小波分析在燃气轮机传感器故障诊断中的应用

为提高燃气轮机状态监测中传感器的有效性,提出了一种用小波分析的传感器故障诊断方法.该方法通过对传感器输出信号进行小波多分辨分析（MRA）,利用其表征信号趋势和细节的特点,能对缓变故障和突变故障进行准确定位,同时根据故障突变点的Lipschitz指数和故障前后能量的变化特征实现对突变故障类型的判别.对燃气轮机排气温度实时数据进行的故障仿真,表明了该方法的有效性.图6表1参7     

汽轮发电机组动静碰摩的奇异谱理论与小波分析诊断方法研究

作者利用奇异谱对汽轮发电机组转子动碰摩的振动信号进行了分析,剔除信号中因不平衡等邦联所产生的平滑部分、抑制噪声;并运用连续小波变换对信号进行分析。通过多尺度分析形成等高线图,使碰摩故障特征在相应的等高图上得以体现出来。作者还比较了相似频谱特征的两类故障信号的小波变换等高线特征,总结了碰摩故障小波变换等高线分析特征,得到了理想的分析结果,为汽轮发电机组碰摩故障识别提供了新的思路;同时讨论了运用小波变     

基于小波包IRN网络的燃气轮机转子故障诊断

提出一种基于小波包和带有偏差单元的内部回归神经网络相结合的燃气轮机转子故障诊断方法。利用小波包分析去除噪声信号干扰,简化燃机转子故障特征提取。带有偏差单元的内部回归神经网络的记忆特性好,收敛速度快、稳定性强。小波包和带有偏差单元的内部回归神经网络的结合,大大提高了诊断速度及诊断准确性。     

基于小波分析的变压器转换性故障快速识别方法

当变压器发生区外故障时,会出现因电流传感器饱和而导致差动保护误动的问题。为解决这一问题,文中提出了基于小波分析的时差法,作为变压器差动保护判断区内、外故障的判据。首先,分析了电流互感器的饱和对变压器差动保护产生的影响;其次,利用模极大值原理研究了小波用于信号奇异性检测的方法,并选取合适的阈值规则对含噪声信号进行了消噪处理;然后,利用小波模极大值原理确定故障开始和差流出现的时刻;最后,提出了一种基于综合负序分量的变压器区外转区内故障时解除差动保护闭锁的新判据,并仿真验证了该方法的有效性。     

汽轮机组动静碰摩故障谐波小波分析诊断方法研究

首先给出了谐波小波时频剖面图检测含噪声信号的微弱奇异成分的方法;然后运用谐波小波时频剖面图方法分析了碰摩故障仿真信号;最后利用该方法对多个实际汽轮机组动静碰摩故障的真实振动信号进行了分析研究。结果表明,谐波小波能够得到其它信号分析方法无法得到的特征,有效识别机组的碰摩故障。     

基于声信号小波分解的转子碰磨故障特征分析

研究了基于声信号小波分解的转子碰磨故障特征,通过人为条件使转子产生碰磨故障,记录现场信号分析故障特征。转子碰磨信号具有较强的奇异性,而奇异信号往往载有重要的故障信号特征,利用小波分析理论在时域和频域上可同时对信号实现局部化处理的“变焦距”性质,分别对不同试件碰磨故障的声音信号进行了分析,将结果进行了对比,研究了碰磨声信号在小波包变换下的特征。结果表明：声音信号用于旋转机械故障诊断具有其特有的优越性。基于声音信号的小波分解可以识别碰磨故障特征。     

基于小波变换的汽轮发电机组振动故障检测与诊断方法

提出了基于小波变换的汽轮发电机组振动故障检测与诊断方法。通过对仿真的汽轮发电机组典型振动故障信号进行小波变换,利用小波变换后的时频等高线图,对汽轮发电机组典型振动故障进行了检测分析。分析表明,利用小波时频等高图,可以直观表示信号中畸变发生的时间,有效地提取信号中的奇异特征;根据不同的故障发生时的频谱特征,能够识别出不同的故障,进行机组振动故障检测与故障诊断。     

