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。     

H桥多电平逆变器的新型调制

针对传统PD调制法应用在级联H桥多电平逆变器时存在的输出功率不均衡问题,提出一种基于1/4输出周期载波循环的优化调制策略,使得逆变器各级联单元的输出功率均衡,且开关管的最高开关频率降为原来的一半,降低了开关损耗.该优化调制策略比传统PD调制需要的三角载波数量更少,调制更简单.以四单元级联H桥多电平逆变器为例进行理论分析,并通过仿真实验验证了所提方法的正确性.     

基于小波包和支持向量机的逆变器故障诊断

针对逆变器功率元件经常出现的开路故障,提出一种基于小波包分解和支持向量机的故障诊断方法。利用小波包对逆变器输入电流进行分解,获得电流信号的各层细节系数、能量以及偏移量。对分解得来的参数进行相应的归一化处理,得到逆变器功率开关元件不同故障状态下的故障特征。将其各自作为多分类支持向量机的输入量来训练多分类支持向量机。通过模拟实验证明,该方法在诊断和定位故障上具有较高精度和效率。     

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.     

HVDC换相失败小波故障诊断方法

将小波变换应用于高压直流输电(HVDC)系统换相失败的故障诊断中,基于多尺度分析分别对不同故障情况下的直流电流进行分解,并利用尺度能量和尺度熵这两种小波处理方法提取故障特征,分别定义两个故障诊断指标作为辨识各种故障的判据,然后针对这两个指标分别设置4个阈值以诊断直流线路故障和换相失败故障.仿真表明,在不同的HVDC系统故障情况下,暂态信号小波尺度能量和尺度熵的分布都具有一定的规律性,可分别作为判断系统故障的有效依据,提出的判据能准确地对换相失败故障做出诊断.     

级联型H桥逆变器的阶梯波特定消谐技术研究

在高压、大功率场合,级联型多电平逆变器得到了越来越多的应用。该文围绕级联H桥逆变器SHEPWM非线性方程组的求解问题,分别采用了牛顿法和模拟退火算法求解该非线性方程组,在对两种算法进行比较的同时,分析了H桥逆变器级联数目和调制比对输出波形改善和方程求解的影响,并利用Multisim仿真对结果进行了检验,最后提出了级联型多电平逆变器的最优控制策略。     

基于小波包Shannon熵的Boost变换器软故障诊断

电解电容参数退化会引起Boost变换器软故障,影响整体电路性能。使用基于小波包Shannon熵的方法实现Boost变换器的软故障诊断。以Boost变换器的输出电压作为故障信号,根据小波包Shannon熵确定小波包分解的层数然后对故障信号进行小波包分解,提取小波包能量构建故障特征向量,最后利用分类器实现Boost变换器的软故障诊断。实验结果表明,该方法能有效、正确诊断Boost变换器的软故障,分类正确率达到97.58%。     

级联型多电平变换器单元电路控制策略仿真

针对级联型多电平变换器需要四象限运行的工况,提出以双H桥的电压胞拓扑作为多电平变换器单元电路的方案。其前H桥为整流器,采用滞环电流控制策略实现直流电压稳定和近似单位功率因数的双向能量流动;后H桥为逆变器,采用载波相移SPWM技术。通过建立整流器的滞环电流控制模型和三单元级联多电平逆变器相移技术控制模型,对变换器进行双向能量传输运行的过渡过程分析和逆变器输出级联电压波形分析。仿真结果表明该拓扑及控制策略满足四象限运行要求。     

小波包熵与多核学习在列车转向架轴承故障诊断中的应用

为提高列车转向架轴承故障诊断的准确性和效率,提出一种基于小波包熵和多核学习的列车轴承故障智能诊断方法。该方法通过对轴承振动信号进行小波包分解,提取小波包特征分量,通过广义信息熵的概念定义了小波包特征熵函数,最后基于多核学习训练出的分类器对轴承故障类型进行分类,判断轴承的工作状态。实验结果表明,该方法可以准确、有效地实现列车轴承的故障判别,为列车转向架轴承早期故障诊断的研究提供一定的新的思路。     

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.     

