小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

基于电流测试的混合信号电路故障检测和定位

针对集成电路测试中模拟和混合电路的测试问题,提出了一种基于小波分析的电流测试实现混合信号电路故障诊断的方法。该方法先测试电路在激励信号下的动态电流,再利用小波变换对采样动态电流信号进行小波分析来诊断电路是否存在故障,并进一步定位故障。对示例ADC电路仿真试验的结果表明该方法比积分法和傅立叶分析方法对故障有更高的灵敏度,不仅能够有效检测出电路中的各种故障,而且能对故障进行定位。     

基于小波包与Elman神经网络的整流电路故障诊断

引入了一种针对电励磁双凸极发电机的整流电路故障的小波和Elman神经网络相结合的诊断方法.根据整流电压波形的畸变规律,将2个以内的二极管故障分为7类共计22种故障元.选用Daubechies小波作为小波基,对实测的整流电压进行小波包分析,利用小波系数,在各个频带上进行小波信号重构.提取全频带能量特征值,并以此构造故障模式向量作为神经网络的输入,实现了故障的分类和定位.以一台840W、12/8极的电励磁双凸极发电机为实验样机,通过采集大量故障信号并进行信号处理,以故障特征值的容差范围作为误差判别标准,力求诊断误差最小化.实验结果表明,该方法对被分析信号的频率波动和幅值变化均具有良好的鲁棒性,是一种有效的故障诊断方法,具有较高的故障诊断正确率.     

信息熵在导航传感器故障诊断中的应用研究

对组合导航系统中占主要地位的惯导系统进行故障诊断研究,给出了一种基于小波包能量熵的神经网络故障诊断方法。利用小波包分析原理对原始故障信号进行3层的小波包分解,并提取小波包能量熵,然后构造信号的小波包特征向量,以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。采用惯导系统中关键性器件陀螺仪进行仿真研究,仿真结果表明此方法可有效地检测故障且提高了精度。     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

小波变换基神经网络故障诊断系统及其应用

针对油田抽油机井故障诊断方法较落后和故障信息采集不充分的问题，提出一种小波变换基神经网络故障诊断系统。它先对输入信号进行离散小波变换，把由Mallat算法得到的多尺度下的离散细节信号作为故障特征，之后将其输入到神经网络进行故障模式分类。为了进一步提高诊断的正确率，一方面对神经网络的结构进行优化，另一方面采用学习率自适应调整的共轭梯度法训练神经网络的权值。对某油田32口故障油井进行诊断，正确率在95％以上，这表明该方法的有效性。     

用小波包测量无功功率

介绍用小波包求基于Budeanu定义的无功功率的新算法。小波包可以对小波空间进一步分解,把给定信号分解到更多频段,从而提高频率分辨率,分解到各频段的信号是时域信号,可以求出给定信号在各频段的参数。小波包分解是一种比多分辨率分析更加精细的分解方法,通过小波包分解的信号具有更好的时频特性。将电压、电流和各次谐波分别移90的电压正交小波包分解,用分解系数可求出无功功率,以及电压有效值、电流有效值、有功功率等,还可以求出各子带上的有功功率及无功功率。对算法进行了仿真研究。     

矿下电缆故障诊断的能量熵和PSO-BP算法

针对煤矿井下配电网馈线发生单相接地等故障时难以解决故障类型辨识的问题,为了保障煤矿安全生产,给出一种基于小波包能量熵结合粒子群优化BP神经网络算法的矿下电缆故障诊断方法.通过Matlab对电缆故障进行了仿真,对采集到的故障电压暂态波形进行3层小波包分解,将故障特征信号按照频率分成8段,按照信息熵理论计算特征熵能量谱,构造子粒子群优化神经网络模型,以信号的能谱熵作为特征输入向量,实现特征熵向量的分类.实验结果表明,该方法用于煤矿井下的电缆故障诊断分析是可行的,能够快速有效的检测出电缆故障.     

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题，提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力，通过连续小波变换将原始信号表示为小波时频图，将小波时频图作为特征图输入到Swin Transformer进行训练，实现柴油机故障状态识别。实验结果表明，与对比方法相比，所提方法具有较好的故障识别精度及稳定性，在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。     

基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

基于时频分析与神经网络的实时智能故障诊断系统的软件设计--数据格式转换与信号处理功能的开发

介绍了以振动/声响信号为传感器的采集对象,基于小波(包)及联合时频信号处理和模糊神经网络分类的多用途智能故障诊断系统中的实时数据采集、信号分析与识别诊断等模块的程序设计与实现.作者所开发的实用软件包在现代汽车实时故障诊断中的成功应用证明了其理论与软件开发的正确性和有效性.这里着重介绍智能故障诊断系统的数据格式转换与实时信号处理部分的设计、实现方法.     

