小波神经网络的基本原理,小波神经网络什么意思

神经网络以及小波分析法在汽车发动机故障检修中有什么应用？

汽车是我们生活中常用的将交通工具，那么神经网络和小波分析法在汽车发动机故障检修中有什么应用呢？大家请看我接下来详细地讲解。一，小波分析在故障检修中的应用小波包分解与故障特征提取。

缸盖表面的振动信号由一系列瞬态响应信号组成，分别代表气缸的振动源响应信号:1为气缸的燃烧激励响应;2是排气阀打开时的节流阀冲击。

气门间隙异常时,振动信号的能量大于目前冲击力作用时,振动信号的主要组件目前离冲击力稳定的振动信号和噪声,信号能量相对较小。

因此，可以利用每个频带的能量变化来提取故障特征，通过小波包分解系数{4]得到频带的能量。二，神经网络在故障检修中的作用神经网络与故障识别的基本原理。

人工神经网络以其大规模并行处理、分布式存储、自组织、自适应和自学习的能力，以及适合于处理不准确或模糊的信息而备受关注5]。其中，最成熟的是BP神经网络。值，直到输出接近理想输出信号6。

因此，BP神经网络可以以任意精度逼近任意有限维函数，适用于模式识别。现在对每个工况信号取5个样本，按照⒉部分所述步骤对35组样本信号进行编程，提取样本信号的能量特征向量。

三，小波分析法和神经网络应用总结为了实现柴油机气门机构的非解体故障诊断，本文将对测量的气缸盖振动信号进行小波阈值降噪预处理。然后根据信号的频率特性，对信号进行时频分析后进行小波包分解。

所构造的能量特征向量准确地反映了气门间隙状态下缸盖振动信号能量的变化。

实验表明，利用能量特征向量，BP神经网络能更准确地完成从振动信号空间到气门间隙状态空间的非线性映射，能更好地满足柴油机状态检测和故障诊断的要求。

谷歌人工智能写作项目：神经网络伪原创

什么是“小波神经网络”？能干什么用呀

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络写作猫。

它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型。 即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。

它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。

“小波神经网络”的应用：1、在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高解析度等。2、在信号分析中的应用也十分广泛。

它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。3、在工程技术等方面的应用。

包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。扩展资料：小波神经网络这方面的早期工作大约开始于1992 年，主要研究者是Zhang Q、Harold H S 和焦李成等。

其中，焦李成在其代表作《神经网络的应用与实现》中从理论上对小波神经网络进行了较为详细的论述。近年来，人们在小波神经网络的理论和应用方面都开展了不少研究工作。

小波神经网络具有以下特点：首先，小波基元及整个网络结构的确定有可靠的理论根据，可避免BP 神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力。

人工神经网络的发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。

其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。

目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。下面主要就神经网络与小波分析、混沌、粗集理论、分形理论的融合进行分析。

与小波分析的结合1981年，法国地质学家Morlet在寻求地质数据时，通过对Fourier变换与加窗Fourier变换的异同、特点及函数构造进行创造性的研究，首次提出了小波分析的概念，建立了以他的名字命名的Morlet小波。

1986年以来由于YMeyer、S.Mallat及IDaubechies等的奠基工作，小波分析迅速发展成为一门新兴学科。

Meyer所著的小波与算子，Daubechies所著的小波十讲是小波研究领域最权威的著作。小波变换是对Fourier分析方法的突破。

它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

小波分析相当于一个数学显微镜，具有放大、缩小和平移功能，通过检查不同放大倍数下的变化来研究信号的动态特性。因此，小波分析已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。

小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，因而具有较强的逼近能力和容错能力。

在结合方法上，可以将小波函数作为基函数构造神经网络形成小波网络，或者小波变换作为前馈神经网络的输入前置处理工具，即以小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分离，并提取出对加工误差影响最大的状态特性，作为神经网络的输入。

小波神经网络在电机故障诊断、高压电网故障信号处理与保护研究、轴承等机械故障诊断以及许多方面都有应用，将小波神经网络用于感应伺服电机的智能控制，使该系统具有良好的跟踪控制性能，以及好的鲁棒性，利用小波包神经网络进行心血管疾病的智能诊断，小波层进行时频域的自适应特征提取，前向神经网络用来进行分类，正确分类率达到94%。

