基于小波神经网络的无刷同步发电机旋转整流器故障诊断研究

无刷励磁系统中旋转整流器因工作环境恶劣,发生故障时故障信息难以提取,因而故障诊断一直是一个难点,成为制约该励磁方式发展的障碍之一.针对大型无刷汽轮发电机故障诊断需要,提出应用小波神经网络对旋转整流器故障进行诊断,通过对旋转整流器的故障信号的频谱分析,提取故障信息频域特征量作为学习样本,通过训练使构建的小波神经网络能够准确反映频谱特征量和故障之间的映射关系,从而准确对故障进行诊断.提出了比较精确的数学模型,提高了旋转整流器故障的诊断能力和诊断的准确性.     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明：小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明:小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

基于免疫算法的无刷励磁发电机旋转整流器故障诊断

在大型发电机的无刷励磁系统中,旋转整流器承受着强大的离心力和电磁作用,故障发生率相对较高。采用旋转整流器故障时交流励磁机旋转电枢产生的谐波磁场在其定子励磁线圈中感应谐波电势的电磁特性,从中提取旋转整流器故障信号波形。运用傅里叶分解故障信号波形,对故障信号波形的特征值进行编码处理,并用免疫算法中的反向选择算法对傅里叶分解后的故障特征值进行计算,完成旋转整流器的故障诊断。利用人工免疫的反向选择算法,对一台15 kW无刷励磁同步发电机旋转整流器的短路与开路故障进行仿真诊断。仿真结果表明,基于免疫系统反向选择机制的人工免疫算法,与傅里叶分解算法相结合,进一步提高了无刷励磁同步发电机旋转整流器故障诊断的准确率,可达95%以上。     

基于谐波分析的旋转整流器故障检测

通过MATLAB建立了无刷励磁系统的模型,并进行了仿真。利用发电机故障模拟平台对旋转整流器早期故障进行了试验研究。通过仿真和试验的对比分析,提出了一种基于谐波分析的旋转整流器在线故障检测新方法。该方法不仅能够判断是否发生故障,还能够辨别故障类型,为旋转整流器的故障诊断研究提供了新思路。     

基于谐波分析的旋转整流器故障检测

通过MATLAB建立了无刷励磁系统的模型,并进行了仿真。利用发电机故障模拟平台对旋转整流器早期故障进行了试验研究。通过仿真和试验的对比分析,提出了一种基于谐波分析的旋转整流器在线故障检测新方法。该方法不仅能够判断是否发生故障,还能够辨别故障类型,为旋转整流器的故障诊断研究提供了新思路。     

多相无刷励磁系统旋转整流器故障的仿真与识别

多相无刷励磁系统中旋转整流器的损坏时有发生,故障恶化将严重影响主发电机的正常安全运行。为识别旋转整流器的故障,建立了包括旋转整流器在内的整个多相无刷励磁系统的多回路数学模型,对旋转整流器的正常运行和常见故障状态进行了仿真,仿真结果同励磁机额定运行值以及实验结果吻合。分析了旋转整流器各种状态时励磁机稳态定子励磁电流的频谱,并对特征机理进行了理论分析,在此基础上提出以励磁机定子励磁电流的4次谐波分量同22次谐波分量的比值作为故障识别对象,为多相无刷励磁系统旋转整流器故障诊断提供了理论依据。     

基于小波包分析的风力发电系统中变流器的故障识别

以风力发电系统中背靠背式双脉冲宽度调制(pulsewidth modulation,PWM)变流器中整流状态为例,分析了绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)各类开路故障状态下三相PWM整流器直流侧的输出电压信号,提出了基于小波包分析的变流器故障识别方法。该方法利用直流侧输出电压信号的调制特点,从能量谱和功率谱的角度分析了小波包分解后的直流侧输出电压的细节信号,通过频谱特征识别出三相PWM整流器的各类故障。仿真结果验证了该方法的有效性。     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法。先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型。仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果。     

基于改进的D-S证据理论的旋转整流器故障诊断研究

D-S融合规则是证据理论的重要部分,广泛应用于多信息融合算法中。由于该组合规则本身存在一些不足之处,应用到旋转整流器的故障诊断中,效果不理想。建立了发电机的系统模型,利用小波能量法提取故障特征,并提出了一种改进融合算法——冲突证据融合规则,其有效克服了D-S融合规则的不足,对一组实测故障数据的融合诊断表明,能够对故障做出准确判断。     

