基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

基于相对小波能量的滚动轴承故障诊断

利用相对小波能量作为特征进行滚动轴承故障诊断.首先将滚动轴承振动信号进行离散小波分解,然后利用各频带的相对小波能量作为特征向量,使用支持向量机作为分类器对轴承故障进行分类.针对轴承内圈故障、滚动体故障、外圈故障3种故障及不同损伤程度的实测数据进行多种分类实验,实验结果表明利用相对小波能量作为滚动轴承故障诊断的特征非常有...     

基于小波变换的开关磁阻电机系统功率变换器故障诊断

适用于开关磁阻电机(SRM)驱动系统的功率变换器是决定系统可靠性的关键环节,功率变换器的长时间故障运行会导致整个系统的崩溃,因此,功率变换器的故障诊断具有重要的作用。采用离散小波变换方法,提取故障相电流的平均值与标准差的比值作为诊断特征量,对功率变换器斩波管和位置管的4种故障类型进行分析和讨论,实现了故障类型的确定与故障器件的定位。最后通过仿真和试验验证了所提的故障诊断方法具有良好的可行性和有效性。     

基于小波相对滑窗能量的直流微电网故障诊断方法

针对直流微电网故障信息少、低阻故障下电流上升快而诊断速度要求高的难题,提出一种基于小波滑窗能量和支持向量机的故障诊断方法。该方法在采集本地电流进行小波分解的基础上,计算各级小波系数的相对滑窗能量,从而构造出维数低、区分度高的故障特征向量,结合多分类支持向量机可以实现短路故障、接地故障和正常运行工况的快速准确诊断。基于MATLAB/Simulink的仿真测试结果表明,所提故障诊断方法能够快速准确地识别直流微电网的短路故障和接地故障。     

基于小波变换和CFA-LSSVM模拟电路故障诊断

为了提高模拟电路软故障诊断、识别的正确分类率,提出了一种提升小波变换和混沌萤火虫算法(CFA)优化LSSVM参数的模拟电路故障诊断方法。首先对采集到的被测电路输出电压信号进行提升小波变换;然后对变换后的数据进行因子分析法对优化处理,将经优化的数据作为不同模式的故障特征集;最后将所得故障特征集作为样本输入到CFA-LSSVM模型进行故障诊断。实验结果表明,该方法的故障诊断正确率达到了98%以上,提高了诊断性能,可适用于模拟电路的故障诊断。     

基于电磁转矩小波变换的感应电机转子断条故障诊断

该文提出了一种基于感应电机启动电磁转矩信号的转子断条故障诊断新方法。利用复值小波变换中的小波脊线提取出启动电磁转矩中故障特征在电机启动过程中的频率变化规律，检测出转子断条故障。同时，小波系数的模反映了信号在对应尺度上的能量大小，所以对应故障特征脊线上的小波系数模反映了该故障特征转矩的幅值变化规律。基于此，定义了脊线一小波能量谱的概念。将故障特征转矩对应的脊线一小波能量谱作为故障严重程度因子，即可根据其与转子连续断条根数的关系给出感应电机转子故障严重程度的表示方法。实验结果证明该方法是可行的。     

小波和多核SVM方法在UVA传感器故障诊断的应用

为了提高无人机传感器故障诊断的准确性,提出一种基于小波与多核支持向量机的诊断方法。采用小波处理信号,不依赖于系统的数学模型,直接利用信号模型,分析可测信号,提取频率等特征值,保存了原始信号的特征,提高故障的可分性。多核映射能够解决单核映射核函数及其参数选择的难题,增加故障的可区分性,提高分类器的精度。提出多核学习方法改进核函数的性能,将该方法对某无人机的传感器故障诊断,分别利用单核和多核支持向量机进行仿真,仿真结果表明了多核学习方法的有效性,提高了诊断精度。     

基于最小二乘支持向量机的电机故障鉴别

针对异步电机的构造与转子故障特征,基于统计学习理论提出了信号处理技术与支持向量机故障诊断相结合的方法,以鼠笼式异步电动机为研究对象,建立了电机转子故障实验系统,并采集了电机故障信号,使用最小二乘支持向量机(LS-SVM)进行故障分类。其次针对鼠笼式电机转子多故障分类问题,提出了小波包分析两种不同故障信号预处理方法,将采集的电机机壳振动信号分别进行分析,提取了故障特征向量,并结合LS-SVM分类功能,实现对电机转子不同故障的有效分类。实验结果表明,小波分析与LS-SVM结合的方法具有很好的分类精度。     

基于小波变换的直流系统接地故障检测

直流系统接地故障检测常用的低频信号注入法容易受到支路电缆对地电容的影响。这里引入小波变换检测法,通过选取适当的小波函数,可以有效地克服对地电容的影响。在检测直流接地故障时,利用小波变换算法从检测到低频电流中提取出与注入信号同频的低频电流,通过计算该电流信号中的阻性分量,求得该支路的接地电阻值,可以判断出接地支路。MATLAB仿真分析,证明这种方法可在对地电容影响下,能正确判断出故障支路。     

基于小波变换模极大值的SPD故障诊断技术

使用复合波诊断以ZnO压敏电阻为主要元件的SPD的故障中电压信号的突变点往往携带SPD运行状态的重要信息。基于小波分析的信号奇异性检测理论可通过检测信号小波变换模极大值点来确定信号奇异点,通过分析信号模的极大值及其出现位置诊断SPD的故障。籍此理论分析了不同故障类型的SPD复合波冲击下的电压信号,证明使用小波分析模极大值诊断SPD故障的方法行之有效。     

基于小波分析的电机故障诊断研究

详细地分析了电机的机械振动特性和小波多分辨分析原理。通过具体实验，表明了小波分析的良好时频局部化特性在电机机械故障诊断方面的有效性，并为其它机械故障诊断提供了有效的分析手段。     

基于小波变换的TWERD变频器故障诊断研究

以TWERD变频器为研究对象,分析了三相SPWM逆变器的工作原理和故障类型,研究了该类型变频器在正常运行和故障状态下的输出线电压波形。根据故障信息和输入及负载变化时的不同数据,对变频器输出线电压进行小波变换,提取其低频能量值作为特征向量,再利用BP神经网络建立特征向量与故障类型的映射关系,确定变频器故障桥臂和故障点。仿真结果表明经过46次训练后,诊断准确率达到96.5%以上,收敛速度快,精度高。     

基于小波重构的异步电动机故障诊断

选用Daubechies小波作为小波基 ,对异步电动机鼠笼转子故障电流信号进行多尺度分析 ,将小波变换后取得的变换系数进行单支重构 ,取得了各频率分支上的时间信号。从高频分支上能够清楚辨识出异步电动机鼠笼转子故障时所不同于正常情况下的电流特性 ,实现了异步电动机鼠笼转子故障的小波诊断。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

基于支持向量机的输电线路故障诊断分类

基于支持向量机SVM(Support Vector Machine)的输电线路故障分类方法,可利用Matlab6.5仿真输电线路故障得到两组不同类型故障的数据。结合Matlab6.5环境下SVM工具箱进行编程,建立SVM故障分类器对测试样本进行测试。结果验证了该故障诊断方法的可行性。     

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法．较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。