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。     

基于多尺度模糊熵的齿轮故障诊断方法

齿轮作为旋转机械的关键零部件之一,其健康状态会影响机械设备的正常运行,因此需要对齿轮进行故障诊断.为了克服模糊熵从单一尺度上考虑时间序列复杂度不够全面的问题,采用了多尺度模糊熵从多个尺度对信号进行处理从而提取故障特征,并借助对类域的交叉或重叠较多的待分样本集识别效果显著的K最近邻分类器对提取的多尺度模糊熵特征进行分类,...     

基于多传感器和小波分析技术的某型装备在线故障诊断系统的研究与实现

使用多传感器技术准确、完善地获取设备的状态信息和采用先进的信号分析处理技术正确地进行信息的分析与处理是故障诊断系统的关键部分。该文以某型武器装备在线故障诊断系统的实现为例,详细地介绍了应用多传感器在不影响装备正常运行的条件下在线式准确、全面地采集装备状态信息的方法,并用小波分析技术对获取的信号进行了分析处理,得出了故障诊断规则,建立了故障诊断规则库。     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;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,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,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。     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

高速列车转向架故障信号的小波熵特征分析

为了对转向架关键部件进行及时的性能检测和故障诊断, 实验选用高速列车转向架典型故障振动信号, 先进行小波分解, 在各个子频带上提取小波熵特征, 用于反映振动信号在各尺度上的复杂程度。在多个小波熵特征张成的高维特征空间中对四种转向架典型故障工况进行支持向量机分类识别, 实验结果表明识别率随运行速度逐步提高, 在速度达到200 km/h时得到了90%以上的识别率, 验证了小波熵特征对于高速列车故障信号分析的有效性。     

基于灰色理论的潜水泵的故障诊断及预测系统设计

论述了潜水泵故障诊断系统的组成,介绍了故障诊断的原理以及灰色识别法、基于灰色理论的知识表示,用VB软件实现了故障诊断系统功能,并结合诊断实例给出故障诊断的效果,说明了应用灰色诊断理论对潜水泵进行故障诊断和状态预测的可行性.     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

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.     

基于灰关联理论的滚动轴承故障诊断研究

针对实际工程中滚动轴承故障的复杂灰特性以及不确定性问题,提出了基于灰关联理论故障诊断方法。灰关联理论具有"小样本、贫信息、不确定性"问题处理能力强、计算复杂度低等优点。通过对灰关联原理、灰关联系数与分辨系数的关系,以及分辨系数的性质和取值原则的研究,成功地将灰关联理论应用于滚动轴承的故障诊断。仿真实例研究结果表明,灰关联故障诊断方法计算简单、诊断结果与定性分析结论一致,便于形成知识库中的规则,对工程实践具有理论指导作用,且对样本数量及其分布规律没有特殊要求,有较大实用价值。     

灰色动态预测在AUV传感器故障诊断中的应用

针对自主水下机器人(AUV)传感器故障诊断中样本数据少、随机性强、实时性要求高的特点,将灰色动态预测模型的建模原理引用到AUV传感器的故障诊断中。在对传感器进行数据滤波、小样本灰色建模与灰色动态预测的基础上,可以实现AUV传感器的实时故障诊断。文章详细阐述了基于灰色动态预测的传感器故障诊断的具体实现方法和步骤,对AUV传感器中典型的四种故障模式进行了仿真研究。结果表明该方法能快速、准确地诊断出传感器故障,并且在传感器发生故障后的一段时间内能够实现信号恢复。     

基于EMMD和AR奇异值熵的故障特征提取方法研究

提出了一种基于EMMD(extremum field mean mode decomposition)和AR(auto-regressive)奇异值熵的故障特征提取方法。该方法在对故障信号的EMMD分解基础上,选取有限个固有模态函数(IMF,intrinsic mode function)的AR模型参数向量作为故障的初始特征向量矩阵,对初始特征向量矩阵求取奇异值熵,通过奇异值熵的大小表征故障类型。对转子故障数据的分析结果表明该方法能够有效地应用于非线性和非平稳故障信号的特征提取。     

一种粗集与灰理论结合算法在柴油机故障诊断系统中的应用

提出一种基于粗糙集描述理论与灰理论的故障诊断属性约简方法,将用粗糙集描述理论算法进行故障诊断条件属性约简的结果,依据灰色关联度算法计算灰关联系数,进一步确定约简集中条件属性间的重要性,求取最佳属性约简集.在柴油机燃油系故障诊断系统,获取了最佳属性约简集,系统运行测试获得好的故障诊断结果.     

基于仿真的电路板级故障诊断测试方法

针对某雷达定时器板的电路特点,提出了一种基于仿真的电路板级故障诊断测试方法。首先,利用pspice对被测电路进行功能模型建模和故障模型建模,根据功能模型构建电路仿真原理图进行功能仿真,进而利用故障模型做故障注入进行故障仿真,仿真结束获取功能仿真和故障仿真数据,通过小波分析的方法提取仿真数据的特征,包括能量分布特征提取、极值特征提取和熵特征提取,并做测试节点优化删除冗余数据,最后通过概念格的方法对特征数据做训练,生成应用于被测对象的故障诊断模型。通过获取的故障诊断模型对诊断数据进行故障推理,验证了测试方法的可行性。     

基于频域特征变分自编码器的轴承故障诊断研究

针对深度学习故障诊断模型泛化能力差、网络复杂的问题,提出一种通用的特征提取网络,在此基础上应用轴承故障诊断的方法。首次提出频域特征变分自编码器,增强了信号特征提取的鲁棒性。然后,采用局部异常因子算法剔除离群点,防止分类器过拟合,提高分类器泛化性能。最后,构建分类器进行故障诊断。实验验证表明在不同损伤程度下特征提取的界限清晰,故障分类效果好,并且模型表现出良好的可迁移性。     

基于小波包-AR谱和深度学习的轴承故障诊断研究

针对轴承故障信号的非平稳性和非线性特点,本文采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号有效特征值,为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先通过对轴承振动信号进行小波包分解和自回归谱估计,累加不同频段的能量实现轴承故障特征提取,然后将提取到的特征值作为深度信念网络的输入向量,进行模型训练,最后用训练好的模型进行轴承故障诊断。为验证本文所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集进行实验。在输入相同数据集的前提下,对比了DBN和灰色关联分析(grey relational analysis,GRA)、支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)这四种方法的识别准确率。结果表明DBN识别效果较好。从而验证了本文所提方法的可行性和有效性。     

基于节点导纳矩阵的模拟电路故障诊断

针对模拟电路故障诊断中的容差问题,提出了基于节点导纳矩阵(NAM)的模拟电路故障诊断方法;该方法以NAM为基础,提取被测电路(CUT)的故障特征向量;测试前,用仿真的方法生成被测电路中某一故障对应的故障样本子集,所有类别的故障样本子集构成故障样本集;测试时,测量被测电路的故障特征向量,并根据其与故障样本集中样本的相似性来判断电路发生的故障类型;由于电路的NAM对元件容差不敏感,所以可以很好地克服模拟电路故障诊断中的容差问题;实验结果证明了该方法的有效性。     

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法--支持向量数据描述法(SVDD).这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态.试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试.试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力.