基于LVQ神经网络的异步电动机故障诊断

应用小波包分析法和学习矢量量化网络对异步电动机的故障进行诊断。采用小波包分析法对采集的异步电机振动信号进行小波包分解,选取特殊频段的能量特征值作为LVQ神经网络的输入样本,通过训练,使构造的学习矢量量化网络能够反应能量特征值和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,小波包分析法与LVQ网络结合构成的故障诊断分类器能更准确、更有效地实现异步电动机故障诊断。     

基于小波包变换—残差网络的表面粗糙度预测

为了提高模型对表面粗糙度的预测精度，同时避免传统机器学习预测方法中由于特征提取和选择等步骤对先验理论知识的依赖，提出一种基于小波包变换(WPT)结合残差网络(ResNet)的表面粗糙度预测方法。该方法利用WPT将振动信号分解成不同频段的小波包系数，融合各频段小波包系数构成系数矩阵，以捕捉相邻频段之间的关系，将无心车床不同方位的系数矩阵进行叠加得到ResNet的输入，利用ResNet自适应提取表征表面粗糙度能力强的特征，实现表面粗糙度预测。通过与其他预测方法比较，所提方法预测结果与实际测得结果接近，精度有所提高，证明了所提方法的有效性。     

基于小波包和熵准则的最优频段提取方法

为实现运动功能障碍患者的运动意愿和基于脑机接口技术的实际康复运动的一致性,进一步改善康复效果,以想象右手食指屈伸运动为例,对身体相同或相近部位的不同运动想象方式产生的脑电信号(记为EEGs)的特征提取方法进行研究。针对食指屈伸运动想象EEGs的事件相关去同步化现象(event-related desynchronization,ERD)不显著及发生的时间及频段的个体差异等特点,提出了基于小波包和熵准则的最优频段提取方法。该方法首先利用小波包分析对右手食指屈、伸运动想象EEGs进行分解;其次,利用熵准则对特征频段的可分度进行度量,从而选取相对明显的频段小波包组合,并以相应的小波包系数构成特征矢量;最后,结合支持向量机实现最优频段的选取。实验结果表明,该特征提取方法能够自适应提取右手食指屈伸运动想象EEGs的ERD现象差异性较大的频段特征,最高分类正确率为81.75%,验证了所提方法的有效性。     

基于小波包近似熵的线路故障性质辨识方法

超高压输电线路瞬时性故障与永久性故障的自动识别,是自适应重合闸实现的关键。研究超高压输电线路模型及其故障相电压特性,应用小波包分解和近似熵对故障相电压中的高频暂态分量进行分析;研究发现,对于瞬时性故障,其故障相电压的特征频段的小波包系数近似熵值在开关动作跳闸后的一段时间内显现振荡的变化趋势;对于永久性故障,其特征频段的小波包系数近似熵随时间递减。根据这一特征,提出了基于小波包系数近似熵的衰减系数累加和的输电线路故障性质自动识别方法,给出了相应自适应重合闸动作判据。仿真研究结果及工程应用实例证实了所提方法的可行性和准确性。     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

运用小波包峭度包络的滚动轴承故障诊断

根据滚动轴承振动信号的性质,提出了一种基于小波包系数、峭度最大值原则及包络谱分析的滚动轴承故障自动诊断方法.首先,用小波包将信号分解到不同的频段上,再对不同频段的小波包系数计算其峭度值;然后,根据峭度值最大原则,自动确定由轴承缺陷所引起的共振频率所在的频带;最后,对该频带的小波包系数进行包络谱分析,以确定故障频率.此方法能够提高滚动轴承故障诊断的可靠性和便捷性.     

基于小波包能量和调制信号双谱边带估计的齿轮磨损监测

为提高调制信号双谱边带估计的分析效果和鲁棒性,提出了小波包能量和调制信号双谱边带估计相结合的磨损特征提取方法.首先,使用小波包变换将信号分解为多个频段,计算每个频段的小波包能量,选取小波包能量较高的频段进行重构,以达到优选分析频段和降低计算量的目的;然后,对重构信号进行调制信号双谱边带估计以提取齿面磨损特征,并通过合理...     

基于小波包变换的牵引电机转子断条隐患特征提取方法研究

为了实现城轨列车牵引电机在运行时故障隐患的实时监控,根据牵引电机实际运行情况,在Matlab／Simulink仿真环境中建立起了处在闭环控制系统中的带有转子断条隐患的异步电机模型。对定子侧三相电流进行小波包分解并对各频段信号进行小波包系数重构,计算各频段的能量特征值,最后构建出隐患特征向量对电机转子隐患做出诊断。通过对仿真数据的应用,利用上述方法可以有效地识别出电机的转子断条隐患,为研制地铁列车牵引电机隐患挖掘与评估预警系统提供了技术参考。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值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,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。