改进型小波神经网络在变频系统故障诊断中的应用

目前,变频系统故障诊断还一直依赖于对电压和电流信号的监测与分析,现提出用改进小波包提取变频器故障信号的特征量,并将该特征向量作为改进型网络的学习样本进行训练的方法.仿真结果表明,改进型小波神经网络与常规神经网络诊断方法相比,具有准确度高、诊断速度快和泛化能力强等优点.     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

运用免疫遗传算法优化WNN诊断滚动轴承早期故障

针对滚动轴承早期故障特征与故障类别非线性难以有效辨识的问题,设计一种基于免疫遗传算法优化小波神经网络(wavelet neural network,WNN)的滚动轴承早期故障诊断模型。首先对滚动轴承的早期振动故障信号进行EEMD分解,提取分解后的IMF分量能量作为小波神经网络的输入特征向量,采用免疫遗传算法优化小波神经网络的初始权值向量和阈值向量,加快小波神经网络的收敛速度,提高其训练精度。实验结果表明,基于免疫遗传算法优化小波神经网络的早期故障诊断模型可以有效应用于滚动轴承的早期故障诊断中,通过与传统故障诊断方法对比分析,验证了该模型的有效性和优越性。     

信息熵和RBF神经网络的发动机故障诊断

针对汽车发动机气门间隙异常故障,探讨了应用小波分解后求各尺度小波系数信息熵,和RBF神经网络对发动机进行不解体故障诊断的方法。由此,对某汽油发动机进行了故障模拟试验,分别在正常工况和三种故障工况下测取了缸盖表面振动信号。对所采集信号进行Stein无偏估计消噪处理,利用小波系数信息熵提取特征向量,进行归一化处理,然后用RBF神经网络对处理后的振动信号进行分类识别。发动机气门间隙故障的诊断实例表明,在不同工况下利用小波系数信息熵提取故障特征向量、进行基于RBF神经网络的故障诊断方法现实可行,对实现发动机不解体故障诊断具有一定的应用价值。     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于小波神经网络的水下航行器传感器故障诊断

针对水下航行器系统的传感器故障诊断问题,提出了一种基于小波神经网络的传感器故障诊断方法．在对水下航行器系统的传感器故障信号进行特征提取时,发现其大部分能量都集中在低频部分．若直接以此能量分布来区分正常与故障、故障与故障的信号,将导致神经网络训练时间和分辨时间都会很长,因而不能实时地监控系统．为了很好地进行区分,凸显其差异,将低频部分能量舍去,只保留其余部分,并将其归一化,再利用径向基神经网络进行分类．利用小波分解的节点能量差异与特征提取特点以及神经网络的自我学习能力,通过大量的样本训练后,使神经网络很好地分辨出5类故障信号及正常信号．仿真结果表明：此方法简单、易于实现,适于水下航行器的传感器故障的诊断．     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

机载燃油泵故障诊断及实验平台研究

以机载燃油泵实时状态监测为背景,针对目前燃油泵故障数据少、诊断方法效率低、成本高等问题,研制了机载燃油转输系统实验平台,提出基于小波包分析和改进粒子群支持向量机(M-PSO-SVM)的故障诊断方法。该实验平台可针对燃油泵5种典型故障模式进行实验,测取泵故障状态下的振动信号和出口压力信号。利用小波包分解提取振动信号不同频段的能量值作为特征参数,并结合出口压力均值构造故障特征向量。提出混合遗传变异思想的粒子群算法对SVM分类模型进行参数优化,用得到的故障特征向量训练并验证该分类模型。实验分析表明,该实验平台可有效采集泵的故障信号,并且测试点可进一步优化,M-PSO-SVM在诊断速度、诊断精度等方面都优于传统Grid-SVM和GA-SVM,能够满足实际故障诊断的需求。     

双谱分析在往复泵故障诊断中的应用研究

针对当机械系统发生故障时,非线性特征更为突出的特点,提出了基于双谱分析的往复泵故障的振动诊断方法,研究了利用阀箱上振动信号的双谱,尤其是双谱沿f1=f2的切片谱识别泵阀故障,诊断实例表明,采用双谱分析可有效抑制振动信号中的噪声,得出比传统功率谱分析更明显的泵阀故障特征,可有效识别往复泵泵阀的初期故障。由于该方法仅利用阀箱上振动响应信号的双谱分析即可完成对泵阀不同类型故障的正确识别,故更为简单和实用。     

基于MLE阈值规则的小波特征提取技术在气阀故障诊断中的应用

气阀故障是往复压缩机最常见的故障类型之一,占故障总数的60%以上,如果不及时发现并解决,往复压缩机的压缩效率将大大降低。针对目前往复压缩机气阀故障诊断中存在的问题,结合小波降噪技术,提出了采用基于最大似然估计（MLE：Maximum Likelihood Estimation）阈值规则对气阀早期故障弱冲击变化信号进行特征提取的方法,实现了气阀故障的早期预警。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

时域径向基函数网络诊断方法在往复泵故障诊断中的应用

往复机械是工程中广泛应用的一种机械设备 ,由于其动力学和运动学形态比旋转机械复杂 ,对其进行故障诊断存在较大难度 ,有效提取往复机械运动中非平稳时变信号中的故障特征和将故障特征准确分类是解决往复机械故障诊断问题的两个关键。本文利用时域数字特征分析方法完成故障特征信息提取 ;通过径向基神经网络对特征信息分类识别 ,实现故障的自动诊断。利用以上原理建立的油田往复塞泵故障监测与诊断系统 ,通过在大庆油田的实际应用表明 ,系统能够比较准确的识别往复柱塞泵多种常见故障 ,且具有较高的运算速度。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

小波消噪及其在往复泵振动监测信号处理中的应用

采用浮动阀值分离噪声是小波分析中一个新的信号检测方法。本文在简述了小波分析及噪声分离的非线性小波理论的基础上,给出了从噪声污染信号中恢复原信号的实例。针对三缸往复泵测量信号非平稳时变特点,研究了用小波消噪方法提取反映往复泵动力端状态的振动波形特征。通过对振动信号的波形特征提取表明,该方法能在很高的背景噪声下有效提高反映往复泵状态的有用信息。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于液压泵复数信号的log-SAM故障诊断方法研究

针对基于液压泵单源振动信号易受噪声污染、无法有效表征故障特征信息的问题,提出了一种基于复数信号的log-SAM新方法。在液压泵端盖同一截面上,采集两个互相正交传感器上的振动信号;基于全矢思想,对上述双源信号融合为一个复数信号;利用log-SAM对复数信号进行包络分析,充分地突出故障特征信息,抑制噪声干扰;基于总体和最优诊断结果,实现故障诊断分析。通过分析实测液压泵滑靴磨损故障信号可知,所提方法具有很好诊断效果,且较传统全矢谱、基于单源信号分析方法和倒频谱预白化方法具有有效性和优越性。