基于小波和ELM的电路故障诊断方法研究

为提高模拟电路故障特征提取的有效性以及实现对故障模式的准确分类,提出一种小波包分解和超限学习机(ELM)结合的模拟电路故障诊断方法。文中首先对模拟电路的响应信号进行小波包分解,得到小波包能量值、均值和标准差构成的特征集,然后将特征输入超限学习机中,实现对不同故障类别的识别。模拟诊断实例表明,此方法能快速有效地实现模拟电路故障识别。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于小波包变换预处理的神经网络故障字典法的研究

本文以进行模拟电路故障诊断为主要目的，提出了基于小波包变换预处理的交流电路神经网络故障字典法，此方法充分利用小波包分解信号的能力，把交流电路的频率响应任意细分，能获取更多的故障特征。诊断速度快．效果好     

基于Sammon映射和随机森林算法的模拟电路故障诊断

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出基于Sammon映射和随机森林的模拟电路故障诊断方法.首先对采集到的电压信号进行小波包分解并提取不同子频带的能量谱,然后利用Sammon映射对子频带能量谱进行优化,最后将得到的故障特征输入随机森林进行故障诊断.仿真结果表明:该方法故障诊断率高,能够有效识别模拟电...     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

模拟电路故障最优特征搜索与识别

为解决模拟电路故障诊断中故障特征选取的难题并提高故障识别率,提出一种故障最优特征矢量候选集的搜索算法,并构造了模式最佳邻居查询规则来选取故障模式最优特征进行故障识别.以故障信号小波包分解的频段能量值构造故障样本的初始特征矢量,搜索识别多种模式的特征子矢量生成最优特征矢量候选集,查询模式最佳邻居确定其最大邻域,在综合判据监督下选取故障最优特征完成故障识别.模拟诊断实例表明,选取的最优特征在诊断模拟电路故障时具有满意的准确率.