基于小波包熵和马氏距离的级联式变频器故障诊断

针对级联式变频器内部功率管开路故障诊断中,逆变侧功率管开路故障隐蔽性较强、诊断较难的问题,提出了一种基于小波包特征熵的故障信号提取方法。为了提高级联式变频器功率管开路故障的诊断精度,采用马氏距离分类法进行故障诊断。首先,采集某型号级联式变频器在不同工况下的输入侧电流信号;其次,对采集的电流信号作小波包变换,并提取其特征熵向量作为样本数据集;最后,利用马氏距离分类法进行故障诊断。试验结果表明:采用小波包特征熵提取算法,可以有效地提取级联式变频器功率管发生开路故障时的电流信号特征;同时,采用马氏距离分类法,能够较好地对特征熵向量进行分类和识别。2种算法的结合,可以有效诊断级联式变频器功率管开路故障,也为变频器功率管开路故障的诊断提供了新方法。     

基于稀疏表示的雷达辐射源信号级融合识别算法

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题,提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法。该方法将接收信号投影到稀疏域并进行压缩,从而在稀疏域完成融合,最后利用融合后的稀疏系数进行识别。该方法既降低了通信数据量,又较好地保证了信息的完整性。仿真实验表明,相对于单一传感器和决策级融合,所提出的方法可有效提高信号识别性能。     

基于稀疏分类算法的矿物传送设备故障诊断方法

针对现有基于特征频率识别的矿物传送设备故障诊断方法存在易受强噪声干扰的问题,提出了基于稀疏分类算法的矿物传送设备故障诊断方法。首先,利用计算机测取设备已知故障类型的振动信号,并对其进行傅里叶变换;然后,以傅里叶变换系数构造训练字典,将待测故障类型的振动信号傅里叶变换系数在该训练字典上进行稀疏分解,求取稀疏系数;最后,利用重构信号最小误差判别故障类型。仿真和测试结果表明,该方法能有效诊断出矿物传送设备中轴承的故障类型,为煤矿传送设备的故障监测提供了一种新方法。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

基于SOM神经网络的三电平逆变器的故障诊断

针对三电平逆变器的开路故障,采用一种基于小波包变换与自组织映射神经网络(SOM)的故障诊断方法。测量三电平逆变器的上、中、下桥臂电压进行故障模式的分类,桥臂电压经过小波包分解后进行故障特征向量提取,将故障向量作为SOM神经网络的输入进行故障模式识别。仿真和实验表明,该诊断方法对三电平逆变器故障的分类准确且快速,能够降低检修人员的故障识别难度,有效提高诊断效率,对于实现三电平逆变器的在线故障诊断具有广阔的应用前景。     

基于Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵.然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的.     

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.     

基于压缩感知的局部场电位信号重构算法研究

研究局部场电位信号(Local Field Potential,LFP)的重构问题.依据传统的采样定理对LFP信号进行采样,将会产生庞大的数据量,为LFP信号的传输、存储及处理带来巨大压力.为降低LFP信号的采样速率,减少有效的采样样本,提出压缩感知的局部场电位信号重构的新方法.利用LFP信号在变换域上的稀疏性,通过随机高斯测量矩阵将LFP信号重构模型转化为压缩感知理论中的稀疏向量重构模型.仿真结果表明,采样速率为奈奎斯特采样速率的一半即可准确重构LFP信号,且正交匹配追踪(OMP)重建算法要优于基追踪(BP)重建算法;当选用离散余弦矩阵(DCT)作为稀疏表示矩阵时,信号在正交匹配追踪和基追踪两种重构算法下都有很高的重构精度.     

基于小波分析和分层决策的模拟电路故障识别方法*

针对模拟电路存在较多故障模式的诊断中易出现分类混叠的问题,提出一种小波分析和分层决策的故障识别方法。首先用小波变换方法提取电路的两种故障特征,模糊C均值算法分析故障特征数据的分布特性,以决策树的形式分割各故障子类。通过对决策树节点特征的优化选择,使各故障子类的区分得以最大化。最后按照决策树结构建立分级诊断的故障决策系统,分别以支持向量机和神经网络作为树节点分类器,有效地提高了故障的识别率。该方法应用于高通滤波器电路的故障识别,正确率高于99%,比经典支持向量机多分类方法具有更好的诊断性能。     

基于高阶累积量的模拟电路故障诊断

结合信息融合技术,提出一种基于高阶累积量的模拟电路故障诊断方法.对待测电路施加正弦激励信号,从待测电路的输出终端提取原始电压和电流信号,求出峰度和斜度作为故障特征向量,将其输入改进的反向传播神经网络进行故障诊断.实例结果表明,该方法具有较高的诊断准确率.     

