小波包分析与神经网络的微电网线路故障诊断

在微电网并网运行过程中,如果未能及时检测出线路故障,会导致微电网退出并网运行状态,严重时可造成系统解列崩溃。为了实现对微电网内部线路故障类型以及故障相别的识别,对微电网内部线路智能化故障诊断进行了研究,提出将小波包分析与径向基神经网络结合应用在微电网内部线路故障诊断中。首先,将微电网三相输出电压信号通过三层小波包分解得到电压重构信号,并计算其小波包能量熵;其次,将三相电压重构信号的小波包能量熵组成一组特征向量作为径向基神经网络的输入;最后,通过训练好的径向基函数神经网络完成识别故障类型以及故障相别的功能。仿真结果表明,将该方法应用在微电网内部线路故障诊断,准确率达到了97%以上,满足了智能化故障诊断的要求,提高了微电网在运行过程的可靠性。该方法在微电网内部线路故障诊断领域具有良好的应用前景,也为将来通过搭建硬件电路完成基于小波包分析与径向基神经网络的微电网内部线路智能化故障诊断提供了理论基础。     

换流站阀水冷系统主泵轴承故障诊断方法研究

对换流站阀水冷系统主泵轴承的故障诊断方法进行了比较研究.采用支持向量机作为分类工具,分别利用时域特征值和小波包分解取样本熵作为样本训练,比较分类准确率,并择优用于换流站阀水冷系统主泵的轴承故障诊断.首先,利用轴承故障试验台的数据,对采用时域特征值和小波包分解取样本熵作为样本训练的分类准确率进行了比较,结果表明小波包分解取样本熵值比时域特征参数更适合用于特征故障分类.然后将小波包分解取样本熵值用于换流站阀水冷系统主泵的轴承故障诊断,结果显示分类准确率达98％,完全满足工程运用需求.     

基于小波包特征熵的飞机液压系统故障诊断方法研究

为精确诊断飞机液压系统故障,提出了一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的飞机液压系统压力信号进行小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本,利用ART1神经网络进行训练,实现智能化故障诊断。试验结果表明,训练成功的ART1网络能够很好地诊断出飞机液压系统是否发生故障,为飞机液压系统故障诊断开辟了新的途径。     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于SVM的柴油机故障诊断方法研究

介绍了基于支持向量机(SVM)的故障诊断方法的原理和算法。利用小波包分解提取信号的特征参数,将特征送入故障分类器中训练。实验结果表明,当数据样本较少时,相比神经网络而言,基于SVM的故障分类器仍能正确分类多种故障。这种诊断方法具有算法简单、故障分类能力强的优点。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于奇异值分解和小波包分解的故障检测

根据真空泵在故障和正常模式下工作时,其振动信号在频域的能量分布的差异性,设计基于奇异值分解(SVD)和小波包分解(WPD)的真空泵故障检测方法。首先用SVD对采集到的信号进行去噪,再使用小波包对去噪后的信号进行分解,对分解得到的各层系数进行重构并提取需要的各频域段的能量。将提取的能量向量作为支持向量机(SVM)的输入样本,对SVM进行训练。最后使用实验数据对SVM的可靠性进行验证。实验结果表明,采用SVD和WPD结合的方法能较好地识别出真空泵的故障。     

基于WPEE-RF的模拟电路故障诊断

为实现高效的模拟电路故障诊断,提出了基于小波包能量熵(WPEE)和随机森林(RF)的模拟电路故障诊断方法;选择合适的测试激励信号,监测电路收集数据,对模拟电路监测数据进行5层小波包分解,计算多频带WPEE向量表征故障特征,由RF分类器实现故障诊断;仿真实验结果表明,该方法在双二次滤波电路、Sallen-key滤波电路容差故障诊断以及对数放大器综合故障诊断中体现出良好的性能,故障诊断准确率达99%以上,且该方法具有参数鲁棒性,RF模型训练时间短;较支持向量机和BP网络方法相比,表现出更好的综合性能,更能贴近工程实践应用。