下载文档原格式
基于小波分析的汽轮机故障检测方法针对现有汽轮机故障检测存在的问题，提出了一种基于小波分析的汽轮机故障检测方法，方法利用小波分析技术提取汽轮机故障特征，利用小波分解算法进行显示，并在试验现场进行了验证，提出的方法可以实时对异常数据进行故障诊断，能满足汽轮机的实时运行要求。
标签：汽轮机；小波分析；小波分解1 概述随着现代化工业尤其是电力系统的高速发展，汽轮机组设备也在高速发展，汽轮机组的特点是大型、快速、连续和自动化。
汽轮机是工业生产尤其是电力系统中的一个重要设备，但是由于其结构十分复杂并且运行环境比较特殊，所以汽轮机在高速运行中的故障率非常高，例如：汽轮机机的核心部件转子可能经常发生故障。
汽轮机的转子一旦在高速运行中发生故障，会使其大大偏离转子的理想运动状态。
汽轮机一旦发生故障时，不仅会造成工业生产事故的安全隐患，还会影响影响工业生产效率。
而汽轮机作为电力系统中的关键设备，万一出现停机等大型故障，将会导致整个企业的故障，包括产品停产，设备瘫痪等，可见故障的危害性是十分巨大的。
由此造成的经济损失是十分巨大的。
因此，找到一种方法能够及时发现并消除故障，成为了当前电力系统迫切需要解决的课题。
2 小波分析理论小波分析通常具有多分辨率分析的特征，并且小波在时域和频域上都有代表信号的局部信息的能力，它的特征提取方法多种多样，通常小波提取用到的时间窗和频率窗是可以根据信号形态进行动态实时的调整。
Mallat算法是小波变换的最常用的快速算法，它是基于多分辨分析的概念的。
具体原理为，设{Vj}是一个给定的多分辨率分析谱，？赘（x）和W（x）分别是尺度函数和小波函数。
再设，则有如下分解：然后，公式（1）中的尺度系数和小波系统有如下关系：公式（2）中，H为尺度函数对应的低通滤波器，G为小波函数对应的低通滤波器。
我们选取的滤波器G为频带在[-2？仔，-？仔]∪[？仔，2？仔]之间的低通滤波器。
所以，Dj低通滤波器的频带信号范围为[-2-j？仔，-2-j-1？仔]∪[2-j-1？仔，2-j？仔]。
基于小波包变换与ceemdan的滚动轴承故障诊断方法本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。
该方法通过小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。
实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。
关键词：小波包变换；CEEMDAN；滚动轴承；故障诊断引言滚动轴承是机械设备中常见的关键部件之一，其运行状态对设备的安全性和可靠性具有重要影响。
因此，滚动轴承故障诊断一直是机械振动领域中的研究热点之一。
传统的滚动轴承故障诊断方法主要基于时间域、频域和时频域分析，但这些方法存在着一定的局限性，如低准确性、低鲁棒性等。
近年来，小波包变换和CEEMDAN等信号处理方法被广泛应用于滚动轴承故障诊断中。
小波包变换可以将信号分解为不同频率的子带，从而提取信号的频率信息。
CEEMDAN是一种新型的自适应信号分解方法，可以将信号分解为不同的本征模态函数（EMD），从而提取信号的局部特征。
因此，将小波包变换和CEEMDAN结合起来，可以更加准确地提取滚动轴承的故障特征。
本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。
该方法首先使用小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。
最后，使用支持向量机（SVM）分类器对提取的特征进行分类，以实现滚动轴承的故障诊断。
实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。
方法1.小波包变换小波包变换是一种基于小波变换的信号分析方法，可以将信号分解为不同频率的子带。
小波包变换的基本思想是将小波变换的分解过程进行递归，从而得到更加细致的频率分解。
具体来说，小波包变换可以表示为：$$WPT(x,n,k)=sum_{i=0}^{N-1}x(i)psi_{n,k}(i)$$其中，$x$为原始信号，$N$为信号长度，$psi_{n,k}$为小波包基函数，$n$和$k$分别表示小波包基函数的尺度和位置。
