基于小波包—灰色神经网络的机电作动系统故障预测

针对健康状态难以预测的机电作动系统,提出一种基于小波包—灰色神经网络的机电作动系统故障预测方法;该方法利用小波包分解对机电作动系统的故障特征进行提取,利用灰色GM(1,1)模型对提取出的12种不同故障模式下的频带值进行预测,并作为神经网络的输入,采用BP三层结构,通过验证取隐含层数为10进行训练,预测结果相对误差只有-0.014 6,取得了较好的预测效果;仿真结果表明:小波包—灰色神经网络方法在机电作动系统故障预测中具有一定的有效性。

基于强化缓冲算子的六相永磁容错电机故障预测

永磁容错电机属于高阶非线性强耦合的复杂系统,受到外界干扰后,提取的故障特征信号容易失真。针对永磁容错电机系统受到外在冲击时,传统灰色模型故障预测精度不高的问题,提出了一种新的故障预测改进方法。采用强化缓冲算子对数据序列进行处理,还原数据,排除冲击干扰,而后通过建立的GM(1,1)基本模型对故障能量特征数据序列进行预测。结果表明,故障原始序列经过各类强化缓冲算子作用后,预测精度提高到96.3%以上,预测相对误差较原始序列基本模型平均降低了43.06%,有效提高了行为数据的故障预测精度。

六相永磁容错电机的故障诊断仿真研究

研究六相永磁容错电机的故障诊断问题,有利于飞行器电力作动系统稳定运行。由于永磁容错电机属于强耦合高阶非线性系统,故障信号样本时间短且具有时变性,导致永磁容错电机故障诊断困难。传统的机器学习理论方法易陷入局部极值点,准确性较低。为提高永磁容错电机的故障准确率,采用支持向量机联合小波分析算法进行故障诊断。首先采集电机故障状态下的输出转矩信号,进行小波分解提取能量特征向量,采用最小二乘支持向量机构造诊断模型,克服局部最优问题,实现准确判别电机故障。对比实验表明,提出故障诊断方法明显优于传统支持向量机、BP神经网络模型方法,诊断准确率达到90%以上。

基于对数变换的六相永磁容错电机故障预测研究

研究电力作动系统用永磁容错电机故障预测问题,有利于准确监控飞行器健康状态,为飞机维修提供决策支持;TS(2*2永磁容错电机特征信号复杂无序,传统灰色模型故障预测精度不高,基于此,提出一种新的故障预测改进方法;TS(2*2首先对原始故障能量特征序列进行对数变换处理,对序列进行一次累加生成,建立GM(1,1)灰色模型,最后将得到的拟合还原成模拟值,得到预测数据;TS(2*2结果表明,故障原始序列经过对数函数变换处理后,预测误差相比于未经处理的基本灰色模型降低了4.63%,预测精度提高到96.5%以上,有效提高了永磁容错电机的故障预测精度。