基于VMD和MP算法的旋转机械故障特征提取

旋转机械故障振动信号为不平稳、非线性而且信噪比低的多分量信号,故障特征很难提取。小波分析方法受限于小波基和分解层次的选取,经验模态分解（EMD）等自适应分解方法存在模态混叠和虚假分量的问题,应用在旋转机械故障提取上容易误判。提出了利用匹配追踪算法（MP）改进变分模态分解(VMD)的故障诊断方法。通过构建合适的仿真信号仿真和对实测信号的仿真,验证了该方法的可行性和实用性。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

基于小波BP网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和BP网络结合构造了一个三层的小波BP网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行小波BP网络的学习,最后用该学习过的小波BP网络诊断故障并将此方法成功地应用于汽轮发电机组故障诊断。仿真结果表明此方法是可行和有效的。     

基于小波重构的异步电动机故障诊断

选用Daubechies小波作为小波基 ,对异步电动机鼠笼转子故障电流信号进行多尺度分析 ,将小波变换后取得的变换系数进行单支重构 ,取得了各频率分支上的时间信号。从高频分支上能够清楚辨识出异步电动机鼠笼转子故障时所不同于正常情况下的电流特性 ,实现了异步电动机鼠笼转子故障的小波诊断。     

基于小波变换和奇异值分解的串联电弧故障检测方法

根据线路中电流信号的变化来检测电弧故障,小波变换是一种常用的检测方法,但是单纯利用小波变换对于正常情况和电弧故障的区分并不明显,而且其结果存在很大的冗余。针对这一问题,提出了采用一种基于小波变换和奇异值分解的串联电弧故障检测的方法。利用电弧模拟发生装置产生串联故障电弧,采集在多种负载下线路正常工作和发生串联电弧故障时的电流。首先对采集的电流信号进行离散小波变换,得到离散小波系数序列,构造特征矩阵;然后对特征矩阵进行奇异值分解,并定义电流信号的特征参数,利用特征参数作为串联电弧故障检测的依据。试验结果表明:正常情况和电弧故障下的特征参数区分明显且没有交叉,易于确定阈值,利用该方法进行串联电弧故障检测的准确率较高,且大大压缩了小波变换结果的冗余性。     

HHT方法在转子振动故障诊断中的应用

传统的振动故障诊断主要是基于频谱分析的方法，而Hilbert-Huang变换得出的时频图是分析故障信号奇异性的有效工具，也是非平稳信号比较有力的分析工具。Hilbert- Huang变换方法以经验模态分解为基础，使信号变换后得到的瞬时频率具有物理意义。该文通过几种时频分析方法如魏格纳-维尔(Wigner-Ville)分布、小波变换等比较，发现Hilbert-Huang变换的时频分析更能够清楚给出时频分布情况，准确反映系统的固有特性。对转子实验台几种典型振动故障信号进行了分析研究，结果表明，利用Hilbert-Huang变换的时频分析不仅能直观检测信号中的微弱奇异成分，而且可以有效地进行故障诊断，实现早期故障预报。该方法为旋转机械状态检测和故障诊断提供了新的手段。     

基于小波能量矩的输电线路暂态信号分类识别方法

信号能量的时频分布可以反映不同信号的本质区别,小波能量矩既可以反映信号能量在频域上的分布,也可以间接体现能量在时域上的分布。文章将基于小波能量矩的信号特征提取方法用于区分输电线路的故障暂态信号与非故障暂态信号。首先基于500 kV输电线路仿真模型得到电容投切、三相断路器操作、单相接地短路、一次电弧故障、非故障性雷击和故障性雷击6种类型的暂态信号;然后利用小波变换提取这些信号各频带的能量矩,得到能量矩统计图并对各暂态信号小波能量矩的分布特点进行分析,在此基础上提出了暂态信号分类识别判据。基于小波能量矩方法提取的暂态信号特征较明显,分类识别简便,仿真结果验证了该方法的可行性和有效性。     

基于小波变换的高压断路器振动信号故障诊断仿真研究

小波变换在时域和频域内同时具有局部化能力,是分析故障信号奇异性的主要工具。对振动信号进行小波消噪,提取有用信号;利用Hilbert变换求取信号包络,对包络进行小波变换取得各尺度上的信号波形。根据小波变换各尺度上模极大值的传递性来计算信号包络波峰的奇异性指数,以此作为断路器故障诊断的一种特征参数,是一种新颖而有效的方法。