基于小波包分析的电动机转子断条故障检测电动机在工业生产中起着至关重要的作用，而电动机的故障往往会导致生产线的停止和损失。
其中，电动机转子的断条故障是一种常见的故障类型。
因此，开发一种高效可靠的电动机转子断条故障检测方法具有重要的实际意义。
小波包分析是一种信号处理的方法，具有多分辨率、局部特征提取等优点，特别适合用于故障诊断。
基于小波包分析的电动机转子断条故障检测方法可以通过对电动机转子振动信号进行分析，提取出转子断条故障所具有的特征信息。
首先，将电动机转子的振动信号进行小波包分解。
小波包分解可以将信号分解成多个子频带，每个子频带对应不同的频率范围。
通过对不同子频带的分析，可以提取出不同频率范围内的特征信息。
然后，对每个子频带的信号进行特征提取。
可以使用多种特征提取方法，如能量、方差、峰值等，来描述信号的统计特性。
通过对这些特征进行分析，可以发现转子断条故障所具有的特征模式。
接下来，使用机器学习算法对提取的特征进行分类。
可以使用支持向量机、神经网络等算法进行分类，以判断转子是否存在断条故障。
通过训练样本的学习，可以建立一个高效的分类模型，用于对未知样本进行故障检测。
最后，根据分类结果进行故障诊断。
如果分类结果表明电动机转子存在断条故障，那么需要对电动机进行维修或更换转子。
如果分类结果表明电动机转子正常，那么可以排除转子断条故障的可能性，继续进行其他故障的排查。
综上所述，基于小波包分析的电动机转子断条故障检测方法具有很高的实用性和准确性。
通过该方法可以提高电动机的可靠性和稳定性，减少生产线的停机时间和损失。
在工业生产中的应用前景广阔，有着重要的实际意义。
小波包-神经网络在汽轮机转子故障诊断的应用发电设备(2009N o.6)收稿日期2323; 修回日期2525作者简介刘明利(32),男,在读硕士生,主要从事发电机组振动的故障诊断。
小波包-神经网络在汽轮机转子故障诊断的应用刘明利, 傅行军, 李 艳(东南大学火电机组振动国家工程研究中心,南京210096)摘 要:根据汽轮机转子振动信号特点,提出了小波包分析和概率神经网络相结合的故障诊断方法。
利用小波包对故障信号进行分解,然后将归一化后的数据用于概率神经网络,从而对信号特征及其故障类型建立非线性映射,实现故障诊断。
MA TLAB 的实验仿真表明,小波包分析和概率神经网络的结合在汽轮机转子常见故障的诊断中是很有效的。
关键词:汽轮机;转子;故障诊断;小波包;神经网络中图分类号:TK267 文献标识码:A 文章编号:16712086X(2009)0620397203Applica tion o f Wa velet Packet 2N eural N et w or kto Fa ult Dia gnosis o f Tur bine Rotor sLI U Ming 2li , FU Xing 2jun , L I Yan(Nati onal Engi neeri ng Research Center of Turbo Generat or Vi bration ,Sout heast U niversity ,Nanji ng 210096,China )Abstract :A ccordi ng to the signal fe atures of tur bine rotor vibration f aults ,a diagnosis method in c ombina tion of w avelet p acket a nd p roba bilistic neural netw or k is being p rop o se d.Fa ult signals aredecompose d using w avelet packet ,and t he n t he unif ied data w ill be pr ocessed by p roba bilistic neur al netw ork ,w here af ter a nonline ar mappi ng relationship betwee n signal fe atures and f ault type ca