基于小波分析与BP神经网络的机车牵引电机故障诊断

本文对机车牵引电动机的振动信号通过振动传感器传输至MATLAB小波包分析软件,小波包去噪处理分离出噪声信号保留有用信号,进行能量谱分解。不同特征频率的能量百分比进行归一化处理,作为改进BP神经网络样本输入数据进行训练,得到牵引电机故障诊断模型,输入样本测试数据故障诊断,测试结果显示,该模型能够有效诊断牵引电机所发生的故障。     

基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

基于SVM的转向架故障诊断技术研究

分析了我国当前转向架故障诊断的技术特点,通过小波包变换提取列车转向架故障工况的能量特征向量,同时结合列车振动信号的时频特征,提出一种基于多维特征SVM模型的列车转向架故障诊断方法。并通过滚动振动试验台实测的转向架故障运行工况数据,对比了SVM算法和BP神经网络的诊断性能,验证了该方法的可行性。研究表明:通过分析列车的振动信号,以时域特征和能量特征结合的特征向量,在支持向量机方法下能有效区分列车不同故障工况,与传统的BP神经网络相比,SVM模型的故障诊断正确率更高,可作为故障诊断的依据之一。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于小波包-AR谱和GA-BP网络的轴承故障诊断研究

针对轴承振动信号具有非平稳、非线性特点,提出将小波包-AR谱和采用遗传算法(genetic algorithm,GA)优化的BP神经网络相结合的轴承故障诊断方法。该文对滚动轴承振动信号进行小波包分解和自回归(auto-regressive,AR)谱分析以得到不同频段的能量,然后将提取到的特征向量输入到BP神经网络进行模型训练和测试。鉴于BP神经网络的诊断效果并不是很好,因此应用遗传算法对BP神经网络的权值和阈值进行优化并再次进行诊断。对比实验结果表明,经遗传算法优化后的BP神经网络的仿真误差大大降低,相关故障诊断准确率达到了100%。     

基于小波包和极限学习机的汽车发动机失火故障识别

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点.     

基于小波包和极限学习机的汽车发动机失火故障识别（英文）

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统。首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数。分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试。实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点。     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

直升机齿轮箱故障诊断方法

为有效诊断直升机齿轮箱故障,研究建立了基于直升机齿轮箱振动信号的小波包熵ABC-BP神经网络故障诊断模型。模型以小波波包分析与信息熵分析方法为基础,提取齿轮箱振动信号的小波包熵作为神经网络的特征输入向量,引入人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后基于实验数据进行了验证,结果表明该诊断模型具有较好的故障诊断效果。     

Adaptive wavelet transform for vibration signal modelling and application in fault diagnosis of water hydraulic motor

There has been an increasing application of water hydraulics in industries due to growing concern on the environmental, health and safety issues. The fault diagnosis of water hydraulic motor is important for improving water hydraulic system reliability and performance. In this paper, fault diagnosis of water hydraulic motor in water hydraulic system is investigated based on adaptive wavelet analysis. A novel method for modelling the vibration signal based on the adaptive wavelet transform (AWT) is proposed. The linear combination of wavelets is introduced as wavelet itself and adapted for the particular vibration signal, which goes beyond adapting parameters of a fixed-shape wavelet. The AWT procedure based on the parametric optimisation by genetic algorithm (GA) is developed. The model-based method by AWT is applied to extract the features in the fault diagnosis of the water hydraulic motor. This technique for de-noising the corrupted simulation signal shows that it can improve the signal-to-noise ratio of the vibration signal. The results of the experimental signal demonstrate the characteristic vibration signal details in fine resolution. The magnitude plots of the continuous wavelet transform (CWT) show the characteristic signal's energy in time and frequency domain which can be used as feature values for fault diagnosis of water hydraulic motor.     

基于小波包分解的机械振动信号分析

提出了一种新的基于小波包的振动信号故障特征提取方法,运用这种方法对柴油机表面振动信号经过小波包降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。对降噪信号提取频带能量特征,为神经网络故障诊断提供了新的故障样本。     

基于时频分析的雨刮直流电机故障分析

分别采用短时傅里叶变换和小波变换对雨刮直流电机的轴承异响和蜗轮蜗杆异响故障的振动和噪声信号进行了分析,得出了这两类故障的时频特性,为特征参数提取和实现故障诊断提供了直接依据。通过对比,初步验证了短时傅里叶分析和小波分析的正确性与适用性,发现小波分析更具有优势。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

Fault degradation assessment of water hydraulic motor by impulse vibration signal with Wavelet Packet Analysis and Kolmogorov–Smirnov Test

The machinery fault diagnosis is important for improving reliability and performance of systems. Many methods such as Time Synchronous Average (TSA), Fast Fourier Transform (FFT)-based spectrum analysis and short-time Fourier transform (STFT) have been applied in fault diagnosis and condition monitoring of mechanical system. The above methods analyze the signal in frequency domain with low resolution, which is not suitable for non-stationary vibration signal. The Kolmogorov–Smirnov (KS) test is a simple and precise technique in vibration signal analysis for machinery fault diagnosis. It has limited use and advantage to analyze the vibration signal with higher noise directly.In this paper, a new method for the fault degradation assessment of the water hydraulic motor is proposed based on Wavelet Packet Analysis (WPA) and KS test to analyze the impulsive energy of the vibration signal, which is used to detect the piston condition of water hydraulic motor. WPA is used to analyze the impulsive vibration signal from the casing of the water hydraulic motor to obtain the impulsive energy. The impulsive energy of the vibration signal can be obtained by the multi-decomposition based on Wavelet Packet Transform (WPT) and used as feature values to assess the fault degradation of the pistons. The kurtosis of the impulsive energy in the reconstructed signal from the Wavelet Packet coefficients is used to extract the feature values of the impulse energy by calculating the coefficients of the WPT multi-decomposition. The KS test is used to compare the kurtosis of the impulse energy of the vibration signal statistically under the different piston conditions. The results show the applicability and effectiveness of the proposed method to assess the fault degradation of the pistons in the water hydraulic motor.     

基于神经网络的齿轮故障诊断专家系统

基于齿轮典型故障机理及其信号特征,采用时域、幅值域与频谱分析相结合的诊断方法,建立了齿轮故障诊断神经网络模型,试验验证模型诊断结果具有较高准确性。基于Windows平台和Visual C＋＋语言,开发了基于神经网络的齿轮故障诊断专家系统,将传统的时频信号分析理论与现代小波分析、神经网络和专家系统技术融入齿轮故障诊断之中,形成一个更加完善基于神经网络的齿轮故障诊断专家系统。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

基于DASP的海水马达振动分析和故障诊断研究

基于DASP虚拟仪器测试平台,依托机械振动理论和设备故障诊断技术,结合海水柱塞马达振动信号采集及分析处理手段,搭建了海水柱塞马达的故障诊断实验系统。通过对海水柱塞马达在正常和故障两种状态下振动信号的时域分析与频谱分析,得到了海水柱塞马达配流盘“气蚀”损坏典型故障的识别特征,从而对柱塞泵/马达的故障机理和故障诊断有了更深入的了解。将基于DASP的测试技术应用于海水柱塞马达的振动测试,不仅能够获得海水柱塞马达振动的实时测试信号和振动特性图谱,还可获得振动机理分析所需的更高的测试精度和效率,在工程实践中具有较好的推广价值。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。