基于PCA-BLS的三相整流装置故障诊断

针对三相整流装置突发故障时,检测复杂及诊断困难的问题,以三相桥式全控整流电路为研究对象,提出一种基于主元分析和宽度学习系统的故障诊断方法.提取负载输出电压为特征向量,经主元分析,对特征矩阵降维,消除数据相关性,保留数据基本特征;选择合适的初始参数,输入到宽度学习系统的网络中,构建故障诊断模型,对故障进行诊断.对比实验表...     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法.利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类.仿真结果表明,该研究方法在诊断准确率及...     

基于RBF网络的三相桥式全控整流电路的故障诊断

在分析三相桥式全控整流电路晶闸管各类故障的基础上,通过MATLAB/Simulink仿真发现对于同一类型故障,不同管子损坏时对应输出电压峰值在同一周期的时间不同.基于此,设计采用无局部极小值问题且分类特性好的径向基函数RBF网络来识别不同晶闸管的故障.MATLAB仿真结果显示,该算法在三相桥式全控整流电路故障诊断中取得了预期的效果,提高了三相整流电路故障诊断的可靠性和准确性,同时还可推广到其他变流电路的故障诊断中.     

基于虚拟仪器和神经网络的电力电子电路故障诊断

电力电子电路中晶闸管开路和短路故障最为常见，为实现故障的在线自动诊断，以三相整流电路为例，利用虚拟仪器进行数据采集、分析及特征信号提取，特征信号作为神经网络的输入进行电力电子电路在线故障诊断，通过实验验证，该方法误诊率极低，达到了较为理想的效果。     

基于小波包分析和相关向量机的电路故障诊断

针对模拟电路故障变化的复杂性,提出一种小波包分析和相关向量机的电路故障诊断模型,首先采集模拟电路不同故障状态下的输出信号,将输出信号进行小波包分解,提取分解信号的归一化能量特征,然后将特征向量输入相关向量机中进行训练,建立模拟电路故障诊断模型,实现不同的故障状态分类识别;最后通过仿真实例对模型性能进行测试.测试结果表明,相对于其他模拟电路故障诊断模型,该模型不但提高了模拟电路故障诊断的正确率,而且减少了故障诊断时间.     

基于小波包分析与支持向量机的电力电子整流装置故障诊断

针对当前电力电子整流装置使用的故障诊断方法在应用过程中表现出的缺陷,提出了一种基于小波包分析与支持向量机的电力电子整流装置故障诊断方法：首先使用小波包分析方法对故障信号波形进行分解,提取故障特征向量,然后使用支持向量机理论构造多分类故障分类器对提取的故障特征向量进行分类.仿真实验结果表明,该方法能够有效地完成对电力电子整流装置的故障诊断,具有很好的工程应用价值.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

基于S变换的电力电子电路故障诊断技术

提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,训练样本数少等优点,在解决电力电子电路故障问题上有着很好的实用价值和应用前景。     

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EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

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。     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。