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.     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

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.     

小波包分析方法在齿轮箱振动信号处理中的应用

对齿轮箱的振动及振动信号进行了分析，利用小波分析原理及小波包分解故障信号，抽取与故障有关的几个频段进行重构，剔除了主振动分量和干扰项，从而使故障特征信号从复杂的振动信号中分离出来。     

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.     

小波包频带检索改进算法及其在电机故障诊断中的应用

针对目前在利用小波包处理非平稳信号的过程中,存在认为小波包分解频段是按频率连续递增排列的误区,在分析小波包原理和小波包分解重构过程中频段排列特点的基础上,提出一种将小波包分解的频段按照频段由小到大顺序排列的方法,以方便所需频段的检索。在Lab-VIEW平台下进行了仿真验证,证明该方法的正确性,并利用改进频段顺序的小波包分解和重构程序对电机转子断条故障进行诊断,取得了很好的效果。     

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.     

基于神经网络的超声导波锚杆剥离缺陷的识别

结合小波包分解技术与神经网络,提出了超声导波检测锚杆剥离缺陷的方法。首先,利用ANSYS-LSDYNA进行了数值模拟,在锚杆的顶端施加扫描激励波,得到了完好和剥离工况下的锚杆动态响应信号,利用小波包分解获得了缺陷参数与小波包能谱之间的关系,以小波包能谱作为输入向量训练适用于锚杆无损检测的神经网络,将剥离状况作为输出,建立了神经网络系统。最后利用混有不同噪声,且未参于训练的导波检测信号验证了神经网络检测的有效性。数值算例表明,该方法对噪声水平小于40%的检测信号,具有较好的识别结果。     

小波包分析在变速箱故障自动诊断中的应用

小波包分析技术能有效地在宽频带范围内提取振动信号的有用成分，便于实现拖拉机变速箱故障的自动诊断．分析了小波包分析原理和BP人工神经网络拓扑结构，研究了小波神经网络在变速箱故障自动诊断应用中的几个关键问题，提出了相应的解决方法．运用小波包分解与重构技术将振动信号分解到不同的频段内，并将其能量归一化，实现故障特征信息的自动提取，然后在此基础上建立以小波人工神经网络为框架的拖拉机变速箱故障自动诊断系统，并对“东风8l—A型”手扶拖拉机变速箱的故障信号进行特征提取，取得了较好的效果．     

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。     

基于小波包变换的模糊神经网络小电流接地系统故障选线

根据小波包变换和模糊神经网络的特点，提出了基于小波包变换模糊神经网络的一种小电流接地系统单相接地故障选线方法，即利用经过接地后零序电流训练的小波模糊神经网络来判别接地线路。该方法适用于任何小电流接地系统，并且不受负荷谐波、暂态过程、故障点过渡电阻等因素的影响，从理论上解决了传统方法选线准确率低的问题。EMTP仿真计算结果表明，该方法是准确和可靠的，具有实用潜力。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值（RMS）,以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。     

基于WPD-PSO算法的整流电路故障诊断

针对电力电子电路故障类型多、诊断正确率低的问题，提出基于小波包分解和粒子群算法优化概率神经网络的方法。建立三相桥式全控整流电路仿真模型，利用小波包分解技术对故障电压信号进行三层小波包分解与重构，提取特征值，并对数据进行归一化处理；用粒子群算法优化概率神经网络寻找合适的平滑因子，对数据进行训练和诊断；将该方法与未优化的概率神经网络作对比。仿真结果表明，该方法在训练效果和诊断正确率上都要优于未优化的概率神经网络。     

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。     

基于小波包分析与RBF神经网络的模拟电路故障诊断

针对常用的BP神经网络须已知结构,且学习算法训练速度慢的缺点,提出一种基于小波包分析与径向基神经网络(RBFNN)的模拟电路故障诊断方法。该方法首先利用小波包分解,归一化作为预处理提取模拟电路的故障特征向量,再将故障特征向量输入到RBF神经网络进行故障诊断。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位。     

基于零序电压小波包能量比的配网单相高阻接地故障辨识分析

配网高阻故障大多是架空线接触高阻抗物体引起的单相高阻接地故障,难以通过稳态特征进行识别。基于等值网络分析故障产生高频分量的原因并考虑正常状态对辨识的影响,提出一种基于零序电压小波包能量比的配网单相高阻接地故障辨识方法。利用小波包频段分解对零序电压进行能量特征提取,提取低频段能量与高频段能量的比值作为高阻故障的识别特征量。基于某10 kV配电网对方法进行测试,通过BP神经网络的辨识对比结果,证实了方法的有效性;通过中性点接地方式、拓扑结构及故障条件变化等多种因素的分析及仿真,验证了方法的适用性。     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。