基于三分类支持向量机的船用逆变器故障诊断

针对电力推进船舶逆变器存在的开关器件开路故障诊断问题,提出一种基于三分类支持向量机的故障诊断方法。利用对称分量分析方法获得逆变器输出正序瞬时值分量,通过对信号进行小波包分解,得到不同开关元件故障下的小波能量,规范化后作为对应开关器件故障特征。根据开关器件位置和逆变器输出波形特点对开关器件进行分组,利用三分类支持向量机实现故障分类。仿真分析结果表明,该三分类支持向量机故障分类正确率94.29%,诊断方法有效。     

电力电子装置周期性故障波形小波矩阵分类法

提出一种基于平稳小波变换和奇异值分解的电力电子装置周期性故障波形的分类方法.该方法利用平稳小波变换的冗余性和奇异值的稳健性.其步骤为:对周期性故障波形进行平稳小波变换,将信号分解到多个小波子空间;将平稳小波变换后的小波系数矩阵奇异值进行分解,即采用K-L变换对子信号进行特征压缩,并以奇异值向量作为特征向量;按照向量的空间距离对故障波形进行分类实现故障的分类诊断.以精确的半导体器件模型建立的PSPICE逆变器故障波形为例,分别用该方法和小波子带能量法对逆变器的IGBT开关故障进行分类.研究结果表明,与采用小波子带能量法相比,采用所提方法能够精确地对22种逆变器断路故障进行诊断,且受小波分解层数的影响较小,分类边界较清晰,其类间距与类内距之比是小波子带能量法的2.5倍,抗噪性能好,正确识别率高5%.     

基于Lipschitz指数熵的轴承故障检测方法

针对利用小波奇异点进行故障检测无法克服噪声影响的不足,提出采用Lipschitz指数熵作为特征进行故障检测.该方法以信号在小波域上分解形成的Lipschitz指数谱向量的熵值作为故障的诊断特征,建立了基于Lipschitz指数熵的故障检测模型,并提出了基于粒子群优化的特征阈值选择方法.将该方法同基于小波能量谱、小波包能量谱熵特征和小波奇异点检测的方法进行比较,实验结果表明采用Lipschitz指数熵作为特征都能有效克服噪声影响,在检测时间及检测率上较另外3种方法有显著提高.     

一种新型级联多电平逆变器SVPWM控制

H桥级联多电平逆变器调速系统中,由于电压矢量数目过多而带来参考矢量计算困难及电压矢量优化选择问题,在对多电平系统电压矢量的特点和规律进行深入分析的基础上,提出了一种新型的电压空间矢量控制算法。基于这种算法能够很容易确定参考电压矢量的位置和各矢量的作用时间,并且计算的复杂度不受逆变器电平数的影响,可以用在任何高电平级联型H桥逆变器中。通过五级H桥级联型逆变器驱动系统的仿真及实验验证了这种方法的有效性。     

级联型多电平逆变器控制方法的仿真研究

级联型多电平逆变器在交流调速领域发挥着十分重要的作用。近年来,针对级联型逆变器提出了多种调制方法和调速策略,并取得了一定的成果。以级联七电平逆变器为研究对象,研究了如何将两电平空间矢量调制技术应用到H桥多电平逆变器的控制中,并给出了仿真分析的过程和具体结果。然后,将其与基于空间矢量调制的直接转矩控制方法相结合,从而解决了传统DTC在级联型多电平逆变器应用中存在的开关状态表难于形成、开关频率不固定等问题。通过MATLAB/SIM-ULINK搭建仿真模型,证明了此方法的可行性和优越性。     

自适应冗余多小波及其在故障诊断中的应用

针对机械设备在运行过程中萌生的故障尚在特征不明显、特征信息微弱且往往被机械设备运行过程中的强噪声所淹没等给故障特征提取与故障定位带来了很大困难,提出了自适应冗余多小波的故障诊断方法.基于Chui-Lian多小波,依据信号特点采用两尺度相依变换方法,以谱熵最小为优化目标、遗传算法为优化方法,实现了冗余多小波的自适应构造.同时,对振动信号进行了冗余多小波分解,从而实现了对故障的准确定位及特征提取.将提出的方法应用于滚动轴承的故障分析和烟汽轮机的碰摩故障诊断中,结果显示,该方法可以有效地提高对机械设备在运行中产生故障的诊断能力.对比结果表明,该方法明显地优于传统的傅里叶变换、Db6单小波变换和原始CL3多小波变换等方法.     

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.     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

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EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.