提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于小波分析的RAIM算法卫星故障检测研究

作为一种传统的卫星故障诊断方法,RAIM在卫星故障监测中发挥着重要作用;文中基于奇偶矢量RAIM算法,提出一种基于小波分析的RAIM算法的卫星故障检测方法;首先利用Haar小波分解,对卫星故障信号进行小波变换处理,提取故障信号特征,通过在不同尺度的奇异性变化找到信号突变点,然后将检测结果反馈给RAIM算法进行故障检测,对不同条件下的卫星故障进行故障检测性能进行分析;仿真实验表明,该算法提高了系统故障检测的准确性,降低了误警率。     

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。     

基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究

针对稻种发芽率传统检测方法周期长,近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题,通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理,根据去噪效果选择EMD去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征,结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN分别构建稻种发芽率预测模型,建模结果显示10 min检测时间点IGNN预测模型精度最高,预测集相关系数RP=0.985,预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用。风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一。随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义。针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型。首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的三种常见故障。通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。     

小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定.该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力.通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子.偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算.结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%.     

基于RBF神经网络的强流LIA故障诊断与性能评价技术

 用于流体动力学诊断的强流LIA是庞大而复杂的系统，其性能预测和评估是十分困难的。针对强流LIA大量的单次快脉冲非平稳信号，提出基于小波包分析与RBF神经网络技术相结合实现故障智能诊断和性能评价的方法。该方法以强流LIA高维信号的小波包结点能量提取的特征向量来表征信号平顶、脉宽以及暂态特性。在此基础上，建立了“神龙一号”加速器腔电压及注入器出口束流故障诊断与性能评价原型系统，该系统不仅可进行故障诊断和性能评价，还可探测到加速器运行参数的变化趋势，为加速器的精细维护提供预测信息。     

利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。