基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡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.分析结果表明: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态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

基于小波包能量谱的往复式隔膜泵故障诊断研究

针对往复式隔膜泵故障的多元性、不确定性和并发性的特点,提出了基于小波包能量谱的往复式隔膜泵故障诊断方法。小波包能将振动信号分解到不同子频带,通过各子频带信号的能量变化反映设备运行状况。通过采集往复式隔膜泵振动信号,进行小波包分解为多个子频带,求出各频带的能量和能量比例,然后对比故障振动信号和正常振动信号的频带能量谱比例图,找出发生故障的频带,进而找出往复式隔膜泵的故障特征频率,诊断出故障。实验表明:通过小波包能量谱对往复式隔膜泵进行故障诊断是有效可行的。     

基于改进粒子群算法的提取齿轮磨损特征方法

针对轻微齿轮磨损故障信号在啮合频率和边频带上的幅值特征难以将其与正常信号区分的问题,提出用Laplace小波提取信号的粘滞阻尼比作为一种冲击特征,同时提取对冲击信号敏感的时域和频域峭度指标作为另外两种特征;又由于传统Laplace小波匹配方法存在计算耗时和精度不高的缺点,采用一种基于概率模型的改进粒子群算法以快速找到最佳匹配结果,从而得到其阻尼参数;将上述3种冲击特征用于农用拖拉机变速箱的齿轮磨损故障识别,其结果表明提出的方法在错分率上比基于啮合频率和边频带幅值特征的方法降低了12%。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于小波包和BP神经网络的刚性罐道故障诊断

针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,本文提出基于小波分析和支持向量机的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障类别诊断.MATLAB仿真结果表明:该方法能够准确地对故障进行诊断.     

高压变电站主变压器振动波谱实时监测系统研究

介绍了一种基于VC++用加速度传感器实时测量高压变电站主变压器振动位移信号的方法.首先将加速度谱进行频谱变换,计算每个频率分量对应的幅值,进而对这些幅值比较检测出振动信号频率,然后将所需幅值进行叠加运算,根据时域信号和频域信号能量对应关系即可求出简谐振动信号位移幅值和加速度幅值.验证试验结果表明该方法可行,实时性、精度可满足工程实践的需要.     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

改进粒子滤波在汽轮机故障诊断中的应用

针对汽轮机的振动信号容易受到较为复杂的随机噪声污染,提出了一种改进粒子滤波的振动信号降噪方法;首先建立采集振动信号的数学模型,将其作为粒子滤波的状态方程;然后利用小波分析提取采集振动信号的背景噪声,将其和状态信号一起作为观测信号,得到观测方程,把降噪问题转化成在状态空间模型下的滤波问题;由于采用序贯重要性采样的粒子滤波存在着样本退化问题,在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,就是对各粒子的归一化权值从小到大的排列顺序,并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题;进而运用改进粒子滤波算法对振动信号进行降噪处理,降噪前信号和降噪后信号分别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向量浓缩了汽轮机振动故障的全部信息,对提取的故障特征向量应用诊断识别算法进行故障模式识别;通过对比降噪前信号和降噪后信号的故障诊断识别率,证明了改进粒子滤波在汽轮机故障诊断中的应用效果更佳。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。     

粗糙集与改进的QPSO-RBF算法在柴油机气门故障诊断中的应用

针对气门故障,以缸盖振动信号的小波包能量谱作为故障特征参数,提出一种粗糙集(RS)与改进的量子微粒群径向基函数神经网络(QPSO-RBF NN)相结合的故障诊断方法.首先应用粗糙集对试验所得的特征参数进行属性约简,去掉冗余信息,简化RBF网络的结构;然后将带变异算子的QPSO算法引入到RBF网络的学习过程中,改进其现有的学习算法,进一步提高故障预测能力.通过对6135D型柴油机气门故障进行诊断,结果表明该方法提高了诊断的精度和效率.     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

Intelligent diagnosis method for a centrifugal pump using features of vibration signals

In the field of machinery diagnosis, the utilization of vibration signals is effective in the detection of fault, because the signals carry dynamic information about the machine state. However, knowledge of a distinguishing fault is ambiguous because definite relationships between symptoms and fault types cannot be easily identified. This paper presents an intelligent diagnosis method for a centrifugal pump system using features of vibration signals at an early stage. The diagnosis algorithm is derived using wavelet transform, rough sets and a partially linearized neural network (PNN). ReverseBior wavelet function is used to extract fault features from measured vibration signals and to capture hidden fault information across optimum frequency regions. As the input parameters for the neural network, the non-dimensional symptom parameters that can reflect the characteristics of a signal are defined in the amplitude domain. The diagnosis knowledge for the training of the PNN can be acquired by using the rough sets. We also propose a diagnosis method based on the PNN, one which can deal with the ambiguity problem of condition diagnosis, and distinguish fault types on the basis of the possibility distributions of symptom parameters automatically. The decision method of optimum frequency region for extracting feature signals is also discussed using real plant data. Practical examples of diagnosis for a centrifugal pump system are shown in order to verify the efficiency of the method.     

基于ART2神经网络的发动机故障诊断方法

发动机的故障诊断是一个动态的故障分类过程,许多故障诊断方法在对动态故障模式进行识别和分类时,存在对未知故障模式无法识别的问题。针对这一问题,引入ART2神经网络,利用db6小波包对发动机气缸盖的振动信号提取的特征向量作为网络的输入,应用实例证明,ART2神经网络不仅能正确识别学习过的故障模式,对突发、未知的故障模式也能很好地识别。     

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

Faulted gear identification of a rotating machinery based on wavelet transform and artificial neural network

In this paper, a condition monitoring and faults identification technique for rotating machineries using wavelet transform and artificial neural network is described. Most of the conventional techniques for condition monitoring and fault diagnosis in rotating machinery are based chiefly on analyzing the difference of vibration signal amplitude in the time domain or frequency spectrum. Unfortunately, in some applications, the vibration signal may not be available and the performance is limited. However, the sound emission signal serves as a promising alternative to the fault diagnosis system. In the present study, the sound emission of gear-set is used to evaluate the proposed fault diagnosis technique. In the experimental work, a continuous wavelet transform technique combined with a feature selection of energy spectrum is proposed for analyzing fault signals in a gear-set platform. The artificial neural network techniques both using probability neural network and conventional back-propagation network are compared in the system. The experimental results pointed out the sound emission can be used to monitor the condition of the gear-set platform and the proposed system achieved a fault recognition rate of 98% in the experimental gear-set platform.     

基于小波神经网络的开关磁阻发电机故障预测模型研究

开关磁阻发电机因其具有发电容量大、效率高、起动和发电组合容易等优点而拥有很大的应用前景和价值;首先利用MAT-LAB软件对开关磁阻发电机的电气故障进行了仿真,相电阻0.1Ω,导通角28°,关断角55°,转速7500rad/s,负载电阻114Ω,输出电容2000μF,得出故障下的特征数据,然后,鉴于小波神经网络预测算法结合了小波变换良好的时频局域化性质及传统神经网络自学习功能,建立了开关磁阻发电机基于小波神经网络的典型故障预测模型,仿真结果证明其良好的性能。