基于小波包与神经网络的往复压缩机故障诊断方法

针对用传统方法难以提取往复压缩机故障特征的实际情况，提出用小波包分解和单支重构来的构造能量特征向量的方法，直接利用各频段成分能量的变化来提取往复压缩机的故障特征。用该方法构造的特征向量能突出反映往复压缩机的故障特征，通过用径向基（RBF）神经网络进行故障诊断，结果表明，该方法可有效地诊断往复压缩机的各种故障。另外，该方法对其他设备的故障诊断也具有借鉴意义。     

基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

为准确诊断潜油直驱螺杆泵系统故障,提出了一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。对螺杆泵在不同工况下有功功率进行3层小波包分解,提取小波包特征能量,然后构造小波包特征能量向量,并以该向量作为故障样本对3层BP神经网络进行训练,实现了智能化故障诊断。仿真结果表明:训练的BP网络能很好地诊断潜油直驱螺杆泵系统的故障。     

基于小波分析的离心式压缩机振动故障诊断研究

为了对离心式压缩机振动故障进行诊断，简要介绍了小波分析的特点和小波变换的原理，利用离散正交小波对离心式压缩机转子正常工作和非正常工作时的振动信号进行了分析和多层小波分解。使其突变信号和非平稳信号与平稳周期性信号分开，达到了故障诊断的目的。     

小波神经网络在往复泵故障诊断中的应用

小波分析是一种新的信号处理技术, 具有良好的时频局部化特征。将小波包分析应用于往复泵的故障特征提取, 建立了往复泵小波神经网络故障诊断模型。该模型使用小波包分析的特征提取及神经网络的非线性映射特性, 可完成从测量信号到往复泵故障的分类。以此为基础开发出的故障诊断软件系统具有使用的特征量少, 建造故障诊断系统较为简单等优点。通过对往复泵液力端多故障诊断实例的检验表明, 该系统完全能够较准确地识别出往复泵液力端多种常见故障。     

用小波神经网络对油井传感器进行故障诊断

用小波函数作为BP神经网络的神经元函数,采用紧致型小波神经网络对油井传感器故障进行研究。通过仿真研究,提高了传感器故障判断的准确性,缩短了油井传感器和油井本身故障的发现时间。采用小波神经网络进行故障问题研究,克服了BP神经网络易陷入局部极小值及收敛速度慢的缺点,学习速度提高了50％。对小波神经网络进行测试表明,小波神经网络可以准确地诊断出传感器的故障。     

运用粗糙集与小波神经网络诊断往复泵故障

提出一种粗糙集理论与小波神经网络集成的往复泵故障诊断方法。首先利用小波包对采集信号进行分解和重构能量特征向量。然后应用SOM网络对故障诊断数据中的连续属性进行离散化,根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。在最优决策系统的基础上,设计RBF神经网络对往复泵故障进行诊断。试验结果显示,该方法可以有效提高往复泵故障诊断的精度和效率。     

多元支持向量机在压缩机故障诊断中的应用

为了克服神经网络诊断方法在故障诊断中存在局部极小值、算法收敛速度慢、受网络结构复杂性和样本复杂性的影响较大、容易出现"过学习"或泛化能力低等缺点,在分析了支持向量机的特点后,提出了一种基于多元支持向量机的离心式压缩机转子故障分类识别方法。试验证明,利用支持向量机对压缩机转子故障模式进行识别是可靠和有效的,即使在少样本情况下,该方法仍可有效地诊断出压缩机关键部件的工作状态和故障类型,解决故障诊断中少样本情况下模型训练不足和识别效率低的问题。     

基于BP神经网络的螺杆泵井故障诊断方法

将神经网络原理应用于地面驱动螺杆泵采油系统的故障诊断,采用改进的BP神经网络,根据螺杆泵井的故障特点,通过理论研究,选取能够表征油井生产状态的状态变量作为神经网络的输入向量,归纳出常见的螺杆泵井故障形式作为目标输出。同时采集了大量现场数据,并进行分类整理,构成了网络的训练样本。通过对网络进行训练,获得具有一定泛化能力的网络。利用VB与Matlab编制的相应软件进行螺杆泵井的故障诊断,获得了正确的诊断结果,证明该方法具有一定的实用性。     

