基于一致多尺度模型的输电铁塔精细损伤识别方法

为研究输电铁塔螺栓松动导致的损伤问题,提出了一种基于一致多尺度模型的输电铁塔精细损伤识别方法,即在宏观尺度模型的基础上于螺栓松动的节点处实体建模,细分单元尺寸,以某实际工程500kV输电塔为例建立一致多尺度模型,模拟了螺栓预紧力损失情况下的9种工况的损伤识别程度。结果表明,基于一致多尺度模型的小波包能量曲率差方法可有效识别微小损伤,拟合得出的损伤程度与损伤指标间的函数可定量判断损伤程度,为小波包能量曲率差应用于实际损伤监测提供了理论依据。     

小波包分析和神经网络在风电机组变频器故障诊断中的应用

由非线性电力电子装置组成的风力机变频器一旦发生故障,其故障特征信息不容易被提取和识别。为此,提出了一种基于小波包分析和Elman神经网络的电力电子装置故障诊断的方法,先运用小波包分析法提取电力电子装置电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网络的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以典型的风力机交—直—交变频器为例,在Matlab软件下建立电路模型对一次侧故障进行仿真实验,结果表明采用该方法可以快速、准确地完成故障诊断。     

基于小波包与神经网络的氢发动机异常燃烧研究

发动机压力信号包括很多能反映发动机异常燃烧征兆的有用信息,对压力信号进行小波包分解,提取异常燃烧特征,并用神经网络建立起从异常燃烧到特征参数的映射关系是诊断异常燃烧的有效技术手段。     

小波神经网络法在柴油机故障诊断中的应用

用小波分析作信号处理手段提取柴油机振声信号特征量 ,以神经网络作为故障模式识别手段 ,进行了柴油机故障的振声诊断方法研究。针对柴油机振声信号的非平稳时变特性 ,应用小波理论中的小波包方法对其进行处理 ,结果表明小波分析是比傅里叶分析更为有效的处理柴油机振声这类非平稳信号的方法。在此基础上 ,研究了用神经网络实现根据小波包分解结果识别柴油机故障状态的方法。     

基于小波包和BP神经网络的柴油机故障分析

随着人们对柴油机动力性、经济性要求的不断提高,现代柴油机结构日趋复杂,对其故障诊断要求也越来越高。本文通过WP7柴油机台架试验,模拟供油提前角、供油量、气门间隙以及喷油压力异常四种故障,采集振动信号,利用小波包技术对各种故障振动信号特征参数变化规律进行了分析,比较了各频率对故障信息敏感度的影响,进而利用MATLAB建立BP神经网络,对提取的信号特征进行训练与测试,并进行验证,实现了对柴油机的故障诊断。     

基于小波包分解和Kohonen神经网络的气液两相流流型识别方法

针对传统流型识别方法主观性强和BP神经网络训练受病态样本影响较大的缺点,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出一种新的气液两相流流型识别方法。该方法首先利用小波包分解对流型的动态压差波动信号进行分析、提取特征,然后将小波包能量特征与Kohonen神经网络结合进行流型识别。对水平管内空气一水两相流4种典型流型的识别结果表明：该方法能有效克服传统识别方法具有的主观性和BP网络的缺陷,具有很好的识别效果,从而为流型的在线识别提供一种新的有效的技术选择。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包分析和神经网络柴油机故障诊断研究

对于柴油机而言,及时的对其实施故障诊断是十分必要的.小波包分析能有效的对柴油机缸体振动信号进行消噪处理,并提取表征柴油机故障的振动信号能量特征向量作为BP神经网络的输入值.本文中,对4100QB柴油机缸盖振动信号实验数据采用单隐层BP网络进行训练,并对不同故障模式进行分类识别,实验验证表明这一方法是非常有效的.     

基于小波包神经网络的整流电路晶闸管故障识别

在电力能效监控管理系统中,提出了基于小波包的特征提取和BP(back propagation)神经网络相结合的方法,对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理,对22种故障情况分别进行编码.建立三相整流电路故障模型,采用小波包分解的方法,对直流端输出电压的采样数据进行特征提取,构建特征向量,作为BP神经网络的训练样本,将对应故障的编码作为网络输出,用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明,采用小波包特征提取,作为神经网络训练样本,既可以简化神经网络训练结构,又可以准确实现故障定位识别.研究具有很大的工程实践意义.     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于迁移学习的复杂环境下输电杆塔异常振动识别

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复...     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

应用小波-人工神经网络组合模型研究电力负荷预报

针对负荷时间序列的非线性和多时间尺度特性．提出了将小波分析与人工神经网络相结合进行负荷预报的方法——小波-人工神经网络组合模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以月、日平均负荷预报为例对模型进行验证．结果表明：该模型的拟合、检验精度较高。     

基于小波神经网络的机械故障智能诊断研究

探讨了动量系数和学习率自适应调整的神经网络算法,给出了动量系数和学习率的调整方法,并作为机械故障的特征识别方法,以小波分析技术作为机械故障特征信号的提取手段,由此建立了基于小波与自适应神经网络的旋转机械故障智能诊断系统,给出了诊断系统的训练学习方式和工作方式,通过实际测试数据酌诊断结果说明此诊断系统对故障诊断是有效的。     

覆冰导线舞动作用下杆塔结构破坏过程数值模拟

为考察输电杆塔在覆冰舞动工况条件下破坏过程及倒塌机理,以110 kV肖湖432线输电杆塔为例,基于有限元软件MIDAS建立杆塔结构模型,利用Matlab模拟出导线覆冰舞动荷载波形,在MIDAS中建立时程荷载函数,对杆塔结构施加导线舞动荷载进行动力时程分析,并对杆塔结构的破坏机理、破坏形态及塔材变形的发展情况进行了模拟分析。结果表明,杆塔的破坏是由于部分交叉斜撑发生较大变形,使主材侧向约束显著弱化,随着时间的推移在杆塔的薄弱位置发生破坏,并最终导致倒塔;数值模拟结果与杆塔结构实际的破坏形式相符,验证了该方法的正确性。