针对单一传感器在滚动轴承故障诊断中存在故障识别率不高,敏感特征不易提取,诊断系统可靠性差等问题,提出了采用多传感器特征层、决策层信息融合的故障诊断方法.对振动信号采用经验模式分解(EMD)、小波包和局部均值分解(LMD)方法进行处理并提取特征向量,构建支持向量机分类器.经过特征层交叉诊断,得到初步诊断结果,在决策层采用D-S证据理论进行决策融合.试验表明:该方法可以提高滚动轴承故障识别率.     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

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.     

信息熵支持向量机算法传感器故障诊断研究

研究传感器系统故障诊断效率问题.针对传统故障诊断因传输信息大,速度慢,造成故障,定位不清.传统的方法提取的传感器系统特征信息不全面,导致诊断精度与速度不高.为有效提高传感器系统故障诊断的效率和精度,提出了一种能量信息熵的支持向量机系统故障诊断方法.故障主要难点技术问题在于参数选择优化问题.算法首先利用小波包对传感系统故障信号进行小波包分解,并提取小波包能量信息熵,以此构建输入特征向量;接着采用了支持向量机方法进行非线性特征向量提取,最后以特征向量来建立支持向量机智能化诊断模型.仿真结果表明,改进方法在所有参比模型中精度最高,能高效地对传感器故障进行检测与定位.具有较强的泛化能力,同时缩短了故障诊断时间.     

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法.利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果.仿真实验表明:该方法对测试样本的识别正确率在98.5％以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力.     

基于模式识别的传感器故障诊断

为满足模式识别故障诊断算法的鲁棒性要求，在小波包分解提取特征向量的基础上，提出了有监督模式分类与无监督模式分类相结合的故障诊断方法．利用小波包分解提取各个频带的能量作为特征向量；采用LVQ神经网络作为有监督的模式分类器进行故障诊断；运用无监督的减法聚类方法对新型故障模式进行辨识．最后，通过动力系统管路流量传感器数据对算法进行检验，验证了所提出方法的实用性和有效性．     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于小波包分形的电力电子故障诊断方法

针对现有电力电子故障诊断的问题,提出了一种基于小波包分形的电力电子故障的诊断方法.首先使用3层小波包对电路输出电压波形进行分解、消噪和重构等预处理,以获得不同频带的重构信号,然后再计算各个重构信号的分形维度,提取出相应的故障特征;最后以此作为输入数据来训练支持向量机,实现电力电子故障的诊断.以三相整流电路为例进行实验,实验结果表明该方法能有效地提取电力电子故障诊断的故障特征,提高故障诊断的准确率,可有效地应用于电力电子系统的故障诊断.     

基于梯度提升决策树的电力电子电路故障诊断

针对电力电子电路的常见故障类型,提出一种利用主元分析(PCA)提取电路状态的故障信息特征和基于梯度提升决策树(GBDT)分类的电力电子电路故障诊断方法.首先讨论利用PCA进行特征提取的步骤以及GBDT的分类原理;然后研究了基于PCA特征提取以及GBDT分类的电力电子电路故障诊断流程;最后利用三相桥式整流电路进行了建模、仿真、验证,实验结果表明,采用该方法进行电力电子电路故障诊断相比其他方法在低维空间具有更高的诊断准确率和更佳的样本泛化能力.     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

小波分析在传感器故障诊断中的应用

为提高飞机燃油系统中传感器的有效性,对基于小波分析的传感器故障诊断方法进行了改进;该方法通过对传感器输出信号进行小波多分辨分析(MRA)能对缓变故障和突变故障进行准确定位,同时根据故障奇异点的模极大值和各尺度下故障前后能量变化特征实现对故障类型的判别;利用LabVIEW设计了传感器智能故障诊断系统,利用试验中采集的数据成功实现对飞机燃油系统油位传感器几种典型故障的诊断,证明该方法的有效性.     

基于小波包频带能量检测技术的故障诊断

在机械设备的在线检测和故障诊断中,振动信号分析是十分重要的手段。小波包变换能将振动信号按任意时频分辨率分解到不同频段,而各频段信号的能量变化包含着丰富的信息。在机械设备运行正常和非正常两种状况下,小波包分解后各频段信号的能量谱尺度图有明显差异。将小波包能量谱尺度图检测方法用于轴承振动信号的诊断处理,验证了该检测方法有效、可行,为机械故障诊断提供了一条新的途径。     

Vibration-based fault diagnosis of spur bevel gear box using fuzzy technique

To determine the condition of an inaccessible gear in an operating machine the vibration signal of the machine can be continuously monitored by placing a sensor close to the source of the vibrations. These signals can be further processed to extract the features and identify the status of the machine. The vibration signal acquired from the operating machine has been used to effectively diagnose the condition of inaccessible moving components inside the machine. Suitable sensors are kept at various locations to pick up the signals produced by machinery and these signals are very meaningful in condition diagnosis surveillance. To determine the important characteristics and to unravel the significance of these signals, further analysis or processing is required.This paper presents the use of decision tree for selecting best statistical features that will discriminate the fault conditions of the gear box from the signals extracted. These features are extracted from vibration signals. A rule set is formed from the extracted features and fed to a fuzzy classifier. The rule set necessary for building the fuzzy classifier is obtained largely by intuition and domain knowledge. This paper also presents the usage of decision tree to generate the rules automatically from the feature set. The vibration signal from a piezo-electric transducer is captured for the following conditions – good bevel gear, bevel gear with tooth breakage (GTB), bevel gear with crack at root of the tooth (GTC), and bevel gear with face wear of the teeth (TFW) for various loading and lubrication conditions. The statistical features were extracted and good features that discriminate the different fault conditions of the gearbox were selected using decision tree. The rule set for fuzzy classifier is obtained by once using the decision tree again. A fuzzy classifier is built and tested with representative data. The results are found to be encouraging.