基于复互小波分析的模拟电路故障诊断方法

针对模拟电路故障诊断研究中故障特征提取的难题,提出基于复互小波变换的相对幅度相对相位协同分析的新方法,并根据复互小波变换的特点构建了故障敏感信息提取算法。使用复互小波变换能同时提取模拟电路在不同频率和时间尺度上的故障特征,并且相对幅度和相对相位信息分别从信号"能量"和"时间延迟"两个不同角度表征模拟电路的故障信息。该方法同时使用了蒙特卡洛方法构建正常电路元器件的容差范围,仿真实验结果表明该方法可以有效地解决模拟电路中灾难型和参数型故障诊断问题。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点，提出采用三层BP小波神经网络构造故障诊断模型，对油泵进行故障监测和诊断。该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理，对油泵多种常见故障取得了满意的诊断效果，不仅具有特征自动提取以及较强的自学习和自适应功能，而且操作维护简便。研究结果表明：信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径；对油库安全维护与故障诊断具有重要意义。     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

多桥并联励磁系统功率单元故障诊断方法

针对多桥并联励磁系统功率单元的开路故障,提出了一种基于小波分析的故障诊断方法。通过对功率单元主回路的仿真分析,得到输出电压、电流波形的故障特征,总结得出了干扰判断的3个因素:故障时间、故障晶闸管位置、触发角α。利用小波变换将小波能谱熵、小波模极大值点和总结得到的故障类型判断真值表通过分步式的故障诊断方法消除干扰因素,将所有故障情况统一起来,对功率单元进行故障诊断。该方法大大减少了传感器的使用数量,降低了设备成本,提高了系统可靠性。通过实验验证了该方法的可行性和可靠性。     

容差条件下的模拟电路故障诊断方法

指出了线性模拟电路中,测试点电压向量在故障状态下相对于标准状态下的变化量,其向量方向由故障元件在被测电路中的位置决定。证明了线性电路中节点电压灵敏度向量的方向能够反映故障元件的位置。结合节点电压敏感度向量的模反映故障元件参数变化量到测试点电压变化量的权重这一特点,以节点电压灵敏度向量为故障特征建立了故障字典。提出一种容差条件下的故障诊断判定算法,兼顾故障定位和元件的参数变化量,可以有效地实现模拟电路元件参数在一定容差范围内随机变化条件下的单一软故障诊断。仿真结果验证了该理论的正确性和方法的有效性。     

模拟电路故障诊断的神经网络方法

提出了一种采用改进的ＢＰ快速算法实现模拟电路软故障诊断的方法。文中对构造神经网络交流故障字典的过程给出了详细说明，特别是隐层节点数确定，测试信号频率的优选及ＭＡＴＬＡＢ神经网络工具箱的使用。实例表明，人工神经网络技术可应用于有容差模拟电路的故障诊断。     

遗传算法优化的SVM模拟电路故障诊断方法

提出了一种利用遗传算法优化的SVM多分类决策树(GADT-SVM)实现模拟电路故障诊断的新方法。介绍了GADT-SVM的设计思想和算法原理;利用传递函数对模拟电路进行建模,并用小波分解提取电路冲激响应的能量分布作为故障特征;使用GADT-SVM对故障特征样本进行分类实现故障诊断。仿真结果表明,与未经优化的DAG-SVM和DT-SVM故障诊断方法相比,该方法可以减小诊断"误差积累"的影响,具有更好的误差控制能力。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

改进量子神经网络高压断路器故障诊断方法研究

为了更准确、快速诊断出高压断路器故障类型,提出一种基于改进的受控旋转门量子神经网络的高压断路器故障诊断方法。量子旋转门旋转角度值直接影响算法的收敛性,而现有的旋转角度取值方法大都采用固定值作为旋转角度值,为此,采用量子进化算法对量子神经网络进行改进。其次,量子神经网络的输入采用量子比特序列的量子态描述方式,能从多维度获取样本信息。最后,建立改进的量子神经网络高压断路器故障诊断模型,经仿真,该模型具有收敛速度快、故障诊断准确率高、容易训练等特点。该方法是一种有效的故障诊断方法,在断路器的故障诊断方面具有良好的应用前景。     

粗糙集-神经网络集成的WSN节点故障诊断

提出一种粗糙集?神经网络集成的无线传感器网络(WSN)节点故障诊断新方法。根据无线传感器网络的应用环境和故障特征得到诊断决策表,利用改进的粗糙集中的归纳属性约简算法对诊断决策表进行属性约简,用Hamming网络建立一套故障分类的方法。仿真实验结果显示,该诊断算法在进行WSN节点故障诊断时,诊断准确性高,通信代价小,能耗低,鲁棒性高。     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题，课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method，WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解，将振动信号分解到独立的频段，提取不同频段的能量谱，并构建反映频谱状态改变的能量谱特征向量；再对得到的能量谱特征向量进行核偏最小二乘分析，建立故障检测模型，利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障，证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点，为解决故障检测中的非线性数据处理问题提供了一种新方法。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

多通道特征融合卷积神经网络的齿轮箱故障诊断

针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法。采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层。在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断。将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示：所提方法的故障诊断准确率更高。     

容差模拟电路诊断中故障隔离的几何方法

针对传统故障字典法的3个主要缺陷,建立了以节点电压增量比作为特征向量的故障字典,该字典能对电路中每个元件的硬故障和软故障作出诊断,具有测前模拟次数少、占用存储空间小、诊断范围宽的特点。针对由于元件参数容差导致故障定位难度大的问题,阐述了如何将几何学中的一些观点应用到故障诊断中,并建立了3个故障隔离的几何模型;最后通过实例验证了该诊断理论和方法的正确性和有效性。该方法适用于线性模拟电路。     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件，设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对，利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理，振动信号包含滚动轴承故障信息。因此，运用小波变换函数，对振动信号进行时频域分析处理，获取有用的故障特征信息，进而确定故障类型。从实验结果可以看出，该方法能准确地找到故障频率，对于机车滚动轴承故障诊断有很好的指导意义     

基于DTCWPT分频特征和BiLSTM的滚动轴承剩余寿命预测

针对滚动轴承退化状态不稳定和传统退化指标不能准确描述轴承退化状态从而导致预测精度不高的问题，课题组提出一种基于快速谱峭度与双树复小波包DTCWPT结合双向长短时记忆网络BiLSTM的轴承寿命预测方法。该方法首先使用快速谱峭度计算故障中心频率；然后使用双树复小波包对信号进行分频处理，选取包含故障中心频率的分频带重构信号提取退化特征，并通过时间相关性、鲁棒性进行特征筛选；最后使用BiLSTM进行寿命预测。试验结果表明课题组所提出的预测方法可以准确预测轴承剩余使用寿命，对比LSTM方法进一步验证了课题组所提方法的有效性。     

小波变换的齿轮泵故障分析

通过对齿轮油泵结构、性能的分析,以泵在正常运行和不同的故障状态下输出压力为信号,提出了基于小波变换的方法来提取和分离输出压力信号,并利用小波分解的方法诊断输出压力信号中包含的故障信息。以此对常用齿轮泵作仿真和试验,所呈现的压力信号三层小波分解系数均不相同,而第三层小波分解系数的差异尤其明显。因此,可利用第三层小波分解系数有效地诊断或甄别齿轮泵运行的状态和隐匿的故障,有利于掌握诊断的主动性,具有较强的实用性。