基于小波包能量熵与SVM的微电网故障诊断

为了提高微电网内部线路故障识别的实时性和准确性,建立适用性强的微电网故障诊断系统,文章提出了基于小波包能量熵和支持向量机(SVM)二叉树多分类器(2PTMC)的微电网内部线路故障诊断模型.利用小波包分析得到并网耦合点(PCC)处三相电流电压的小波包能量熵,作为样本的特征向量按故障发生频率训练多个SVM,构成树状微电网故障诊断系统.最后,在PSCAD平台建立微电网系统进行仿真,实验结果表明该方法可以准确地辨别出微电网故障类型,在未经训练的样本上也有良好的表现,符合微电网故障系统辨别的要求.     

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。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解,选择合适的小波基函数和尺度,将故障信号分解到八个不同的频段上,提取这八个频段上的能量信息,组成特征问量,作为RBF神经网络的输入;建立RBF神经网络模型并进行训练,对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于RBFNN的风光互补微电网故障检测

为了确保微电网能够稳定运行,微电网的故障检测研究变得越来越重要。利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）和径向基函数（Radial Basis Function,RBF）神经网络技术,对光伏系统和风力系统组成的风光互补微电网进行故障诊断。首先,利用MODWT对采集到的分布式系统公共耦合点处的电压信号进行故障检测,判断该时刻是否发生故障;其次,利用MODWT对负序电压进行特征提取,计算得到相应的平均值和标准偏差,通过训练RBF神经网络最终得到相应的故障分类结果;最后,进行仿真分析。仿真结果表明,该方法在风光互补微电网中,能够及时检测出故障,并对各种故障类型进行识别,具有较高的准确率。     

基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

基于小波包和BP神经网络的刚性罐道故障诊断

针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。     

基于小波包和CS-BP神经网络的矿用电力电缆故障诊断

针对矿用电力电缆故障类型诊断实时性和准确性不足等问题,提出一种基于小波包信息熵和布谷鸟搜索优化BP神经网络的方法对矿用电力电缆进行故障诊断.通过PSCAD对电缆故障进行仿真,将故障电压信号进行三层小波包分解和重构,再提取小波包信息熵构造特征向量.训练CS-BP神经网络使其输入特征向量后能够有效检测并输出电力电缆的故障类型,以实现对电力电缆的故障诊断.实验结果表明,该方法可以有效地诊断电力电缆的故障类型,并且优于同参数下的BP神经网络和PSO-BP神经网络模型.     

基于小波包分形的电力电子故障诊断方法

针对现有电力电子故障诊断的问题,提出了一种基于小波包分形的电力电子故障的诊断方法.首先使用3层小波包对电路输出电压波形进行分解、消噪和重构等预处理,以获得不同频带的重构信号,然后再计算各个重构信号的分形维度,提取出相应的故障特征;最后以此作为输入数据来训练支持向量机,实现电力电子故障的诊断.以三相整流电路为例进行实验,实验结果表明该方法能有效地提取电力电子故障诊断的故障特征,提高故障诊断的准确率,可有效地应用于电力电子系统的故障诊断.     

基于小波变换的减速离合器故障诊断方法研究

介绍了小波分析的原理,并把小波分析方法应用在减速离合器故障信号处理中,进而研制出减速离合器故障信号特征分析的故障诊断方法.主要运用MATLAB小波分析工具箱对离合器振动信号进行小波包分解,根据小波系数作出能量分布图,对故障频段进行小波包重构,从结果中可以直观地观察到离合器故障特征.结果表明,小波包具有很强的故障诊断能力,如果在故障诊断过程中合理选择小波函数和各种参数,就可以获得直观的故障信号局部特征,从而为产品故障诊断提供了有效的工具.     

装甲车辆电源系统智能故障诊断方法研究

针对电源系统建模复杂的问题,通过Matlab/simulink建立装甲车辆电源系统仿真模型,应用小波包能量法提取电源系统在各种状态下电压及电流信号的能量特征向量,并将其作为故障分类器的输入向量;结合SOM神经网络无监督聚类和BP网络有监督学习的能力,构建两层的故障分类器对各种故障状态进行识别和诊断;以车辆电源系统中整流桥故障为例进行仿真分析,结果表明该方法具有快速准确的故障诊断能力。     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

极限学习机在电机故障智能诊断中的应用

针对传统的电机故障诊断方法往往采用单一信号作为诊断依据,以及利用传统的BP神经网络进行故障诊断时存在的训练速度慢、易陷入局部极小值的缺点,提出了一种基于极限学习机和多源信息融合的电机故障诊断方法.首先将定子电流信号做陷波处理,滤除基波分量;然后对电流及振动信号进行小波包分解和重构,以各频带的小波包能量谱作为故障特征向量训练极限学习机模型;最后将训练好的极限学习机模型作为诊断决策分类器来判断电机的运行状态.实验结果表明,此方法能够准确地诊断电机的故障类型,具有运行速度快、故障诊断准确率高的特点,满足了系统在线实时诊断的要求.     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。     

WPT-MSE结合PNN的电机轴承故障诊断方法

滚动轴承是电机的重要组成零部件,在实际运行工况条件下,背景噪声干扰严重,难以实现电机轴承特征的有效提取及故障的准确判别。为了解决这一问题,提出了一种基于小波包变换(UPT)、多尺度熵(MSE)和概率神经网络(PNN)的诊断方法。首先,利用小波包变换对拾取的信号样本进行处理,并将原始信号分解为相应的子带信号分量,以减少原始信号中复杂成分之间的交叉干扰;然后,计算所得子带信号分量的多尺度熵值,并利用提取出的多尺度熵值构造能够表征电机轴承运行状态的特征向量;最后,将特征向量输入概率神经网络中,实现对电机轴承不同故障类型及损伤程度的自动识别。实测数据分析结果表明,所述诊断方法能够有效识别电机轴承的不同工作状态,从而为电机轴承的故障诊断提供了参考,具有一定的工程应用价值。