基于小波包特征熵的飞机液压系统故障诊断方法研究

为精确诊断飞机液压系统故障,提出了一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的飞机液压系统压力信号进行小波包分解,提取小波包特征熵,然后构造信号的小波包特征熵向量,并以此向量作为故障样本,利用ART1神经网络进行训练,实现智能化故障诊断。试验结果表明,训练成功的ART1网络能够很好地诊断出飞机液压系统是否发生故障,为飞机液压系统故障诊断开辟了新的途径。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于小波包能量熵与SVM的微电网故障诊断

为了提高微电网内部线路故障识别的实时性和准确性,建立适用性强的微电网故障诊断系统,文章提出了基于小波包能量熵和支持向量机(SVM)二叉树多分类器(2PTMC)的微电网内部线路故障诊断模型.利用小波包分析得到并网耦合点(PCC)处三相电流电压的小波包能量熵,作为样本的特征向量按故障发生频率训练多个SVM,构成树状微电网故障诊断系统.最后,在PSCAD平台建立微电网系统进行仿真,实验结果表明该方法可以准确地辨别出微电网故障类型,在未经训练的样本上也有良好的表现,符合微电网故障系统辨别的要求.     

基于小波能量熵和邻域粗糙集的电磁阀故障诊断研究

液体电磁阀是航空变量柱塞泵系统的关键控制元件，准确诊断电磁阀的故障类型是系统安全运行的重要保证；为了对航空变量柱塞泵系统中电磁阀进行检测与诊断，提出了一种基于小波能量熵和邻域粗糙集相结合的方法；研究了液体电磁阀驱动端的电流故障特征；采用AMEsim多学科领域仿真软件建立仿真模型，分析驱动端电流与阀体位移的关系，搭建实验系统，采集正常状态和故障状态的电流信号，分析不同状态的电流特性；然后利用小波包分解重构信号，提取对应的频带能量作为特征向量；最后，引入变精度模糊邻域粗集约简算法简化数值属性，提高了系统的效率；简化的属性集用于构建决策树，经过迭代训练，该模型诊断准确率达90%，达到了预期效果，实现了对液体电磁阀的快速诊断。     

A new optimum feature extraction and classification method for speaker recognition: GWPNN

Speech and speaker recognition is an important topic to be performed by a computer system. In this paper, an expert speaker recognition system based on optimum wavelet packet entropy is proposed for speaker recognition by using real speech/voice signal. This study contains both the combination of the new feature extraction and classification approach by using optimum wavelet packet entropy parameter values. These optimum wavelet packet entropy values are obtained from measured real English language speech/voice signal waveforms using speech experimental set. A genetic-wavelet packet-neural network (GWPNN) model is developed in this study. GWPNN includes three layers which are genetic algorithm, wavelet packet and multi-layer perception. The genetic algorithm layer of GWPNN is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. In this study, one of the four different feature extraction methods is selected by using genetic algorithm. Alternative feature extraction methods are wavelet packet decomposition, wavelet packet decomposition – short-time Fourier transform, wavelet packet decomposition – Born–Jordan time–frequency representation, wavelet packet decomposition – Choi–Williams time–frequency representation. The wavelet packet layer is used for optimum feature extraction in the time–frequency domain and is composed of wavelet packet decomposition and wavelet packet entropies. The multi-layer perceptron of GWPNN, which is a feed-forward neural network, is used for evaluating the fitness function of the genetic algorithm and for classification speakers. The performance of the developed system has been evaluated by using noisy English speech/voice signals. The test results showed that this system was effective in detecting real speech signals. The correct classification rate was about 85% for speaker classification.     

基于CV-GA-SVM方法的轴承故障诊断

为了有效地提取轴承的故障特征信号并进行准确的分类,采用在小波包变换中引入交叉验证遗传算法与支持向量机相结合的方法来识别故障轴承所发出的不稳定特征信号并进行诊断。首先,利用小波包变换的时-频化特征对瞬时变化的故障信号进行提取。然后,运用交叉验证遗传算法和支持向量机构建分类器对参数进行检测、优化和故障模式识别。最后,经实验来验证此算法的合理性。实验结果表明,此方法对于有限样本故障信号的检测和分类具有很高的准确性和可靠性、实时性。     

基于DAGSVM的轴系扭振故障诊断方法

针对船舶轴系扭振故障小样本事件,基于小波包Shannon熵与二叉决策树支持向量机(DAGSVM)理论建立一种轴系扭振故障诊断模型.首先通过船舶轴系扭振实验平台提取轴系扭振四种模式信号;然后利用小波包变换提取Shannon熵值,作为故障输入特征向量;最后利用K-CV交叉验证法提升支持向量机,对故障进行建模识别.试验表明,...     

基于小波包和EMD的断路器机械故障诊断研究

以ZN63A-12型高压真空断路器为研究对象,针对处理高压断路器振动信号时单独使用小波包特征熵或经验模态分解(EMD)特征熵作为特征向量进行诊断正确率低的缺点,将高压断路器振动信号的小波包能量熵、经验模态分解能量熵、经验模态分解能量相结合作为特征向量,采用马氏距离判别法进行模式识别,实现对断路器两种机械故障模式的判别.实验结果表明,该方法准确率达97.40％,具有较高的实用价值.     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

Fault diagnosis of rolling bearing based on back propagation neural network optimized by cuckoo search algorithm

In order to improve the accuracy of rolling bearing fault diagnosis in mechanical equipment, a new fault diagnosis method based on back propagation neural network optimized by cuckoo search algorithm is proposed. This method use the global search ability of the cuckoo search algorithm to constantly search for the best weights and thresholds, and then give it to the back propagation neural network. In this paper, wavelet packet decomposition is used for feature extraction of vibration signals. The energy values of different frequency bands are obtained through wavelet packet decomposition, and they are input as feature vectors into optimized back propagation neural network to identify different fault types of rolling bearings. Through the three sets of simulation comparison experiments of Matlab, the experimental results show that, Under the same conditions, compared with the other five models, the proposed back propagation neural network optimized by cuckoo search algorithm has the least number of training iterations and the highest diagnostic accuracy rate. And in the complex classification experiment with the same fault location but different bearing diameters, the fault recognition correct rate of the back propagation neural network optimized by cuckoo search algorithm is 96.25%.

     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。 