小波包分析在振动法监测变压器铁芯及绕组状况中的应用

通过分析小波包的特性 ,提出了一种基于小波包分析得到变压器器身振动的能量特征矢量的方法 ,该特征矢量可作为变压器铁芯故障诊断的判据。在实验室中 ,进行了空载条件下变压器铁芯振动的测试。从时域的信号来看 ,故障后的振动加速度信号幅值比正常状况下有了一些变化 ,但难以形成确定的判据来衡量电力变压器发生故障程度的大小。对振动信号进行小波包分解 ,得到基于小波包分析的能量特征矢量 ,从实验结果可以看出这种方法可有效地判断铁芯是否存在故障。

基于小波包分解的XLPE配电电缆局部放电波形特征提取与识别

XLPE中压电缆局部放电(partial discharge)带电检测获得的信号可能源于电缆本体、电缆终端头,也可能来自于与之连接的开关柜中的电晕放电或表面放电等等。由于不同来源的PD信号,对设备的危害不同,其判断标准也有所不同,故有必要对PD信号来源进行识别。笔者利用小波包分解技术对试验获得的大量PD波形数据进行去噪和特征提取。使用PD信号在不同尺度下的能量谱、Shannon熵、对数能量熵以及1.5阶标准熵组成4组特征向量;将提取出的特征向量分别作为BP神经网络分类器的输入,对PD信号进行识别,并得到以下结论:以提取的各特征向量对PD信号进行识别,平均识别率均在90%附近;能量谱、Shannon熵、对数能量熵对于表面放电的识别率相对较低,1.5阶标准熵对于表面放电识别率高但对于电缆本体PD信号识别率较低。提出使用能量谱和1.5阶标准熵组合特征向量对PD信号进行识别,效果优于单独使用各特征向量进行识别,识别率高达97%。

基于小波和径向基函数神经网络的滚动轴承故障模式识别

利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一,传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号,有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征,因而非常适于对瞬态或时变信号进行分类,而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征,首先采用小波包分析对其建立频域能量特征向量,然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的内外环故障模式,可以满足工程中的需要。

基于小波包特征提取的煤岩硬度振动识别方法

针对现有煤岩硬度性状识别方法不能满足采煤机滚筒实现自动调高技术的需要,提出摇臂振动信号时频域能量特征识别煤岩硬度的方法。采用自主研发并取得煤安认证的矿用振动加速度传感器开展井下测试,以综采工作面采煤机摇臂处实测振动加速度信号为研究对象,利用小波包信号分析方法,得到第3层4个频率成分的时频域分解信号,根据系数重构后的函数表达式,计算各个频段内的信号能量作为特征向量,确定采煤机截割煤岩时摇臂振动特征。MG180/420-BWD薄煤层采煤机在兖矿集团南屯煤矿测试结果表明,小波包时频域能量特征向量对截割煤岩硬度敏感,该特征向量间接判定截割工况效果良好。

基于相对小波包能量特征向量的故障诊断

在小波及小波包分析的基础上引进相对小波包能量特征向量的概念,提出了一种建立旋转机械故障库的新方法,并结合模式判别的知识,引进欧几里德距离公式作为判据,使故障诊断公式化、定量化。实验结果表明这种方法能够很快地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。

小波包分析技术在大型电机转子故障诊断系统中的应用

通过精密离心机电机驱动系统和机械系统的故障机理的分析,提出了两种故障信号基于小波包分析的特征提取方法。一个是渐进性故障信号的特征提取方法,控制器误差信号通过小波包分解与重构,最后在最低频段的节点得到了已经去噪的故障信号。另一个是振动信号频带能量的特征向量提取方法,动平衡系统的振动信号被分解到独立的频段,不同频带内的信号能量变化反映了系统机械运行状态的改变,每个能量成分被提取形成特征向量用于故障诊断。试验与仿真结果表明这种基于小波包分析的故障方法具有算法简单、可行的优点。

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法。对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。

Quasi-Newton BP神经网络算法在电梯急停故障诊断中的应用

为了判断电梯运行是否故障急停,结合电梯动态智能检测系统的结构和特点,采用基于多传感器数据融合技术的3层BP神经网络方法,并将其应用到电梯动态智能检测系统中;因对不同传感器采集的信号采用不同的处理方法,训练样本包括基于小波包分析的能量特征向量,峭度系数、峰峰值时域特征值;Quasi-Newton BP算法经104步完成对样本训练,精度是2.6×10-4,实现检测系统的智能化急停诊断;结果表明该算法优于弹性BP算法。

直流牵引网故障电流能量谱及特征矢量

故障信息的识别和处理是继电保护技术的基础。针对直流牵引网故障波形,定义牵引网负荷电流的能量谱,构造模式识别的特征矢量,实现了对牵引网的状态识别与故障诊断。实验证明,能量谱分析可有效提取牵引网的故障信息,所构造的特征矢量可实现牵引网运行模式空间的划分,提高了直流牵引网继电保护的灵敏性。能量谱保护方法是一种行之有效的牵引网保护方法。

