基于小波分形分析和脊波网络的模拟电路故障诊断方法

提出了一种新型的脊波网络方法来进行模拟电路的故障诊断,这种系统化的方法采用小波分形分析、主元分析和数据归一化作为数据预处理器来进行故障响应信号的预处理,采用脊波网络进行故障元件的分类,并采用主元分析方法选择脊波网络隐层脊波元的数目。仿真结果表明,提出的诊断系统能有效地实现模拟电路的故障诊断,不但能有效地诊断模拟电路的单故障情况,还能诊断多故障情况。     

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。     

基于小波包的笼型异步电机转子断条故障检测

针对笼形异步电机转子断条故障,提出了一种利用小波包分析获取转子断条故障特征的判断方法.介绍了小波包换故障信号特征提取方法;其次对定子电流信号进行小波包分解后,对低频信号重构及功率谱的计算,实现了转子断条故障诊断.实验数据分析表明,该方法能准确对转子断条故障进行诊断.     

基于核主元分析和极端学习机的轴承故障诊断方法

针对轴承故障诊断问题,提出了一种基于核主元分析和极端学习机的轴承故障识别方法。首先应用小波分析的方法计算轴承时域信号的小波系数能量作为原始特征,然后应用核主元分析方法对高维的原始特征进行优选和降维,最后将优选和降维后的特征应用极端学习机方法建立故障诊断模型,从而区分各类轴承故障。SKF6205滚动轴承故障诊断实验结果表明,核主元分析方法能较好地获取故障响应信号的本质特征,并可直观地描述出了各个故障的低维分布特征,可有效提高轴承故障的诊断正确率。     

基于FRFT-KPCA的模拟电路非线性故障特征提取

针对模拟电路受非线性及元件容差影响而导致响应信号在时域和频域都出现耦合,造成故障特征提取困难的问题,结合分数阶傅里叶变换和核主成分分析理论提出一种非线性故障特征提取方法。利用分数阶傅里叶变换对耦合信号进行预处理,采用粒子群优化算法寻找最优分数阶p,实现耦合信号在分数阶域最大程度的分离。采用核主成分分析对非线性特征进行维数压缩,实现故障特征提取。实验结果表明,在时域或频域相互耦合的信号经分数阶傅里叶变换后,在分数阶域上耦合程度明显减弱,核主成分分析能够有效处理信号中的非线性信息,特征提取效果要优于其他线性特征提取方法。经过分数阶傅里叶变换和核主成分分析相结合的方法所提取的故障特征使故障模式具有更好的可分性。     

基于小波包变换预处理的模拟电路故障诊断方法

阐述了利用神经网络进行模拟电路故障诊断的方法 ,并在此基础上提出了一种新的改进方法———基于小波包变换预处理的神经网络故障字典法。这两种方法对于模拟电路故障诊断都是有效的。但是 ,由于基于小波包变换预处理的神经网络故障字典法利用小波包对电路的输出样本进行了预处理 ,所以它比直接采用神经网络故障字典法进行故障诊断所用的神经网络规模小 ,收敛速度快。     

基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究

为了准确迅速判断质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)水管理子系统故障,提出基于概率神经网络(probabilistic neural network,PNN)和线性判别分析(linear discriminant analysis,LDA)的PEMFC水管理故障诊断方法。该方法采用归一化消除原始数据参量之间的量纲影响,使用线性判别分析对归一化后的变量进行特征提取。不但可以将原始实验数据映射到同一区间内,而且能有效降低数据维度。利用概率神经网络对5维故障特征向量实现水管理故障诊断。17086组PEMFC水管理故障样本的诊断结果表明:所提方法能有效识别正常状态、水淹故障和膜干故障共3种水管理健康状态,训练集和测试集的诊断正确率分别为99.80%和93.48%,运算时间仅为14.04s。与BPNN和LDA-BPNN相比:新方法测试集的预测精度分别高出17.47%和2.75%,计算时间分别节省39.83s和28.37s。因此,新方法能快速准确地诊断PEMFC水管理故障。     

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。     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

一种用于轴承故障诊断的二维卷积神经网络优化方法

轴承智能故障诊断是机械大数据状态监测的热门研究领域,传统的数据驱动故障诊断方法对基于信号处理的特征提取环节极为耗时,并且对专家经验要求高,为消除其带来的参数预定义影响,实现快速特征提取的同时提高识别率,在研究一维卷积神经网络故障诊断方法的基础上,提出一种用于轴承故障诊断的二维卷积神经网络优化方法。该方法引入了一种新的数据预处理方式,将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征,消除手工特征的影响;同时,在验证分类前对实验采集故障数据集添加了降噪处理,并对卷积神经网络梯度下降算法进行参数自适应学习率优化。仿真与实验结果表明,所提出的二维优化卷积神经网络故障诊断方法在选取64×64的信号–图片转换格式下,AMSGrad算法能将故障预测模型的准确度提升至98%,训练速度更快,同时具有更高的分类准确性和抗噪性能,使其在实际转速范围内能达到损失小于5%的识别准确率。     

基于经验模式分解的神经网络模型及其在转子系统故障诊断中的应用

为了对非平稳、非线性系统时间序列进行建模,提出一种基于经验模式分解的神经网络预测模型,研究它的有效性。通过太阳黑子数据的仿真试验,验证该神经网络结构比对应的单一神经网络结构性能优越。根据该方法组成一个多分量神经网络模型库,用于转子故障的模型诊断,这些模型可以用做一步向前预测器,对检测和诊断信号进行比较,从预测误差提取特征,能够确定机器的状态。不同故障状态的转子振动信号用来训练和检验模型。实验数据表明,这种方法用于故障诊断具有一定的工程实用性。     

