小波分析在故障监测及诊断中的应用

简要分析了小波变换的二尺度特性,对小波变换模极大值表征信号奇异性的原理进行了讨论,并给出了它在故障监测及诊断中应用的实现方法和实验结果。     

一种基于小波分析的故障检测与诊断

小波分析是一种时变信号时-频两维分析方法.根据小波分析的思想,构造出一种新型机械设备故障诊断装置,使得机械故障的诊断结果更加准确,并在实际应用中取得了良好效果.实践证明这种拟小波理论的信号处理方法在故障诊断中是十分有效的.     

一种基于小波分析的故障检测与诊断

小波分析是一种时变信号时－频两维分析方法。根据小波分析的思想，构造出一种新型机械设备故障诊断装置，使得机械故障的诊断晚加准确，并在实际应用中取得了良好效果。实践证明这种拟小波理论的信号处理方法在故障诊断中是十分有效的。     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。     

基于小波变换的柴油机故障智能检测新方法

提出了一种智能检测柴油机喷油压力信号特征点的新方法,可以对柴油机一些常见故障进行不停机的检测。通过对油压信号特征的分析,对之进行了连续小波变换,根据油压信号在不同阶段的频率特征选定相应尺度的小波系数,然后利用这些小波系数的模极小值进行特征点的检测。将现场实测信号在Madab中进行仿真,建立了喷油系统正常工作时的模板向量。实验证明该方法的准确率高,而且便于在各种数字信号处理终端中实现,是有效可行的。     

基于小波分析的传感器故障检测研究

针对航空发动机控制系统传感器故障检测在强噪声环境下易误报的问题,设计了基于模极大值原理的传感器故障检测方法.首先介绍基于小波奇异性进行故障检测的基本原理,之后根据信号和噪声奇异指数不同的特点判断噪声模极大值.对传感器典型故障,给出基于模极大值原理的传感器故障检测算法,并根据小波变换模极大值在不同尺度下的分布来完成故障的检测.通过某型涡扇发动机控制系统传感器故障检测仿真实验表明,小波变换能很好地刻画信号的奇异性特征,该滤波算法消噪效果明显,故障检测准确度高.     

基于小波分析的三角钢琴踏板机械故障检测方法

针对采集的三角钢琴踏板机械信号故障检测准确率低的问题,提出基于小波分析的三角钢琴踏板机械信号故障检测方法。采用频谱感知算法构建一个三角钢琴音频信号的多源信息采集模型,获取三角钢琴踏板机械音频信号;为提高钢琴踏板机械信号获取的准确率,通过频谱特征分离方法对采集信号进行降噪处理,采用小波包变换中的Mel倒谱系数MFCC对处理后的信号进行频谱特征分解;最后基于分解频谱特征进行三角钢琴音频信号的特征识别优化。实验表明,在相同的数据量下,对比于12维的MFCC频谱特征分解方法,提出的小波包分解的MFCC方法可分解出更多的钢琴频谱特征峰值,为后续三角钢琴踏板机械信号故障检测提供了有效的数据。实验发现,对比于传统卷积神经网络的音频特征识别方法,本方法的识别精度最高可达95.6%,且均保持在90及以上。综合分析可知,本方法可实现三角钢琴踏板机械信号故障准确识别。     

基于小波包去噪与PCA的故障检测与诊断方法研究

提出了一种基于小波包去噪和主元分析的故障检测和诊断方法.该方法利用小波包分解系数收缩的信号去噪法先对正常工况下的数据进行处理,然后运用T2统计、Q统计方法,结合主元得分图和变量贡献图对一模型进行了仿真研究.结果表明,该方法是有效的.     

