EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

基于分形和概率神经网络的水电机组故障诊断

水电机组振动信号属于非线性、非平稳信号，在不同尺度下呈现一定的相似性，是典型的分形信号。本文运用多重分形方法分析机组振动信号，提取信号的广义维数谱特征，并应用人工鱼群算法优化的概率神经网络进行故障诊断。诊断实例表明，多重分形和概率神经网络结合，能够准确辨别故障类型。与BP和RBF网络相比，该方法诊断识别率更高，速度更快，为机组运行维护人员提供更为可靠的参考依据。     

基于小波神经网络的水电机组振动故障诊断研究

提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断。在对水电机组振动信号进行频谱分析后,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使构造的小波神经网络能够反映频谱特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。诊断结果表明,与常规神经网络诊断方法相比,频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。     

基于频谱法与径向基函数网络的水电机组振动故障诊断

引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多。文章提出应用频谱法与径向基神经网络相结合的方法对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。水电机组振动故障诊断仿真分析表明,与常规方法相比,利用频谱分析和神经网络相结合的方法进行故障诊断具有简单有效等优点。     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

基于随机共振和多维度排列熵的水电机组振动故障诊断

针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。     

基于蚁群初始化小波网络的水电机组振动故障诊断

针对传统小波网络在进行故障诊断时存在收敛速度慢,对初始参数敏感的缺陷,提出了基于蚁群初始化小波网络的水电机组振动故障诊断方法。该方法采用蚁群算法对小波网络的参数进行初步寻优,将优化后的参数作为小波网络的初始化参数;利用水电机组振动信号频谱分量的幅值作为特征向量,对蚁群初始化小波网络进行训练,实现振动特征集到故障集的有效映射,达到故障诊断的目的。实例诊断结果表明:与传统小波网络及蚁群优化小波网络相比,基于蚁群初始化小波网络的水电机组振动故障诊断方法具有较快的收敛速度和较强的泛化能力,为水电机组振动故障在线诊断提供了有效的解决方案。     

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障.该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断.结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性.     

基于VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

水电机组故障诊断系统信号特征的提取

信号特征提取是水电机组故障诊断系统的关键，水电机组的故障主要是振动故障，而且机组的振动表现出复杂性、多样性以及渐进性。对这样的信号特征提取，普通特征提取方法的准确性就不高。小波分析将信号分解到不同层以及在不同层上将信号分解为不同频段，然后在这些不同层不同频段上提取特定频率的一段信号。因此本利用小波分析的这一特性，根据机组不同振源的特性提取了机组振动的诊断特征向量。     

基于SVD和DBN的水电机组故障诊断

针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解（SVD）和深度置信网络（DBN）相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。     

基于小波BP网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和BP网络结合构造了一个三层的小波BP网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行小波BP网络的学习,最后用该学习过的小波BP网络诊断故障并将此方法成功地应用于汽轮发电机组故障诊断。仿真结果表明此方法是可行和有效的。     

基于振动信号和小波神经网络的变压器故障诊断

提出一种基于振动信号和小波神经网络的电力变压器故障诊断方法.采用变压器油箱表面的振动信号作为采样信号进行频谱分析提取特征频率信号,并以此特征频率信号乘以电流标么值的平方作为训练样本进行小波神经网络训练,小波神经网络输出量能够反映出频谱特征向量和变压器故障类型之间的映射关系,从而实现变压器的故障诊断.实验结果表明,使用该方法能够有效地对变压器进行故障分类及其诊断,并且小波神经网络具有很好的泛化能力.     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪，提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化，提取关系型征兆;然后将这2种特征组合，形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有一定的可行性和有效性。     

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,     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。     

基于小波能量与神经网络的断路器振动信号识别方法

高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。     

基于小波的灰色预测理论应用于水电机组故障预测分析

基于神经网络"能量-故障"映射关系,提出将小波频带分析与灰色预测理论相结合进行水电机组故障预测.运用小波分解提取各频带能量,应用预测理论建立水电机组故障特征量的预测模型,预测各频率成分能量的变化,重构由预测各频带能量成分组成的特征向量,应用于水电机组故障预测分析.以水轮机主轴摆度信号为例,应用该方法进行了特征信息提取和预测,表明将小波能量提取与灰色预测理论相结合进行振动特征信息的预测比较有效,为故障预测提供了新思路.     

小波能量偏度神经网络的HVDC换相失败故障诊断

为了有效诊断引发换相失败的故障原因,提出了一种基于小波能量偏度神经网络的高压直流输电系统换相失败故障诊断新方法。首先对采集到的逆变侧直流电压故障信号进行15层小波分解,获取各尺度下的小波变换系数,提取小波能量偏度;然后构造信号的小波能量偏度特征向量,并以此向量作为故障样本对3层BP神经网络进行训练,实现换相失败故障原因诊断。以某±800kV特高压直流系统为例,通过对引发换相失败故障的多种原因进行仿真分析,用该方法进行小波分解、故障特征提取和BP网络训练,并对某未知故障进行识别。结果表明,该方法能准确诊断出引发换相失败的故障原因。