发电机组转子机械故障诊断的DWPT方法

研究了小波理论及小波包(DWPT)分解技术在发电机组故障特征提取和诊断中的应用。针对发电机组的常见故障及其表现特征，结合对某故障发电机组的实际测试，利用小波包分解技术对该发电机组的振动信号进行了分析诊断，得到了与实际情况完全相同的结果。研究结果表明：利用小波消噪方法和小波包分解技术在时城内能更准确地判断发电机组的工作状态，该方法也为其它复杂机械的故障诊断提供了新路径。     

基于Lab VIEW的小波理论在风力机齿轮箱故障诊断中的应用

给出一种基于Lab VIEW实现信号的小波包络分析的方法。在Lab VIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解,然后对风电机组齿轮箱采集振动数据进行包络分析,得到了直观的包络谱线,进而得到准确判断风力发电机组的实际工作状态。另外采用小波分解对齿轮箱故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

基于小波包变换的柴油机燃油喷射系统故障诊断

本文在介绍了小波包变换理论后，利用小波包变换对柴油机燃油喷射系统的常见故障进行了分析，并和傅立叶变换进行了比较，证明了前者比后者能提取更多的关于柴油机工作状态的特征信息。     

基于小波包IRN网络的燃气轮机转子故障诊断

提出一种基于小波包和带有偏差单元的内部回归神经网络相结合的燃气轮机转子故障诊断方法。利用小波包分析去除噪声信号干扰,简化燃机转子故障特征提取。带有偏差单元的内部回归神经网络的记忆特性好,收敛速度快、稳定性强。小波包和带有偏差单元的内部回归神经网络的结合,大大提高了诊断速度及诊断准确性。     

基于小波变换和小波包变换的间谐波检测

通过研究小波变换中基函数选取和小波分解过程两个关键问题,针对小波变换在间谐波检测方面的应用,对比分析不同基函数的检测性能,重点分析小波变换与小波包变换对于稳态和暂态谐波的相位、幅值特性检测精度.仿真结果表明,小波包变换具有良好时频局部化特性能聚焦信号细节,选取dmey小波基函数的小波包分解方法可实现对电力系统中稳态或时...     

改进小波包联合PNN的风电故障诊断研究

针对风电机组故障信号的非平稳性以及故障与征兆的非线性映射导致的故障识别困难问题,提出了改进型的节点重构小波包频带能量谱与PNN(概率神经网络)的联合故障诊断新方法。文章深入分析了传统小波包频带错乱的问题,借助傅里叶变换与傅里叶逆变换改进了小波包,消除了小波包频带错乱的缺陷。首次采用改进型小波包提取故障信号特征量作为PNN的输入,然后利用PNN快速准确的非线性映射能力进行故障诊断。最后,采用风力发电机故障试验台的故障轴承的实际数据对所提方法进行验证,结果表明,所提方法可行且有效。     

基于小波包提取尾水管水压脉动特征的研究

采用小波包与傅立叶变换相结合的方法，对尾水管振动信号进行小波包多层分解，以提取信号的低频特征信息，然后进行精确的频谱分析取得涡带的特征频率。仿真实验表明，该方法能利用小波包时频局部聚焦分析能力，有效提取尾水管微弱低频特性信息，对尾水管振动故障提供早期预诊手段。     

基于小波包分析提取汽油机爆震特征

研究了小波包变换提取爆震特征的方法,利用加速度传感器信号进行处理分析.由参数化功率谱密度估计,确定由爆震引起的共振频率,截取爆震能量集中区间较短的数据段,建立AR模型,然后利用Burg算法估计爆震的特征频率范围,确定小波包变换的分解级数,保留与爆震特征频率相对应的小波包变换子空间信息,合理取舍其它子带系数,使重构后的信号能有效地表征爆震特征.实测信号分析表明,在轻微爆震检测方面,该方法优于传统的滤波方法和基础小波分析方法.     

汽轮机振动信号的最优小波包基消噪与检测

在利用小波包进行汽轮机振动信号的消噪和检测时,最优小波包基和消噪阈值的选取是必须解决的两个关键问题。通过对基于shannon熵的最优小波包基的快速搜索算法的探讨,提出了基于最优小波包基的汽轮机振动故障信号的消噪与检测方法;对于消噪阈值的选取,提出一种以小波包能量为基础,以原始信号与降噪后信号之间的均方误差(MSE)极小化为目标的基于小波包的降噪算法,并与传统的Donoho的硬阈值降噪算法作了比较。结果表明:在故障检测前先采用最优小波包基方法对故障信号进行消噪,有利于提高汽轮机振动检测的准确性。图5参9     

小波包能量谱在内燃机噪声信号故障诊断中的应用

基于噪声信号的故障诊断方法具有易于实现离机、无损检测的优越性,将噪声信号故障诊断方法引入内燃机气门间隙故障诊断中。阐述了小波包能量谱提取的基本原理和方法,通过对内燃机在不同转速不同状态下运行时的噪声信号小波包能量谱的提取研究,确定了噪声信号能量波动范围。并在对比分析中发现,利用内燃机噪声信号在特征频带内的能量波动特征研究方法,可以有效识别气门间隙故障。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波包和概率神经网络的气门漏气故障诊断研究

本文在阐述了发动机气门漏气声学特性及其振动诊断机理的基础上,针对发动机缸盖振动信号的特点,运用小波包对采集的振动信号进行3层分解、重构、提取特征向量。然后将特征向量作为概率神经网络的输入,构建网络模型。再用测试数据验证诊断模型的正确性。诊断结果表明该方法是可行的,并取得了较好的效果。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波分析的汽轮机碰磨故障诊断

振动故障是故障诊断中的难点,故障原因复杂、类别繁多。小波分析因具有良好的时频局部性及多分辨率分析特性,被广泛地应用在振动故障诊断中。介绍了小波分析方法在振动故障诊断中的应用,利用时频等高图确定汽轮机碰磨故障发生的时刻,借助小波包特征熵向量诊断碰磨故障的严重程度,从而提出了完整的汽轮机碰磨故障的小波分析诊断方法。     

基于小波包神经网络的整流电路晶闸管故障识别

在电力能效监控管理系统中,提出了基于小波包的特征提取和BP(back propagation)神经网络相结合的方法,对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理,对22种故障情况分别进行编码.建立三相整流电路故障模型,采用小波包分解的方法,对直流端输出电压的采样数据进行特征提取,构建特征向量,作为BP神经网络的训练样本,将对应故障的编码作为网络输出,用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明,采用小波包特征提取,作为神经网络训练样本,既可以简化神经网络训练结构,又可以准确实现故障定位识别.研究具有很大的工程实践意义.