基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,本文提出基于小波分析和支持向量机的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障类别诊断.MATLAB仿真结果表明:该方法能够准确地对故障进行诊断.     

基于模式识别的传感器故障诊断

为满足模式识别故障诊断算法的鲁棒性要求,在小波包分解提取特征向量的基础上,提出了有监督模式分类与无监督模式分类相结合的故障诊断方法．利用小波包分解提取各个频带的能量作为特征向量;采用LVQ神经网络作为有监督的模式分类器进行故障诊断;运用无监督的减法聚类方法对新型故障模式进行辨识．最后,通过动力系统管路流量传感器数据对算法进行检验,验证了所提出方法的实用性和有效性．     

基于神经网络的机车车轮故障诊断

针对现有机车车轮超声检测系统无法准确区分其故障类型,探讨了一种基于小波包变换与BP神经网络相结合的方法来识别基于超声检测机车车轮的故障类型。该方法对机车车轮的超声检测的回波信号进行小波包分解,并提取了频谱能量特征值,由此构造不同类型机车车轮内部伤损对应的特征向量,然后利用改进的BP神经网络算法训练随机抽取的样本空间,并对测试样本数据进行了识别验证。通过实验验证了该方法能够快速准确地识别出机车车轮不同类型的故障对应的超声检测信号。     

基于模糊推理的电机故障诊断专家系统研究

利用小波的多分辨率分析方法对某电机的噪声信号进行分析,将小波分解后得到的高频能量作为故障特征向量,作为故障检测的依据;针对电机故障的特点及故障诊断的要求,设计了基于模糊推理的专家系统,采用模糊产生式规则表示知识,利用已获得的各种故障的高频能量特征向量构造规则的前提条件,通过实时获得的故障特征向量与各条规则前提条件进行模糊匹配,采用正向推理的模糊推理方法实现推理机制,直接得出诊断结果,经实验验证是可行的,并且具有较高的实时性以及准确性。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

柴电混合动力机车能量最优控制研究

柴电混合动力机车牵引蓄电池的双向DC/DC回路被集成于牵引变流器中,以解决柴油机车制动能量浪费和蓄电池机车牵引功率低、续航里程短等问题.为实现柴油发电机和牵引蓄电池能量的合理利用,文章提出一种柴电混合动力机车能量最优控制方案.在牵引工况下,其根据牵引电机和辅助负载的需求功率以及牵引蓄电池当前允许输出的功率,控制柴油发电...     

信息熵支持向量机算法传感器故障诊断研究

研究传感器系统故障诊断效率问题.针对传统故障诊断因传输信息大,速度慢,造成故障,定位不清.传统的方法提取的传感器系统特征信息不全面,导致诊断精度与速度不高.为有效提高传感器系统故障诊断的效率和精度,提出了一种能量信息熵的支持向量机系统故障诊断方法.故障主要难点技术问题在于参数选择优化问题.算法首先利用小波包对传感系统故障信号进行小波包分解,并提取小波包能量信息熵,以此构建输入特征向量;接着采用了支持向量机方法进行非线性特征向量提取,最后以特征向量来建立支持向量机智能化诊断模型.仿真结果表明,改进方法在所有参比模型中精度最高,能高效地对传感器故障进行检测与定位.具有较强的泛化能力,同时缩短了故障诊断时间.     

基于LMD的PWM整流电路故障特征提取新方法

脉冲宽度调制(PWM)整流电路结构日益复杂,对其可靠运行提出了更高的要求;对局域均值分解(LMD)用于PWM整流电路的故障特征提取进行研究,提出一种基于LMD和加权频带能量法的特征提取新方法;该方法通过逐步抽取调频调幅成分将故障信号在频域上展开,然后基于信号能量的频带分布特点,充分考虑各频带成分与故障的相关性,构造故障特征向量,实现特征提取;最后以PWM整流电路为例进行仿真,相电压380V,仿真时间0.5s,0.1s时注入故障;结果表明,该方法能有效地提取故障信号的特征,并降低特征向量的维数。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

SS8型电力机车故障开关切换系统改造

介绍了适应于单司机值乘要求的SS8型电力机车故障转换开关的改造,在不改变现有SS8型电力机车电气逻辑控制关系的前提下,该改造装置可方便地集中实现机车各种开关电器的故障转换,满足铁路机车单司机值乘时快速判断和处理机车电气故障的需要,同时为其它机车的类似改造提供借鉴。     

基于CVI的中央控制单元故障诊断系统设计

SS3B型固定重联机车的中央控制单元能否与各从控智能设备正常通信对行车安全有重大影响.文章针对上述问题,设计了一种中央控制单元通信故障检测专用的MVB/RS485网关;提供了与中央控制单元实际工作环境相符的仿真硬件系统;利用CVI设计了中央控制单元通信故障智能检测与诊断软件.     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

一种自学习智能故障诊断分析系统的应用

针对目前DJ-1型电力机车在故障诊断方面的迫切性和研究不足,提出了基于自学习的智能故障诊断分析系统;文中介绍了该系统的总体设计方案,详细说明了诊断系统知识库的建模过程和具体实现方式,并讨论了专家系统应用协议的实现方式,最后介绍了该系统应用于DJ-1型电力机车的优越性。     

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.     

基于小波包和AGA-LSSVM模型的滚动轴承故障诊断

为了解决滚动轴承故障特征提取和故障类型识别问题,提高诊断准确率,提出了一种基于小波包与自适应遗传算法优化最小二乘支持向量机(AGA-LSSVM)相结合的故障诊断模型.首先由小波包分解与重构获取振动信号中能反映不同故障状态的能量特征向量,其次,由经过自适应遗传算法优化的LSSVM模型对滚动轴承常见故障进行诊断.Matlab运行结果表明,相较于传统LSSVM方法,所采用的方法可靠度较高,可以较好地实现对轴承故障的诊断.     

铁路机车故障诊断专家系统的设计

由于目前的机车自动检测、故障诊断技术还没有形成完善体系。设计以专家系统为基础,结合检测中心的实际情况的故障检测系统,具体给出了系统的理论根据及设计方法,提出了基于专家知识库、诊断推理及知识获取机制的诊断方法,能较好完成铁路机车的检测与诊断的要求。     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化,严重影响高速列车运行的安全性和舒适度。为此,提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验,得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数,分别提取能量矩特征,反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入,在列车行驶200km/h的速度下进行转向架故障识别,结果表明,该方法的识别正确率可达到95％以上。     

小波分解和最小二乘支持向量机的风机齿轮箱故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(LS-SVM)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。