基于D-S证据理论信息融合的转辙机故障诊断方法研究

在列车提速后S700K型电动转辙机被普遍安装在正线道岔的背景下,本文针对单一故障诊断方法的诊断精度偏低问题,提出了基于信息融合故障诊断模型和故障诊断方法.该方法分别用BP神经网络和模糊综合评判对转辙机进行故障诊断,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,然后利用D-S证据理论将BP神经网络和模糊综合评判对转辙机的故障诊断结果在决策级进行融合,诊断转辙机是否有故障并判断故障的模式.诊断结果表明,该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高.     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术

由于滚动轴承声发射信号在各频段的能量分布与轴承的故障类型相关,可以利用谐波小波包将不同故障滚动轴承的声发射信号分解到不同频段,进而将各频段的能量组成特征向量输入BP神经网络,通过神经网络判别滚动轴承的故障类型。利用神经网络对滚动轴承进行故障识别时,对谐波小波包和Daubechies小波包进行了比较。实验结果表明对于滚动轴承声发射信号的故障模式识别,将谐波小波包分解和BP神经网络相结合的方法可以获得良好的效果。     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

基于Choquet模糊积分的水电机组振动故障诊断

为提高水电机组故障诊断的准确性,提出了基于Choquet模糊积分融合的多分类器组合故障诊断方法,对朴素贝叶斯分类器进行了基于属性相似度的加权改进,得到基于属性相似度的加权朴素贝叶斯分类器(Attribute Similarity Weighted Naive Bayes Classifier,简称SWNBC),并应用基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC)与BP神经网络(BP neural network)组合成为SWNBC+MDC+BP的多分类器组合模型,以小波包提取的相关频带能量作为输入特征向量,应用组合模型对水电机组故障进行诊断,采用模糊积分法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器,能有效提高识别故障的精度。     

改进型小波神经网络在变频系统故障诊断中的应用

目前,变频系统故障诊断还一直依赖于对电压和电流信号的监测与分析,现提出用改进小波包提取变频器故障信号的特征量,并将该特征向量作为改进型网络的学习样本进行训练的方法.仿真结果表明,改进型小波神经网络与常规神经网络诊断方法相比,具有准确度高、诊断速度快和泛化能力强等优点.     

基于果蝇算法优化模糊RBF网络的液压破碎锤故障诊断

针对液压破碎锤故障原因具有多样性和不确定性,为避免传统模糊BP网络故障诊断存在收敛速度慢、易陷入局部极小值等缺陷,提出将果蝇算法优化模糊RBF网络方法用于液压破碎锤故障诊断.综合神经网络的联想记忆、并行处理能力和模糊理论的定性知识、模糊推理能力,同时利用果蝇算法对模糊RBF网络的扩展参数进行全局优化,建立了液压破碎锤系统输入故障征兆与输出故障原因间的映射.利用MATLAB软件编程进行仿真实验,结果表明:果蝇算法优化模糊RBF网络方法精度高,收敛速度快.利用该法对液压破碎锤故障诊断,结果与目标输出相符,证明该方法可行.     

故障振动信号的小波包分解与诊断

本文讨论了故障振动在小波分解下的信号特征,给出了小波包分解处理故障振动信号的原理和方法,论述了诊断信号的表达方式及其特点,给出并分析了一个变速箱多故障源的诊断实例.实践证明,作者给出的小波包分解与诊断方法具有理论和实际价值.     

基于小波包模糊熵的往复压缩机轴承故障特征提取方法研究

针对多尺度模糊熵(multi-scale fuzzy entropy,MFE)分析时间序列复杂性时捕捉不到高频组分信息的局限,提出一种新的基于小波包模糊熵(wavelet packet fuzzy entropy,WPFE)的故障特征提取方法。该方法利用小波包对信号的低频和高频成分进行分解,应用模糊熵对各频带分量进行量化得到特征向量,因而能提取更全面、准确的故障信息。以往复压缩机传动机构为研究对象,将小波包模糊熵作为特征提取工具,通过振动信号提取不同位置轴承间隙大故障的特征向量,利用支持向量机作为分类器,与多尺度模糊熵进行对比分析,验证了该方法的有效性。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于小波包分析的声强计算方法

传统的基于FFT的声强计算方法是分析平稳噪声信号的有效工具，但是它却无法对机电设备发生故障时所辐射出的非平稳噪声信号进行有效的分析。由于小波包分析可以实现非平稳噪声信号在不同频带和不同时刻的合理分离，因此可以利用小波包分析对声强进行计算。文中应用自行研制的噪声自动分析系统对声强的计算方法进行了研究，提出了一种基于小波包信号分析技术的声强计算方法：并通过实验验证了该方法的正确性。该方法不同于传统的基于FFT分析的声强计算方法，可以实现对非平稳故障噪声信号的分析，为机电设备的噪声监测和故障诊断提供了一条研究途径。     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

基于小波包变换和随机森林算法的光伏系统故障分类

针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法是结合集成学习理论和随机子空间方法的一种算法,可以对多种故障做出准确分类。使用PSCAD/EMTDC搭建独立光伏发电系统,选取12种故障进行模拟,得到600个故障样本,选取其中360个样本用于训练分类器,240个样本用于测试分类器的分类性能。仿真结果表明:该方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。与RBF神经网络分类器相比,故障分类准确率提高了4.17%,对进一步实现光伏系统故障诊断研究具有重要意义。     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多，但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此，提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合：对被测信号进行自相关或互相关处理，之后进行小波包阈值消噪处理，对消噪最大能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极大地增强了对滚动轴承故障诊断的能力，在强噪声背景下有效地提取出滚动轴承的故障频率。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

机械故障诊断中的小波基及算法研究

针对小波分析在机械故障诊断应用中的小波基选择和快速算法存在的问题,对常用的正交、半正交、双正交小波提取信号特征的能力进行了分析比较,表明半正交Ｂ样条小波因具有线性相位和采用较长的分解序列而具有较好的频率局部化特性和较小的变换误差,具有比较好的综合性能。推导了正交小波包的图形显示算法。利用该算法解决了小波变换快速算法中存在的数据长度随分解层数倍减小的问题。研究结果为故障诊断中小波基的选择和信号的深层