基于小波包的异步电动机故障分析

小波包分析是一种能有效进行时一频定位和微弱信号提取的方法,它对信号具有最优降噪处理能力。采用小波包分析法来提取异步电动机振动信号的故障特征,并将电机故障信号和正常信号的特征频段能量进行对比,给出定量对比的结果,充分说明故障与无故障之间存在明显差异,从而实现异步电动机的故障诊断。实例证明该方法正确有效。     

基于BP神经网络和小波包能量熵的异步电动机故障诊断

为了高效解决异步电动机故障问题,提出了一种基于反向传播(BP)神经网络和小波包能量分析的异步电动机故障诊断系统。采用定子电流信号作为异步电动机的故障信号,运用小波包能量分析对采集的定子电流信号进行分析,提取出相应的故障特征向量。为了提高诊断的准确性,提取信号时域、频域的特征,输入到BP神经网络中进行训练学习。经过足够多的训练后,用测试样本对其精确率进行测试。通过所提方法,可以及时排除及修正异步电动机故障,提高工厂的经济效益。     

基于小波包变换的笼型异步电机转子故障诊断

本文分析了笼型异步电动机转子断条故障时的频率特点,阐述了小波包变换异步电动机转子断条故障的频带特征,在分析对比了多种信号处理方法后,本文提出了"自动寻求路径"的小波包树分解算法并选择其作为感应电机故障提取算法.这种算法既具有很好的自适应性和频域精度,又避免了过大的计算量,有效而实时地提取了故障信息.     

基于最优小波包基的电动机故障信号的消噪与检测

现场采样获得的电动机故障信号通常会含有很多的噪声，如果对噪声不能加以有效地消除。那么故障特征信息的提取将会受到很大的影响。该文通过对基于shannon熵的最优小波包基的快速搜索算法的探讨，提出了基于最优小波包基的电动机故障信号的消噪与检测方法，通过实例分析，验证了基于最优小波包基的信号消噪声效果要优于小波方法或普通小波方法的消噪效果，通过对消噪后的故障信号进行分析，提取出了故障特征信息，检测结果表明，在故障检测前先采用最优小波包基方法对故障信号进行消噪，有利于提高电动机故障检测的准确性。     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好.     

基于小波脊线的笼型异步电动机转子故障特征提取

提出了基于小波脊线的渐近信号瞬时频率提取算法 ,并应用到异步电动机转子故障特征提取中。异步电动机转子故障时 ,相应地定子电流中便含有频率为 (1 - 2s) f1的附加电流分量。由于异步电动机起动过程中转差率s是连续变化的 ,(1 - 2s) f1则以 f1→ 0→f1的规律进行变化 ,因此可以通过应用小波脊线分析异步电动机定子起动电流信号来提取转子故障特征。实验结果证明了本方法的有效性     

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。     

基于小波包分析的笼型异步电动机转子断条在线检测方法

本文简单介绍了笼型异步电动机转子断条在线检测方法,指出如何正确识别电动机转子断条与负荷波动仍是一个亟待解决的突出问题。对应用小波包分析实现转子断条在线检测作了可行性研究,指出根据电动机定子电流信号的小波包分解系数完全可以检测转子断条故障。在此基础上,提出了一种新的基于小波包分析的转子断条在线检测方法,其突出优点在于可正确识别电动机转子断条故障与负荷波动。数字仿真及实验结果证明该方法是切实可行的。     

基于小波神经网络的电机故障诊断研究

提出了用小波神经网络对电机进行故障诊断的方法。利用小波神经网络对任意函数或信号具有有效的逼近功能的这一特点,对异步电动机故障进行有效的诊断与监控。通过实例仿真验证了基于小波神经网络的电机故障诊断方法,并与BP神经网络比较,进一步说明小波神经网络在故障诊断中的优越性。     

基于小波包分析的笼型异步电动机转子断条在线检测方法

本文简单介绍了笼型异步电动机转子断条在线检测方法,指出如何正确识别电动机转子断条故障与负荷波动仍是一个亟待解决的突出问题.对应用小波包分析实现转子断条在线检测作了可行性研究,指出根据电动机定子电流信号的小波包分解系数完全可以检测转子断条故障.在此基础上,提出了一种新的基于小波包分析的转子断条在线检测方法,其突出优点在于可正确识别电动机转子断条故障与负荷波动.数字仿真及实验结果证明该方法是切实可行的.     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明:小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

基于半正交三角样条小波包的电机故障信号处理方法

三角样条小波TSW（Trigonometric Spline Waelet)是作者首先提出适合电力系统信号处理的小波函数，它是对称的半正交小波。基于它的小波包称为半正交小波包，与Daubechies小波迭代算法不同，三角样条小波是对称的或反对称的小波，基于它的滤波器具有线性相位或广义线性相位，因而可避免信号相位失真，实验结果表明半正交小波包对故障信号的分解，压缩，重构比Daubechies小波包效果明显，另外对故障信号的小波包分解的不同频带的特征值和正常信号的特征值进行比较，可以对故障信号进行谐波检测和定位。     

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。     

基于半正交小波包的电机故障信号处理方法

B－样条小波是对称的半正交小波，基于它的小波包称为半正交小波包，它的算法简洁，准确，与Daubechies小波迭代算法不同，B－样条小波是对称的或反对称的小波，基于它的滤波器具有线性相位或广义线性相位，因而可避免信号的相位失真，实验结果表明半正交小波包对故障信号的分解，压缩，重构比Daubechies小波包效果明显，另外对故障信号的小波包分解的不同频带的特征值与正常信号的特征值进行比较，可以对故障信号进行谐波检测和定位。     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

小波包分解在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的问题，在分析电机故障特征的基础上，利用时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解，利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。经仿真验证，小波包分解能将故障信号有效划分到不同的频段内，而且时域和频域局部化特性好，能有效地诊断出电机故障，具有良好的理论意义与工程应用价值。     

利用小波包变换实现噪声环境下特征信号的提取

电力系统暂态或故障时 ,电压电流信号包含了故障的信息 ,文中称包含了故障或暂态信息的电压和电流信号为特征信号 ,利用特征信号可以进行系统分析和故障检测 ,但是特征信号往往被淹没在大量的噪声信号中 ,这样给电力系统分析和检测带来困难。文中分析了电力系统中几种常见的噪声和特征信号的时频特性 ,简单介绍了小波包变换的理论和特点 ,分析了利用小波包变换来消除噪声 ,提取特征信号的理论 ,并通过实例验证了小波包良好的抗噪能力 ,为实现噪声环境下特征信号的提取提供了良好的分析方法 ,为电力系统分析和故障检测提供了良好的工具。     

基于失电残压小波分析的定子绕组故障诊断

针对感应电机定子绕组匝间短路故障诊断存在的不足,提出了一种基于失电残压小波分析的诊断方法。采用不受外部因素干扰的失电后零序电压作为分析对象,对其进行小波包分解,提取基波零序电压分量作为故障特征;对比正常电机基波零序电压,可确定有无定子绕组故障发生,计算相应节点小波包分解系数的均方根值,可反映故障的严重程度。仿真实验验证了该方法的有效性,可应用于实际工程。