基于倒谱和决策树的模拟电路故障诊断

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出一种结合倒谱和决策树的模拟电路故障诊断的方法。首先对采集到的模拟电路离散电压信号进行倒谱变换;然后对变换后的数据进行小波分解并提取相应子频带的能量谱,将提取的能量谱作为对应模式的故障特征;最后利用决策树的分类功能对电路的模式进行判断。仿真结果表明,有效地提取了模拟电路不同模式的故障特征,提高了模拟电路故障诊断的效果。     

基于连续小波奇异熵的模拟电路故障诊断新方法

针对模拟电路的故障诊断和定位问题,为进一步提高故障诊断准确率,提出了一种基于连续小波Tsallis奇异熵和超限学习机的故障诊断方法。首先应用连续小波变换计算被测电路时域响应信号的时频系数矩阵,然后将其分割为8个相同大小的子矩阵,分别计算每个子矩阵的Tsallis奇异熵,组成特征向量,最后将特征应用于超限学习机多类分类器进行区分。仿真结果表明,故障诊断方法能较好地获取故障响应信号的本质特征,并具有较其他现存方法更高的故障诊断正确率。     

基于振动信号分形维数的变压器松动诊断方法

基于变压器松动前后振动信号非线性特性的改变,提出采用振动信号时域波形的分形维数作为铁心、绕组松动诊断特征量。文中探讨了分形维数应用于变压器振动信号分析的可行性,根据分形理论,针对变压器振动模拟信号与实测信号分别进行了分形盒维数计算。结果表明,正常状态下不同变压器绕组振动信号分形盒维数集中于1.19,不同变压器铁心振动信号分形盒维数不同,但对于同一台变压器,其铁心振动信号分形盒维数具有稳定值。变压器松动故障后,铁心和绕组振动信号的分形维数均明显增大,分形维数能准确反映变压器正常与松动状态。     

基于网格分形的励磁涌流识别新方法

提出了一种基于网格分形和自适应形态滤波器识别励磁涌流与内部故障电流的新方法。在利用网格分形对差动电流进行分析的同时，通过广义形态滤波器结合自适应算法滤除网格变化曲线的各种噪声和扰动信号。在比较励磁涌流与短路电流网格曲线各自特点的基础上，提出了一种新型变压器保护方案，该方案不受Y/D接线的变压器D侧环流助增作用的影响。动模试验分析结果表明该原理能迅速、可靠地切除变压器内部故障，对轻微故障也有较高的灵敏度。     

Wavelet-based neural network for power disturbance recognition and classification

In this paper, a prototype wavelet-based neural-network classifier for recognizing power-quality disturbances is implemented and tested under various transient events. The discrete wavelet transform (DWT) technique is integrated with the probabilistic neural-network (PNN) model to construct the classifier. First, the multiresolution-analysis technique of DWT and the Parseval's theorem are employed to extract the energy distribution features of the distorted signal at different resolution levels. Then, the PNN classifies these extracted features to identify the disturbance type according to the transient duration and the energy features. Since the proposed methodology can reduce a great quantity of the distorted signal features without losing its original property, less memory space and computing time are required. Various transient events tested, such as momentary interruption, capacitor switching, voltage sag/swell, harmonic distortion, and flicker show that the classifier can detect and classify different power disturbance types efficiently.     

基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

Discrimination of walking patterns using wavelet-based fractal analysis

In this paper, we attempted to classify the acceleration signals for walking along a corridor and on stairs by using the wavelet-based fractal analysis method. In addition, the wavelet-based fractal analysis method was used to evaluate the gait of elderly subjects and patients with Parkinson's disease. The triaxial acceleration signals were measured close to the center of gravity of the body while the subject walked along a corridor and up and down stairs continuously. Signal measurements were recorded from 10 healthy young subjects and 11 elderly subjects. For comparison, two patients with Parkinson's disease participated in the level walking. The acceleration signal in each direction was decomposed to seven detailed signals at different wavelet scales by using the discrete wavelet transform. The variances of detailed signals at scales 7 to 1 were calculated. The fractal dimension of the acceleration signal was then estimated from the slope of the variance progression. The fractal dimensions were significantly different among the three types of walking for individual subjects (p < 0.01) and showed a high reproducibility. Our results suggest that the fractal dimensions are effective for classifying the walking types. Moreover, the fractal dimensions were significantly higher for the elderly subjects than for the young subjects (p < 0.01). For the patients with Parkinson's disease, the fractal dimensions tended to be higher than those of healthy subjects. These results suggest that the acceleration signals change into a more complex pattern with aging and with Parkinson's disease, and the fractal dimension can be used to evaluate the gait of elderly subjects and patients with Parkinson's disease.     

基于高阶累积量的AR参数-模糊聚类法及应用

自回归模型（autoregressive model,AR模型）是常用时序分析方法,包含了重要的系统状态信息,但一般适用于平稳过程,而真实信号多为非平稳非高斯信号,采用特别适用于非高斯信号分析的高阶累计量进行AR参数估计,以所得AR参数作为特征向量,以模糊聚类分析方法进行模式识别。将该方法应用于滚动轴承故障诊断,成功实现了滚动轴承故障类型判别与性能退化评估。