小波包-神经网络在汽轮机转子故障诊断的应用

根据汽轮机转子振动信号特点,提出了小波包分析和概率神经网络相结合的故障诊断方法。利用小波包对故障信号进行分解,然后将归一化后的数据用于概率神经网络,从而对信号特征及其故障类型建立非线性映射,实现故障诊断。MATLAB的实验仿真表明,小波包分析和概率神经网络的结合在汽轮机转子常见故障的诊断中是很有效的。     

三相逆变器功率管故障智能诊断研究

以三相逆变器-电动机驱动系统为例,研究基于神经网络的逆变器故障智能诊断方法.在三相逆变器易发的功率管开路故障、短路故障及短路故障后逆变器工作状态理论分析和仿真实验研究基础上,建立三相逆变器故障仿真模型.通过仿真实验获取逆变器故障状态下的电机定子电流信号数据,利用信号分段方法提取故障特征构造神经网络的学习样本,并以此训练神经网络,确定用于三相逆变器故障诊断的神经网络结构和参数.在感应电机矢量控制系统中进行仿真验证,仿真实验结果表明,该方法相对已有逆变器故障诊断方法,具有诊断迅速、可靠性高的优点,可在20ms内在线完成上述各种功率管故障的诊断.     

基于声信号特征声谱图的变压器状态监测与故障诊断

为实现基于声信号的变压器状态监测与故障诊断,提出了一种基于改进的瀑布声谱图-卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图,对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构,优化各层网络参数,实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析,变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到95%以上的识别成功率。结果表明：提出的改进的瀑布声谱图-卷积神经网络模型能够对变压器声信号实现较好的识别效果,可用于变压器的状态监测和故障诊断。     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好.     

基于粗糙集和聚类PSO-RBF的水电机组故障诊断

正将聚类PSO优化粗糙集-神经网络算法引入水电机组故障诊断中,利用聚类算法和PSO算法的优点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。该方法降低了神经网络的输入信息空间维数,简化神经网络结构,有效提高故障诊断的准确性。通过对水电机组振动故障数据进行诊断分析,     

多通道卷积神经网络和迁移学习的燃气轮机转子故障诊断方法

燃气轮机结构复杂,工况严苛,实际针对运行过程中转子系统故障样本难以获取,样本量少导致故障诊断精度低的问题,提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入,将数据重新排列组合模拟转换二维图像,有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断,取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域,燃气轮机转子故障数据集为目标域,利用迁移学习将从源域训练得到的模型参数保留,输入目标域数据集进行训练,并对燃气轮机故障数据进行分类,分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要,可以在转子系统故障样本量少的情况下解决问题。     

基于Hilbert-Huang变换与人工神经网络的风机故障诊断研究

对风机的振动信号进行Hilbert- Huang变换并得到边际谱,以边际谱中各故障频段的能量比为元素构造风机振动信号的特征向量,利用动量法和学习速率自适应改进的BP神经网络模型对风机转子不对中、轴裂纹等故障进行诊断.结果表明该诊断方法是有效的.     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。     

基于D-FNN的发电机转子匝间故障诊断

针对目前智能方法在汽轮发电机转子匝间短路故障诊断中存在的不足,提出了一种基于扩展径向基（RBF）神经网络的动态模糊神经网络D-FNN的智能诊断方法。与传统的BP神经网络不同,D-FNN的结构不是预先设定而是在训练中实时动态产生并修剪,从而使该方法能有效避免BP神经网络结构确定不合理,容易陷入局部最小,收敛速度慢,精确度不高等缺点。通过在Matlab/Simulink下仿真一台发电机并网运行时转子绕组匝间短路故障获取训练样本。使用训练好的D-FNN进行故障诊断,诊断结果表明了该方法的有效性、实用性和优越性,达到了预期诊断目的。     

基于神经网络的汽包水位传感器故障检测

汽包水位传感器信号的故障检测在热电厂生产过程中非常重要,通过分析主给水流量和主蒸汽流量的输出信号,建立预测水位输出的数学模型,提出了一种基于神经网络的汽包水位传感器故障检测方法,该方法首先建立神经网络结构;然后使用大量学习样本训练网络,确定权值和阈值;最后,进行系统仿真试验,比较仿真模型的输出与真实系统的输出,试验表明,用该方法进行汽包水位传感器的故障检测,效果令人满意。     

