基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于小波包和Bayes判别法的矿用通风机故障诊断

将小波包分析与Bayes判别分析法相结合的方法应用于矿用通风机故障诊断问题中。利用小波包分析技术提取了矿用通风机不同工作状态的特征向量,选用此特征向量作为Bayes判别分析模型的判别因子,以矿用通风机故障实测模拟数据作为学习样本进行训练,通过分析计算,建立了相应线性判别函数,并利用回代估计方法进行检验。研究结果表明:这种新模型判别能力强,交叉确认估计的误判率为0,不需要优化网络结构,是解决矿用通风机故障诊断的一种有效方法。     

基于小波包-人工神经网络在矿井通风机故障诊断中的应用

通过对已采集的矿井通风机振动信号的处理,提出应用小波包-人工神经网络对其进行故障诊断与监测。以G4-73-11No25D离心式通风机为研究对象,利用小波包提取振动信号的能量特征作为特征向量,并利用L-M算法对BP网络进行改进,建立了神经网络模型。经实际验证,该方法能够准确、快速地对通风机的故障进行诊断和监测。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例,进行了实用验证.研究结果表明,支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

基于小波包分解的滚动轴承故障诊断方法的研究

介绍了小波包分析的基本理论,并以滚动轴承为研究对象,将小波包分析应用于轴承的故障诊断。首先用小波包分解的方法提取分解频带的能量在时间域上的分布,得到能量谱图,然后通过包络分析得到信号的功率谱,由此可判断出轴承的故障位置。     

基于小波包分解的风机故障诊断技术研究

小波包分析由于能对信号高、低频部分局部细化并保留原信号的时域特征，因而具有良好的时频局部化特性，能对非平稳信号进行有效识别，达到故障诊断的目的，在故障诊断领域得到越来越广泛的应用。风机运行时产生的信号大多是非平稳信号，将小波包分析技术用于其故障诊断具有实际意义。     

基于小波包分解和EMD的滚动轴承故障诊断方法研究

提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。     

基于谐波小波分析的矿井通风机故障诊断

针对矿井通风机故障信号的动态非平稳、能量微弱等特点,提出基于谐波小波变换的故障诊断方法,克服了传统诊断方法中存在的信号遗漏与频泄现象。以BDK-6-NO18轴流式通风机为研究对象,利用谐波小波变换的优势,成功从振动信号中提取出设备故障特征信号。     

基于主分量和小波分析的煤矿主通风机故障诊断研究

针对主通风机故障对煤矿安全生产构成的威胁,综合采用主分量分析和小波分析方法对主通风机进行故障诊断。论述了主分量分析和小波分析原理,建立了主通风机故障诊断数据处理模型。在此基础上利用Matlab对采集的振动信号进行仿真实验,结果表明:该方法能够准确判断煤矿主通风机的故障类型。     

基于小波包与隐马尔可夫的矿井提升机主轴故障诊断

为解决当前矿井提升机主轴故障数据提取困难且诊断方法存在易受干扰、误差大、准确度低等缺点,设计了基于小波包与隐马尔可夫(HMM)的矿井提升机主轴故障诊断模型。该模型预先把主轴振动信号用小波包分解来获取小波包能量,再把高能量频带CEEMD分解,选取相关系数满足条件的IMF分量完成信号重构,通过重构信号来获得特征参数并构建特征向量,然后对每种故障完成HMM训练,构建HMM故障识别库,并把测试样本送入库中完成测试,从而测试模型的准确度。测试数据表明了基于小波包与HMM的故障诊断模型,准确度高、误差小、抗干扰能力强,比较适用于故障诊断。     

基于相对小波包能量特征向量的故障诊断

在小波及小波包分析的基础上引进相对小波包能量特征向量的概念,提出了一种建立旋转机械故障库的新方法,并结合模式判别的知识,引进欧几里德距离公式作为判据,使故障诊断公式化、定量化。实验结果表明这种方法能够很快地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波包的机械故障信号消噪处理

在旋转机械故障诊断系统中需要获得采样信号用于系统的故障辨识或判断,而这些采样信号将不可避免地受到噪声污染,使系统辨识精度得不到提高。小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法去掉高频部分,再重构信号从而达到消噪目的。     

小波包分析在采煤机减速器故障诊断中的应用

提出了一种采用小波包理论提取采煤机减速器故障信号的方法。利用小波包变换对减速器振动信号进行分解、重构及能量计算,有效地提取出采煤机减速器故障特征信号,从而获得故障的信息。仿真研究结果表明,基于小波包能量法的故障诊断方法能够有效地提取出采煤机减速器故障的频率信息。     

小波包分析在减速机故障诊断中的研究

以冶金企业的轧钢设备中典型关键设备减速机为具体研究对象,对减速机进行状态监测与故障诊断,并将三维小波变换与小波包降噪残差信号频谱分析相结合,利用残差信号的频率特征信息,有效地提取了减速机故障频率。     

基于小波包算法的回转零件故障诊断

针对传统的故障诊断方法的局限性,将小波包分析方法应用到回转零件故障诊断中,利用小波包分解和重构方法有效地提取回转零件的共振频段,解决了传统方法人为确定共振解调频段的局限性。应用小波包算法处理后的信号重新采样,再根据Hilbert变换和包络谱细化原理,得到一种新的细化包络谱。通过回转零件的故障诊断实验分析,验证了该理论方法的正确性和实用性。     

基于小波包和距离判别法的滚动轴承故障诊断

将小波包分析与距离判别分析法相结合的方法应用于滚动轴承故障诊断问题中。利用小波包分析技术提取了滚动轴承典型故障的振动加速度信号的状态特征向量,选用此特征向量作为距离判别分析模型的判别因子,以滚动轴承故障实测模拟数据作为学习样本进行训练,通过分析计算,建立了相应线性判别函数,并利用回代估计方法进行检验。研究结果表明:这种新模型判别能力强,交叉确认估计的误判率为0,不需要优化网络结构,是解决滚动轴承故障诊断的一种有效方法。