基于小波分析和机器学习的电力电缆故障诊断研究

以MATILAB语言为工具,笔者首先对小波分析对电缆故障信号特征进行提取,将小波分析与机器学习理论应用于电缆故障诊断,通过电缆故障信号的小波分析,找出最优的小波类型,并利用机器学习分类和回归算法对故障进行识别和对故障点进行定位,最后建立了一种能实时精确定位电缆故障和识别电缆故障的模型,用于在线实时精确监测电缆故障。     

基于DSP的飞机电缆故障定位设备设计

针对飞机电缆故障定位的特点,介绍了一种基于DSP的飞机电缆故障定位设备的设计。利用低压脉冲反射法为被测电缆注入窄带脉冲,采用等效采样对脉冲回波信号进行采集,通过DSP软件对采集数据进行处理,计算电缆故障位置,并将结果通过CAN总线传送到上位机,达到对电缆故障定位的目的。     

基于小波阈值的sEMG信号消噪方法研究

在表面肌电（sEMG）信号采集过程中,不可避免的会出现噪声,特别是人体运动时,肌肉动态收缩,采集的结果含噪就会更多。针对含噪情况,提出基于小波阈值的sEMG信号消噪方法。通过选择肌电信号的采集位置,在采用高精度的肌电采集系统的基础上,采集正常行走过程中胫骨前肌的sEMG信号,利用matlab小波工具箱,用dbN小波函数进行分解后,用detcoef函数提取不同尺度的细节系数,将与噪声相关的细节系数进行强制阈值消噪,对信号相关的细节系数用minimaxi阈值规则进行软阈值消噪,并与分层阚值得到的降噪信号进行比较,分层阈值得到的降噪信号过于光滑,降噪后的信号能量保留成份仅为46．48％,失去了原信号本身的一些信息。而采用软闯值消噪,不仅较好的去除了噪声,而且与原信号保持了很好的相似性,能量保留成份达到86．38％,说明比分层阈值具有更好的消噪效果。     

基于小波包能量谱的往复式隔膜泵故障诊断研究

针对往复式隔膜泵故障的多元性、不确定性和并发性的特点,提出了基于小波包能量谱的往复式隔膜泵故障诊断方法。小波包能将振动信号分解到不同子频带,通过各子频带信号的能量变化反映设备运行状况。通过采集往复式隔膜泵振动信号,进行小波包分解为多个子频带,求出各频带的能量和能量比例,然后对比故障振动信号和正常振动信号的频带能量谱比例图,找出发生故障的频带,进而找出往复式隔膜泵的故障特征频率,诊断出故障。实验表明:通过小波包能量谱对往复式隔膜泵进行故障诊断是有效可行的。     

基于改进迁移学习的行星齿轮箱故障自动诊断

传统机器学习故障诊断方法依赖专业经验选取统计特征,导致诊断结果误差较大。为此,提出了基于改进迁移学习的行星齿轮箱故障自动诊断。采集行星齿轮箱的振动信号,对振动信号进行去噪处理,利用深度学习改进迁移学习构建故障诊断模型,对采集信号进行分类识别,实现了行星齿轮箱故障自动诊断。结果表明,该设计方法下不同类型的行星齿轮箱故障诊断精度为96.09%,证实了该方法的性能良好。     

基于不确定推理的军用软件故障诊断方法研究

针对基于构件的军用软件使用过程中故障频发,传统规则推理的方法进行故障诊断存在不确定性问题,提出了基于不确定规则知识库的故障诊断方法;首先根据不确定推理逻辑,分析传统规则推理的不确定因素,构建不确定规则知识库;然后基于该知识库和正向链推理策略,计算确定性因子;合理设置激活规则的阈值,并对中间结论的确定性因子进行排序以消解冲突;实验结果表明,基于不确定推理的诊断方法与传统精确推理方法相比,具有更高的诊断准确率。     

信号设备故障诊断专家系统知识库的研究

针对我国铁路信号设备故障的特点，基于诊断和专家系统的理论与方法，对铁路车站信号设备故障诊断专家系统的知识库进行设计分析。通过对铁路车站信号设备的常见故障进行具体分析，详尽地阐述了知识库的构造，为通过人工智能方法建立和开发我国铁路信号故障诊断专家系统提供重要依据。     

基于未知输入观测器的导弹间歇故障诊断

针对带有未知扰动和噪声的导弹间歇故障诊断问题,设计了一种基于未知输入观测器的导弹问题故障诊断方法,系统的输入部分或全部未知情况下也能获取系统状态的称为未知输入观测器.首先,为实现对外部扰动的解耦,设计降维未知输入观测器,并通过滑动时间窗口得到对间歇故障敏感而对未知扰动解耦的残差信号;然后,在满足误报率和漏报率的条件下,通过假设检验,确定了间歇故障发生时刻和消失时刻的可检测阈值;最后,对所提出的方法进行了仿真验证.仿真结果表明,在误差允许的范围内,设计的方法能够实现对间歇故障检测,满足实时性和准确性的要求.     