基于最小二乘支持向量机的故障诊断方法

提出了一种小波包分析与最小二乘支持向量机相结合的机械设备故障诊断模型。首先对故障信号功率谱进行小波分解,简化了故障特征向量的提取,然后采用最小二乘支持向量机进行故障诊断。在该模型中,用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转换为线性方程组的求解,并提出对核函数的σ参数进行动态选取。仿真结果表明:该模型可以取得较高的故障诊断准确率。

电能质量扰动分类的贝叶斯方法

随着非线性负荷的大量使用,电能质量问题已日益受到关注．对各种电能质量扰动进行分类,是采取适当措施降低扰动带来影响的前提．小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息．为此,对电能质量扰动信号进行小波包分解,分别以小波包分解终结点的能量和熵作为特征向量。用贝叶斯分类器进行分类识别,对扰动分类做出了仿真分析,仿真结果验证了该方法的有效性．通过与Fisher分段线性分类器进行比较,表明以熵为特征向量的贝叶斯分类方法有较高的识别正确率．

基于小波包能量特征向量的结构动力响应损伤识别

在结构动力响应监测中如何准确判断结构损伤状况是工程上的一大难题,本文研究通过小波包能量特征向量提取结构损伤信息来识别结构损伤的方法,并进行实验分析,同时分析噪声对能量值的影响。实验发现:小波包能量特征向量具有识别结构状态的能力,并且不受噪声的影响,相反,对观测信号去噪后不利于能量特征向量的提取。

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障状态的识别。

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。

声波透射法测桩波形畸变系数计算与分析

声波透射法主要采用声学参数和波形畸变程度来判断基桩完整性,但是波形畸变系数无法定量计算,难以精确判定其畸变程度。通过频率域测点能量统计法计算波形畸变系数及畸变系数临界值,使用频谱及小波包分析技术探讨了完整波形和畸变波形(桩底沉渣测点、低强度不密实测点、断桩测点)的特征,并基于3层小波包分解信号的频带能量构造特征向量。结果表明:桩底沉渣测点的谱函数呈台阶状,断桩测点频谱能量主要分布在低频部分;完整测点的特征向量值最大,断桩测点的特征向量值最小,低强度不密实测点的特征向量值具有1个上凸拐点。

基于噪声分析的电机故障诊断方法研究

本文基于Matlab平台,对电机各种运行状态的噪声进行数字分析和处理,提出了一种基于噪声分析的电机故障类型的诊断方法。首先对电机不同运行状态下的声音信号进行时频域分析和去噪处理;其次分析和提取了信号的能量特征向量。最后利用神经网络分类器对电机故障声音进行了分类识别。此外,为提高智能诊断的准确性,本文在以上一系列过程中均采用了多种方法,并进行了择优。实验表明,本文研究的基于噪声分析的电机故障诊断方法具有较高准确率。

光纤光栅型平面冲击信号方向识别的小波包分析

介绍了光纤光栅传感器检测平面冲击信号的方向识别技术的重要性;构建了基于小波包分解的能量谱特征向量,说明了能量谱特征向量用于诊断系统参数改变或损伤故障的原理;搭建了基于非平衡M-Z干涉仪和PGC相位解调技术的光纤光栅平面冲击信号检测系统;测试了与光纤光栅传感器轴向夹角为0°,30°,45°,60°,90°等方向的平面冲击信号;通过Fourier分析表明不同方向的冲击信号频谱的能量随冲击方向变化而改变;描绘了基于小波包分解构造的能量谱特征向量与冲击信号方向的关系,结果显示两者具有理想的余弦关系;实验表明基于小波包分解的能量谱特征向量能很好的识别平面冲击信号的方向。

基于小波包变换和神经网络的油井故障诊断方法

为精确诊断机械采油井的系统故障,提出一种基于小波包特征向量的神经网络故障诊断方法。对采集到的悬点位移和悬点载荷数据进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP神经网络进行训练,考虑到传统BP算法的局限性,采用改进的遗传算法训练网络权值,进而实现油井系统的智能化故障诊断。试验结果表明,训练好的神经网络能够很好地诊断出采油井故障类型。

基于小波包与神经网络的长输油管道泄漏检测方法

将小波包分解提取压力信号的特征向量法应用到长输油管道状态检测中,直接利用各频段成分特征向量的变化提取泄漏与调泵压降信息.用该方法构造的特征向量可以很好地反映长输油管道的压降原因,并以此特征向量作为BP神经网络的输入对神经网络进行训练,建立基于神经网络的管道运行状态监测系统,用以识别管道运行的状态.应用该方法对长输油管道的正常状态、泄漏状态、调泵状态进行识别验证.验证结果表明,实际输出值与理想输出值接近,精确度较高.