基于小波神经网络技术的井下瓦斯传感器故障诊断分析

煤矿井下瓦斯传感器的准确性和鲁棒性关系到矿井的安全生产。以瓦斯传感器故障诊断为研究对象,利用小波包分解算法分析了瓦斯传感器故障信号、提取了相关特征,并基于这些特征,采用扩展滤波算法训练神经网络。兖州集团王庄煤矿的100组瓦斯检测数据验证了该技术的有效性和准确性,为瓦斯传感器故障的在线诊断系统设计提供了参考。     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于小波包和神经网络的矿用通风机故障预警研究

矿用通风机在长时间的运行过程中,可能存在着多种故障隐患,及时准确地发现其隐患,对于煤矿的安全生产具有极其重要意义。本文提出了基于小波包分解技术和BP神经网络的＂能量-故障＂方法。用小波包分解技术将含有通风机不同故障状态信息的特征向量,从不同的频带提取出来,并作为故障样本输入神经网络,建立BP神经网络模型。利用该模型可对矿用通风机的不同故障状态进行识别。研究结果表明,基于小波包和BP神经网络的故障诊断技术有效地利用了两者的优点,是提取设备故障状态特征,进行故障诊断的有效方法,并利用该方法实现矿用通风机的故障预警。     

基于小波-神经网络的矿用通风机故障诊断研究

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为BP神经网络的故障样本，经训练的网络作为故障智能分类器可对通风机的工作状态进行自动识别和诊断．研究结果表明，小波包与神经网络相融合的故障诊断与识别技术发挥了两者的优点，是提取机械故障特征进行设备状态自动识别的有效方法．     

基于主成分分析和神经网络的电动机故障诊断方法研究

为能有效地对电动机转子断条故障初期进行检测,以小波包分析方法为基础,根据能量频谱中能量值的变化来诊断电动机故障。根据能量值的大小来判别电动机故障的严重程度,再利用小波包结合主成分分析(PCA)提取能反映原始数据集的特征向量,最后利用径向基函数(RBF)神经网络来对电动机故障类型进行识别。仿真验证了该方法能有效地提取电动机的故障信号量,并能正确地识别电动机的故障类型。     

基于K-means算法识别瓦斯传感器软故障研究

针对井下瓦斯传感器设备出现的软故障如数据漂移、数据长期低于或高于正常值、数据周期性变动和数据出现大值等问题,提出了一种基于轮廓系数自适应最佳聚类点的K-means算法识别瓦斯传感器出现软故障种类的方法。该方法是利用监控系统采集的瓦斯传感器软故障信号进行小包分解处理后,结合RBF神经网络进行轮廓系数K-means自适应算法的软故障识别训练。K-means自适应算法能够自适应优化聚类中心点,利用聚类中心点的迭代循环计算出最优中心点,选择最佳聚类点进行K-means聚类,从而识别软故障信号的故障类型。实验证明,自适应轮廓系数K-means算法能够有效地识别瓦斯传感器软故障类型,提高了煤矿安全监控系统数据的准确性。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

小波包分析在采煤机减速器故障诊断中的应用

提出了一种采用小波包理论提取采煤机减速器故障信号的方法。利用小波包变换对减速器振动信号进行分解、重构及能量计算,有效地提取出采煤机减速器故障特征信号,从而获得故障的信息。仿真研究结果表明,基于小波包能量法的故障诊断方法能够有效地提取出采煤机减速器故障的频率信息。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

PWM整流器开路故障诊断方法

在对PWM整流器网侧电流分析的基础上,提出一种以整流器网侧相电流低次谐波含量及分布为特征的整流器IGBT开路故障诊断方法。为了克服傅立叶变换在时域没有任何分辨力的限制,采用小波包对定子电流信号进行时间-频域分析,通过小波包的分解与重构,对网侧相电流低次谐波信号进行能量提取,得到故障特征量,并通过贝叶斯网络对整流器开路故障模式进行分类。仿真结果证明该方法能够有效地实现整流器开路故障诊断。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。     

基于小波包分析的机械故障特征提取方法研究

研究了一种基于小波包分析与信号能量分解的故障特征提取方法 ,运用这种方法提取了一风机轴不对中故障特征向量 ,为神经网络故障诊断提供了新的故障样本。实验结果表明这种方法比基于Fourier变换的故障特征提取方法更有效 ,很适合于机械故障诊断     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

基于小波分析和神经网络的刮板输送机刮板链故障诊断

刮板链是刮板输送机最易损坏的部件,维修难度大。快速定位故障可有效提高效率,因此采用小波分析和RBF神经网络对刮板链故障进行诊断。对刮板链故障类型进行分析。为减少RBF神经网络的计算量,采用小波分析方法对采集到的数据进行预处理。将刮板链节距、刮板长度、刮板厚度、空载时弯曲度和满载时垂直度作为神经网络的输入,对RBF神经网络进行训练。仿真结果显示,故障诊断结果与实际情况一致,且采用小波分析后迭代次数明显减少。