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。     

遗传小波神经网络及在电机故障诊断中的应用

本文给出了基于优化遗传算法的小波神经网络故障诊断模型。首先利用改进的遗传算法对神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和阈值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛,而且故障识别的能力和精度也大大提高。同时引进比小波分析具有更强高频分析能力的小波包技术,并将其应用到故障信号的特征频率分析中,以得到的结果作为改进遗传神经网络的输入信号,保证训练网络的准确性。通过对电机故障进行仿真试验,证实该方法的有效性及正确性。     

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。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

基于小波神经网络的电动机故障识别

本文构造了一个波神经网络，利用神经网络实现了风支机故障类型的识别。理论分析和试验结果表明，以上方法对鼠笼也电动机的故障诊断是有效的，并验证了其可行性和优越性。     

基于小波神经网络的开关磁阻电动机建模

针对BP网络容易陷入局部最优解的缺陷,提出了基于小波神经网络的开关磁阻电动机建模,利用小波神经网络很好的非线性逼近能力,在分析测量数据和开关磁阻电动机非线性磁特性的基础上,建立了开关磁阻电动机的模型.通过与样机实测数据比较,验证了模型的有效性.其突出的优点是利用此方法建立的数学模型泛化性好,可使系统获得高指标的调速性能.     

基于变结构神经网络最大值算法的高压异步电动机故障诊断研究

分析神经网络反向传播算法的缺点,提出一种变结构神经网络最大值算法,并将该算法用于高压异步电动机的故障诊断。实验结果表明：网络收敛速度加快,故障识别率提高,能够实现高压电动机常见故障的自动诊断,实现高压电动机的智能化综合保护。     

基于RPROP神经网络算法的异步电动机故障诊断

为了更快、更精确地识别异步电动机的各种故障类型,克服BP神经网络存在的局部极小值和收敛速度慢等问题,提出了一种改进的BP算法——RPROP（Resilient PROPagation）神经网络算法。在介绍RPROP算法的基础上,建立了基于RPROP算法的异步电动机故障诊断模型,对异步电动机的定子匝间短路、转子断条、转子偏心和轴承4种故障进行识别和诊断。实验结果表明,该方法对异步电动机的故障诊断是有效的。     

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。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于小波和神经网络的齿轮箱故障诊断

本文对齿轮箱故障诊断特点和方法进行分析,并举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于BP神经网络的舰船电机故障诊断

为了准确判断舰船电机故障类型,找到故障原因,建立基于BP神经网络的舰船电机故障诊断模型,收集故障样本数据.运用MATLAB软件进行仿真,以实例进行检测.检测结果表明,构建的模型准确可靠,可以模拟电工人员对舰船电机故障作出正确诊断,验证了BP神经网络的优越性和可行性.     

基于模糊神经网络的异步电动机故障诊断研究

在对当前的检测方法与故障诊断手段研究的基础上,提出了基于模糊神经网络的故障诊断方法。该方法利用改进的BP算法,提高了学习速率,增强了稳定性。同时,针对异步电动机常见的故障特点,运用该诊断模型,对异步电动机故障进行了诊断。仿真结果表明：它具有准确度高,诊断速度快等优点,是一种较实用的故障诊断方法。     

神经网络在电机故障诊断中的应用综述

介绍神经网络在电机故障诊断方面的应用情况,系统地分析所采用的反向传播神经网络、径向基函数神经网络、小波神经网络、集成型智能诊断系统等网络模型及其最新的进展情况,并提出了未来的重点研究方向。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.