|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于PSO优化的RBF网络液压泵故障诊断研究显示文摘提出了以小包分解和粒子群优化的径向基神经网络(RBFNN)为基础的液压泵故障诊断方法。通过小波包分解对振动信号做降噪处理并提取相应的故障信号的特征能量值,将此特征能量值作为神经网络的输入,再采用粒子群算法对神经网络的数据中心和宽度、输出权值和阈值进行优化,并将其分别与基于传统神经网络和基于遗传算法优化的故障诊断方法进行对比分析。对比结果表明,该方法具有很好的诊断效果。 | 沈美杰 赵龙章 周兵 周崇明 | 2016 | 液压与气动2016，40，5： | 15 |
| 2 | 基于小波包的换流变压器振动信号特征分析方法显示文摘本文中作者提出一种基于小波包分解的换流变压器振动信号特征分析方法,利用小波包分解对换流变振动信号进行分解重构,计算得到频段能量谱,并分析换流变压器的振动特征。 | 潘志城 邓军 楚金伟 张占龙 武雍烨 王鹏飞 | 2020 | 变压器2020，57，11： | 12 |
| 3 | 基于小波包神经网络的整流电路晶闸管故障识别显示文摘在电力能效监控管理系统中,提出了基于小波包的特征提取和BP(back propagation)神经网络相结合的方法,对三相整流电路中故障晶闸管位置进行诊断和识别.根据整流电路原理,对22种故障情况分别进行编码.建立三相整流电路故障模型,采用小波包分解的方法,对直流端输出电压的采样数据进行特征提取,构建特征向量,作为BP神经网络的训练样本,将对应故障的编码作为网络输出,用简化的训练好的神经网络即可以实现整流电路的故障位置识别.仿真结果证明,采用小波包特征提取,作为神经网络训练样本,既可以简化神经网络训练结构,又可以准确实现故障定位识别.研究具有很大的工程实践意义. | 马立新 范丽君 | 2016 | 能源研究与信息2016，32，1： | 7 |
| 4 | 基于大数据分析的液压系统故障诊断综述显示文摘结合大数据分析技术,针对液压领域的故障诊断,围绕近几年故障诊断的研究现状,归纳总结基于大数据分析的液压故障诊断原理。重点讨论诊断的关键技术,阐述这些技术的优势与不足。对液压系统故障诊断方法进一步的研究思路进行展望,为后续的研究提供参考。 | 郝俊杰 高虹霓 王崴 邱盎 王庆力 宋新成 | 2022 | 机床与液压2022，50，10： | 6 |
| 5 | 参数优化VMD对变压器声音信号的故障诊断显示文摘变压器内部局放声音信号包含了设备故障特征信息,但是局放声音信号的非线性、非平稳性使得故障特征难以提取,因此现有基于声音信号识别变压器内部故障识别率低.为此,提出模拟退火优化变分模态分解—样本熵的特征提取方法,并与支持向量机结合进行变压器内部局放故障诊断.首先,基于模拟退火算法实现变分模态分解(variational mode decomposition,VMD)的参数寻优;然后,采用最优参数设定VMD并对故障声音信号进行分解,得到包含故障特征的本征模态函数,进而求取各本征模态函数的样本熵作为对应样本的特征向量;最后,利用支持向量机实现特征向量的识别与分类.模拟实验结果表明,所提出的方法可以有效提取局放故障声音信号的特征,具有较好的故障识别率. | 魏才懿 杨军 马建桥 | 2021 | 兰州交通大学学报2021，40，4： | 4 |
| 6 | 经验小波变换在变压器铁心松动故障诊断中的研究显示文摘针对变压器铁心松动故障诊断中现有的信号处理方法存在模态混叠或受参数影响等问题,引入了经验小波变换方法,并提出了直接阈值边界划分方法对经验小波变换进行改进。对不同边界划分方法进行了对比研究,验证了直接阈值法可将信号的各个主要成分都能准确划分到各自分量之中的优点。以铁心松动故障为实例,通过计算改进型经验小波变换之后的能量熵来判别铁心的松动状态,发现随着铁心压紧力的减小,EWT能量熵明显增加,并且压紧力矩在20N·m左右时发生突变。用改进型经验小波变换的故障诊断方法可有效准确地判断铁心松动故障,对实际运行中变压器的故障监测有重要意义。 | 王忠强 钱诗林 寇晓适 娄建勇 | 2018 | 机械设计与制造2018，，1： | 3 |
| 7 | 末屏接线法在电力变压器绕组变形测试中的应用研究显示文摘对频率响应法测量大型电力变压器绕组变形的方法进行改进,提出在电容型套管末屏注入测量信号代替在套管首端注入信号的新方法。试验结果表明,两种接线方法测得的图谱在形状和走向上大致相同,只是在幅值上略有不同,但具有相对应关系。通过分析两种方法的原理,对比实测结果,验证了末屏接线测试方法的可行性。 | 杨力 高立超 | 2018 | 电工技术2018，，3： | 1 |
| 8 | 声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法显示文摘为提升电力变压器工作状态的智能监测水平,提出声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法。基于图形差分场技术将声纹信号映射为二维图像,再借助多头注意力机制的视觉转换器实现图像信息的深层挖掘与状态辨识,采用梯度加权类激活映射实现分类结果的可解释性分析。搭建了包含变压器4种典型工作状态下的实验模拟测试系统平台,实验结果表明:所提方法不仅能够有效表征变压器声纹信号的状态特征,且分类辨识精度相较于“时频图+引入多头注意力机制的变换网络”与“图形差分场+引入残差模块的卷积神经网络”的常规方法有显著提升,提升约6%,同时也具备较好的鲁棒性,可为电气设备的故障检测研究提供一定参考。 | 张寒 熊云 唐信 王枭 | 2024 | 应用声学2024，43，1： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员