基于小波分形和核判别分析的模拟电路故障诊断

提出了采用小波分形分析和核判别分析作为预处理器来实行特征提取的神经网络模拟电路故障诊断方法。这个诊断方法采用小波分形分析方法首先获取了故障响应信号的小波分形维特征,然后采用核判别分析进一步实施特征提取,最后将所获得的最优特征模式作为神经网络分类器的输入以进行故障诊断。仿真结果表明,本文提出的预处理方法能很好地获取故障响应信号的本质特征,并表现出了比其他特征提取方法更好的性能。并且,由此所构建的神经网络不但具有小的网络结构,而且能取得高的故障诊断正确率。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点，提出了基于小波包变换的汽轮机转子振动故障诊断方法，它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号，运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明，基于小波包分析与信号能量分解的故障特征提取方法，可以获得汽轮机转子振动的故障状况；根据不同故障发生时的频谱特征，识别出不同的故障，从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效，适合于机械故障诊断。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

转子碰摩波内调制特征提取及其故障诊断应用

为深入分析不同转静碰摩故障引起振动响应信号波内调制特征的变化规律,以Jeffcott转子模型为基础,采用基于变分模态分解的Hilbert变换方法对不同碰摩故障仿真信号进行波内调制特征的提取与分析,揭示了碰摩转子的动力学特性与其故障信号波内调制特性间的关联机理。仿真结果表明,周期-k碰摩故障将导致振动响应信号中低频段波内调频模态的瞬时频率以1/k倍频为中心振荡,且振荡频率依然为1/k倍频,进而造成了频谱中的1/k边频带;在概周期碰摩故障中,波内调制频率为靠近1/k倍频的无理数倍频和整数倍频,且造成振动信号频谱中的无理数边频带。离心泵转子故障诊断试验表明,波内调制特征能够有效地对转子碰摩故障进行有效的诊断。     

基于绕组函数的鼠笼式异步电动机故障仿真

仿真是故障研究的一种重要途径,仿真效果与模型系数的计算准确度密切相关。异步电动机仿真模型中有大量的电感参数．利用绕组函数计算这些电感参数适用范围广、精度高。在此基础上．建立了鼠笼式异步电动机正常时和定子匝间短路、转子断条、气隙偏心等常见故障情况下的数学模型．并进行仿真分析。仿真结果与理论分析得到的结论基本吻合,表明模型及参数计算正确,可为故障诊断提供依据。     

Distinguishing Load Torque Oscillations and Eccentricity Faults in Induction Motors Using Stator Current Wigner Distributions

This paper proposes a novel diagnosis method for detection and discrimination of two typical mechanical failures in induction motors by stator current analysis: load torque oscillations and dynamic rotor eccentricity. A theoretical analysis shows that each fault modulates the stator current in a different way: torque oscillations lead to stator current phase modulation, whereas rotor eccentricities produce stator current amplitude modulation. The use of traditional current spectrum analysis involves identical frequency signatures with the two fault types. A time–frequency analysis of the stator current with the Wigner distribution leads to different fault signatures that can be used for a more accurate diagnosis. The theoretical considerations and the proposed diagnosis techniques are validated on experimental signals.      

基于多维特征和多分类器的水电机组故障诊断

提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将三种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。     

局域波法和独立成分分析在转子系统故障诊断上的应用

提出了一种局域波法和独立成分分析相结合的机械故障诊断方法。对于机械设备的振动信号，通过局域波法得到的局域波时频图像能够同时在时间和频率上反映信号能量的变化。不同故障信号的局域波时频图像也明显不同，因此可以用来进行故障的判别。为了实现故障的自动分类，应用独立成分分析对不同故障信号的局域波时频图像进行独立分量分离，得到一组源图像的投影系数。在此基础上，利用概率神经网络实现故障的自动分类。以转子的早期摩擦，基座松动，不对中故障信号为例，应用该方法进行了研究，实验结果证明了该方法具有一定的实用性和有效性。     

基于最小二乘支持矢量机的异步电机转子故障诊断研究

提出了一种采用最小二乘支持矢量机构造异步电机转子多故障分类模型的方法.首先通过对采样的定子电流进行快速傅里叶变换,所得频谱经一致化处理后作为支持矢量机的输入参数,然后利用1对1策略构造了转子多故障分类器,经训练后可以对四种不同转子故障进行识别.文中还分析了惩罚因子、核函数和子分类器输出融合策略对分类准确性的影响,指出高斯径向基函数和混合矩阵融合策略可以提高诊断精度.实验结果表明,该模型具有很好的分类精度和泛化能力.