基于解析信号小波的变压器局部放电故障诊断

应用解析信号小波来分析变压器局部放电,提取信号在各尺度的幅值包络、相位和瞬时频率。并将该特征参数用于故障诊断。仿真结果表明：该方法用于变压器局部放电故障诊断中是行之有效的。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于LabVIEW的齿轮故障智能诊断系统

利用Lab VIEW平台开发了齿轮故障诊断系统,系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;神经网络诊断由对有量纲、无量纲参量提取的特征和根据小波包相对能量提取的特征作为神经网络的输入向量,以齿轮的故障类型作为输出向量,采用BP神经网络对齿轮进行诊断。实验结果表明:通过引入时频分析方法,故障频率检测精度高,故障类型识别准确率较高。     

往复泵故障智能诊断系统的设计

开发了往复泵故障的智能诊断系统,以故障诊断系统为核心,软件部分用Visual C＋＋语言来开发,由软件控制同步进行压力、位置及流量等信号的数据采集和数据库管理。由于不同故障类型对应的信号曲线也不同,所以以压力信号为主,以流量信号为辅作为故障信息;然后应用基于人工智能理论的小波神经网络和小波包分解技术进行数据处理、保存和故障诊断。从小波神经网络诊断的结果可以看出：往复泵故障智能诊断系统诊断速度快,准确性高。     

小波分析及其在化工信号分析处理中的应用及展望

介绍了小波变换的基本理论和常用方法，小波变换在信号处理方面的应用进展。认为小波变换的时一频局部化的性质，使其成为信号处理的强有力的工具。总结了在化学工程领域小波分析方法在信号除噪、系统特征提取、奇异性检测、故障诊断、预测等方面的应用，提出小波分析方法在化工领域有广阔的应用前景。     

基于电-声检测法的整流变压器局部放电故障监测

针对整流变压器局部放电处理不及时会造成变压器击穿、使用寿命缩短的问题，提出了一种基于电-声检测法的整流变压器局部放电故障监测方法。通过加速度传感器和电容传声器分别采集整流变压器振动信号和声纹信号，采用集合经验模态分解（EEMD）和盲源分离相结合的方法提取振动信号和声纹信号特征，包括时域、频域和Mel频谱倒谱系数，以提取的特征作为输入，通过隐马尔科夫模型实现整流变压器局部放电故障识别。以故障类型为绝缘材料内部放电的整流变压器为测试对象进行算例分析，结果表明：绝缘材料内部放电故障类型的观测样本概率最大，说明整流变压器存在局部放电故障，且故障类型为绝缘材料内部放电，与实际情况一致，证明了所研究监测方法的有效性。     

基于面向对象的黑板型变压器故障诊断专家系统研究

将面向对象的技术引入到变压器绝缘故障诊断专家系统中,建立了适合于变压器绝缘故障诊断的黑板模型结构。同时还建立了多专家合作变压器绝缘故障诊断专家系统,提出了富有创意的专家意见不一致时的综合分析和解释机制,并以实际诊断例证检验了该专家系统的有效性和可靠性。应用模糊综合评判法和模糊神经网络判别法,创造性地将变压器故障诊断研完从故障性质的分析深入到故障部位的确定,提高了专家系统的实用性。     

改进的LVQ神经网络在风机故障诊断中的应用

提出一种改进的LVQ神经网络的风机故障诊断新方法。利用风机振动频域的特征向量作为学习样本,建立与风机故障类型的映射关系。将能量特征输入改进的LVQ神经网络进行网络训练与检测,以实现风机的故障识别。经比较,其性能优于BP网络和遗传网络,诊断正确率高达96%以上。通过仿真实验和风机的故障诊断实例表明:该网络提高了收敛速度及诊断精度,有效地抑制网络陷于局部极小,更适合风机等较复杂分类问题的故障诊断。     

基于小波遗传神经网络矿用振动筛故障诊断分析

矿用振动筛长期受到反复荷载作用容易出现筛板松动变形、筛框梁开裂、激振器抱轴等故障,影响振动筛的正常使用。利用小波降噪技术能够提取出振动筛故障信号,由此判断故障类型,故障诊断效率较高。设计诊断系统的BP神经网络,介绍其网络结构、初始参数的设置和权值的训练方法,将小波遗传神经网络的诊断效果与小波神经网络进行对比,结果显示前者在诊断效率和诊断准确性上都有明显优势。     

粗糙集理论在柴油机故障诊断中的应用

以柴油机故障诊断为背景,研究了基于粗糙集理论的参数优化在故障诊断中的应用.首先采用小波包能量谱方法提取振动信号的特征参数,并用粗糙集理论对其进行属性约简,最后用RBF神经网络对各类故障进行辨识,结果表明:利用粗糙集约简后,通过减少神经网络的输入节点数,简化网络的结构,提高了诊断的准确率及效率.     

基于GA-BP神经网络的多传感器轴承故障诊断

由于单一传感器采集滚动轴承的故障信息精度较低,提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息,并采用小波包分析提取轴承故障状态特征,然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断,接着运用DS证据理论把每一个诊断结果进行信息融合,最终得到诊断结果。仿真实验结果表明:该方法可提高滚动轴承故障诊断的精确度和效率。     

管道泄漏诊断方法研究

提出一种基于小波分析和神经网络技术的管道泄漏诊断方法。首先对管道泄漏的声发射信号进行小波包分解,然后提取各节点能量百分比作为特征向量输入BP神经网络,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的声发射信号来判断管道的故障状况。通过试验证明该方法在管道泄漏诊断中是有效可行的,不仅能判断管道是否发生泄漏还能识别泄漏种类。     

基于BP神经网络的变压器故障诊断

利用BP神经网络对变压器进行故障诊断.以特征气体含量的比值作为输入量,利用MATLAB软件建立故障诊断模型,利用改进的动量梯度下降法,达到了故障诊断的要求.并通过变压器故障诊断实例分析,证明了该方法的有效性.     

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。