小波神经网络虽然应用于很多方面，但仍存在一些不足。从提取精度和小波变换实时性的要求出发，有必要根据实际情况构造一些适应应用需求的特殊小波基，以便在应用中取得更好的效果。

另外，在应用中的实时性要求，也需要结合DSP的发展，开发专门的处理芯片，从而满足这方面的要求。混沌神经网络混沌第一个定义是上世纪70年代才被Li-Yorke第一次提出的。

由于它具有广泛的应用价值，自它出现以来就受到各方面的普遍关注。

混沌是一种确定的系统中出现的无规则的运动，混沌是存在于非线性系统中的一种较为普遍的现象，混沌运动具有遍历性、随机性等特点，能在一定的范围内按其自身规律不重复地遍历所有状态。

混沌理论所决定的是非线性动力学混沌，目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。

1990年Kaihara、T.Takabe和M.Toyoda等人根据生物神经元的混沌特性首次提出混沌神经网络模型，将混沌学引入神经网络中，使得人工神经网络具有混沌行为，更加接近实际的人脑神经网络，因而混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一，成为神经网络的主要研究方向之一。

与常规的离散型Hopfield神经网络相比较，混沌神经网络具有更丰富的非线性动力学特性，主要表现如下：在神经网络中引入混沌动力学行为；混沌神经网络的同步特性；混沌神经网络的吸引子。

当神经网络实际应用中，网络输入发生较大变异时，应用网络的固有容错能力往往感到不足，经常会发生失忆现象。

混沌神经网络动态记忆属于确定性动力学运动，记忆发生在混沌吸引子的轨迹上，通过不断地运动(回忆过程)一一联想到记忆模式，特别对于那些状态空间分布的较接近或者发生部分重叠的记忆模式，混沌神经网络总能通过动态联想记忆加以重现和辨识，而不发生混淆，这是混沌神经网络所特有的性能，它将大大改善Hopfield神经网络的记忆能力。

混沌吸引子的吸引域存在，形成了混沌神经网络固有容错功能。这将对复杂的模式识别、图像处理等工程应用发挥重要作用。

混沌神经网络受到关注的另一个原因是混沌存在于生物体真实神经元及神经网络中，并且起到一定的作用，动物学的电生理实验已证实了这一点。

混沌神经网络由于其复杂的动力学特性，在动态联想记忆、系统优化、信息处理、人工智能等领域受到人们极大的关注。

针对混沌神经网络具有联想记忆功能，但其搜索过程不稳定，提出了一种控制方法可以对混沌神经网络中的混沌现象进行控制。研究了混沌神经网络在组合优化问题中的应用。

为了更好的应用混沌神经网络的动力学特性，并对其存在的混沌现象进行有效的控制，仍需要对混沌神经网络的结构进行进一步的改进和调整，以及混沌神经网络算法的进一步研究。

基于粗集理论粗糙集(RoughSets)理论是1982年由波兰华沙理工大学教授Z.Pawlak首先提出，它是一个分析数据的数学理论，研究不完整数据、不精确知识的表达、学习、归纳等方法。

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。

目前，粗糙集理论已被成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。

粗集和神经网络的共同点是都能在自然环境下很好的工作，但是，粗集理论方法模拟人类的抽象逻辑思维，而神经网络方法模拟形象直觉思维，因而二者又具有不同特点。

粗集理论方法以各种更接近人们对事物的描述方式的定性、定量或者混合性信息为输入，输入空间与输出空间的映射关系是通过简单的决策表简化得到的，它考虑知识表达中不同属性的重要性确定哪些知识是冗余的，哪些知识是有用的，神经网络则是利用非线性映射的思想和并行处理的方法，用神经网络本身结构表达输入与输出关联知识的隐函数编码。

在粗集理论方法和神经网络方法处理信息中，两者存在很大的两个区别：其一是神经网络处理信息一般不能将输入信息空间维数简化，当输入信息空间维数较大时，网络不仅结构复杂，而且训练时间也很长；而粗集方法却能通过发现数据间的关系，不仅可以去掉冗余输入信息，而且可以简化输入信息的表达空间维数。

