基于小波包和Elman神经网络的异步电机转子断条 故障诊断方法

提出了一种基于小波包分析（WPA）和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明：基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

机动车声信号能量特征的小波包提取

针对机动车车型识别中声信号非平稳且易受噪声干扰的问题,提出了一种有效的声信号特征提取方法。利用小波包分析技术对声信号的能量分布进行研究,以德比契斯(Daubechies)小波为基函数对目标声信号进行小波包变换。基于获取的不同频带能量分布状态给出了机动车车型的特征判据,并对该判据的有效性给予了分析。试验结果表明基于小波包分析的机动车声信号特征提取方法是有效的。     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解，选择合适的小波基函数和尺度，将故障信号分解到八个不同的频段上，提取这八个频段上的能量信息，组成特征问量，作为RBF神经网络的输入；建立RBF神经网络模型并进行训练，对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于小波包及相关分析的故障选线方法

分析小电流接地系统故障选线的现状及稳态选线方法的优缺点,仔细研究配网单项接地故障特征后研究用暂态电容电流进行选线,判据如下：先将暂态电压信号利用小波包变换进行分解,得到的能量最大值所对应的即为特征频带,再将各零序电流在特征频带逐一分解,将各条线路得到的小波系数组成相关性矩阵,将矩阵中的元素取平均值得到各条线路与其他线路的平均互相关系数,数值最小者对应的为故障线路。判断过程简洁明了,抗干扰能力强,不受中性点接地方式、电网结构等的影响,能够适应小电流接地系统中多种故障模式,并且用MATLAB/WAVELET仿真验证了本判据的可行性和正确性。     

基于小波包熵的天然气管道阀门内漏分析方法北大核心

为了解决严重威胁天然气管道运行安全的阀门内漏问题,采用小波包分解和信息熵理论相结合的方法对3 in(1 in=25.4 mm)球阀不同内漏程度下的声发射信号特征进行分析。首先,通过搭建阀门内漏声发射检测试验平台开展不同内漏流量下声发射检测试验;其次,应用小波包熵方法对声发射信号各频率段信息度进行分析;最后,采用均方根值评价参数对不同频带内小波包熵值与内漏流量的相关性进行评价。结果表明:在25~37.5 kHz频带内的小波包熵值与阀门内漏流量具有最大相关性(均方根误差为0.012 6),表明小波包熵分析方法是一种输气管道阀门内漏流量量化检测的新方法。     

基于小波包的振动攻丝特征提取方法

在振动攻丝过程中,切削扭矩直接反映了丝锥工作状况.利用小波包分解对信号进行精确细分,有效地提取扭矩信号能量的频带分布特征,可用于监测丝锥的工作状况.试验表明,这一特征能够有效地分辨出正常丝锥与磨钝丝锥及不同工作条件下丝锥的工况,从而为振动攻丝过程的监测奠定基础.     

基于小波包分析的滚动轴承的故障诊断方法研究

用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法。在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征。并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断。     

基于小波包熵的天然气管道阀门内漏分析方法

为了解决严重威胁天然气管道运行安全的阀门内漏问题,采用小波包分解和信息熵理论相结合的方法对3 in(1 in=25.4 mm)球阀不同内漏程度下的声发射信号特征进行分析。首先,通过搭建阀门内漏声发射检测试验平台开展不同内漏流量下声发射检测试验;其次,应用小波包熵方法对声发射信号各频率段信息度进行分析;最后,采用均方根值评价参数对不同频带内小波包熵值与内漏流量的相关性进行评价。结果表明:在25~37.5 kHz频带内的小波包熵值与阀门内漏流量具有最大相关性(均方根误差为0.012 6),表明小波包熵分析方法是一种输气管道阀门内漏流量量化检测的新方法。     

基于小波去噪和EMD算法在齿轮故障检测中的应用

小波去噪和EMD算法(Empirical mode decomposition,EMD)被广泛地运用在非平稳信号分析中。为了减小外部噪声及局部噪声对蜗轮蜗杆减速机振动信号干扰,降低样条插值时的拟合误差,提高EMD分解的质量,提出了一种基于小波去噪和EMD算法相结合的方法,对正常和有断齿的齿轮振动信号进行测试分析。结果表明,该方法能够准确地得到特征频率,判断出故障类型,证实了该方法在诊断蜗轮蜗杆减速机蜗轮故障的有效性。     

基于经验模态分解近似熵和支持向量机的农用柴油机故障诊断

针对往复机械振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解（EMD）、近似熵（ApEn）快速算法和支持向量机（SVM）相结合的机械故障诊断方法。运用经验模态分解方法对特定时段的振动信号进行分析,计算各个内禀模态函数（IMF）的近似熵,作为故障特征向量,并输入到支持向量机以判断机械的工作状态和故障类型。柴油机故障诊断试验结果表明,该方法能有效提取故障特征,在小样本情况下也具有较高的精度和较强的泛化能力,对其他机械故障的诊断具有一定借鉴意义。     

基于EMD和SVM的农用柴油机故障诊断研究

针对农用柴油机振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对气阀机构不同工况下的去噪缸盖振动信号进行分析,计算各内禀模态函数与去噪信号的互信息值以确定主IMF分量,并求其包含时间信息的能量熵以定量描述信号不同时频段的能量分布,将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型。试验结果表明,该方法在小样本情况下也具有较高的精度和较强的泛化能力,但不同转速时需重新采样以保证充足的诊断精度。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposition,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural network,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于机体振动的直升机桨毂阻尼故障诊断

研究了仅用机体振动信号诊断旋翼减摆器阻尼失效、轴向铰卡涩和水平铰卡涩3种桨毂阻尼故障的可行性。在旋翼试验台上分别设置上述3种阻尼故障，测取机体振动响应，利用快速傅立叶变换分析其频谱特征。分析表明，3种阻尼故障引起的机体振动谱图互不相同。采用概率神经网络实现了3种阻尼故障的正确分类。研究表明，仅用机体振动响应实现旋翼阻尼故障诊断是可行的。     

采用Petri网进行修正的启发式船舶电网拓扑分析

针对船舶电力系统的特点，采用一种启发式电力网络进行拓扑分析模型建立以确定电力系统网络拓扑，在此基础上借鉴电力系统故障诊断的方法,采用Petri网技术对电网进行故障定位以及对不确定信号的诊断与排除，对拓扑分析结果进行修正，以保证拓扑分析的正确性。最后以典型船舶电力系统网络为例，验证了该方法的有效性。     

基于分段波形的信号瞬时频率计算方法

针对局部均值分解（Local Mean Decomposition，LMD）中乘积函数（Product Function，PF）分量的瞬时频率计算问题，引入了一种新的信号瞬时频率计算方法.该方法基于分段波形，先将信号分成若干个全波段（full wave），然后以一组递增的反正弦函数定义每个全波段的瞬时相位，进而得到信号的瞬时频率.由该方法得到的瞬时频率理论上是正的、稳定的并且能够确保信号局部特征信息的完整.应用该方法计算了仿真信号和实际齿轮故障振动信号的瞬时频率，并与其他方法求得的瞬时频率进行了对比.结果表明，本文方法非常适合求取信号的瞬时频率.     

基于虚拟仪器的揉碎机振动测试与分析

以虚拟仪器的特点及构成技术为基础,利用虚拟仪器软件开发平台LabVIEW及相关硬件产品,构建出秸秆加工机械的振动测试分析系统,并完成对9R-40型揉碎机转子振动信号的采集、分析,得出转子振动的频率为45.14Hz,证明了该系统的准确性和适用性。