基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断

为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架——基于多种小波变换的一维卷积循环神经网络.首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故...     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于小波神经网络的电力变压器故障诊断

电力变压器是电力系统中的重要组成部件,它的性能是否优越直接影响着整个电力系统的可靠安全运行。特别是对于高压电气设备而言,如何能够快速、正确的寻找并解决电力变压器发生的以及潜在的故障非常重要。本文以神经网络原理为基础,结合小波分析方法,研究电力变压器的故障诊断问题。     

基于声信号的轴承故障诊断方法

机械设备在运行过程中的声音包含了大量的机构运行状态信号，本文采用相关分析，小波变换原理，从应用的角度出发，对滚动轴承故障声信号进行时频分析。通过对声信号的多尺度分解和重构，分离出由故障造成的声信号突变。试验表明，该方法具有较好的可靠性和有效性。     

改进型小波神经网络在变频系统故障诊断中的应用

目前,变频系统故障诊断还一直依赖于对电压和电流信号的监测与分析,现提出用改进小波包提取变频器故障信号的特征量,并将该特征向量作为改进型网络的学习样本进行训练的方法.仿真结果表明,改进型小波神经网络与常规神经网络诊断方法相比,具有准确度高、诊断速度快和泛化能力强等优点.     

离散余弦变换在滚动轴承故障诊断中的应用

本文探讨了应用离散余弦变换分析滚动轴承故障的方法,采用小波基将滚动轴承振动信号变换到时间－尺度域,对高频段的小波系数用离散余弦变换进行包络分析。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明这种方法可以有效的用于效地用于滚动轴承的故障诊断。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

基于小波方差谱熵的轴承故障诊断方法

本文提出了一种基于小波方差谱熵的故障诊断方法。该方法以信号的方差在小波域上分解形成的谱向量的熵值作为故障的诊断特征,建立了基于小波方差谱熵的故障检测及诊断模型,并提出了基于判别能力因子的小波基选择方法。试验结果验证了小波方差谱熵能有效地反映轴承信号特征并检测出故障类别,实验最后将本文方法同基于小波能谱熵的故障检测方法进行比较,实验结果表明本文建议的方法在检测率及时间上有显著提高。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

基于小波包的齿轮箱故障诊断

提出了一种齿轮箱故障诊断的方法,这种方法首先利用小波包提取齿轮箱振动信号的故障特征域,然后计算特征域上绝对值信号的频谱,以正常信号的频谱和特征域上绝对值信号的频谱的相似程度作为齿轮箱故障与否的判据,将齿轮箱的特征频率和特征域上绝对值信号的频谱相比较来判断齿轮箱的故障模式.将此方法应用于齿轮箱断齿故障的诊断表明,这种方法能够准确地诊断出齿轮箱中的冲击故障.     

基于小波包变换的径向基神经网络在故障诊断中的应用

提出了一种新的旋转机械故障诊断方法。基于小波包变换的频率划分特性，对旋转机械的振动信号进行小波包分解，建立旋转机械六种典型故障特征矢量，准确地提取了故障的特征信息，结合RBF神经网络训练速度快的优点，将RBF神经网络应用于故障特征的选择，最后，利用所确定特征及RBF分类器进行故障诊断。实验结果表明，该方法可实现典型故障的可靠诊断。而且由于利用小波包变换代替了传统的FFT，故本方法对于诊断频率分布范围较广而复杂且信号具有较强时变性的复杂故障有着良好的应用前景。     

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local mean decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了本文方法的有效性。     

基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行.针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中.训练过程及仿真结果表明:小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率.     

小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用

论述了波波包分解及其能量谱处理发动机连杆轴承故障的原理与方法,结合传统断火诊断法的思想,应用小波包能量谱直观地识别出故障的特征频带,并进行量化分析,结果证明了这种方法比传统的付立叶分析方法具有更大的优越性及现实的应用价值。