机械故障信号小波包分解的时域特征提取方法研究

本文利用小波包分解机械故障信号 ,对分解后的不同频带内的分解系数进行时域重构 ,分别对重构时间序列用时域分析的方法提取对故障敏感的特征参数 ,实现对往复机械等复杂机械的故障诊断 ,并以某油田往复泵为例。验证了该方法对这类机械进行故障诊断的有效性。

脉搏波信号时域特征提取与算法的研究

研究脉搏波信号时域特征以及提取算法,针对脉搏波信号中若干有明确生理意义的特征点(如主波、潮波、重搏波等),提出采用极值法从脉搏信号中提取上述特征点,并根据特征点来计算脉搏周期。仿真实验证明,采用极值法与传统的脉搏信号提取法相比,极值法的脉搏特征提取更简明、准确。

基于时域特征提取的围栏入侵模式分类方法

基于无线传感网的防入侵应用领域中行为分类问题,提出一种基于时域特征提取的电子围栏入侵检测及异常入侵模式识别系统。由于频域处理方法计算量大、复杂度高、传感器采样率高,为减轻系统的传输负担并减少时延,首先对原始信号预处理提取时域特征,然后通过一个三层的BP神经网络对目标事件进行分类,最后对比了多种典型的分类器方法的准确率。仿真结果表明:相比于频域处理方法,该方法复杂度低、易于实现,多种分类器准确率达86%以上,其中BP神经网络测试集的准确率能够达到94%,并且训练集和测试集的准确率偏差较小。

基于时域特征检测用户用电不确定性行为

针对用户用电不确定性程度难以量化,如何选取合适用户参与电网新业务的问题,提出一种基于时域特征分量提取的用户用电不确定性行为检测方法,首先依次提取用电数据的周期分量、趋势分量和随机分量,并从随机分量中检测用户的不确定行为点,其次分别从短期和长期两个维度提出用户局部和整体不确定性指标,并对用户不确定性进行排序。结果表明,所提方法可以准确检测用户的不确定行为点,量化用户的不确定性程度,在检测精度,效率和速率等方面均比其他方法具有优势,为电网公司在不同时段选取用户参与调控提供依据。

基于随机森林二分类器的模块化多电平换流器子模块开路故障检测方法

随着模块化多电平换流器(modularmultilevel converter,MMC)应用领域的日益扩展,其子模块的开路故障引起了更多关注。为了诊断子模块开路故障,该文提出一种基于机器学习(machinelearning,ML)的故障检测和定位策略。根据开路故障特性,文中选择子模块电容器电压作为故障检测的关键指标,然后引入一种从电压数据中提取时域特征的方法,以构造用于有监督学习分类器的样本。在对随机森林的分类器进行样本训练后,检测策略实时电压数据的特征量判断每个子模块的工作状态。所提出的策略可快速准确地定位故障子模块,而无需添加额外的传感器或构建电路的数学模型。最后,通过三相MMC实验平台验证所提出的开路故障检测策略的有效性。

湿式离合器换段过程液压系统故障机理分析与诊断方法研究

为了预测一定负载下,液压机械无级变速器(简称HMCVT)湿式离合器由于液压系统压力、流量脉动使得主从动轴长时间产生较大转速差而一直处于滑摩状态,导致湿式离合器换段不理想的问题。通过分析液压系统故障形成机理,利用AMESim搭建湿式离合器液压系统,模拟注入故障类型,进行时域特征提取,提出量子粒子群(QPSO)优化BP神经网络权值、阈值的算法对湿式离合器液压系统进行故障诊断,提升该系统的诊断效率与诊断精度,并结合台架试验验证该算法的准确性。研究结果表明:QPSO算法优化BP神经网络的故障诊断算法故障识别率高,算法具有更高的收敛精度及收敛速度,研究结果为设计拖拉机HMCVT的故障自诊断系统提供理论参考以及工程开发思路。