电气设备振动故障实时监测预警方法

为及时发现电气设备振动故障，确保其稳定运行，研究电气设备振动故障实时监测预警方法。使用基于单片机的信号采集技术采集电气设备振动信号，结合CEEMD与改进小波阈值去噪方法，去除电气设备振动信号中的噪声元素后，进行归一化处理。利用卷积神经网络，通过全连接层前增加卷积层的方式，构建基于改进卷积神经网络的电气设备故障诊断模型，感知与预测电气设备振动故障并及时预警。实验结果表明，该方法可有效监测预警电气设备振动故障，具有较好的信号采集、去噪以及故障监测预警效果。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于自相关能量算子解调的轴承故障诊断方法

针对轴承早期故障特征淹没在噪声信号中难以提取的问题,提出了基于自相关能量算子解调的故障诊断方法。首先,对实测信号进行自相关变换处理,抑制信号中的噪声成分;其次,用能量算子解调法对信号的自相关函数进行解调,提取故障特征。通过实测信号分析、与Hilbert解调法的相比,表明所提方法的有效性和优越性。     

基于小波熵的电机故障诊断

小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值,基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。仿真实验证明小波分析技术对电机声频故障诊断十分有效,有进一步的研究的必要,在电机的故障诊断方面小波有良好的应用前景。     

基于小波熵的电机故障诊断

小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值．基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。仿真实验证明小波分析技术对电机声频故障诊断十分有效,有进一步的研究的必要,在电机的故障诊断方面小波有良好的应用前景。     

电子琴琴键开关短路故障自动诊断方法研究

针对电子琴琴键开关短路故障诊断过程中,故障特征获取环节较为落后,导致电子琴琴键开关短路故障诊断误诊率较高的问题,提出电子琴琴键开关短路故障自动诊断方法。根据电子琴琴键开关信号历史数据,确定滤波阈值,完成电子琴琴键开关信号采集及处理。使用信息熵技术提取电子琴琴键开关短路故障特征,获取故障类别判定依据。构建卷积神经网络,实现电子琴琴键开关短路故障诊断过程。至此,电子琴琴键开关短路故障自动诊断方法设计完成。构建实验环节,经实验结果证实,此方法可有效降低故障诊断误诊率,提升故障诊断效率。整体应用效果优于当前故障诊断方法。     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

高超声速飞行器间歇故障改进自适应容错控制

提出一种外部扰动/内部白噪声复合干扰和间歇性故障下的再入段变结构高超声速飞行器故障诊断和容错控制方法.首先给出再入姿态系统模型以及间歇故障模型.然后基于所研究的随机固定幅值故障模式对角速率系统中的周期性外部扰动进行预处理,根据处理结果,通过引入滑动时间窗设计一种残差信号.由于系统中存在白噪声,根据噪声分布特性并基于改进的残差信号提出两个假设检验,进而设计检测故障的两个阈值区间以检测间歇故障的发生和消失时间.与传统残差设计方法相比,改进的残差信号对于故障发生和消失时间的检测更准确.基于扩张系统设计一个自适应估计律用于估计故障,并使得估计误差满足$L_2$-增益干扰抑制.最后提出一个自适应容错控制算法使得系统的姿态角输出能够跟踪给定的参考信号.利用Lyapunov函数证明了系统的稳定性, Matlab仿真结果验证了所提出方法的有效性.     

变速箱振动信号的测点定位与评价方法研究

在变速箱故障诊断实验中,通过振动传感器获取各工况下不同测点位置的箱体振动信号,从振动信号中提取时频域特征值进行分析评价。对于某一固定位置多组采集样本进行了研究,以降低测量误差,在此基础上对不同位置处获取的多组采集样本进行了详细研究。结果表明,不同测点位置获取的振动信号包含的故障特征是不同的,从而选取更能表征各种故障特征的最佳位置,为基于振动信号的变速箱故障诊断奠定了基础,提高了诊断的准确性。     

列车轴承故障声学信号采集系统设计

目前大部分的声学信号轴承故障诊断系统是基于传声器与轴承位置相对固定的情况设计的,针对该方案每个轴承都要配备一个传声器,不适用于列车轴承故障诊断的缺点,提出了一种能让一个传声器同时应用于多个轴承故障数据采集的设计方案.首先,以TMS320F2812DSP为主控芯片设计了列车车速信息采集计算系统.其次,基于PCI8622型数据采集卡设计了轴承故障声学信号采集系统.最后,基于Visual Studio 6.0设计了人机交互系统.实验结果表明,该文设计的声学信号采集系统能够实现对轴承故障数据的采集及存储,具有可靠性高、人机界面友好等优点.     

一种基于LabVIEW DSP模块的风机故障诊断系统

设计一种基于图形化开发环境LabVIEW DSP模块的风机故障诊断系统开发方案。方案以32位浮点DSP芯片TMS320C6713为核心,采集风机噪声信号并利用信号的功率谱重心、A声级和小波分解相关频段的能量构成故障诊断的特征向量,以BP网络作为故障的智能分类器,建立起智能诊断系统。实验结果表明,以噪声信号作为诊断对象,采用提升小波和神经网络相融合的诊断与识别技术具有良好的特征提取能力和自适应学习能力,可以准确地识别设备状态。