基于小波分析和机器学习的电力电缆故障诊断研究

以MATILAB语言为工具,笔者首先对小波分析对电缆故障信号特征进行提取,将小波分析与机器学习理论应用于电缆故障诊断,通过电缆故障信号的小波分析,找出最优的小波类型,并利用机器学习分类和回归算法对故障进行识别和对故障点进行定位,最后建立了一种能实时精确定位电缆故障和识别电缆故障的模型,用于在线实时精确监测电缆故障。     

基于小波分析的传感器故障诊断方法仿真研究

针对装甲车辆数据采集控制系统中传感器故障难于直接检测的问题,本文提出一种基于小波变换的方法对传感器故障进行诊断。首先介绍了小波分析的基本理论,对比阐述了连续小波变换和离散小波变换的原理和优缺点;其次利用Matlab/Simulink搭建模型进行仿真试验,采用连续小波变换对传感器故障进行检测,准确定位故障发生时刻;最后本文还选取了几种典型的传感器故障进行诊断,仿真结果验证了该方法的可行性和准确性。     

煤矿旋转机电设备的量子神经网络故障诊断技术

针对煤矿旋转机电设备故障模式相互干扰的问题,基于量子神经网络理论,提出了一种量子神经网络故障诊断算法。以量子学中的相移门和受控非门为基本计算单元,构造出3层量子神经网络故障诊断模型,采用梯度下降法作为该模型的学习算法,对刮板输送机减速器的多种故障进行识别诊断。初步研究结果表明,所提出的量子神经网络故障诊断技术是可行的,有助于提高煤矿旋转机电设备的故障诊断率。     

Highly imbalanced fault diagnosis of mechanical systems based on wavelet packet distortion and convolutional neural networks

The healthy operations of mechanical systems are crucially important for ensuring human safety and economic benefits, so that there is a high demand on the automatic fault diagnosis techniques. However, the number of available faulty samples of mechanical systems is often far less than healthy samples, and thereby the traditional data-driven methods often suffer a high rate of misdiagnosis. In this paper, a new fault diagnosis method is developed on the basis of wavelet packet distortion and convolutional neural networks. First, wavelet packet distortion means that wavelet packet coefficients are distorted to augment fault samples, in order to achieve the equilibrium between healthy and faulty classes. Second, a convolutional neural network-based classification model is trained using the balanced training dataset. Third, the trained model is applied to classify the testing samples. Finally, the efficacy of this developed method in imbalanced fault diagnosis of mechanical systems is demonstrated through a number of experiments.     

煤矿输送带传输故障实时监测技术

分析了断带、纵向撕裂、跑偏、水煤和碎煤堆积等常见的煤矿输送带传输故障及其原因,总结了目前针对煤矿输送带常见传输故障的监测技术及其存在的主要问题;为了解决现有输送带传输故障实时监测技术只能事后报警、不能提前预警的局限性,提出了一种基于机器视觉技术的煤矿输送带传输智能监测及预警系统。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

A research on intelligent fault diagnosis of wind turbines based on ontology and FMECA

Clean energy is an increasing concern as more and more countries pay attention to environmental protection, which brings the rapid development of wind power. More new wind farms and new wind turbines have been put into operation, this caused the problem that the diagnostic knowledge is lacking and diagnostic efficiency is low for new employed maintenance personnel. In order to meet the demands of fault diagnosis of wind turbines, a method of intelligent fault diagnosis based on ontology and FMECA (Failure Mode, Effects and Criticality Analysis) is proposed in this paper. In the proposed method, the FMECA of wind turbines is selected as the knowledge source, and deep knowledge and shallow knowledge extracted from this source are represented by ontology modeling. And then, the diagnosis knowledge base of wind turbines can be established. Reasoning on this knowledge base by virtue of JESS (Java Expert Shell System) rule engine, maintenance personnel can find the causes of faults of a wind turbine quickly, and choose the proper solutions. This method realizes the knowledge sharing between product design enterprises and wind farms. The knowledge base which combines the deep knowledge and the shallow knowledge can improve the capability of fault diagnosis and provide better supports for diagnostic decision making.     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

基于小波分析的变频调速系统故障诊断研究

讨论了交—交变频调速系统故障诊断的重要性,在当前的检测方法与故障诊断手段研究的基础上,提出了基于DSP和小波分析的变频调速系统故障诊断方法,建立了故障诊断系统;采用了基于小波能量的机电设备状态检测方法,充分利用了DSP强大的数据处理功能,以及小波分析所具有的对非平稳信号的分析处理能力和多分辨力的特性;建立了交—交变频调速系统的数学模型。经仿真实验证明:该方法适用于变频调速系统的故障诊断。