基于小波包和BP神经网络的柴油机故障分析

随着人们对柴油机动力性、经济性要求的不断提高,现代柴油机结构日趋复杂,对其故障诊断要求也越来越高。本文通过WP7柴油机台架试验,模拟供油提前角、供油量、气门间隙以及喷油压力异常四种故障,采集振动信号,利用小波包技术对各种故障振动信号特征参数变化规律进行了分析,比较了各频率对故障信息敏感度的影响,进而利用MATLAB建立BP神经网络,对提取的信号特征进行训练与测试,并进行验证,实现了对柴油机的故障诊断。     

基于小波包和遗传BP神经网络的缸套-活塞组磨损研究

采用对比试验的方法,研究了柴油机缸套-活塞组磨损对气缸漏气率和燃油消耗量的影响。针对柴油机缸套-活塞组不同的磨损运行状态,利用机身振动信号进行了研究。然后,利用小波包时频分析方法进行特征量提取,最终利用遗传算法改进后的BP神经网络实现了磨损故障模式识别。     

基于小波熵和BP神经网络的孤岛检测与扰动辨识

提出基于小波熵和BP神经网络的孤岛检测技术,将小波变换的多分辨率分析与信息熵技术结合,能够有效地区分电网扰动与孤岛现象的内在不同。仿真实验表明该方法具有较高的准确性。     

基于dq变换和小波包变换的微网故障检测方法

针对传统的扰动检测法无法区分正常扰动状态与弱故障扰动状态的问题,提出了一种基于dq变换和小波包变换的微网故障检测方法,该方法使用每条母线上d、q轴故障电流的平方和作为解析电流,并利用小波包对其进行分解,进而利用各层小波包系数来构建故障检测判据。仿真试验结果表明,该方法能够有效区分正常运行状态、正常扰动状态和强、弱故障扰动状态,且不受接地电阻、故障类型/时间/相、负荷/DG的投切等各种因素影响,具有很强的适应性与工程应用价值。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于小波包分析和神经网络柴油机故障诊断研究

对于柴油机而言,及时的对其实施故障诊断是十分必要的.小波包分析能有效的对柴油机缸体振动信号进行消噪处理,并提取表征柴油机故障的振动信号能量特征向量作为BP神经网络的输入值.本文中,对4100QB柴油机缸盖振动信号实验数据采用单隐层BP网络进行训练,并对不同故障模式进行分类识别,实验验证表明这一方法是非常有效的.     

基于GA优化BP神经网络的有源配电网高阻接地故障选线方法

当配电网发生高阻接地故障时,逆变型分布式电源的接入会向零序网络中注入不平衡的谐波电流,改变原有故障特征的分布规律,导致传统高阻故障选线方法失效。考虑光伏电源接入对配电网的影响,提出了一种基于GA优化BP神经网络通过融合多种故障特征的有源配电网高阻接地故障选线方法。首先,利用Matlab/Simulink搭建谐振接地系统仿真得到选定周波的故障零序电流,根据小波包变换从中提取小波包能量熵和模极大值,并将其作为数据样本。然后,将数据输入优化后的网络中进行训练,得到能够实现智能选线的机器学习模型。最后,算例分析表明该方法较传统算法提高了迭代速度和训练精度,在多种复杂故障条件下具有良好的选线容错率,且具有一定的抗噪能力。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

基于小波变换和小波包变换的间谐波检测

通过研究小波变换中基函数选取和小波分解过程两个关键问题,针对小波变换在间谐波检测方面的应用,对比分析不同基函数的检测性能,重点分析小波变换与小波包变换对于稳态和暂态谐波的相位、幅值特性检测精度.仿真结果表明,小波包变换具有良好时频局部化特性能聚焦信号细节,选取dmey小波基函数的小波包分解方法可实现对电力系统中稳态或时...     

基于主成分分析优化BP神经网络模型的厌氧膜生物反应器膜污染预测*

膜污染是厌氧膜生物反应器运行中不可避免的问题,制约了工艺技术的推广应用,分析膜污染的形成过程是控制膜污染的重要内容。基于主成分分析（PCA）和反向传播神经网络（BPNN）的理论,提出了一种采用主成分分析优化BP神经网络的膜污染预测模型。以反应器连续运行试验数据为样本,利用相关性分析确定模型的输入变量,并基于输入变量间存在信息重叠问题,采用主成分分析法对输入因素进行降维处理,提取贡献率为70.4%的第一主成分和贡献率为17.7%的第二主成分作为输入特征。结合模型的贡献度分析和主成分分析发现,反应器内的污泥浓度是膜污染影响因素中最主要的特征变量,贡献度为34.9%。对比分析优化模型和单一模型的预测结果,发现PCA-BPNN模型的拟合效果更好,平均相对误差仅为3.8%,可用于膜污染分析研究,为后续研究提供参考。     

遗传算法优化BP神经网络在求解水文地质参数中的应用

针对BP神经网络算法收敛速度慢、遗传算法搜索速度慢,两者单独求取水文地质参数效果不佳,结合两种算法的优点,采用遗传算法优化的BP神经网络方法求解水文地质参数,提高了运算速度和结果的准确性。以某抽水井为例,对比四种常见方法与本文算法的计算误差,结果显示采用遗传算法优化的BP神经网络方法求解水文地质参数误差最小,求参结果更为可靠。     

基于小波包分析提取汽油机爆震特征

研究了小波包变换提取爆震特征的方法,利用加速度传感器信号进行处理分析.由参数化功率谱密度估计,确定由爆震引起的共振频率,截取爆震能量集中区间较短的数据段,建立AR模型,然后利用Burg算法估计爆震的特征频率范围,确定小波包变换的分解级数,保留与爆震特征频率相对应的小波包变换子空间信息,合理取舍其它子带系数,使重构后的信号能有效地表征爆震特征.实测信号分析表明,在轻微爆震检测方面,该方法优于传统的滤波方法和基础小波分析方法.     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。