基于时频分析与神经网络的实时智能故障诊断系统的软件设计--总体构架与实时数据采集功能的开发

介绍了以振动/声响信号为传感器的采集对象,基于小波(包)及联合时频信号处理和模糊神经网络分类的多用途智能故障诊断系统中的实时数据采集、信号分析与识别诊断等模块的程序设计与实现.作者所开发的实用软件包在现代汽车实时故障诊断中的成功应用证明了其理论与软件开发的正确性和有效性.这里着重介绍智能故障诊断系统的软件框架的设计以及实时数据采集部分的设计、实现方法.     

DENOISING AND HARMONIC DETECTION USING NONORTHOGONAL WAVELET PACKETS IN INDUSTRIAL APPLICATIONS

New industrial applications call for new methods and new ideas in signal analysis. Wavelet packets are new tools in industrial applications and they have just recently appeared in projects and patents. In training neural networks, for the sake of dimensionality and of ratio of time, compact information is needed. This paper deals with simultaneous noise suppression and signal compression of quasi-harmonic signals. A quasi-harmonic signal is a signal with one dominant harmonic and some more sub harmonics in superposition. Such signals often occur in rail vehicle systems, in which noisy signals are present. Typically, they are signals which come from rail overhead power lines and are generated by intermodulation phenomena and radio interferences. An important task is to monitor and recognize them. This paper proposes an algorithm to differentiate discrete signals from their noisy observations using a library of nonorthonormal bases. The algorithm combines the shrinkage technique and techniques in regression analysis using Shannon Entropy function and Cross Entropy function to select the best discernable bases. Cosine and sine wavelet bases in wavelet packets are used. The algorithm is totally general and can be used in many industrial applications. The effectiveness of the proposed method consists of using as few as possible samples of the measured signal and in the meantime highlighting the difference between the noise and the desired signal. The problem is a difficult one, but well posed. In fact, compression reduces the level of the measured noise and undesired signals but introduces the well known compression noise. The goal is to extract a coherent signal from the measured signal which will be “well represented” by suitable waveforms and a noisy signal or incoherent signal which cannot be “compressed well” by the waveforms. Recursive residual iterations with cosine and sine bases allow the extraction of elements of the required signal and the noise. The algorithm that has been developed is utilized as a filter to extract features for training neural networks. It is currently integrated in the inferential modelling platform of the unit for Advanced Control and Simulation Solutions within ABB’s industry division. An application using real measured data from an electrical railway line is presented to illustrate and analyze the effectiveness of the proposed method. Another industrial application in fault detection, in which coherent and incoherent signals are univocally visible, is also shown.     

WPA-IGA-BP神经网络的模拟电路故障诊断

针对模拟电路渐变性故障中的特征提取困难和故障信号无法进行有效分类的问题, 提出利用免疫遗传算法(immune genetic algorithm, IGA)优化反向传播(back propagation, BP)神经网络中参数寻优过程, 从而实现模拟电路故障诊断。首先, 采用小波包分析(wavelet package analysis, WPA), 对模拟电路输出响应进行4层小波分解和重构, 完成特征向量的提取。然后, 采用IGA优化BP神经网络进行训练及测试, 实现对不同故障进行故障诊断。最后, 通过两个模拟电路仿真实验对该方法进行实验验证。实验结果表明, 与优化前的BP神经网络相比, 所提方法提高故障诊断的准确率约15%。     

基于改进的自适应小波神经网络的心电信号分类

心电信号（ECG）识别是重病特别护理中一个非常重要的课题,自动检测和分类心电节律信号是诊断心脏异常的一项重要任务。基于小波变换理论,小波神经网络已经被广泛的应用于信号的表达和分类。文中介绍了一种具有一层感知机的小波神经网络,对小波神经网络收敛性影响较大的网络初始化值提出了一种改进的初始化算法,并研究得出了隐含层的选取与网络收敛性的关系。应用该网络分类心电信号的正常心跳和室前收缩,取得了很好的效果。文中使用到的心电数据是从MIT-BIH心电失常数据库中下载的。     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

基于系统参数估计时间序列的小波分析故障诊断方法

提出了一种失效性故障诊断的新方法.这种方法将基于解析模型的故障诊断技术和基于信号分析的故障诊断技术结合起来,对系统参数的递推最小二乘估计时间序列进行小波分析,得到故障特征值,兼有两种故障诊断技术的优点.本文还讨论了对于模型参数估计时间序列小波分析的基函数及尺度选取方法问题,仿真结果表明该方法的有效性和准确性非常明显,具有一定的实用价值.