基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

基于量子粒子群优化的SVM的模拟电路故障诊断

相比于小波变换,小波包变换具有较高的分辨率和细致的分析能力,是小波变换的延伸和发展。支持向量机具有较好的泛化能力,能够应用于模拟电路的故障诊断。鉴于支持向量机参数难以确定的问题,采用量子粒子群优化算法选取支持向量机的参数,将优化后的支持向量机与小波包变换相结合,利用小波包变换提取电路的故障特征,然后通过优化后的支持向量机对特征向量进行分类识别。最后通过对实例的分析,验证该方法的有效性。     

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy,TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm,PSO）优化支持向量机（Support Vector Machine,SVM）的故障诊断方法 .首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions,IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.     

自适应谱减声发射消噪及轴承故障诊断

对轴承进行声发射信号分析时,环境噪声会使信号能量波动,从而导致后期故障诊断失误。引入谱减法可以对声发射信号进行预先消噪,增强声信号的稳定性。但是谱减法对非平稳信号的处理性能不足,需对其进行谱减系数修正,并利用遗传算法对谱减系数(m,λ)全局优化。实验结果表明,自适应谱减法能够得到更优质的谱减系数,并有效的消除相对小波包能量的异常波动。各种故障类型的能量特征经支持向量机训练后,准确率均能达到92%左右。     

基于小波包分析的高速牵引电机轴承故障诊断研究

简析高速牵引电机轴承故障类型,介绍了LabVIEW和Matlab小波包相结合所开发的高速牵引电机轴承故障诊断测试软件平台。基于此平台,利用高速牵引电机轴承试验站对已知损伤轴承运转产生振动信号的拾取与采集,通过对信号进行小波包分解画出频谱能量图,再经过yulewalk多通带滤波器滤波,然后提取特征故障频率进行故障识别。试验结果验证了其可行性。     

基于PSO-LSSVM的过电压识别

为了获得理想的过电压识别结果,提出了粒子群优化算法优化最小二乘支持向量机参数的过电压识别方法。首先采用小波变换对过电压原始信号进行分解,提取过电压信号的特征量,然后将过电压信号的特征量作为最小二乘支持向量机的输入,建立过电压识别分类器,并采用粒子群优化算法估计最小二乘支持向量机的参数,最后采用实测的过电压数据进行仿真实验,测试其可行性。结果表明,本文方法可以对各种类型的过电压信号进行准确分类和识别,识别结果稳定,且过电压识别率要高于其它方法。     

基于小波包能量熵的鱼类识别研究

提出了一种基于小波包能量熵作为鱼体回波声信号的识别特征量,用以实现不同种类鱼体的分类识别。通过在消声水池中完成鲫鱼、草鱼和鲳鱼三种不同种鱼体的回波声数据提取采集实验,进行了数据预处理,并利用小波包能量熵算法计算鱼体回波声信号的识别特征量,再分别通过BP神经网络和支持向量机两种分类器进行了分类,分类识别效果较好,识别率分别达到了76.1%和82.2%。验证了小波包能量熵对于鱼体回波声信号识别的有效性。     

基于小波包变换和支持向量机的制冷机动静碰摩故障部位识别研究

制冷机在红外遥感领域发挥着极其重要的作用,如果出现故障直接影响探测器的正常工作以及性能,因此,制冷机智能故障诊断具有重要的意义.针对制冷机出现的碰摩故障,提出了一种基于小波包变换、遗传算法、支持向量机的智能故障诊断方法.首先对振动信号做小波变换及时域特征提取组成特征集.利用距离评价技术从特征集中选择敏感特征.利用遗传算法优化支持向量机参数.将特征值输入到优化好的支持向量机中,自动识别机器运行状态.开展制冷机故障模拟实验,结果表明,该方法最终识别准确率达95%,能有效识别制冷机碰摩故障部位.     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。