HYBRID WAVELET PACKET-TEAGER ENERGY OPERATOR ANALYSIS AND ITS APPLICATION FOR GEARBOX FAULT DIAGNOSIS

Based on wavelet packet decomposition （WPD） algorithm and Teager energy operator （TEO）, a novel gearbox fault detection and diagnosis method is proposed. Its process is expatiated after the principles of WPD and TEO modulation are introduced respectively. The preprocessed sigaaal is interpolated with the cubic spline function, then expanded over the selected basis wavelets. Grouping its wavelet packet components of the signal based on the minimum entropy criterion, the interpolated signal can be decomposed into its dominant components with nearly distinct fault frequency contents. To extract the demodulation information of each dominant component, TEO is used. The performance of the proposed method is assessed by means of several tests on vibration signals collected from the gearbox mounted on a heavy truck. It is proved that hybrid WPD-TEO method is effective and robust for detecting and diagnosing localized gearbox faults.

基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明:采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。

自适应GA-WAF盲源分离用于滚动轴承故障诊断

针对CICA方法用于轴承早期故障诊断中,滤波参数选择困难的问题,提出了一种基于遗传算法改进的小波滤波、CICA方法相结合的故障诊断方法,小波滤波器的参数通过遗传算法优化得到。在对采集到的多路信号进行滤波时,提出以峰值因数为目标函数,借助遗传算法构建带通滤波器,这样避免了盲目或者凭经验选择滤波器参数,经过滤波后,提高了轴承故障信号信噪比。接下来,输入到以负熵为目标函数,乘子算法为优化算法的CICA方法中,可以将有用的信号从混合的信号中分离出来,利用TEO方法进行解调识别故障特征。

基于VMD-WPT和能量算子解调的滚动轴承故障诊断研究

针对滚动轴承早期故障振动信号具有能量小、易受背景噪声干扰,导致故障特征提取困难等问题,提出基于变分模态分解(VMD)和小波包变换(WPT)相结合的方法来提取故障特征。首先将振动信号进行VMD分解,得到若干本征模态分量(IMF);其次,通过峭度准则选取峭度值较大的分量进行重构;最后将重构分量采用WPT方法进行分解,并计算小波包的能量、选取能量集中的频段进行能量算子解调,从而提取故障特征信息。将该方法应用到滚动轴承实测数据中,并与目前最常用的方法 EEMD-WPT对特征信号的提取效果作对比。实验结果表明该方法可以更精确地提取出的故障特征频率,验证了其有效性。

大数据支持下的电网系统故障诊断分析技术

为了实现对电力设备运行状态进行监测,准确分析诊断电力设备产生的故障。针对电网数据具有即时传输、更新较快和量级较大的特点,文中基于在线监测系统收集到的电网系统中运行电力设备产生的大数据样本,提出了一种大数据支持下的电网系统故障诊断分析方法。将瑞丽熵、小波包分解方法以及Teager能量算子相结合,提取电网系统中的电力设备在线监测数据并分析其故障的特征向量,利用神经网络算法对电力设备的不同状态进行识别。数据测试与实验结果表明,基于大数据支持的神经网络算法,可以有效提高电力设备的监控能力和设备故障诊断精准度。

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。

基于大数据的电力二次设备故障诊断研究

针对智能电网下电力设备在线监测系统产生的大数据,提出基于大数据的电力设备故障诊断技术方案。该技术方案通过使用小波包分析技术、Renyi熵理论和Teager能量算子,从大量的监测数据中提取和分析故障特征向量,并采用神经网络算法识别电力设备的正常操作、异常操作、预警和警告状态。试验表明,利用大数据训练所形成的神经网络能实现电力设备运行状态的评估与决策。

基于小波包和Teager能量算子的齿轮故障诊断研究

齿轮箱故障振动信号通常是非平稳的,为了有效的提取故障信号的特征参数,提出了基于小波包降噪和非线性Teager能量算子的信号特征参数提取方法。利用构造的噪声信号仿真研究了此方法用于信号特征参数提取的可行性,并将此方法成功应用于齿轮偏心的齿轮箱故障诊断,证明了该方法提取齿轮故障齿轮箱振动信号特征参数的有效性。