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。     

基于小波和神经网络的多故障检测系统研究

研究了对离散序列进行小波变换后,再提取个各尺度下的离散细节信号的小波特征熵,并将小波特征熵作为序列的特征提交给神经网络进行分类的故障信号识别方法,通过计算距离可分性测度,从理论上说明了该方法的合理性,并从实践应用中证明了该方法的可行性.     

基于小波变换和分形理论的输电线路故障检测

提出了一种基于小波变换和分形理论的架空输电线路故障识别新方法.该方法对电流采样信号分别进行了小波变换和分形计算,尔后采用神经网络进行识别.经实例分析计算,取得了良好的检测结果,从而验证了该方法的正确性和有效性.     

全频带小波能量相对熵的小电流接地系统故障选线

为了提高小电流接地系统中故障选线方法的精度和鲁棒性,在详细分析系统暂态零序网络故障特征后,提出基于全频带小波能量相对熵的小电流接地系统故障选线方法.利用小波变换技术对信号特征的放大作用以及小波相对熵对信号细微差别的超强辨识能力,首先对各条线路故障后零序电流的一个周波采样数据进行小波多尺度分解,并对分解后的小波系数进行单支重构;然后利用单支重构后的系数计算各条线路在各个频带下的小波能量权重系数,构造出各条线路的全频带小波能量相对熵矩阵;最后比较小波能量综合相对熵值的大小进行故障线路选择.在仿真模型中随机设置不同的故障位置、故障角、过渡电阻、电弧接地等参数,仿真选线正确率达到100%.理论分析和大量的仿真结果表明,该故障选线方法具有很强的适应性,能够在各种情况下实现正确选线.     

模拟电路故障信号的小波预处理

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波一神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障信号特征,该信号特征经主元分析和数据标称化后,作为用于故障诊断的神经网络的输入。基于该法故障诊断的基本原理,对一实例电路进行故障划类、小波函数及故障特征选择,给出计算故障特征的仿真编程及故障类别的识别方法。该法大大减少用于故障诊断的神经网络的输入数目,简化它的结构和减少其训练处理的时间。仿真结果表明,该法可以提高模拟电路故障诊断的效率和辨识故障类别的能力。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

一种基于小波分时灰度矩与概率神经网络的电网故障诊断方法

为提高电网故障诊断的准确率和速度,提出一种将小波分时灰度矩与概率神经网络相结合的电网故障诊断方法,通过对小波灰度矩进行时间上的划分,计算得到故障发生后电流在不同时刻的灰度矩的值,从而得到小波系数随时间的变化情况;以小波分时灰度矩作为概率神经网络的输入,诊断结果作为输出,实现对电网故障的自动诊断,利用PSCAD/EMTDC对电网不同类型的故障进行了仿真,采用连续小波变换对电网发生短路故障后的暂态信息进行分析,提取其灰度矩信息,利用概率神经网络进行了故障识别。仿真结果表明,小波分时灰度矩具有较强的细节表现能力,可作为电网故障的故障特征,与概率神经网络相结合可有效地实现对电网故障的自动识别。     

小波域数字调制信号识别与码速率估计

根据小波变换后幅值的方差大小识别信号调制类型和不同码元对应采样点相位差的个数识别MPSK信号,及变换后直流电平个数识别MFSK信号,分析MPSK信号经多个尺度小波变换所得系数模的平方和的频谱,及MFSK信号经一次小波变换所得系数模的第2次小波变换幅值的频谱,估计MFSK信号码速率.仿真结果表明,该方法具有较高的精度及抗噪性.     

基于小波神经网络的超高压输电线路行波测距保护研究

针对超高压输电线路的超高速保护而建立人工神经网络模型,将输电线路行波信息和高频暂态电流信号经小波变换数据预处理,并提取相关时域和频域特征值之后作为分布式神经网络的输入,以通过人工神经网络来准确识别线路故障类型、故障位置,为实现保护的超高速动作提供判据。     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

