基于小波分解的发电机转子匝间短路故障诊断

针对傅里叶变换在信号奇异点检测上存在的很多缺点,提出一种基于小波分解的故障特征信号提取方法。介绍了探测线圈法的基本原理,分析了小波变换用于突变信号检测的机理。通过仿真建立发电机转子绕组匝间短路故障的信号模型,并利用小波分解和重构准确地找出信号的突变点。仿真结果验证所提理论的正确性和可行性,为现场早期发现汽轮发电机转子绕组故障和处理故障提供了理论依据。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

EMD小波变换水轮机故障奇异数据还原研究

水轮机组状态监测数据由于受到传感器、测量条件、环境等因素影响会造成数据失真,产生众多奇异点,对正确分析机组运行状态十分不利。本文提出通过经验模态分解与小波变换相结合的方法来分析水轮机故障信号的奇异性,该方法将原始信号经验模态分解后,利用小波变换检测出信号中的奇异点,并将剔除奇异点的信号重构,通过重构信号对机组进行分析。实例仿真表明,与直接对原信号进行小波分析相比,该方法提取的奇异性特征明显并能准确重构,在采用通用传感器信号准确描述机组状态和正确认识机组故障上有较好的应用价值。     

小波包分析在滚动轴承故障诊断中的应用

结合小波包分析和能量谱分析方法 ,提出一种新的滚动轴承故障诊断方法。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发生故障的特征量对振动信号进行重构 ,比较正常信号和故障信号的差异 ,从而识别滚动轴承的故障。通过对于实测信号的分析证明该方法具有特征参量少、故障特征突出等优点 ,可有效地用于滚动轴承的故障诊断。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于小波变换和WVD分布的电子式互感器突变性故障协同诊断方法

针对现有互感器故障诊断方法中突变性故障和系统异常干扰信号同时发生时缺乏应对方案的问题,提出了一种基于小波变换和WVD分布的互感器突变性故障协同诊断方法。借鉴站域思想,对变电站中的互感器划分协同甄别组,利用小波变换模极大值原理定位信号突变时刻。在有多个互感器因系统扰动出现干扰信号的情况下,依然能够利用WVD分布的良好时频分布特性将故障互感器从中辨识出来。在PSCAD中搭建仿真模型,验证了所提方法在突变性故障与系统扰动同时/不同时发生时均能够对故障互感器有效辨识。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

滚动轴承故障信号的数学形态学提取方法

基于非线性数学形态变换的概念设计了形态非抽样小波变换算法,通过构造信号分解算子和结构元素,经过多尺度形态小波分解既能够平滑噪声又提取了信号中的故障特征成分。分别对模拟信号和实验数据进行分析处理,结果均表明该方法对信号冲击特征的提取是有效的。最后通过与包络解调分析方法的对比,说明了形态非抽样小波变换对滚动轴承故障特征的提取效果更明显。由于形态非抽样小波变换算法只涉及加减和取极大、极小运算,运算简单,执行高效,非常适于滚动轴承故障的在线监测和诊断。     

基于振动分析的风力机齿轮箱故障诊断

为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

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...     

改进的FEWT及其在滚动轴承故障诊断中的应用

针对快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题,提出了一种基于折中阈值函数的改进的快速经验小波变换(MFEWT)方法。方法首先通过傅里叶变换及反变换计算信号频谱的趋势谱,使用小波折中阈值函数去噪方法对趋势谱进行优化;然后根据优化后的趋势谱建立滤波带,融合峭度准则和相关系数分量选取原则,完成EWT经验模态分量的重构和特征分量的筛选,并对重构信号进行最小熵解卷积,进而计算频谱特征频率;最后,通过理论特征频率的匹配,完成滚动轴承的故障诊断。实验结果表明,与FEWT相比较,改进的快速经验小波变换能够获得更理想的信号分解结果,包络频谱中的故障特征频率峰值更为明显;改进方法实现了EWT信号分解的性能的改善,提高了滚动轴承故障诊断的可靠性。     

TKEO和SET在轴承故障诊断中的应用

时频分析是提取轴承故障诊断的重要方法,在强背景噪声下难以提取瞬态故障特征。针对这一问题,提出一种基于Teager-Kaiser能量算子(TKEO)和同步提取变换(SET)的轴承故障诊断方法,提高SET的时频分析能量的集中度。该方法首先对采集的轴承振动信号进行提取TKEO处理,凸显轴承故障振动信号的冲击分量;然后,对处理后信号进行SET时频分析,通过同步提取算子(SEO)提取时频脊线的时频系数,实现对瞬态故障特征提取;最后通过仿真信号和实测信号进行分析,验证该方法的可行性。实验结果表明:该方法可以有效提取轴承的故障特征,且与先前的时频分析方法相比分析结果具有一定的优越性。     

断路器机械振动信号特征值提取方法分类性能研究

以ZW45-12型单稳态永磁机构断路器为研究对象,通过搭建数据采集平台得到断路器正常合闸状态、分闸弹簧单根脱落和机构卡涩3种不同运行状态信号数据,利用模糊C聚类分析算法比较短时傅里叶变换、小波包能量熵和希尔伯特—黄变换3种特征提取方法的性能。通过对比研究,得出采用小波包变换方法得到的时频熵向量具有最佳的类可分性能。     

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 ACMD 和脊检测的滚动轴承非平稳故障诊断

针对非平稳状况滚动轴承振动信号易受速度波动、幅值或频率调制、噪声和其他无关分量的干扰,导致生成的时频面复 杂,难以识别滚动轴承故障特征频率等问题,提出一种新的基于自适应调频模式分解和脊检测相结合的方法。 所提出的方法构 建了高分辨率的时频表示,提升了诊断的准确度,而且具有非常强的自适应性。 通过对不同健康状况滚动轴承振动信号分析发 现,所提方法非常适合于变工况下的滚动轴承故障诊断,且诊断效果优于最新发展的时频分析方法。     

小波分析检测线缆故障的应用研究

小波分析克服了傅立叶变换不能对信号同时时频局部化分析的缺点,具有很强的信号特征提取能力,尤其对暂态突变信号或微弱变化信号的处理表现出明显优势,为快速准确检测电缆故障研究了应用小波分析处理故障线路行波信号的技术。通过计算模量初始电流行波在小波变换下的模极大值,根据3个模量的故障特征选择故障相。EMPT仿真数据的分析,证明该方法具有很高的精度。     

利用小波包变换实现噪声环境下特征信号的提取

电力系统暂态或故障时 ,电压电流信号包含了故障的信息 ,文中称包含了故障或暂态信息的电压和电流信号为特征信号 ,利用特征信号可以进行系统分析和故障检测 ,但是特征信号往往被淹没在大量的噪声信号中 ,这样给电力系统分析和检测带来困难。文中分析了电力系统中几种常见的噪声和特征信号的时频特性 ,简单介绍了小波包变换的理论和特点 ,分析了利用小波包变换来消除噪声 ,提取特征信号的理论 ,并通过实例验证了小波包良好的抗噪能力 ,为实现噪声环境下特征信号的提取提供了良好的分析方法 ,为电力系统分析和故障检测提供了良好的工具。