一种基于冗余小波变换等效功率谱的故障特征提取方法

提出一种基于冗余小波变换等效功率谱的故障特征提取方法,该冗余小波具有平移不变性,将信号分解之后得到的子信号与原信号具有相同的长度,即信息是冗余的,这种冗余信息能更加丰富地反映出其中微弱的分量。通过试验证明,利用冗余小波对转子断条故障定子电流信号进行分析,能有效地提取出其中的故障征频率分量。     

基于小波包变换的转子断条故障特征提取

针对鼠笼式感应电动机断条故障会在定子电流中产生特征频率的特点,采用双Hilbert变换对采集到的电流信号预处理,并且利用小波包变换提取故障特征信号。通过小波包分解,使得故障频率在每个子频段中突显出来。通过增加小波时域波形的波峰数,有效地抑制频带重叠现象和频谱泄露。双Hilbert变换解决了基频能量串扰的问题,让故障频率更容易提取。采用子频段节点重构系数均方根值变化率作为故障判断考察指标。通过实验室应用,验证该方法能够有效地识别转子断条故障。     

基于小波包系数平均能量的异步电机转子故障诊断

异步电机的转子断条的特征信号与基波频率非常接近,并且幅值很小,很容易被变频分量湮没。研究了小波包分解和小波包节点系数重构,以及小波包系数的平均能量的计算。然后通过小波包分解提取故障的特征信号的频带向量,最后计算频带向量的小波包系数平均能量并进行归一化处理,形成故障特征向量。通过特征向量的对比判断电机是否发生转子断条故障。并通过Matlab仿真以及实验分析验证了这种方法的可行性。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

基于连续非周期信号故障诊断方法研究

在研究周期性振动信号处理方法的基础上,针对连续非周期信号难以有效识别的问题,提出了一种基于小波变换和自功率谱相结合的故障诊断方法,采用小波变换对源信号进行去噪处理,并对处理后的信号进行自功率谱分析,解决了单独使用传统频谱信号分析方法难以对连续非周期信号有效分析的情况。通过对传输设备的故障进行分析,为识别连续非周期信号故障的提供了一定的指导意义。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于小波频谱分析的滚动轴承故障诊断研究

提出了一种基于小波频谱分析的滚动轴承故障诊断方法。利用小波默认阈值方法进行数据消噪处理,并对消噪后振动数据进行了5层小波分解。根据轴承故障特征频率,对故障特征频率所在层进行小波重构,计算功率谱密度。对滚动轴承故障的振动信号的仿真结果表明,该方法能有效识别滚动轴承的内圈、外圈和滚动体故障。     

基于二代小波的发电机转子匝间短路故障识别

为了快速准确地检测电机转子匝间短路故障,研究了二代小波用于发电机转子匝间短路故障检测的原理。在探测线圈法的基础上对附有随机噪声的感应电势信号进行二代小波变换分析,对分解系数进行重构,提取故障特征。仿真结果表明,该方法能有效检测电机匝间短路故障,滤除低频随机噪声,准确及时地提取故障特征,提高了可信度。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于小波变换的煤矿电缆故障检测

应用二进小波变换对动力电缆进行故障检测,经EMPT仿真数据的分析,证明该方法有很高的精确度。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

谐波小波滤波在异步电动机转子断条故障诊断中的应用

笼型异步电动机转子的断条故障,其早期特征频率分量与基频分量非常接近,针对幅值相对较小、不易诊断的问题,采用谐波小波方法对定子电流信号进行滤波处理。该方法基于谐波小波良好的盒形频谱特性,将特定频率段的成分与定子电流信号的其它频率成分既不交叠,又不遗漏的分解到相互独立的频带上,成功地突出故障特征分量。仿真和实验结果证明,该方法能大大提高转子断条故障诊断的准确性。     

旋转机械动静碰摩故障特征研究

旋转机械转子动静碰摩是旋转机械常见的故障之一。针对现状,以刚度为分段线性的Jeffcott转子为动静碰摩的简化模型,建立了系统模型的运动微分方程,并进行了碰摩故障的仿真计算。经过大量的试验,观测了转子碰摩故障下的运动规律。试验结果与基于碰摩力模型的仿真结果一致,并对诊断和抑制旋转机械轴系异常超标振动有积极意义。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于CEEMD与小波包的单相接地故障选线方法

为了解决矿井供电系统发生单相接地故障时故障特征不明显情况下小波包选线方法易错选误选的问题,文章提出了一种基于CEEMD与小波包的选线方法。该方法首先对各条线路的零序电流进行CEEMD分解,提取分解得到的高频IMF1分量进行小波包变换,求取各频段小波包能量总和并排序,按照能量最大原则确定特征频带并进行小波包分解系数模最大值极性的比较,确定模最大值极性相反的线路为故障线路。利用RTDS搭建了35/6kV的矿井供电系统仿真模型,仿真结果表明该选线方法具有较好的选线准确性,并且受不同故障因素的影响较小,在不同故障条件下均有较高的选线准确率。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于小波自适应包络解调技术的滚动轴承故障识别研究

针对传统的包络解调技术在实际使用过程中存在必须人为确定高频共振频率和带通滤波器的中心频率缺点,提出了小波自适应包络解调技术。该方法通过最小Shannon熵原理自适应确定小波函数的中心频率和带宽,求得在此小波变换下的系数,运用希尔伯特变换得到解析信号,最后计算包络和包络谱来识别故障特征频率,实验结果表明,提出的方法能准确有效地识别出滚动轴承外圈、内圈及滚动体的单点类故障。     

基于综合关联度分析的感应电机转子故障诊断

基于灰色关联理论,在灰色关联分析中引进相似系数,将两者相结合形成综合关联度,提出了基于综合关联度分析的感应电机转子故障诊断方法。首先选择感应电机典型转子故障模式构造标准故障模式。根据综合关联度的计算方法,计算出感应电机待检转子故障模式的综合关联度,根据关联序识别感应电机待检转子模式的故障类型。通过故障诊断实例表明,将综合关联度分析引入感应电机转子的故障诊断中是可行的,具有较高的识别率,分类诊断能力优于BP神经网络故障诊断方法。