无线信号自动识别算法的仿真实现

首先对比Hilbert变换(Transform)构建的解析(Analysis)信号进行时频分析(Time-Frequency analysis)的方法,探讨了基于决策理论(rational budgeting theory)的模拟调制(A modulation)方式识别方法。然后在分析该方法缺陷的基础上,提出了基于神经网络(NN)的识别方法。神经网络(NN)在进行信号识别时,主要是依据谱峰(peak)位置的不同,小波变换(Wavelet Transform)在这里则相当于一个数学显微镜,反映信号类别与谱峰(peak)位置间的必然联系。利用小波变换(Wavelet Transform)并结合简单的三层BP神经网络(NN),即可提取更加精确的待识别信号的时频特征。     

基于DOST能量相对熵的配网单相接地故障选线方法

针对小电流接地故障中,不同类型配电线路故障特征频带能量分布不一致的情况,提出一种基于离散正交S变换与能量相对熵的故障选线方法。首先提取各线路故障后首半个工频周波的暂态零序电流,利用离散正交S变换计算暂态零序电流各频带的变换系数及各频带暂态能量,结合能量相对熵对两个波形细微区别的识别能力,分别获取各线路在不同频带的能量相对熵,并综合得到每条线路的综合能量相对熵,据此熵值大小进行故障选线。Matlab仿真表明该方法不受接地电阻、故障初始角、故障距离等条件的影响,在间歇性电弧故障时仍然可准确实现线-缆混合线路单相接地故障选线。     

基于小波分解和重构的暂态选线与扰动识别

在小波分解和重构理论的基础上,提出了基于故障暂态电流α模分量突变量的故障选线方法。根据小波理论善于处理突变信号的特点,利用小波理论对暂态电流、电压信号进行分析,由分解后的小波系数构成综合故障测度进行选线,小波重构信号则对故障和扰动进行识别。大量的仿真试验证明,提出的选线方法可以很好地对故障线路进行选择,同时不受扰动影响。     

基于小波熵的BPSK信号码元速率估计算法

为了解决在低信噪比下准确地估计BPSK信号的码元速率问题,提出了基于小波能谱熵和小波时间熵的两种码元速率估计算法.通过一维多尺度小波变换重构高频部分,分别计算重构信号的小波能谱熵和小波时间熵.对于小波能谱熵,可以直接求取码元速率;对于小波时间熵,需要根据进一步叠加运算后的峰值来求取码元速率.仿真实验表明这两种方法都可以很好地处理低信噪比下BPSK信号的码元速率估计问题,并且比瞬时自相关法具有更强的抗噪性和适应性.     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

基于小波神经网络的输电线路故障类型识别

电力系统故障类型识别是对电力系统故障进行快速准确处理的重要保证。本文所提出的故障类型识别技术是基于150km双端电气量输电线路准确故障的数字仿真,根据故障前后所测的三相电流和零序电流数据,利用db1小波对数据分解,将低频部分归一化处理后,用过渡电阻Rs=5Ω,100km处的样本来训练网络,再利用BP神经网络来判断50km和150km处接地过渡电阻Rs=10Ω,相间过渡电阻Rr=0．2Ω时的10种短路故障类型,均没有发生误判。从网络的训练和检测结果可以看出,小波神经网络训练时收敛速度较快,并且检测故障速度和准确度都很高。这说明,小波神经网络能够满足现代电力系统的要求,为以后的故障定位和诊断工作打下了良好的基础。     

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.     

基于域适应神经网络的调制方式分类方法

针对深度学习进行调制方式识别领域测试样本与训练样本存在分布差异的问题,提出了基于域适应神经网络的调制识别方法。首先采用VGG16深度卷积神经网络提取信号小波变换后系数图像特征;然后利用自编码器对高维特征进行降维处理;再计算训练样本特征与测试样本特征之间的CORAL损失;最后联合优化分类损失和CORAL损失使模型达到最优。通过仿真实验证明,在信号类别存在差异或信道环境存在差异的条件下,引入域适应技术可提高待测信号识别准确率5%以上。     

小波熵在植物电信号识别中的应用研究

利用小波良好的时频局部化特性以及熵能够对系统状态进行表征的特点,提出将小波熵作为植物电信号的特征向量,将该特征输入到BP神经网络分类器进行自动识别,取得了良好的识别效果。同时,利用小波能量熵对结果进行分析。结果表明,小波熵比小波系数能量作为特征对植物电信号的识别更有效。     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.