基于均方差和夹角余弦的水电机组振动诊断

以水电机组的实际振动故障作为诊断样本,使用基于均方差的夹角余弦方法进行水电机组振动故障诊断,获得最终的诊断结果。诊断实例表明,基于均方差和夹角余弦的水电机组振动故障诊断方法是有效的,能很好地提高诊断水电机组振动故障的准确性,有较好的实用性。     

基于遗传神经网络和证据理论融合的水电机组振动故障诊断研究

本文针对水电机组振动故障诊断中的故障误诊、漏诊以及诊断可靠性低等问题,提出了适用于水电机组的神经网络局部诊断和证据理论融合决策的故障诊断方法。在神经网络中应用遗传算法提高网络的收敛速度。对水电机组振动故障进行仿真,诊断结果表明,通过对故障征兆信息的有效组合,充分利用机组各部位信息,可减少诊断的误诊、漏诊,有效提高诊断的可靠性。应用MATLAB7.0开发出故障诊断系统界面。     

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。     

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.     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于熵权理论和信息融合技术的水电机组振动故障诊断

应用熵权、灰色关联分析和信息融合技术对水轮发电机组振动故障进行诊断。以水电机组振动信号的频域特征和时域振幅特征为诊断样本,使用基于熵权的灰色关联分析方法进行水电机组振动故障的初步诊断,然后应用证据融合理论对不同证据进行决策信息融合,从而得出最终的诊断结果。诊断实例表明,基于熵权的灰色关联分析和信息融合技术相结合的方法是有效的,适合于水电机组的振动故障诊断。     

基于精英混沌蜂群算法优化小波神经网络的变压器故障诊断

针对变压器故障类型的复杂难辨,结合油中气体分析法,提出了1种基于精英混沌人工蜂群算法的小波神经网络故障诊断模型对变压器故障进行诊断。模型对3层小波神经网络的输入和输出层的权值、小波元的伸缩和平移系数进行修正,改进算法混沌初始化蜜源,建立精英蜂群团体自适应引导采蜜蜂与跟随蜂搜索,同时引入混沌侦查蜂的行为模式,能够有效提高精度,加速收敛,避免局部最优。实验结果表明,该方法比传统BP小波神经网络和标准蜂群算法优化小波神经网络诊断速度更快,准确率更高,可有效运用于变压器故障诊断。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术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的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于引力搜索核聚类算法的水电机组振动故障诊断

核聚类是一类有效的水力发电机组振动故障诊断方法,为了解决核聚类有效性评价和核参数选择的问题,提出了一种引力搜索核聚类算法。首先建立以核Xie-Beni指标为目标的聚类模型;然后引入引力搜索框架,以聚类中心和核函数参数为优化变量,通过引力搜索求解核聚类模型;最后定义了基于核空间样本相似度的故障诊断模型。利用国际标准样本集对该方法进行分类测试,并将该方法应用于水电机组振动故障诊断。试验结果表明:与传统聚类方法相比,文中方法具有更高分类精度,且能对故障样本准确聚类并提取诊断模型参数,实现故障的准确诊断。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本，通过训练，使最小二乘支持向量机能够反映特征向量和故障类型的映射关系，在完成局部诊断后再实现决策信息融合，从而达到故障诊断的目的。以水电机组振动故障诊断为例，进行了应用检验。研究结果表明，与常规方法相比，最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点，适合水电机组振动故障的诊断。     

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,     

基于改进D-S的水电机组集成故障诊断研究

针对常规水电机组振动故障诊断技术中易出现错判及诊断可靠性低等问题,提出了一种基于改进D-S证据理论的集成故障诊断方法。根据水电机组振动故障的频域信号,由模拟退火粒子群混合算法来处理证据理论的基本概率分配问题。再利用改进D-S理论来实现可信度分配的合理赋值,最后进行多信息的融合决策。实例表明,该方法可以在原始证据出现高度冲突以及相一致的情况下,都具有较高的诊断可信度,从而实现了对水电机组振动故障模式的有效识别。     

基于人工蜂群算法的海上风电机组齿轮故障诊断方法∗

针对传统方法在海上风电机组齿轮故障诊断中应用效果不佳,不仅误诊率较高,而且召回率较低,无法达 到预期的故障诊断效果,提出了基于人工蜂群算法的海上风电机组齿轮故障诊断方法.首先利用振动加速度传感器拾 取齿轮箱振动信号,对振动信号进行小波阈值降噪处理,然后基于处理后的振动信号,利用人工蜂群算法优化后的 BP神经网络对齿轮故障进行识别诊断.经实验证明,该方法误诊率在１％以内,召回率在９５％以上,具有良好的可 行性与可靠性.     

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。     

基于小波网络的电机转子故障诊断的研究

提出了一种基于小波神经网络的电动机转子故障诊断方法,即提取转子的振动信息,利用小波神经网络的非线性模型,实现电机转子故障诊断;同时对多输入输出问题带来的网络规模大、收敛速度慢等问题,提出一种网络优化算法,即采用改进的遗传算法寻找最优小波基元,从而简化小波网络并加快收敛,仿真实例证明该方法是有效的。     

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。