低压串联电弧故障电流高次谐波含有率试验

参照国内现有研究成果与美国UL1699标准搭建串联电弧故障实验平台,采集电弧电流与电弧电压数据,提出线路电流高次谐波含有率分析方法.通过对不同负载电路电流数据高次谐波含有率变化情况的分析,总结出电弧故障引起的高次谐波含有率的变化特征.研究结果表明,电弧故障发生时电流高次谐波含有率出现急剧上升(均值增幅大于15%),同时高次谐波含有率不稳定,激烈波动.     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于小波包神经网络的级联式变频器故障诊断仿真研究

以级联式变频器为研究对象,重点研究功率器件开路故障的诊断方法．对变频器输出电压进行小波包分解,寻求变频器正常和故障情况下的输出电压频带能量的变化规律．选取输出电压能量变化大的频带能量值作为特征向量,利用BP神经网络进行故障诊断．研究结果表明,小波包神经网络在级联式变频器故障诊断中具有较高的可行性和有效性．     

基于小波包自相关的能量算子旋转机械故障诊断

针对在强噪声背景下轴承振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于小波包熵与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,其次用自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,最后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,实现对故障类别的推断。     

基于小波包分析的旋转机械故障诊断研究

故障信号的特征提取,是故障诊断的关键。通过以德比契斯（Daubechies）小波为基函数的二进小波变换、采用Mallat快速算法的小波包对故障信号进行特征提取。利用小波包对实验数据进行分析,其结果具有良好的时频局部化特性,能对非线性信号进行有效识别。     

小波能量熵在三相重合闸故障判别中的应用研究

分析了输电线路在发生两相接地故障时,永久性故障与瞬时性故障自振电压的特性,提出一种基于小波能量熵的自适应三相重合闸故障类型的判别方法。对采集到的故障后电压信号进行5层小波分解,提取相应的熵值,通过比较熵值的大小来区分故障的类型。理论分析和大量MATLAB仿真实验表明,该方法对于三相重合情况下判别故障类型具有较好的效果。     

小波包分解与能量特征提取相结合的水管泄漏位置的确定

针对水管泄漏定位的方法--直接相关法受到噪声和声传播方式的影响,定位精度低,提出了一种基于小波包分解与能量特征提取相结合的水管泄漏定位.该方法首先用声学传感器采集数据,然后通过小波包分解将其分为不同的频段,再基于能量特征的提取选出有用的频段作互相关分析,最后通过比较相关系数来确定泄漏位置.通过仿真和实际实验的分析,本文提出的方法消除了直接相关法的缺点,提高了定位精度,是有效的.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

小波包消噪提高小波网络故障识别性能

针对强噪声背景的高频振动信号,给出一种利用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信号特征信息的方法．在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波网络的输入．该方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提高了收敛速度．     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

改进小波包分频算法及在故障检测中的应用

小波包分析方法是一种能有效地进行时一频定位和微弱信号提取的工具．但是小波滤波器组的频域特性和隔点采样会造成频谱混叠,导致分频结果不正确．改进的小波包分频算法根据小波包混频的原因,结合FFT分析进行处理,较好地消除了混频现象．仿真研究表明,该算法在提取微弱故障信息并进行早期故障诊断方面是有效的．     

基于小波奇异熵和SOM神经网络的微电网系统故障诊断

针对微电网系统运行方式灵活、拓扑结构多样的特点,基于对小波变换、奇异值分解和泛化信息熵基本理论的分析,揭示了小波奇异熵能够对故障信号给出确定的量度,将小波奇异熵与自组织特征映射(self-organizing feature map, SOM)神经网络相结合,提出一种能够适应微电网系统拓扑结构变化情况的故障诊断方法。 利用PSCAD4.2建立了微电网故障仿真系统,进行故障诊断仿真试验。 试验结果表明:该方法不受故障位置、故障时刻等因素的影响,在微电网系统拓扑结构发生变化的情况下,能实现有效的故障诊断。