轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法选用小波变换对原始采样信号进行特征提取,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后,由神经网络进行状态识别和特征分类,这样不仅减少网络训练时间,降低网络计算量,而且有效提高分类的准确性及故障诊断的可靠性,轴承故障诊断实验结果表明,该方法是有效的。     

基于PSO-RBF神经网络的电机轴承故障诊断

提出了一种基于PSO-RBF神经网络的电机轴承故障诊断方法.针对RBF神经网络泛化能力方面的不足,利用PSO算法对RBF神经网络的参数进行优化,然后采用优化后的PSO-RBF神经网络对轴承的故障形式进行诊断.结果表明, PSO-RBF神经网络的分类效果较好,在故障诊断领域有很好的应用价值.     

基于神经网络的感应电机故障诊断分类决策方法研究

鉴于定子电流法传统应用实施的困难性,提出了利用区域算法的组合神经网络在定子电流法中的应用,并且介绍了区域学习算法。实验证明,将该方法应用于异步电机故障检测可得到令人满意的效果,方法切实可行。     

轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性 ,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法先用小波变换对原始采样信号进行特征提取 ,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后 ,由神经网络进行状态识别和特征分类。这样不仅减少网络训练时间 ,降低网络计算量 ,而且有效提高分类的准确性及故障诊断的可靠性。轴承故障诊断实验结果表明 ,该方法是有效的。     

基于逆系统方法的感应电机调速控制系统

从一般非线性系统的相对阶定义出发分析了感应电机的可逆性,对感应电机变频调速系统应用逆系统方法,将这一多变量、非线性、强耦合的复杂对象解耦成转速与转子磁链两个二阶线性子系统,并运用线性系统理论对设计的闭环控制器进行控制。仿真结果表明系统具有良好的静态及动态性能。     

基于ANSYS软件的磁浮列车直线感应电机的电磁场及电磁力分析

本文简述了应用于中低速磁浮列车的直线感应电机的原理和电磁场的数学推导，采用有限元法分析了直线感应电机的电磁场，获得了磁力线分布、气隙磁感应强度的矢量分布和电磁力等磁场参数，与理论推导所得到的结果相比较，仿真数值分析结果在一定的误差范围内与其一致。     

基于多传感器数据融合的电机故障诊断

针对传统电机故障诊断方法中存在的不确定性,本文提出基于多传感器数据融合的方法来处理传统电机故障诊断基于单个参数诊断带来的不确定性,介绍数据融合故障诊断系统的结构模型,并应用于某异步电动机的故障诊断,实验结果表明,基于多传感器的数据融合方法可以减少传统故障诊断中的不确定性.     

三相感应电机的稳定性分析

应用Lyapunov稳定性理论分析了三相感应电机电磁子系统稳定性, 讨论了电机参数时变情况下的三相感应电机电磁子系统全局一致渐近稳定和指数稳定的充分条件. 可以为交流调速系统应用自适应控制理论和智能控制的参数化逼近提供部分理论依据.     

基于逆残差卷积的轻量级电机轴承故障诊断方法

针对深度神经网络故障诊断方法存在参数量大、难以应用在移动设备上的问题,提出一种基于逆残差卷积的轻量级电机轴承故障诊断方法。提出用电机轴承原始振动信号数据的小波包节点系数重构二维小波包图像,具体来说,以轻量级残差网络(ResNet)为基础,将其中卷积改为更轻量级的深度可分离卷积,从而达到了缩短模型训练时间之目标。实验结果验证了所提方法用于轴承故障诊断的有效性。     

独立分量分析在感应电动机转子故障特征提取中的应用

在定子电流信号的频谱分析诊断感应电动机的故障时,转子断条故障特征频率分量常常被电流的基频分量淹没。针对这一情况,本文提出将独立分量分析应用于提取异步电动机转子故障特征。电流信号的信息空间是由电流的自相关矩阵足,的特征向量张成的。将最大主分量（主要由基频分量构成）和噪声对应的特征向量去掉,由其余的特征向量张成降维信号子空间S^＊。将足,投影到S^＊,削去Ri中的基频分量和噪声后,再利用独立分量分析提取故障特征分量。仿真和实验表明,该方法用于提取转子断条故障特征是可行并且是有效的。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果...     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

电机故障检测支持向量机的优化

为了提高支持向量机在故障检测中的识别率，需要对其环节和方法进行优化。支持向量机是统计学理论中研究小样本情况下机器学习规律的新理论，其优点是模式分类：隐马尔科夫是马尔科夫链的扩展，是一个双重随机过程。隐马尔科夫具有适合处理连续动态信号的优点，二者的结合可使以前的支持向量机更加完善。小波变换是一种新兴的时频分析方法，其特有的尺度伸缩功能使其具备了很强的奇异、突变信号鉴别能力，能有效地检测到非平稳信号的瞬时、奇异成分，并显示其时域的产生和持续时间。在提取故障信号时，通过小波分析方法从信号中有效提取非平稳特征，训练模型，再用此模型诊断。试验表明，优化后的方法可以明显提高识别率。     

基于词袋模型和极限学习机的轴承故障诊断

特征提取为设备故障诊断的关键步骤,现有特征提取主要基于时域、频域和时频域方法,但在噪声大、混合故障多发、变转速等复杂工况下应用受限.提出一种基于词袋模型(BoW,bag of words)的振动信号故障诊断方法.该方法改变了传统基于一维信号进行故障诊断的模式,首先将一维振动信号转换成二维灰度图像信号,结合图像处理的方法来实现故障诊断.同时针对一维振动信号升维的过程中忽略了信号的空间特性这一不足,引入极限学习机对算法优化,并以滚动轴承为研究对象验证了方法的有效性.     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小熵解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法.为了达到...     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。