基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

基于符号化时间序列分析的电动机轴承故障诊断

为了区分电动机轴承不同的故障,介绍了时间序列转化为符号序列的信号粗粒化问题,给出了二进制符号化规则.根据符号序列Shannon熵计算方法以及符号序列编码方法,得出了轴承振动信号的熵值.根据实测数据计算表明,描述符号序列总体特征的Shannon熵能够反映轴承不同故障的特征.     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

超高压输电线路单相接地故障性质甄别

为避免单相故障时自动重合闸装置重合于永久性故障,首先对单相接地故障时的物理过程进行了分析,紧接着对比了瞬时性与永久性故障情况下相电压的特点,揭示了在二次电弧能量较大的频段电压信号能量时间分布会明显不同。在此基础上提出了利用小波包能量熵来甄别单相接地短路故障性质的方法,对采集到的故障相电压信号进行小波包分解,提取相应的熵值,通过比较熵值的大小来甄别故障性质。     

基于RVACD和WPE感应电机转子断条故障诊断

针对感应电机转子断条故障诊断存在故障信号复杂多变、诊断时受负载和电源波动影响较大等诸多不足之处,提出断电残压(Residual Voltage after AC dump,RVACD)和小波包熵(Wavelet Packet Entropy,WPE)的故障诊断方法。以电机断电后残余电压为研究对象,建立转子断条故障的断电残压模型;分析断电残压信号频谱,得到故障特征频率;结合小波包和信息熵理论得到小波包Shannon熵,计算并与正常电机熵值作对比,得到故障诊断依据。仿真结果表明,断电残余电压可有效避免外界因素的干扰,断电残压频谱简单明了,小波包熵值作为故障诊断依据简单可靠,为工程实际提供了新的思路。     

快速小波熵输电系统暂态信号特征提取研究

利用Shannon小波能量熵算法能够提取电力系统暂态信号特征,但其特征提取精度、抗干扰能力以及运算速度均存在不足。针对上述不足,基于提升插值小波和Tsallis熵理论,提出一种快速小波能量熵算法,并应用于输电系统暂态信号特征提取。以三能级系统复杂度统计为例,分析不同非广延参数q条件下Tsallis熵的非广延统计特性以及与Shannon熵之间的联系。引入提升插值小波代替Mallat小波算法,结合Tsallis熵理论构造快速小波能量熵算法,对新算法复杂度进行理论分析。以输电线路两种暂态电压信号为研究对象,对新算法暂态特征提取效果和运算速度进行测试。理论分析和实验证明,与传统Shannon小波能量熵相比,新算法不但能保证输电系统暂态信号特征提取精度、抑制小波混叠及噪声干扰,而且缩短了运算时间。     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

基于小波包优选的模拟电路故障特征提取方法

小波包变换在模拟电路故障特征提取中应用极广,但小波包基函数直接影响故障特征提取的性能。该文给出了小波包频带能量熵的定义,并结合频带能量熵方差,提出一种基于频带能量熵的小波包优选方法。为验证方法的有效性,采用不同的小波包基函数进行实验研究,对待测模拟电路应用小波包变换完成故障特征提取,引入支持向量机验证故障特征的可识别程度。实验结果表明,利用优选小波包基提取的故障特征具有更好的区分度,说明了该算法选取小波包基函数的有效性。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点,提出了基于小波包变换的汽轮机转子振动故障诊断方法,它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明,基于小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状况;根据不同故障发生时的频谱特征,识别出不同的故障,从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效,适合于机械故障诊断。     

变压器油箱壁振动信号诊断绕组变形技术研究

文章对S11-M-500/35kV变压器A相绕组进行连续5次短路冲击试验(B、C两相未单独进行冲击试验),使A相绕组产生较其他两相更严重的形变,获取短路冲击前后变压器A相绕组对应油箱壁的振动数据。通过变压器油箱壁振动信号分析变压器绕组的变形程度,利用小波包分解原理,将振动信号分解到不同频段中,计算各频段的能量熵值,得出不同程度的绕组形变对能量熵值变化的影响。试验结果表明:与离线短路电抗法判断绕组形变相比,振动分析法小波包能量熵特征提取方法不但具有在线诊断绕组故障的优点,且更灵敏的体现出绕组状态变化,对及时反映绕组形变,对带电或在线监测判断绕组变形故障具有重要意义。     

