基于小波包变换的谐波检测仿真分析

主要对基于小波包变换的谐波检测方法进行了探讨,通过MATLAB进行了编程仿真,从而确定这种检测方法的可行性和优越性。     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

基于谐波小波包和DAG-RVM的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法受人为因素影响较为严重,故障成因相对复杂等问题,在现有的研究基础上提出一种基于小波包分析和有向无环图相关向量机相结合的故障诊断方法。将滚动轴承在不同的故障条件下的振动信号进行谐波小波包分解与重构,提取频带能量作为特征向量,应用有向无环图相关向量机建立从特征向量到故障模式之间的映射,最终做到对滚动轴承的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性。此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于谐波小波包和IAGA-SVM的滚动轴承故障诊断

传统方法在诊断滚动轴承故障时受人为因素影响,故障成因复杂,因此在已有理论上提出一种基于谐波小波包和自适应支持向量机相结合的捣固车故障诊断方法。谐波小波包对不同故障下的振动信号展开分解及重构后所提取的频带能量即为特征向量,再把特征值输入支持向量机(SVM)模型中训练并对核函数和惩罚系数进行优化。用自适应支持向量机构建从特征向量到故障类型间的对应,从而完成滚动轴承故障的诊断。该方法能高效准确地诊断出故障类型且有实用价值。通过与GA-SVM及AGA-SVM对比,证明此方法在故障诊断领域中的卓越性。     

小波分析在旋转机械故障诊断中的应用

通过对相关理论的分析证实了旋转机械的故障振动信号基本上是一个复合信号。该复合信号包含多个信号分量，每个信号分量都具有一个单一的频率，每个单一频率都是由旋转机械的旋转频率决定的。如果知道旋转机械的旋转频率，就可以知道这些单一频率。通过对小波理论的分析，证明了在一定的情况下小波分解的频率范围由离散信号的采样频率决定。结合以上理论，提出了一种新的信号检测和分析方法。     

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.     

基于三层小波包分解的陀螺仪故障诊断

通过三层小波包分解将陀螺仪的输出信号进行分解,对分解得到的八个不同频段上的节点进行特征提取,提取后的8维特征向量作为神经网络的输入.对RBF神经网络进行训练,训练后的神经网络进行故障诊断.对神经网络进行测试,经测试当系统输入向量存在故障时,系统可以准确的诊断出故障类型.     

基于小波包变换的电力谐波检测研究

提出了一种基于小波包变换的电力谐波检测方法。该方法采用小波包变换对电流信号进行分解,即将该电流信号分解成低频部分与高频部分,然后分别对低频部分及高频部分进行小波包分解,重构后得到该电流信号的基波分量,从原始电流信号中减去基波分量,从而得到该电流信号的谐波分量。仿真结果表明,该方法能够很好地检测出电流信号中的谐波分量,并且能对指定频率的谐波进行检测。     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于改进灰狼优化算法的网络流量预测模型

针对传统网络流量预测模型泛化能力弱和准确度低的缺点,提出一种组合小波包分解(WPD)和灰狼横纵多维混沌寻优算法(CCGWO)优化Elman神经网络的短期网络流量预测模型(WPD-CCGWO-ELMAN)。网络流量在小波包的作用下分解成多个频段序列,各子序列通过CCGWO-ELMAN神经网络优化模型进行单步或多步预测处理,然后重构并叠加各预测值,得到未来短时间段内的网络流量值。实验结果表明,该模型具有较好的预测精度和鲁棒性,并能掌握网络流量时间序列的变化规律。     

Quasi-Newton BP神经网络算法在电梯急停故障诊断中的应用

为了判断电梯运行是否故障急停,结合电梯动态智能检测系统的结构和特点,采用基于多传感器数据融合技术的3层BP神经网络方法,并将其应用到电梯动态智能检测系统中;因对不同传感器采集的信号采用不同的处理方法,训练样本包括基于小波包分析的能量特征向量,峭度系数、峰峰值时域特征值;Quasi-Newton BP算法经104步完成对样本训练,精度是2.6x10-4,实现检测系统的智能化急停诊断;结果表明该算法优于弹性BP算法.     

于小波包及小波神经网络的光纤熔接缺陷模式识别

介绍光纤熔接缺陷的识别在光纤通信中的重要意义。应用超声波探伤仪系统对光纤熔接点进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值和应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立网络模型以实现缺陷定性识别。实验结果表明,小波包分析充分利用了缺陷回波信号的时域、频域信息,将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨率,而小波神经网络良好的局部放大特性和多分辨率学习特性使缺陷的定性分类获得了较高的准确率。     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

联合SWT和三角基神经网络的近频率谐波提取

同步挤压小波变换(SWT)可以精确地检测近频率谐波信号的频率,但在幅值和相位的检测中存在较大的误差.为了提高SWT的检测精度,提出一种将SWT和三角基函数神经网络相结合的近频率谐波检测方法.首先,通过SWT检测近频率谐波中谐波分量的个数和频率初值;然后,根据检测结果构造三角基函数神经网络,将频率作为权值在网络中参与学习;最后,利用最速下降法对网络进行训练,根据训练后得到的权值精确计算谐波分量的频率、幅值和相位.利用不同类型的近频率谐波对所提方法进行了实验分析,实验结果表明,该方法可以有效提高近频率谐波的提取精度,即使在强白噪声干扰下,也可较精确地提取出各谐波分量,提取效果优于经典的SWT方法.     

Elman人工神经网络的收敛性分析

应用Lyapunov稳定性理论分析了Elman人工神经网络的收敛性,讨论了基本的Elman人工神经网络收敛的充分条件,以及改进的Elman人工神经网络收敛的充分条件。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于Elman神经网络的燃气轮机功率预测方法研究

预测燃气轮机未来的功率变化趋势对故障预测非常重要。针对燃气轮机故障预测的问题,提出了一种基于Elman神经网络的功率预测方法。以某电厂燃气轮机的实际数据为例,选取与功率变化最相关的属性。通过对比实验,采取合适的预处理方法,确定神经网络模型的输入,设置合适的隐含层神经元个数,从而建立了基于Elman神经网络的燃气轮机功率预测模型。最后通过与反向传播(back propagation,BP)网络、径向基函数(radial basis function,RBF)网络进行比较,验证了该方法的有效性。