用小波包变换广义回归神经网络法处理硝基苯胺异构体重叠紫外吸收光谱

开发了一种小波包变换广义回归神经网络(WPTGRNN)法,用于处理对硝基苯胺、邻硝基苯胺和间硝基苯胺重叠的紫外吸收光谱,达到不经预先化学分离进行同时测定的目的。WPTGRNN法结合小波包变换和广义回归神经网络(GRNN)的特点,改进除噪质量和预测能力。通过最佳化实验,选择了小波函数、小波包分解水平及GRNN的平滑因子。实验结果表明,WPTGRNN法的预测标准误差为1.08μg/mL,预测相对标准误差为4.20%,与小波变换广义回归神经网络、广义回归神经网络和主组分回归3种方法进行比较,WPTGRNN法优于其他3种方法。     

基于非抽样提升小波包的机械隐含故障诊断

传统的提升变换要进行下采样运算,容易产生频率混叠。为此,提出用非抽样提升算法实现小波包分解,以消除频率混叠,达到提取信号中微弱冲击成分的目的。提升小波分解以提升方案为基础,用多项式插值求取小波系数,然后构造尺度函数并求取信号中的低频系数。由于每一层系数的长度等于原始信号的长度,所以不存在频率混叠,同时分解后的信号凸显了微弱故障特征信息。用该方法对电动机轴承振动信号进行提升变换处理,完整地提取出了电动机转轴与轴瓦碰磨产生的微弱冲击信号,诊断出了机械隐含故障。     

基于小波包和包络分析的滚动轴承故障自动诊断方法

提出了一种基于峭度-小波包-包络分析的滚动轴承故障自动诊断方法。首先用峭度系数判断是否出现故障,再针对故障轴承振动信号非平稳和调幅的特点,用小波包将信号分解到不同的节点上。然后将不同节点的重构信号做包络谱分析,将谱峰处的频率同滚动轴承内圈、外圈、滚珠、保持架等的故障频率进行对比分析,在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。通过对实验中采集到的轴承振动信号进行分析,证明了该方法在轴承早期故障诊断中的有效性。     

神经网络信息融合技术在故障诊断中的应用

在简述多传感器信息融合技术和BP诊断神经网络的基本概念后 ,详细讨论了基于神经网络多传感器信息融合的柴油机故障诊断技术 ,给出了测试系统框图和数据处理模式。在4 135柴油机上进行的 10种故障状态和 7种神经网络输入特征的故障监测和诊断实验表明 ,压力信息与振动信息的融合诊断效果比单一压力信息或单一振动信息要好 ,融合诊断的正确识别率比单一信息分别提高了 1 6%和 2 8 3% ,神经网络多源信息融合技术对复杂机械故障状态有较好的可诊断性和准确性。     

有杆抽油系统故障诊断的人工神经网络方法

将人工神经网络用于有杆抽油系统故障的自动识别.对江苏油田的实测示功图数据进行了预处理,利用Matlab6.5进行编程,应用相同的数据对BP神经网络模型和自组织竞争神经网络模型的识别效率进行了对比.结果表明,由自组织竞争神经网络建立的模型对测试数据的正确识别率更高,识别效果稳定.因此,将自组织竞争神经网络应用于示功图的自动识别问题对实现有杆抽油系统故障诊断的自动化以及实现真正意义上的数字油田提供了一种有效途径.     

基于RBF网络的抽油机减速器故障诊断

针对振动频谱复杂、受频率分辨率限制,使得传统振动频谱法诊断正确率不高等问题,提出用径向基函数(RBF)神经网络来进行抽油机减速器故障诊断。介绍了径向基函数神经网络的结构、算法以及实现;通过对减速器振动时域信号及其频谱进行分析,总结归纳出具有典型特征的诊断样本,组织构造相应的神经网络。分析研究结果表明,RBF神经网络易于实现减速器故障的自动诊断,并能提高故障诊断的准确性。     

小波变换在柴油发动机故障诊断中的应用

传统的振动分析常采用傅立叶分析法,对于柴油发动机某些非平稳振动信号,傅立叶分析可能给出虚假的结果,从而导致错误诊断。为此,探讨了小波变换在柴油发动机故障诊断中的应用。分析了小波变换的基本概念及其特性,通过对柴油发动机多种工况下振动信号的小波分解和小波重构,阐述了小波分析时频域局部特性在柴油机故障信号的降噪处理及特征提取方面的优势。实例研究表明,小波变换对柴油机发生故障时所产生的非平稳振动信号具有较好的分析效果和使用价值,为柴油发动机故障诊断提供了一条有效的途径。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。