基于小波包变换的船舶轴系轴心轨迹特征提取

为实现通过轴心轨迹识别船舶轴系的工作状态,在船舶轴系轴心轨迹测试实验台上测试各轴承处水平和垂直的位移信号,应用小波包变换对各轴承处的轴心轨迹进行特征提取及分析.结果表明:实测船舶轴系轴心轨迹混乱,无法用于船舶轴系工作状态的识别;利用小波包变换提取的轴心轨迹呈清晰的香蕉形、椭圆形及外“8”字形,其中香蕉形和外“8”字形轴心轨迹刻画了转子不对中工作状态,椭圆形轴心轨迹刻画了转子不平衡工作状态.因此,小波包变换可用于船舶轴系轴心轨迹的提取,实现船舶轴系工作状态的识别.     

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-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

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.     

基于小波包变换检测电力系统谐波的研究

谐波对电力系统和用电设备产生了严重危害和影响。基于谐波，提出了两种检测方法，经过比较认为小波包变换对电力系统谐波的检测有一定的优势。同时通过仿真结果表明，该方法能够更加实时有效的检测谐波。     

提升小波包变换及在振动故障诊断中的应用

对内燃机进行快速准确故障诊断,可以提高内燃机维修的时效性,减少停机时间。提出一种基于提升小波包变换的故障诊断方法。给出了内燃机故障诊断模型,对内燃机进行等角度采样,在线获取振动信号,实现信号获取与工作转速同步。给出了提升小波包变换公式,并给出了移频算法,选择合适的小波进行提升小波包变换,提取状态特征向量,分析了不同状态特征向量的差异。采用支持向量机作为分类器实现故障诊断。通过实例分析比较,验证了该故障诊断方法的有效性。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

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.     

五滚柱式定向离合器故障诊断的小波包变换方法

论述了小波包分解及其能量谱处理五滚柱式定向离合器故障的原理与方法。应用小波包分解及其能量谱直观地识别出故障的特征频带，并进行了量化分析。结果表明，小波包及小波包分解能量谱比传统的傅立叶分析方法具有更大的优越性和价值。     

基于Hilbert变换和小波包能量分析的转子断条故障诊断

转子断条是笼型异步电机最常见故障之一.基于Hilbert变换和小波包频带能量分析方法,提出了一种新的笼型异步电机转子断条故障检测方法.对采集的定子电流信号进行Hilbert变换,消去定子电流中包含的直流分量,解决了转子断条故障特征分量容易被基波湮没、难以检测的问题.采用基于小波包频带能量分析方法,对转子断条故障进行识别.实验结果验证了方法的有效性.     

基于粗糙集理论多区域并行神经分类器在变电站故障诊断中的应用

针对变电站故障诊断中不确定信息多和实时性要求高的特点,以变电站的开关保护信息为基础,提出了一种基于粗糙集理论和神经网络理论的多区域并行神经分类器的变电站故障诊断方法.该方法首先将变电站故障划分为多个独立的故障单元,针对每个区域故障单元建立故障模式库,利用粗糙集的知识约简和不确定信息的处理能力,对故障模式库并行挖掘,实行属性优选,再运用神经网络对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示该方法不仅能缩小问题求解规模,实时性高,而且具有较强的抗干扰能力,是一种有效的变电站故障诊断方法.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

基于模糊集和粗糙集理论的故障诊断方法的研究

概括介绍了模糊集粗糙集的基本理论,对基于它们的故障诊断方法进行比较,并提出在故障诊断方法中一些可能的研究方向。     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

基于粗糙集理论的运输机故障诊断与分类

应用粗糙集约简理论,根据煤矿安全规程分析了煤矿胶带运输机的10种安全保护措施和统计的故障样本,提出了一种以决策表作为主要工具,直接从故障样本集中导出诊断规则及其故障分类的方法,并用实际发生的故障检验了该方案的正确性。     

基于RS的变速器故障属性提取

文章根据粗糙集理论 ,利用分明矩阵及分明函数对变速器故障决策表进行属性约简 ,提取故障识别的重要属性 ,降低决策表的内在冗余性 ,为进一步用人工神经网络进行故障诊断创造了有利条件 ,有利于降低网络的复杂性 ,缩短网络训练时间     

基于粗糙集理论的故障树重要度分析

在工程风险评价的失效可能性计算中,故障树重要度分析是一项重要技术,它经常遇到许多不确定、不完整的因素.采用粗糙集理论对这些不确定、不完整数据进行处理与分析,并通过埋地燃气管道的外腐蚀故障树重要度分析的实例,阐述了粗糙集理论的概念、原理、方法和应用.结果表明,粗糙集理论是一种完全基于客观的综合重要度分析方法,在工程上具有实用意义.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

基于小波变换的单相高阻接地故障检测方法

提出了一种基于小波变换的中性点不接地系统的单相高阻接地故障检测方法.发生故障时,经过小波变换,故障相电流和零序电流高频系数模极大值在相同时间和位置的极性相同,而非故障相的高频系数模极大值与零序的高频系数模极大值极性相反;故障相的高频系数比非故障相的高频系数大很多,可作为接地检测的依据.通过ATP仿真验证可知,该方法能准确地检测出单相高阻接地故障.     

基于粗糙集的机车电线路故障诊断方法

首先将检测和故障分析需要用的数据和信息存入数据库,经过处理、约简,提取相关属性核,形成相关处理规则。从实验结果可知,基于粗糙集的故障检测方法对处理大型数据非常适合,可以大大减少处理数据的工作量。