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。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机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。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

基于小波改进阈值消噪的缸盖振动信号分析

提出了一种改进的小波阈值新方法对内燃机缸盖振动信号进行消噪,进而实现特征向量的提取。试验表明采用改进小波阈值方法能有效地消除信号中噪声的干扰,提高信号的信噪比。用小波包提取消噪后信号的能量作为特征向量,来表征内燃机故障特征,可为神经网络的自适应故障诊断提供新的故障样本。     

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。     

基于改进小波包与包络谱的风电机组传动系统的故障诊断方法研究

针对风力发电机组传动系统故障时特征量提取困难的问题,提出改进的小波包结合包络谱的故障诊断新方法。深入研究小波包频带错乱的问题,对小波包实施改进,消除频带错乱的缺陷。首次将改进的小波包与包络谱结合起来,通过对风机传动系统试验台的齿轮、轴承故障实际数据的深入分析,准确提取出特征量,实现故障的诊断和定位,证实该文提出的方法的准确性和有效性,为风电机组传动系统的故障诊断提供新思路。     

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。     

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明：运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。     

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。     

小波包分析和神经网络在风电机组变频器故障诊断中的应用

由非线性电力电子装置组成的风力机变频器一旦发生故障,其故障特征信息不容易被提取和识别。为此,提出了一种基于小波包分析和Elman神经网络的电力电子装置故障诊断的方法,先运用小波包分析法提取电力电子装置电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网络的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以典型的风力机交—直—交变频器为例,在Matlab软件下建立电路模型对一次侧故障进行仿真实验,结果表明采用该方法可以快速、准确地完成故障诊断。     

基于粗糙集和神经网络的内燃机转子振动故障诊断方法研究

提出了一种基于粗糙集和神经网络的柴油机转子振动故障诊断方法。首先计算传感器采集数据的小波包,提取振动信号能量特征,其次粗糙集对不同振动信号能量特征数据离散方法的基础上,针对数据结构特征确定了等频离散法与公平尺度法相结合的离散方法,最后以获取的规则为输入,利用BP神经网络进行故障诊断。将我们建立的故障诊断方法应用到柴油机转子振动系统中去,表明了该种方法的有效性。     

基于神经网络信息融合的发动机失火故障诊断

对发动机气缸失火故障进行实车模拟试验,测量了发动机的机体振动信号及瞬时转速信号,并对其进行了时、频域分析.通过小波分析方法提取了振动信号能量特征,通过复杂度分析方法提取了转速信号的复杂度特征用于故障诊断.根据多传感器信息融合理论,建立了集成神经网络信息融合模型对气缸失火故障进行了诊断.结果表明,发动机机体振动能量特征和转速复杂度特征能够反映气缸失火现象,基于发动机振动和转速信息融合进行气缸失火故障诊断,诊断可靠性较高.     

基于最大信噪比的风电机组主轴承的故障特征提取

针对风电机组结构复杂、滚动轴承早期故障特征信号往往易受正常信号和现场噪声的干扰而不易识别以及信噪比低的问题,在原有盲源分离方法的基础上提出一种新的故障特征提取方法,该方法首先对原始振动信号进行包络解调分析和小波去噪,有效抑制信号的高频干扰,再采用基于最大信噪比的盲源分离方法对得到的小波包络解调信号进行分离,最后对分离后的信号进行频谱变换,从频谱图上可以清晰地观察出轴承的故障特征频率。实例分析表明,使用此方法对实测的风机主轴承故障振动信号进行分析能够有效提取出轴承的故障特征,有助于实现轴承的在线故障诊断。     

基于CBAM-InceptionV2-双流CNN的风电机组轴承故障诊断

针对风电机组轴承故障诊断中经典一维卷积神经网络和二维卷积神经网络准确率低的问题,将一维原始振动信号和二维时频图相融合,构建基于CBAM-InceptionV2-双流CNN的滚动轴承故障诊断方法。首先,通过快速傅里叶变换和小波变换,将原始振动信号转化为一维数据和二维时频图;其次,构建基于CBAMInceptionV2-双流CNN模型;最后,将提取到的双层特征信息进行融合,并输入到Softmax完成故障分类。实验结果表明,所提模型能够显著地提升轴承故障诊断的准确性。     

基于小波包分析和神经网络柴油机故障诊断研究

对于柴油机而言,及时的对其实施故障诊断是十分必要的.小波包分析能有效的对柴油机缸体振动信号进行消噪处理,并提取表征柴油机故障的振动信号能量特征向量作为BP神经网络的输入值.本文中,对4100QB柴油机缸盖振动信号实验数据采用单隐层BP网络进行训练,并对不同故障模式进行分类识别,实验验证表明这一方法是非常有效的.     

基于小波包能量分析及改进支持向量机的风机机械故障诊断

为了准确诊断风机的机械故障,提出了一种基于小波包能量特征和改进支持向量机的诊断方法.在某4-73No.8D风机实验台上对13种不同运行状态下的振动信号进行采集,利用小波包对振动信号进行消噪、分解与重构,提取其小波包能量特征,得到了各运行状态下风机多测点信息融合的小波包能量特征向量,并利用改进支持向量机对特征向量样本集进行训练与测试,实现了风机机械故障的分类诊断.结果表明:该诊断方法能够有效地诊断风机机械故障的类别、严重程度和发生部位,且诊断准确率高、测试时间短,适用于在线机械诊断.     

基于小波包分析和信息融合技术的汽轮机转子故障诊断

根据Bently实验台所采集的不平衡、不对中、碰摩、松动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分析并提取故障特征。将提取的故障特征作为D-S证据理论的识别框架,利用信息融合技术对汽轮机转子振动故障进行诊断。诊断结果表明:基于小波包分析和信息融合技术的故障诊断方法,能提高故障诊断的准确性。     

小波神经网络法在柴油机故障诊断中的应用

用小波分析作信号处理手段提取柴油机振声信号特征量 ,以神经网络作为故障模式识别手段 ,进行了柴油机故障的振声诊断方法研究。针对柴油机振声信号的非平稳时变特性 ,应用小波理论中的小波包方法对其进行处理 ,结果表明小波分析是比傅里叶分析更为有效的处理柴油机振声这类非平稳信号的方法。在此基础上 ,研究了用神经网络实现根据小波包分解结果识别柴油机故障状态的方法。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断