基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

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。     

轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

基于小波包与概率神经网络相结合的滚动轴承故障诊断

基于小波变换的滚动轴承故障诊断,振动信号中的高频部分对诊断结果有一定影响,为克服此影响,首先运用小波包对SKF型滚动轴承故障信号进行预处理,以此为特征向量结合概率神经网络去验证模型的实用性和可行性。分析结果表明,小波包与概率神经网络相结合的故障诊断方法可以有效的应用于滚动轴承故障诊断。     

基于小波包系数平均能量的异步电机转子故障诊断

异步电机的转子断条的特征信号与基波频率非常接近,并且幅值很小,很容易被变频分量湮没。研究了小波包分解和小波包节点系数重构,以及小波包系数的平均能量的计算。然后通过小波包分解提取故障的特征信号的频带向量,最后计算频带向量的小波包系数平均能量并进行归一化处理,形成故障特征向量。通过特征向量的对比判断电机是否发生转子断条故障。并通过Matlab仿真以及实验分析验证了这种方法的可行性。     

基于EMD-SVM的刚性罐道故障诊断研究

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱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齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于K-L变换和支持向量机的滚动轴承故障诊断

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新途径。     

基于相对小波包能量特征向量的故障诊断

在小波及小波包分析的基础上引进相对小波包能量特征向量的概念,提出了一种建立旋转机械故障库的新方法,并结合模式判别的知识,引进欧几里德距离公式作为判据,使故障诊断公式化、定量化。实验结果表明这种方法能够很快地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于振动信号的采煤机煤岩截割状态识别

为了准确识别采煤机截割状态,提出了一种基于小波包分解和学习向量量化(LVQ)神经网络的模式识别方法。将振动信号进行小波包分解,实现振动信号的预处理,得到若干个子频带。在此基础上,计算各个频带的方差,并将其作为特征向量。然后将计算得到的频带方差作为特征向量,输入到LVQ神经网络进行采煤机煤岩截割状态识别。通过实验验证了该方法的有效性,实验结果表明：该方法能够实现采煤机典型煤岩截割状态的识别,平均识别准确率较高,对实现综采工作面的“无人化”具有重要意义。     

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。     

矿用刮板输送机运行时在线监测及故障诊断系统应用研究

为了提高煤矿用刮板输送机设备的自动化水平,设计了一种刮板输送机自动监测和诊断系统。刮板输送机的故障会直接影响到日常生产。提出了一种小波包分解（WPD）和支持向量机（SVM）相结合的带式输送故障诊断方法,重点是托辊故障的检测。由于托辊的数量可能很大,采用一个加速度传感器来收集多个托辊的振动信号,以减少传感器的数量。用WPD对振动信号进行分解,提取各频带的能量作为特征,并利用这些特征训练SVM,实现托辊故障的检测。首先在试验台上对该故障诊断方法进行了测试,设计了一种针对刮板输送机的在线监测和故障诊断系统。在运行中的刮板输送机上进行了实验,验证了该系统可以用有限数量的传感器定位故障托辊的位置,这对刮板输送机的运行很重要。     

基于人工蜂群算法优化VMD的旋转机械故障诊断方法

旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。     

故障诊断应用的支持向量机多值分类算法

对常用的多值分类算法进行分析。基于决策有向无环图的支持向量机多值分类算法,提高了分类精度,缩短了训练时间,仿真结果证明该算法的先进性。