基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

基于小波包分析和支持向量机的异步电机转子断条故障诊断

提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响。采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于小波包分解的逆变器单管开路故障分析

应用开关函数的双傅里叶变换技术,分析逆变器的直流侧电流在正常运行、单管开路故障时的频谱。利用小波包分解的分频特性对逆变器直流侧电流信号进行小波包分解,求得故障特征频率相应子频带的小波包分解系数的均方根值,并将其作为逆变器单管开路故障的故障特征,以此作为逆变器单管开路故障诊断的依据。试验结果证明了该方法应用于逆变器单管开路故障诊断的可行性。     

基于小波包分解的逆变器—相开路故障诊断

应用开关函数的双傅里叶变换技术,分析逆变器的直流侧电流的频谱,得出逆变器一相开路故障时的故障特征频率.利用小波包分解的分频特性,对逆变器直流侧电流信号进行小波包分解,求得故障特征频率相应子频带的小波包分解系数的均方根值,并将其作为逆变器一相开路故障的故障特征,以此作为逆变器一相开路故障诊断的依据.试验结果证明了该方法应用于逆变器一相开路故障诊断的可行性.     

六相两电平逆变器的开路故障定位研究

针对六相两电平逆变器开路故障类型多、定位复杂问题,提出一种利用小波包分解获取六相逆变器电路故障相特征和基于支持向量机(SVM)的六相逆变器开路故障定位方法。在分析六相逆变器开路故障类型的基础上,利用小波包分析提取故障特征向量,再基于SVM进行故障分类。针对不同类型双管故障存在的因小波包能量值相似而出现的误判问题,提出了一种基于平均电流结合小波包分析的故障特征向量构造方法。实验结果表明,所研究的故障定位方法能实现六相两电平逆变器不同开路故障的有效定位。     

基于小波分解和SVM的滚动轴承故障程度研究

提出一种采用小波分解和支持向量机(Support Vector Machine,简称SVM)提取故障特征的滚动轴承故障诊断方法。首先对原始振动信号进行小波降噪处理,以减小误差,然后进行小波分解,并利用分解得到的小波重构系数计算其能量特征,归一化后作为特征向量,输入SVM中进行故障诊断。实验结果表明,所提出的方法能有效地提取出故障特征,并且具有较高的故障诊断准确率,能准确地区分出滚动轴承不同故障的严重程度。     

基于相空间重构和支持向量机的三电平逆变器故障诊断技术

针对三电平逆变器交叉两桥臂的两只功率管同时开路故障(非典型故障)诊断问题,提出一种基于相空间重构和支持向量机(SVM)的故障诊断方法。该方法以三相电流为检测信号,为降低特征向量的维数,对三相电流进行了Park变换,然后采用相空间重构技术,对d、q轴电流分别进行重构,得到不同形状、大小和方向的电流轨迹图形,借助图像处理技术从中提取出故障特征向量,将其作为学习样本,在SVM中训练,使分类器能够建立不同特征向量和故障类型的映射关系,实现对二极管中点箝位型(NPC)三电平逆变器的故障诊断。仿真结果表明,该方法能够准确地定位故障元,诊断精度高。     

NPC三电平光伏逆变器开路故障诊断

逆变器故障诊断的难点在于有效的提取故障特征信息,然后根据提取的故障特征信息采用有效的故障辨识方法,提高故障诊断的快速性和精确度。针对二极管钳位式(NPC)三电平逆变器的开路故障,提出小波包变换-主成分分析-径向基神经网络的诊断方法。通过对三电平逆变器输出端相电压进行分析,首先用小波包变换方法提取不同故障情形下逆变器输出端相电压的故障特征信息,其次用主成分分析法将表征故障信息的特征向量降维处理,最后用径向基神经网络方法对NPC三电平逆变器开路故障进行辨识。通过仿真实验验证提出方法的有效性。同时将径向基神经网络故障辨识方法与传统的BP神经网络辨识方法进行比较,对比结果表明径向基神经网络的方法进行故障辨识具有速度快,精确度高等优点,能很好的实现对逆变器故障诊断。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

三电平逆变器IGBT的开路故障诊断研究

针对三电平逆变器开关器件中IGBT的开路故障,研究单桥臂上多种故障形式,提出了测量二极管桥臂上两端电压作为故障信息,以分析每一种故障情况的诊断模型,然后根据故障信号和小波函数的特点,利用小波变换将故障信号转化为故障特征向量,采用SVM来进行故障诊断。为了提高诊断精度利用改进的布谷鸟优化算法进行参数寻优,得到最优模型,实现了多种故障的诊断分类。通过对二极管钳位三电平逆变器仿真进行验证,诊断结果准确可靠,验证此方法的可行性。     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

三电平有源电力滤波器IGBT开路故障诊断方法研究

针对三电平中点钳位式(Neutral Point Clamped,NPC)有源电力滤波器(Active Power Filter,APF)中功率器件IGBT开路故障的诊断问题,提出采用小波包分析故障信号,提取各频段能量系数作为故障特征,并利用网格搜索支持向量机(Support Vector Machine,SVM)进行分类的诊断方法。将所提方法应用于三个测试点进行测试,分别为逆变输出侧三相补偿电流、直流侧电容电压、电源侧三相电流,然后针对各信号的特点完成故障特征提取与故障类型识别,最后在谐波源三相整流桥触发角变化时进行了适应性实验,结果表明所提出的方法可分别基于三个测试点实现故障诊断,并且基于直流侧电容电压的测量方式对谐波源变化有良好的适应性。     

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中,常用传统的电机电流信号特征分析(MCSA)方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响,会导致特征频率成分被淹没、难以量化故障程度等问题。因此,提出了一种基于自适应粒子群优化逐序支持向量机(APSO-SSVM)的异步电动机故障诊断方法。首先,利用经验小波变换(EWT)对原始信号进行滤波;然后,对滤波后的信号进行特征提取并输入到SSVM诊断模型中;最后,通过APSO算法确定各次序下SVM模型的最佳超参数,从而实现转子断条数量的精确故障诊断。     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。