分布式光纤扰动传感系统故障模式识别仿真

针对传统方法存在识别时间过长、识别率较低等问题,提出一种新的识别方法———基于信息融合的光纤扰动传感故障识别方法。通过集合经验模态分解进行信号分解处理,并提取所得分量中的敏感分量。利用各敏感分量与原信号的关系值及互信息乘积绝对值作为评定标准,选择含系统信息的分量作为分析对象。利用轻量级协议算法及线性模型提取所选对象中的故障特征向量。以提取的故障特征向量为依据,利用系统灰色性故障识别方法和模糊性识别方法出发得到传感器系统故障诊断信息,获取传感器多角度信息融合故障识别,利用信息融合故障识别方法对光纤扰动传感器故障数据进行了识别。实验结果表明,所提方法有效减少了识别时间,提高了识别率。     

一种大规模模拟电路快速故障诊断新方法

针对传统大规模模拟电路故障诊断方法在多故障条件下的故障定位过程复杂、测前工作量大等问题, 提出了一种新的故障诊断方法——成组撕裂法。将大规模模拟电路按照拓扑特性和成组撕裂准则进行撕裂, 得到低维度的故障特征向量; 基于模式识别思想, 选用具有高度并行分类能力的神经网络作为分类器, 隐含层传递激发函数选择具有快速收敛特性的小波函数。经仿真验证该方法能实现故障特征向量的快速分类并得出故障诊断结果。与目前已有的互校验（multiple-test-condition, MTC）和交叉撕裂搜索法相比, 该方法有测前工作量小、诊断次数和计算量少、对多故障检测能力和工程实践性强等特点。     

一种基于核密度估计的模拟电路故障诊断方法

为解决模拟电路中含有噪声等异常信息给支持向量机的最优分类面建立带来的困难,提出了一种基于核密度估计方法的模拟电路故障诊断新方法。首先提取电路的时域信号统计参数作为故障特征,然后运用核密度估计方法构造模糊隶属度函数,将该隶属度函数应用到模糊支持向量机上进行故障诊断。通过训练模糊支持向量机获得故障诊断模型,实现对电路单故障和多故障的诊断分类,能有效消除特征中噪声和野点的影响。将该方法应用于CSTV滤波电路进行仿真实验,结果表明该方法能突出不同故障的特性并正确有效地诊断出多故障类型,综合诊断正确率达到95%,为模拟电路故障诊断提供了新的技术途径。     

脉频调制神经网络VLSI的设计及应用

本文提出了一种用于故障诊断识别的改进脉冲频率调制(PFM)VLSI神经网络电路,改进了传统的基于软件的机械故障诊断模式,发挥了神经网络超大规模集成电路(VLSI)的优势.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路,而且该神经网络电路的突触权值不需要学习调整,降低了电路的复杂性.以此电路为基础,设计了进行主轴承噪声故障诊断的神经网络故障识别系统.将含有故障信息的原始噪声信号,经过前置信号处理分析、故障特征值提取和神经网络运算,得出VLSI电路输出端电容的电压——代表待识别信号与模板故障信号的“欧氏距离”,进而判断出故障的类别.经过仿真测试,基于硬件的诊断系统的识别性能接近于基于软件的系统.     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于改进果蝇算法的模拟电路故障诊断

针对模拟电路中非线性元件故障的定位问题,提出一种改进的果蝇算法优化支持向量机的故障诊断方法。首先对被诊断电路的输出信号进行采样,用Volterra级数提取输出信号的特征,然后利用改进的果蝇算法优化SVM的核函数参数和结构参数,建立诊断模型,在对数放大器电路中对故障进行诊断分类。通过实验可以看出,该方法能够有效避免支持向量机参数选择的随机性,有利于提高诊断精度,并且有较快的诊断速度。     

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IMF能量矩和Bayes-LSSVM的滚动轴承诊断

针对传统方法对滚动轴承故障特征提取效果尚有局限和最小二乘支持向量机分类器的参数不易确定,从而降低了故障诊断的准确性的问题,提出基于本征模函数能量矩和贝叶斯框架下的最小二乘支持向量机实现滚动轴承的故障诊断。在该方法中,通过经验模态分解将原始信号分解为多个本征模函数,之后将本征模函数作时间轴的积分,得到本征模函数能量矩特征故障向量。采用贝叶斯推理方法进行三级分层推断,解决最小二乘支持向量机分类器的参数具有任意性和不确定性的问题,实现参数优化。对滚动轴承的仿真结果表明,该方法能对故障进行有效、准确的诊断,诊断正确率达到98.75%。