串联故障电弧检测方法的研究

提出了一种基于小波包能量熵的故障电弧检测方法,该方首先计算电流信号的小波包能量熵对故障电弧电流信号的能量分布进行定量描述,然后,提取故障电弧电流与正常工作电流的能量熵比值,并将其作为故障发生的判据。结果表明,该方法能有效提取串联故障电弧电流的时频特征,为串联故障电弧的诊断和检测提供了一种新途径。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

变压器绕组机械振动信号特征提取方法研究

电力变压器绕组形变故障与绕组机械振动信息紧密相关,针对当今变压器绕组机械形变诊断存在准确度不高,无法准确判断故障类型问题,以S11-M-500/35型配电变压器为研究对象,通过对变压器绕组设置绝缘脱落、低压绕组压缩及绕组松动三种形变故障获取相应绕组的振动信息,分别采用集合经验模态分解(EEMD)、小波包能谱熵及短时傅里叶变换(STFT)三种信号处理方法对不同形变绕组振动信息进行特征提取,利用模糊C聚类分析方法比较三种特征提取方法的分类有效性。分析结果表明,小波包能谱熵特征提取方法能够对绕组形变类型达到最佳分类结果,其隶属度达到0.94以上,为后期诊断绕组机械故障类型提供依据。     

WPSEG法在GIS故障识别中的应用

为了对气体绝缘全封闭组合电器GIS(gas insulated switchgear)更好地进行故障诊断,本文结合小波包变换、奇异值分解SVD(singular value decomposition)、能量值法,提出了基于小波包奇异能量WPSEG(wavelet packet singular energy)值的GIS故障识别方法,该方法通过量化故障特征对不同故障进行识别。对故障信号进行小波包分解重构得到小波包系数矩阵;利用SVD分解求得矩阵的奇异特征值,最终求取奇异特征值的能量。对现有的GIS 4类超高频局部放电仿真信号进行分析表明,不同故障的WPSEG值不同,同一类故障,小波包分解层数不会影响WPSEG值,并且在相同噪声环境下,4类缺陷的WPSEG值是成比例增长的,不会影响故障的识别。通过与小波包奇异熵WPSEP(wavelet packet singular entropy)法在GIS故障识别中的应用,说明WPSEG值的优越性。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

基于振动信号的变压器分接开关触头故障诊断

针对分接开关切换触头闭合时的振动信号,应用小波包总能量和小波包特征熵的方法,分析切换开关切换过程触头闭合期间振动信号的小波包总能量值以及特征熵值,发现了明显的故障特征信号。在理论分析的基础上,对江苏省电力公司最有代表性的分接开关进行试验,验证了该诊断方法的可行性。若配合FFT频谱分析,可进一步判断触头故障类型。     

Tsallis小波包奇异熵与功率谱分析在电力谐波检测的应用

针对Shannon小波能量熵在电力谐波检测过程中的局限性,提出一种基于Tsallis小波包奇异熵与功率谱(PSD)分析结合的电力谐波检测新方法。从Shannon熵和Mallat算法理论入手,论证Shannon小波能量熵在电力谐波复杂度表征及频率辨析中存在的不足。在分析Tsallis熵与Shannon熵的区别与联系的基础上,将Tsallis非广延熵理论和小波包算法结合,构造具有非广延性的Tsallis小波包奇异熵。根据Tsallis小波包奇异熵对电力谐波复杂度的表征结果,对谐波信号进行分段PSD分析。理论分析及仿真结果证明:该方法在正确表征电力谐波复杂度的同时,能对电力谐波的具体频率和功率进行具体量化。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。