改进的小波包算法及在故障信号特征提取中的应用

分析TDaubechies小波系列的频带特性,针对故障诊断信号特征提取的问题,提出了一种改进的小波包算法,并运用该算法对变频调速系统输出电流进行分析。该算法克服了小波包频谱混叠的缺陷且其计算量和占用的存储空间较标准的小波包算法均减少50%.经过仿真证明,该方法适用于变频调速系统故障信号的特征提取。     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

基于小波包的故障信号特征提取的研究

讨论了交--交变频调速系统故障诊断的重要性,在当前的检测方法与故障诊断手段研究的基础上,提出了一种改进的小波包算法,并运用该算法对变频调速系统输出电流进行分析.该算法的计算量和占用的存储空间较标准的小波包算法均减少80%.同时,运用基于改进的小波包的频带能量法提取变频调速系统的故障特征,分析了小波包分解层次对特征量提取的影响.经过仿真证明,该方法适用于变频调速系统故障信号的特征量提取.     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

小波包和改进粒子群算法的电力电子故障诊断

为提高广泛应用的电力电子电路故障的诊断准确率与速度，提出一种基于小波包变换和改进粒子群算法的电力电子电路故障诊断方法。首先，利用小波包对故障信号进行分解与重构得到小波包系数，应用Fisher准则降维并进行归一化处理，得到优化的故障特征向量；然后，采用具有扭曲粒子位置的措施和增加动态惯性权重系数的改进粒子群算法求取各类故障的故障特征中心，通过计算测试样本与故障特征中心的欧氏距离实现对故障的分类诊断；最后，通过典型电力电子电路仿真实验对所提出的方法进行实验验证。实验结果表明，文中选用改进后的粒子群算法进行故障诊断时，与小波包-BP神经网络和小波包-极限学习机比较，准确率分别提高了3.52%和6.3%，诊断所需时间分别减少2.4 s和3.5 s。     

基于小波的消噪及BP神经网络的故障诊断

针对故障检测信号信噪比低、难以进行特征提取的特点,介绍了一种新的利用小波消除信号噪音的算法,进而利用BP神经网络实现了较为理想的故障诊断。该算法是基于最佳正交小波基的选择,使熵在小波收缩过程中的作用最小。实验结果表明利用小波变换从数据中提取的训练样本能够有效地消除噪声,更好地反映故障特征,提高故障诊断的效率。     

基于小波和能量特征提取的旋转机械故障诊断方法分析

轴承和转子系统在旋转机械中是非常关键的部件,小波包对振动故障信号的特征提取是对于旋转机械故障诊断的关键.针对传统的软、硬阈值量化方法在阈值常数偏差和不连续的问题,设计一个可调参数改进的连续函数以用来量化阈值.对于旋转机械转子常出现故障采用振动信号的小波包分解、去噪然后进行小波包能量特征提取.     

一种基于小波预处理的模拟电路故障诊断方法

文中提出了一种基于小波预处理的模拟电路故障诊断方法。由于小波分析具有数据压缩和特征提取的特性,我们利用小波变换对电路脉冲信号进行多尺度分解,提取特征向量输入神经网络进行训练。实验表明,该办法可以有效地减少神经网络的训练时间,提高模拟电路故障诊断的准确率。     

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。     

基于改进的小波神经网络的汽车电控汽油机故障诊断

针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

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。     

小波-神经网络在故障诊断中的应用

根据旋转机械振动信号特点,提出了小波分析和概率神经网络相结合的故障诊断方法。该诊断方法利用小波分析进行预处理-获取机械故障特征向量,概率神经网络应用该特征及对应的故障类型建立非线性映射,实现故障诊断。通过计算机仿真和试验的结果,表明该方法运算速度快、对样本噪声有较强的鲁棒形,结构简单,工程上易于实现,为旋转机械故障诊断提供了实践方法。     

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％.     

小波包分析在电动机转子断条故障诊断中的应用研究

文章介绍了鼠笼式异步电动机常见的故障及其诊断的重要性,采用了改进型小波包算法从电气和机械方面提取信号的故障特征。并提出了一种基于小波包分析频带能豢的故障诊断方法。经实验可知,该方法能够更全面的快速检测到转子断条故障的存在而且准确率高,具有很大的可行性和很强的推广性。     

基于改进小波包变换的音频指纹提取算法

数字音频指纹技术在音频信号分析和处理中起着重要作用。针对传统基于时频分析的音频指纹提取算法中仅使用信号能量作为特征参数,而无法全面表征出信号的复杂度和不规则性问题,提出了基于小波包分解与重构,将小波包系数的奇异值熵和样本熵相结合,作为音频信号的特征参数提取指纹。实验证明,该算法提取的指纹提高了音频识别的准确率,在常见信号处理下能保持较强的鲁棒性,并具有明显的区分音频和定位音频篡改位置的能力。     

高阶统计量在传动系统故障诊断中的应用

对小波包分解和高阶统计量理论进行了阐述,提出一种基于高阶统计量特征和小波包分析相结合的雷达伺服传动系统故障诊断方法。当传动系统故障发生时,振动信号一般是非平稳和非高斯分布的信号,通常包含较强的噪声。用小波包分析对故障信号进行有针对性分解,并提取出故障特征频率带,然后运用高阶谱对故障特征信号进行分析,能够有效地实现故障诊断。