基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法,该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入,对不同的输出要求,提出同的神经网络,判断出发生故障的相位、性质和位置。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型，来识别电力系统短路故障，用小波变换提取测量信号的特征量，作为多层的神经网络的输入，对不同的输出要求，采用不同的神经网络，判断出发生故障的相别、性质和位置。实验结果表明，该模型是有效、可行的。     

基于形态小波和S变换的滚动轴承故障特征提取

针对传统小波在强背景噪声中提取冲击故障特征的不足,提出基于极大提升形态小波(MLMW)分析和S变换的滚动轴承故障特征提取方法.先利用MLMW变换将信号分解到不同形态尺度上,各尺度信号上保留着信号局部极值形态特征,对细节信号进行软阈值降噪处理,再从重构信号的具有良好时频聚焦性的S变换谱上提取故障特征.试验结果表明,MLMW既抑制了噪声和谐波分量,又显著强化了故障特征;相比传统小波和包络分析,能清晰地提取非平稳非线性故障特征.由于MLMW采用简单的形态算子和高效的提升方法,计算简单高效,适于故障特征的在线分析.     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

小波分析在电液系统故障诊断中的应用

通过实验的方法,对电液系统进行了局部故障模拟,提取了模拟故障的特征信号,并利用小波变换这一时变信号分析的有力工具,对信号进行了多尺度分析,通过对小波变换后系数的模量极大值的检测来确定故障发生的时间点,对突变信号进行有效识别．结果表明,小波分析方法应用于电液系统的故障诊断是可行的．     

基于小波分析的透平机械振动故障特征定量识别研究

通过对透平机械振动信号的连续小波变换，利用小波滤波器良好的时频特性,研究了振动故障信号的统计特征．在信号的特征提取中引入“灰度矩”，并把一阶矩作为定量指标．对8种典型振动故障信号的初步研究表明，这种方法能够简单有效地提取信号的特征，区分振动故障．     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

往复压缩机的状态监测和故障的诊断方法

分析了用传统的时域和频域分析方法不能有效提取往复压缩机故障特征的原因,介绍了基于小波包分析与神经网络的往复压缩机故障诊断方法,探讨了包括往复压缩机振动信号的降噪、小波包分解与重构、故障特征提取、针对防止发生漏诊或误诊问题而提出的组合RBF网络及其训练方法和渐进学习能力等问题。还专门介绍了一种新的技术,它可以帮助我们确定一个适当的阈值,用于解释经过训练的RBF分类器的输出。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

基于神经网络技术的电梯动态智能检测系统

提出了一种基于神经网络技术的电梯动态智能检测系统,它可以长期不间断地采集电梯运行数据并存储.利用最优小波包的理论分析提取轿厢垂直振动加速度信号特征,与水平方向振动信号特征融合建立了BP神经网络模型,实现对电梯急停故障现象的诊断.经验证,该模型能有效判断出电梯急停故障,为特检部门提供了电梯的检测依据.     

基于小波变换和神经网络的线路保护启动方法

为满足特高压输电线路超高速保护的要求,结合小波变换原理和神经网络原理,提出一种新的特高压输电线路保护的启动方法。该方法运用小波变换检测突变信号的原理,提取故障特征量,并以此作为神经网络的输入,设计启动神经网络,以判断输电线路的运行状态(正常或故障),进而决定是否启动故障选相装置。在PSCAD建立特高压输电系统仿真模型,仿真结果表明:该启动方法能准确判断输电线路运行状态,动作快速、灵敏且不受过渡电阻、故障位置、故障初始角以及噪声干扰的影响,在特高压输电线路超高速保护方面有一定的实用价值。     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。