基于小波包能量分析及改进支持向量机的风机机械故障诊断

为了准确诊断风机的机械故障,提出了一种基于小波包能量特征和改进支持向量机的诊断方法.在某4-73No.8D风机实验台上对13种不同运行状态下的振动信号进行采集,利用小波包对振动信号进行消噪、分解与重构,提取其小波包能量特征,得到了各运行状态下风机多测点信息融合的小波包能量特征向量,并利用改进支持向量机对特征向量样本集进行训练与测试,实现了风机机械故障的分类诊断.结果表明:该诊断方法能够有效地诊断风机机械故障的类别、严重程度和发生部位,且诊断准确率高、测试时间短,适用于在线机械诊断.     

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度.实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度.     

基于小波包与LSSVM的短期光伏输出功率预测研究

由于太阳辐照度及其他气象会随时发生变化,导致光伏电站输出功率具有可变性和不确定性,这将会对电网的安全运行造成重大影响。文章研究了影响光伏电站输出功率的几种气象因素,提出了一种基于小波包与最小二乘支持向量机(LSSVM)的短期光伏电站输出功率预测方法。首先,利用小波包将原始光伏电站输出功率,以及太阳辐照度、环境温度、环境湿度等气象因素进行分解,得到基频信号和多层高频信号;然后,利用最小二乘支持向量机所具有的处理小样本数据和解决非线性函数的能力,将得到的基频信号和多层高频信号作为最小二乘支持向量机的输入变量;最后,将不同尺度的输出结果进行叠加、合成,得到原始光伏电站输出功率的预测值。仿真结果表明,与传统的最小二乘支持向量机预测法、BP神经网络预测法,以及EMD与LSSVM相结合的预测方法相比,文章预测方法的预测精度较高,可以有效地预测光伏电站输出功率。     

小波包技术在滚动轴承故障诊断中的应用

小波包可以将信号分解到任意频段上,可以实现信号的任意频段、多频段、窄带滤波,基于这一理论提出了一种小波包信号特征提取算法,并通过两个仿真实例验证了算法的可行性,最后通过本算法分析故障滚动轴承振动信号,较好地提取了特征信号,算法解决了轴承振动信号于扰大滤波难的问题,在状态监测与故障诊断领域乃至信号处理领域具有广阔的应用前景.     

基于改进FOA LSSVM的变压器故障诊断

针对基于油中溶解气体（DGA）变压器故障诊断方法存在的不足,提出了改进果蝇算法优化LSSVM的变压器故障诊断方法。为克服果蝇算法易陷入局部极值、收敛精度低的缺陷,引入线性递减步长、变异操作和混沌搜索策略进行改进。建立了LSSVM变压器故障诊断模型,并用改进的果蝇算法优化参数。仿真试验及对比研究表明,改进模型可准确、有效地识别变压器故障类型,相较其他模型（BPNN、FOA PNN和FOA LSSVM）,该模型的准确率较高,更适合于变压器故障诊断。     

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EEMD和LSSVM的船用柴油机故障诊断

针对船用柴油机故障诊断时振动信号的非平稳特性和难以获取大量样本的实际情况,提出一种总体经验模态分解EEMD和最小二乘支持向量机LSSVM相结合的诊断方法。运用EEMD方法对特定时段的振动信号进行分析,计算各内禀模态函数IMF,并求其包含时间信息的能量熵,以之作为特征向量输入到LSSVM分类器来判断柴油机的故障类型。经实例验证,该方法能在保持信号完整性的前提下有效提取故障特征,在小样本情况下具有较高的诊断精度、较快的诊断速度和较强的泛化能力,能有效应用于同类型机械的故障诊断。     

基于全信息小波包和支持向量机的旋转机械故障诊断

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题,提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法.运用小波包频道能量分解技术提取了全信息能量特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断.实验研究表明:基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,显著提高了故障诊断的准确率.     

小波包能量谱在发动机故障检测中的应用

小波包是继小波分析之后的又一种新型多尺度分析方法,它具有对非平稳信号进行局部化分析的功能,是在多分辨率基础上构成的一种更精细的正交分解方法,可以解决小波分析在高频部分分辨率差的缺点.本文以小波包分析为基础,对发动机振动信号进行实例分析,通过对采样信号的分解和重构,取其特征向量作为能量谱,比较正常信号和故障信号的能量谱和功率谱,能够判断出发动机的故障状态,验证了小波包能量谱对发动机故障检测的可行性.     

基于提升小波包的离心泵故障诊断方法

为准确诊断离心泵的振动故障,提出了基于提升小波包和相关向量机的离心泵振动故障诊断方法.首先通过提升小波包方法快速提取各状态振动信号的分解系数能量、时域统计参数作为特征量.针对支持向量机稀疏性不高而导致诊断速度慢的问题,利用相关向量机实现分类诊断.研究结果表明,该方法能够有效地诊断离心泵的振动故障,诊断率达95.5％;与...     

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。     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

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。     

风力发电机组叶片故障诊断

风机叶片的裂纹和断裂是导致风机机组事故的重要因素之一,尽早诊断出风机叶片的故障部位与故障程度,对安全生产具有意义重大.本文将叶片振动信号作为研究对象,利用小波分解方法对其进行信号分解,并与时域和频域方法处理结果进行对比分析,得出诊断结论.仿真结果表明：小波分解方法可以更有效的获取故障特征信号,具有较高的故障诊断率.     

基于小波分析的汽轮机碰磨故障诊断

振动故障是故障诊断中的难点,故障原因复杂、类别繁多。小波分析因具有良好的时频局部性及多分辨率分析特性,被广泛地应用在振动故障诊断中。介绍了小波分析方法在振动故障诊断中的应用,利用时频等高图确定汽轮机碰磨故障发生的时刻,借助小波包特征熵向量诊断碰磨故障的严重程度,从而提出了完整的汽轮机碰磨故障的小波分析诊断方法。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法

为解决风电齿轮箱状态监测数据样本量较少,特征指标间存在相互干扰且具有非线性难以分类等问题,本文提出了一种基于主成分分析结合支持向量机的风电齿轮箱故障诊断方法。首先,采用主成分分析法(PCA)对原始数据进行降维,做出第1,2主成分二维图及前3个主成分三维图,表明PCA对监测状态数据具有一定的分类效果。其次,提取累计贡献率80%以上的前5个主成分作为数据集。最后,采用支持向量机(SVM)比较4种不同核函数的诊断准确度,并加入噪声验证。分析结果表明：径向基核函数构建的支持向量机总体分类精度达到97%,准确率最高;在含噪的情况下,线性核函数与径向基核函数分类精度达到94%;与MLP神经网络进行对比发现,支持向量机更适应小样本分析且测试精度较高。实例分析表明,主成分分析结合支持向量机有较好的分类效果,适用于风电齿轮箱故障诊断的工程应用。     

基于小波分析的汽轮机叶片故障诊断技术

简述了小波分析的基础理论和算法,论述了在小波多分辨率分析下进行汽轮机叶片故障诊断的方法。结果表明,小波的方法能很好地保存瞬态信号中的尖峰和突变部分,对振动信号进行处理后再进行特征提取,使故障诊断变得容易,具有良好的效果。