基于小波包分析和Elman神经网的故障诊断方法研究

由非线性电力电子装置组成的电路发生故障时,故障特征信息不易提取和识别。对此提出一种基于小波包分析和Elman神经网的电力电子装置故障诊断的方法,先运用小波包分析法提取电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以12脉冲整流电路为例,在Matlab软件下建立电路模型进行仿真实验,结果表明该方法能快速、准确的完成故障诊断。     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

基于小波包神经网络的开关电源电路故障诊断研究

针对开关电源电路常见故障,提出一种基于小波包神经网络的开关电源电路故障诊断方法。利用小波分析对开关电源输出电压进行分析处理,依据小波多分辨分析的特点,获得信号各频段的细节系数及其能量,再利用小波包分析对小波分析中没有细分的高频信号进行分解,提高频率分解率,将各频段能量进行归一化处理后,构造故障特征向量作为神经网络的输入进行分类。将Multisim13与Matlab可以实现开关电源电路的故障诊断。     

基于Elman神经网络的模拟电路故障诊断研究

针对模拟电路的软故障,文中提出了一种基于改进Elman神经网络与提高特征向量有效性相结合的诊断方法。该方法对不同情况下的输出信号进行3次小波分析,形成8维的特征向量,再与改进的Elman神经网络结合进行分类与诊断。将改进Elman神经网络应用于非线性模拟电路故障诊断中可提高其诊断率与分类率。文中对其诊断方法进行了实验对比测试,结果表明,该方法提高了诊断性能,其诊断率与分类率分别为92.5%和83%。     

基于Elman神经网络的故障诊断器研究

针对BP神经网络易存在局部最小,收敛速度较慢的缺点,研究设计了一种基于Elman神经网络的敝障诊断器,建立了E1man神经网络及基于该网络的故障诊断器结构模型;利用某实际电路测试数据,训练并检测该故障诊断器的效能,试验结果表明该故障诊断器有较高的准确性和可靠性,具有工程使用价值。     

基于改进Elman神经网络的齿轮箱故障诊断研究

总结分析了Elman神经网络用于故障诊断的不足,将改进的Elman神经网络应用于齿轮箱故障诊断。选取齿轮箱常发生的五种故障模式,建立改进前后Elman两种网络模型并进行测试。经过验证表明:改进后的Elman网络可以应用在实际工程故障诊断中,它在稳定性及收敛速度等方面有明显优势。     

基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

基于小波包与神经网络的海底电缆故障诊断北大核心

针对海底电缆的故障诊断问题,提出了一种基于小波包与神经网络的诊断新方法。该方法将海缆中光纤的布里渊频移转换成温度和应变数据,首先使用六层小波分解对监测信号降噪,然后对故障数据进行三层小波包分解和重构,再通过提取能量、标准差和Shannon熵等构造特征向量并输入BP(反向传播)神经网络进行训练和测试。实验分析表明,在海底电缆故障诊断中,采用标准差作为特征向量输入BP神经网络中的诊断方法性能最佳。     

模拟电路故障诊断的小波包预处理神经网络改进算法

提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方法:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.     

基于小波包和神经网络激光冲击强化诊断研究

为了对激光冲击强化过程进行故障诊断,提出了一种基于小波包和BP神经网络的声学诊断方法,利用小波包提取出了激光冲击强化过程中所采集声波信号在某些频段的能量作为信号特征,并通过神经网络进行训练,能够较好地识别出模拟的故障情况,对于进一步加强声学诊断方法的研究具有重要意义。     

基于小波包变换的FED驱动电路故障诊断

根据FED驱动电路的特性,提出了一种小波包变换和神经网络相结合的方法,并将其应用于FED的驱动电路故障诊断.首先采用小波包变换对电路输出节点的电压信号进行分解,提取各频段的能量作为故障样本输入神经网络.仿真实验证明,该方法减少了故障诊断的时间,提高了故障诊断的准确率,使准确率达到87.17％.     

基于Elman神经网络的飞机电源系统欠压故障诊断研究

分析了飞机电源系统欠压故障的发生原因和判别,尝试了一种基于改进E lm an神经网络的飞机电源欠压故障仿真方法,在阐述E lm an网络理论的基础上,将改进E lm an网络应用于飞机电源欠压故障的诊断,分析了网络结构、学习算法、特征提取和故障判别方法;网络模型应用了故障样本及专家经验知识,并通过学习使模型不断完善。通过实验数据验证,该网络模型和故障诊断方法是可行和有效的。     

改进Elman神经网络在火控系统故障诊断中的应用

针对某型战机航空火控系统故障诊断方法对维修人员、检测设备依赖性大、故障诊断时间长等弊端,选用了对非线性对象有较好的控制及扰动消除效果的Elman神经网络方法,并将其应用于火控系统的故障诊断,为了提高网络性能,对Elman网络进行了相应的改进,在结构单元增加了自反馈增益因子α,并建立了基于Elman神经网络的火控系统故障诊断模型,通过一定的故障样本进行了训练和测试,结果证明该方法能有效地识别出故障原因,故障诊断准确率较高,有较强的鲁棒性.     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

小波包分析在滚动轴承故障诊断中应用

根据小波包多分辨原理,对齿轮减速器JZQ250内的轴承振动信号进行处理,在分析滚动轴承振动机理的基础上,利用小波包进行多尺度分解,根据信号与噪声随尺度增加的不同传播特性,低频部分代表信号的发展趋势,正常状态信号趋势单调递增,故障状态信号趋势则单调递减,初步判定轴承的运行状态是否正常。当判定为故障时,选择小波包分解重构后特殊层的信息进行频谱分析,提取其故障特征频率。经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态,内圈、外圈和保持架故障运行状态,具有一定的工程实用价值。     

小波包分析在旋转机械故障诊断中的应用

简述了小波包分析的基本原理及其用于故障特征识别的机理,研究了小波包分析在旋转机械故障诊断中的应用。由于此技术能够从复杂的信号中有效地提取微弱的故障特征信号,因此与小波分析相比,分析更为精细简单。实例采用小波包原理对一类旋转信号进行分解重构后,成功地提取了故障特征,体现了小波包分析的优良特性,其结果证明了该方法是行之有效的。     

基于改进小波包分析的导航设备故障诊断的特征提取

针对故障诊断信号特征提取问题,提出了小波包分析的改进算法,该算法通过对小波包分解系数的重新排序,解决了小波包分析的频带混叠问题,给出了应用改进小波包分析进行故障诊断特征提取的算法,并在此基础上提出了基于改进小波包分析预处理的神经网络故障字典法．通过仿真比较,该方法剔除了样本信号的冗余成分,大幅度地减少了神经网络的规模,加快了网络的收敛速度,为导航设备故障诊断的特征提取提供了行之有效的手段。     

基于小波包与支持向量机结合的滤波器故障诊断研究

首先介绍了小波包分解与重构算法和支持向量机的分类算法,然后以一个带通滤波器故障诊断为实例,利用小波包提取特征响应向量建立样本集,并利用支持向量机完成滤波器电路的故障诊断,诊断效果良好。