基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

煤矿主通风机故障诊断的小波包方法

针对传统的时域和频域分析存在难以同时诊断故障时间和具体类型的瓶颈问题,提出一种基于小波包分解的煤矿主通风机故障诊断方法.在深入分析煤矿主通风机故障机理的基础上,采集对故障敏感的振动信号,并用具有时频局部化特性的小波对其进行三层小波包分解,通过提取各个频段信号的能量特征值,诊断故障.经实例验证,该方法能有效的诊断出故障时间和类型,为煤矿主通风机故障诊断的研究作了新的探索.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于小波包变换-主元分析-神经网络算法的多电平逆变器故障诊断

针对级联多电平逆变器的故障诊断问题,提出了一种基于小波包变换-主元分析-神经网络算法的故障诊断方法。首先,通过小波包变换对故障信号进行多尺度小波包分解,并重构提取小波包能量作为故障特征向量;然后,采用主元分析方法提取主元信息以降低故障特征的维数;最后,利用BP神经网络进行故障分类和识别。通过仿真实验,验证了该方法相对于传统方法具有更高的故障诊断和故障识别的准确率,并且对噪声具有较好的鲁棒性。     

一种液压作动筒故障注入及诊断方法的研究

为了解决液压作动筒的故障诊断问题,提出一种基于工程系统高级建模仿真环境软件(advanced environment of simulation of engineering systems,AMESim)仿真的故障注入方法,并在此基础上,研究了小波包分解和支持向量机(support vector machine,SVM)结合的液压作动筒故障诊断方法。首先在AMESim中建立的作动筒位置控制系统的模型基础上,设置正常工况、泄漏故障、外力突增故障、活塞杆轴心偏移故障4种模式,得到作动筒无杆腔和有杆腔的流量信号;然后,利用小波包变换将得到的信号进行分解,计算不同频段的能量值,提取特征参数;最后,为了提高分类准确率,采取支持向量机法对特征数据进行训练并用测试数据验证模型的准确性。实验结果表明了支持向量机法用于液压作动筒故障诊断具有良好的优越性和可靠性。     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于小波包-神经网络故障诊断系统研究

建立了旋转机械故障诊断的神经网络模型，采用小波包分解方法提取特殊频段上的能量作为特征值为神经网络的输入模式，模型具有通用性。并且应用于旋转机械故障样本的识别计算，结果表明该方法在故障诊断中是有效的。     

煤矿通风机故障诊断的小波包方法

针对常用的时域和频域分析在诊断通风机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,提出基于小波包分解的煤矿通风机故障诊断方法.在分析通风机故障特征的基础上,利用时频两域都具有表征信号特征能力的小波,对采集来的通风机振动信号进行小波包分解,利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型.经实际验证,小波包分解能将故障信号有效的划分到不同的频段内,而且时域和频域局部化特性好,能有效的诊断出通风机故障,具有良好的理论意义与工程应用价值.     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。     

基于DSP的交流电机故障诊断

交流异步电机是广泛使用的能量转换装置.对鼠笼异步电动机的常见故障进行分析及诊断,提高电机故障的监测诊断水平,具有重大实用价值.本文应用小波包-神经网络算法实现了基于DSP的交流电机故障诊断.利用小波包分解算法提取出电机故障特征向量,并针对轴承和偏心故障特征,提出对数故障特征向量的算法.将故障特征输入基于任务分解的神经网络,实现基于DSP的电机定子、偏心以及轴承故障诊断.     

基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断

为了提升级联H桥多电平逆变器故障诊断的准确性和高效性,提出一种基于小波包能量熵和随机森林的故障诊断方法 .首先对级联H桥多电平逆变器的输出电压进行小波包分解,提取小波包能量熵构建故障特征;然后采用主成分分析法对故障特征进行维数约简,以降低诊断模型的训练时间;最后采用经参数调优后的随机森林模型对逆变器故障进行分类诊断.基于Matlab平台,将该诊断策略与传统的基于快速傅里叶变换的SVM(Support Vector Machine)方法以及基于小波变换的BP(Back Propagation)神经网络方法进行对比.仿真结果表明,针对级联H桥多电平逆变器中功率开关晶体管开路故障,基于小波包能量熵和随机森林诊断策略的故障识别率更高,可有效提升故障诊断率至97%左右.     

基于无源观测器的小波神经网络故障诊断方法

针对自主化、智能化的动力定位船舶传感器故障诊断性能降低,漏报、误报频发,进而影响作业安全的问题,提出一种融合模型和数据的诊断方法.该方法将非线性无源观测器与BP(误差反向传播)神经网络结合,并引入小波包分解方法对数据集进行处理,得到故障信号各个频段上的能量,细化分类特征.基于一艘动力定位船舶模型进行仿真,结果表明:该方法克服了单一观测器输出结果存在未知干扰、模型精度不高的问题,解决了神经网络历史数据集缺乏、代表性未知的问题,提升了故障识别性能.     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

基于小波包和解调分析的多类故障综合诊断方法研究

提出了一种基于小波包分解和解调分析相结合的旋转机械故障综合诊断方法.它能诊断复杂机械的多类故障,针对振动信号的非平稳和调制特点,首先采用小波包将信号进行分解,再分别以不同的方法分析不同的分解频段.利用解调技术分析小波包分解的高频段(调制频段),用来诊断轴承、齿轮等零部件的各类故障;利用FFT频谱分析小波包分解的低频段,用来诊断转轴的各类故障.理论分析和仿真结果表明该方法优于仅做FFT频谱分析或Hilbert解调分析.实例分析也证明了该方法的实用性和有效性.     

采用小波包ASGSO-RBF的采煤机滚动轴承故障诊断

针对采煤机滚动轴承常见的突发问题诊断准确性不高和速度慢,以小波包和RBF神经网络为基础,提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机滚动轴承故障诊断方法.对振动传感器输出的信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法对小波包分解进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练ASGSO-RBF神经网络,建立诊断模型.实验结果表明:所建模型的故障辨识正确率达到95.8%以上,相较于其他算法模型具有更低的误报率和漏报率,诊断精度及诊断效率更高.     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.本文提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

柴油机在小波包分解下的径向基神经网络故障诊断方法

针对柴油机故障诊断问题,提出一种在小波包分解下的径向基神经网络诊断方法。通过小波包分析,将柴油机故障振动信号对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为故障分类器,并通过试错法确定网络合适的结构。网络的训练过程中采用滑动窗口数据选择策略和随机梯度法更新权值、中心位置和扩展参数。与BP神经网络的对比数值实验结果表明,新提出的方法具有较高的诊断准确率。     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.