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。     

基于声音处理的箱变变压器内部火花放电故障诊断方法

箱变变压器发生火花放电时相应的故障信号被衰减，导致变压器运行稳定性降低，为此提出了基于声音处理的箱变变压器内部火花放电故障诊断方法。通过变压器内部火花放电信号的时域分析，得出了其在变压器中传播的衰减系数。利用局部放电传感器设备识别其中的故障信号，并基于滤波合成-分解原理，完成箱变变压器内部火花放电故障信号的共振稀疏分解。通过计算箱变变压器内部火花放电故障的相应特性，得到故障数据诊断函数，结合构建的诊断模型，实现了箱变变压器内部火花放电故障诊断。实验结果表明，所提方法准确输出箱变变压器火花放电故障信号波形，保证了电力系统供电的可靠性。     

基于时频谱图和粗糙集的柴油机故障图像纹理特征自动提取

将图像纹理特征提取技术引入到柴油机连杆轴承磨损故障诊断中,首先采用连续小波变换对柴油机连杆轴承振动信号进行时频分析,为了减少循环波动的影响,将三个工作循环信号的时频分布平均为一个工作循环信号的时频图;然后将不同磨损工况的时频分布图转化为灰度图像,提取基于灰度共生矩阵四个角度的图像纹理特征参数;最后利用变精度粗糙集理论提取与故障程度强相关的特征参数。诊断实例表明:灰度共生矩阵能够反映柴油机连杆轴承不同磨损工况,变精度粗糙集可以从中提取出与故障程度强相关的五个关键参数用于分辨连杆轴承的四种磨损工况,小波时频图像特征提取和变精度粗糙集相结合能实现连杆轴承故障特征的自动提取。     

Fault diagnosis for temperature,flow rate and pressure sensors in VAV systems using wavelet neural network

Wavelet neural network, the integration of wavelet analysis and neural network, is presented to diagnose the faults of sensors including temperature, flow rate and pressure in variable air volume (VAV) systems to ensure well capacity of energy conservation. Wavelet analysis is used to process the original data collected from the building automation first. With three-level wavelet decomposition, the series of characteristic information representing various operation conditions of the system are obtained. In addition, neural network is developed to diagnose the source of the fault. To improve the diagnosis efficiency, three data groups based on several physical models or balances are classified and constructed. Using the data decomposed by three-level wavelet, the neural network can be well trained and series of convergent networks are obtained. Finally, the new measurements to diagnose are similarly processed by wavelet. And the well-trained convergent neural networks are used to identify the operation condition and isolate the source of the fault.     

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。     

小波分析降噪方法在碰磨和突加不平衡信号特征提取中的应用

研究了小波分析降噪方法在碰磨和突加不平衡信号特征提取中的应用。碰磨信号和突加不平衡信号均具有较强的非平稳性。小波分析降噪方法具有自适应和多分辨率分析的特点,适合于对非平稳信号进行滤波处理。通过仿真和实验分析,并将结果与传统的低通滤波方法进行比较。结果表明：小波分析降噪方法能够有效抑制碰磨和突加不平衡信号中的噪声并保留故障特征信息。     

输电线路暂态信号检测方法比较分析

输电线路发生故障产生的暂态行波是一个突变的、具有奇异性的信号,正确检测出信号的突变点即暂态行波波头是利用行波进行保护和测距的核心。对电网中断路器操作、电容投切、一次电弧、单相短路、雷击等产生的暂态信号进行了仿真．并分别利用小波变换模极大值、小波变换Lipischitz a、小波变换能量谱检测行波波头进行比较分析。EMTP仿真分析表明,三种方法均有提取行波特征,且采用小波能量谱检测输电线路暂态行波波头到达的时刻最精确,故障定位精度最高。     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

小波分析技术在汽轮机故障诊断中的应用

就小波分析技术在汽轮机故障诊断中故障特征提取和小波算法的硬件实现问题进行了深入研究.提出了基于小波能量分布的故障特征提取方法,并在转子试验台上进行了验证.对于小波分析算法的硬件实现,设计了一种基于DSP的小波算法.实践检验证明,该方法能够满足振动信号实时分析的需要.     

小波分析法在汽轮发电机转子绕组匝间短路故障诊断中的应用

提出了基于小波变换的汽轮发电机转子绕组匝间短路故障检测的一种诊断方法。这种方法是在探测线圈法的基础上，把小波变换用于突变信号的检测，对气隙中感应电势信号的故障特征进行提取和信号的消噪，可实现对发电机转子绕组匝间短路故障的检测。仿真实例表明，小波分析方法适合于转子绕组匝间短路故障的检测。图3参5