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。     

基于小波分析的故障诊断

本文通过各种实例，有选择地对信号进行小波分解或小波包分解，并对分解的数据进行处理或重构，最终达到故障信号的检测、信噪分离和信号频带分离的目的，证实了该方法作为故障诊断手段的有效性。     

基于多小波熵灰色理论的故障诊断应用研究

为了有效地对其进行故障诊断,提出了一种基于多小波熵特征提取与灰色理论相结合的故障分类方法,小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取电流信号故障特征,但由于设备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,对多种小波熵进行了特征提取,并结合灰色理论进行故障关联,以飞机液压试验台上采集的压力信号进行故障分类,试验结果表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,为设备故障诊断提供了一种可行的新方法。     

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.     

基于小波神经网络的电机声频故障诊断系统

采用能量分布特征提取方法和改进的BP算法，设计了一种基于小波神经网络的故障诊断系统，并应用于电机声频诊断技术。实验表明，此系统诊断结果与实际相符，验证了该小波神经网络故障诊断系统的有效性。     

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.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于小波包能量熵与SVM的微电网故障诊断

为了提高微电网内部线路故障识别的实时性和准确性,建立适用性强的微电网故障诊断系统,文章提出了基于小波包能量熵和支持向量机(SVM)二叉树多分类器(2PTMC)的微电网内部线路故障诊断模型.利用小波包分析得到并网耦合点(PCC)处三相电流电压的小波包能量熵,作为样本的特征向量按故障发生频率训练多个SVM,构成树状微电网故障诊断系统.最后,在PSCAD平台建立微电网系统进行仿真,实验结果表明该方法可以准确地辨别出微电网故障类型,在未经训练的样本上也有良好的表现,符合微电网故障系统辨别的要求.     

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。     

基于小波变换的滚动轴承故障诊断分析

设计了滚动轴承故障模拟试验台,利用小渡变换对检测到的轴承故障信号进行分析,通过分解到各个频段,再经过分析比较故障信号所得出的细节信号,得出基于小波变换的滚动轴承故障诊断方法是可靠准确的,可以应用于轴承的状态检测与故障诊断.     

连续小波变换在传感器故障诊断中的应用

小波变换在信号分析与处理中有良好的局部性质.主要研究基于连续小波变换极值点的方法在传感器故障诊断中的应用.对输入信号输出信号进行连续小波变换,利用该变换求出输入输出信号的奇异值,然后去除由于输入突变所引起的极值点,则其余的极值点对应于传感器的故障.在MATLAB平台下,仿真结果表明,该故障诊断方法可以有效地进行故障检测和定位.     

小波分析算法研究及在齿轮与滚动轴承故障诊断中应用

分析了齿轮与滚动轴承故障振动信号的特征,利用小波变换的分解和重构算法,有效地提取出齿轮与滚动轴承故障特征信号,得到实验结果.通过比较频谱分析和小波分析的特点,有效地证明了小波分析在微弱故障信号提取中的优势.     

基于排列熵的振动信号小波包阈值去噪研究

工程实践中的振动信号往往存在噪声干扰而导致信号特征信息无法显露,传统小波包软、硬阈值函数去噪形式固定,无法依据信号小波包分解系数的噪声干扰情况进行调整.据此,提出一种新的介于软、硬阈值函数之间的改进小波包阈值函数,并将排列熵作为信号含噪情况表征参数引入阈值函数中.对信号小波包系数进行排列熵计算,并依据该值对阈值函数进行自适应调整,使得新的阈值函数能够对含噪较多的小波包系数进行大尺度收缩而对含实际信号特征较多的小波包系数尽可能地保留,从而达到最佳的去噪效果.对滚动轴承振动实验信号的去噪分析,并与其他方法进行对比,验证了该方法的有效性与优越性.     

基于小波熵和相关性的高分辨率阈值去噪方法

提出了一种基于小波熵和相关性相结合的高分辨率小波阈值去噪方法.首先利用小波变换中各尺度间有效信息和噪声的相关性不同的特性,对小波分解后的各尺度的高频小波系数进行相关处理,确定出有效信息的位置,并将其置零,经过相关处理后的高频小波系数认为是由噪声引起的.将相关处理后的高频小波系数分成若干区间,计算各区间的小波熵,将小波熵最大区间的高频小波系数的平均值作为噪声标准差,计算各尺度的阈值;采用软阈值处理,最后重构得到去噪后的信号.该算法实现了各尺度阈值的自适应选取,提高了信噪比.仿真验证了该算法的有效性.     

基于小波变换的传感器故障诊断

传感器故障的诊断是非常重要的。传统的基于快速傅立叶变换的频谱分析有其局限性和缺陷性,为了克服其缺点,运用小波变换的方法。在介绍了小波变换理论的基础上,采用小波变换技术对传感器进行故障检测,快速而较为准确地诊断出传感器故障。仿真实验证明小波变换技术对传感器故障诊断是十分有效的,取得满意的效果。在传感器的故障诊断方面小波变换有良好的应用前景,有力地证明了它在传感器诊断技术中的优越性。     

基于小波神经网络的陀螺仪故障诊断

为了准确可靠地发现和预测陀螺仪的故障,提出了一种基于RBF小波神经网络的陀螺仪故障检测方法;该方法是将陀螺仪的输出信号进行三层小波包分解,再对分解得到的8个不同频段上的节点进行特征提取,将提取后的8维特征向量作为RBF神经网络的输入;当陀螺仪发生故障时,陀螺仪的输出信号中会产生突变成分,进行训练后的RBF神经网络可以准确地诊断出陀螺仪的故障类型;应用Matlab实现了RBF小波神经网络诊断陀螺仪故障类型的仿真;仿真结果表明,应用RBF小波神经网络进行陀螺仪故障诊断有很好的效果。     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

基于小波奇异信息熵的10 kV供电系统故障选线研究与仿真

针对现有的供电系统中接地故障选线精度不足、反应速率较慢的问题,提出一种利用小波分析、奇异值分解和信息熵的融合的供电系统接地故障选线新方法.充分利用小波变换良好信号时频分析特点,奇异值分解维数压缩、特征提取能力,信息熵测度强大的系统状态、特征信号的定量描述、对比、研究特点,在系统故障后的故障选线中,克服单一方法对系统接地故障的失判或误判.通过Matlab与Simulink软件建立供电系统模型,对基于小波奇异信息熵的供电系统接地故障选线方法进行多方位的测试,实验结果表明该方法对供电系统接地故障能够快速、准确地诊断选线,是一种新的行之有效的供电系统接地故障选线方法.