n be obtaine d ,and t hu s a f ault dia gnosis c ompete d.Experime ntal results of MA TL AB sim ula tion show that t he c ombine d met hod by wa velet pac ke t a nd pr oba bilistic neural netw ork is ve ry eff ective f or diagnosis of nor mal t ur bine r otor f aults.Keyw or ds :st eam tur bine ;r ot or ;f ault diagnosis;wa vele t p acket ;ne ur al netw or k 对振动信号进行小波分析时,往往只对上层分解结果中的低频部分加以分析,而忽略其高频部分,但是待分析信号一般都处在一个确定有限的频域范围,故障信息可能隐藏在高频部分,忽略高频部分就意味着可能无法将故障信息提取出来或者说丢失了故障信息[1]。
基于高斯混合模型与小波包分析的汽轮机转子振动故障诊断实验研究的开题报告1. 研究背景与意义汽轮机转子是汽轮机中最关键的部件之一，其运行状态直接影响到汽轮机的性能和可靠性。
转子振动故障可能导致运行不稳定和损伤，甚至给人员和设备带来安全隐患。
因此，汽轮机转子故障诊断成为汽轮机运行和维护中的重要问题之一。
传统的转子振动故障诊断方法主要基于振动信号分析和频谱分析，但这些方法往往受到信号噪声干扰的影响，诊断效果不稳定。
近年来，随着数据处理技术的不断进步，基于机器学习和模式识别的故障诊断方法受到了越来越多的关注。
其中，高斯混合模型（GMM）在模式识别领域表现出良好的性能，能够对复杂的数据分布进行建模和分类；小波包分析则可以对信号进行局部分析和多分辨率分析，提高信号噪声的抑制能力。
因此，将高斯混合模型与小波包分析相结合，对汽轮机转子振动故障进行诊断，具有重要的研究意义和实际应用价值。
2. 研究内容与方法本研究旨在探究基于高斯混合模型与小波包分析的汽轮机转子振动故障诊断方法，主要研究内容包括：（1）汽轮机振动信号采集：选取适当的传感器，设计合理的振动测量系统，获取实验数据；（2）小波包分析：根据振动信号特点，选取适当的小波基和分解层数，对信号进行小波包分解和重构，得到不同频段和尺度上的信号特征；（3）高斯混合模型：采用最大似然估计方法建立高斯混合模型，对不同频段和尺度上的信号特征进行分类，并计算各个类别的概率分布；（4）转子振动故障诊断：根据概率分布结果，判断信号属于哪个类别，诊断汽轮机转子振动故障类型。
3. 研究计划及进度安排（1）前期准备：对汽轮机振动信号采集系统进行设计和建立，编写相关数据处理程序。
预计完成时间：1个月。
（2）信号处理：对采集到的振动信号进行去噪和滤波，选取适当的小波基和分解层数，进行小波包分析，提取信号特征。
预计完成时间：2个月。
（3）高斯混合模型建立和参数估计：采用最大似然估计方法建立高斯混合模型，对信号特征进行分类，求解模型参数。
基于小波包分析的电机转子断条故障诊断
基于小波包分析的电机转子断条故障诊断研究
1.引言
当发生转子断条故障时，在其定子电流中将会出现和频率的附加电流分量（s为转差率，为供电频率）。
但是分量的绝对幅值很小，若直接作傅里叶频谱分析时，由于栅栏效应分量的泄漏有可能淹没频率分量。
自适应滤波和希尔伯特变换法这两种方法可以有效的解决检测频率分量困难的问题，是目前最具代表性的异步电动机转子断条在线检测方法。
但是这两种方法只适用于电动机拖动平稳负荷的运行工况。
当负荷波动较大时无法取得令人满意的结果，对故障诊断的准确性产生一定影响。
小波包分析不仅对信号的低频部分进行分解，同时也对高频部分进行分解，自适应的确定信号在不同频段的分辨率，在故障诊断中比小波分析更精细。
本文尝试用小波包分析研究电机转子断条故障诊断问题。
2.实验数据采集
下面针对正常、转子断条的三相鼠笼式异步电动机两台电机的电流信号进行采集和分析研究。
三相异步鼠笼电动机额定功率3KW，额定转速1430转/分。
在转差率s=5.6%，采样频率为=1000Hz，采样点数的情况下采用虚拟仪器。