其二是粗集方法在实际问题的处理中对噪声较敏感，因而用无噪声的训练样本学习推理的结果在有噪声的环境中应用效果不佳。而神经网络方法有较好的抑制噪声干扰的能力。

因此将两者结合起来，用粗集方法先对信息进行预处理，即把粗集网络作为前置系统，再根据粗集方法预处理后的信息结构，构成神经网络信息处理系统。

通过二者的结合，不但可减少信息表达的属性数量，减小神经网络构成系统的复杂性，而且具有较强的容错及抗干扰能力，为处理不确定、不完整信息提供了一条强有力的途径。

目前粗集与神经网络的结合已应用于语音识别、专家系统、数据挖掘、故障诊断等领域，将神经网络和粗集用于声源位置的自动识别，将神经网络和粗集用于专家系统的知识获取中，取得比传统专家系统更好的效果，其中粗集进行不确定和不精确数据的处理，神经网络进行分类工作。

虽然粗集与神经网络的结合已应用于许多领域的研究，为使这一方法发挥更大的作用还需考虑如下问题：模拟人类抽象逻辑思维的粗集理论方法和模拟形象直觉思维的神经网络方法更加有效的结合；二者集成的软件和硬件平台的开发，提高其实用性。

与分形理论的结合自从美国哈佛大学数学系教授BenoitB.Mandelbrot于20世纪70年代中期引入分形这一概念，分形几何学(Fractalgeometry)已经发展成为科学的方法论--分形理论，且被誉为开创了20世纪数学重要阶段。

现已被广泛应用于自然科学和社会科学的几乎所有领域，成为现今国际上许多学科的前沿研究课题之一。由于在许多学科中的迅速发展，分形已成为一门描述自然界中许多不规则事物的规律性的学科。

它已被广泛应用在生物学、地球地理学、天文学、计算机图形学等各个领域。

用分形理论来解释自然界中那些不规则、不稳定和具有高度复杂结构的现象，可以收到显著的效果，而将神经网络与分形理论相结合，充分利用神经网络非线性映射、计算能力、自适应等优点，可以取得更好的效果。

分形神经网络的应用领域有图像识别、图像编码、图像压缩，以及机械设备系统的故障诊断等。

分形图像压缩/解压缩方法有着高压缩率和低遗失率的优点，但运算能力不强，由于神经网络具有并行运算的特点，将神经网络用于分形图像压缩/解压缩中，提高了原有方法的运算能力。

将神经网络与分形相结合用于果实形状的识别，首先利用分形得到几种水果轮廓数据的不规则性，然后利用3层神经网络对这些数据进行辨识，继而对其不规则性进行评价。

分形神经网络已取得了许多应用，但仍有些问题值得进一步研究：分形维数的物理意义；分形的计算机仿真和实际应用研究。随着研究的不断深入，分形神经网络必将得到不断的完善，并取得更好的应用效果。?。

求一个“基于小波神经网络的模拟电路故障诊断仿真程序”

。

智能网络管理系统分析与系统设计4.1需求分析随着网络技术的不断发展，5G时代的来临，网络设备数量的迅增导致网络管理难度的增大，系统管理人员的工作压力繁重，特别是目前大量的基于Web环境的各个业务系统对企业的网络提出了更高的要求，除了要保证网络的安全性、稳定性、保密性、可靠性外，还要确保网络速度、服务质量、使用方便等各个因素。

网络管理系统面临网络设备运行环境是否安全、设备运行是否平稳、设备故障能否快速发现并解决等问题。

本文采用B/S架构可以更大程度上跨平台使用此系统，结合web技术和人工智能技术根据实际情况实现具有故障诊断的智能网络管理系统，在一定程度上实现传统网络管理系统的自动化。

图4.1为系统模块用例图：4.1.1功能需求（1）从用例图中可以看到，本系统分为两种角色，超级管理员和普通用户。

超级管理员拥有最高权限，可以对普通用户进行添加、修改、删除操作，用户管理本质就是通过赋予用户角色对系统操作权限不同，使得用户角色分工不同更加网络管理工作更加细致和明确。

同时，超级管理员可以升级普通用户为超级管理员也可以根据人员不同赋予不同的权限。

（2）用户可以在系统中添加和删除网络设备，在实际企业当中网络设备资源数量众多，针对设备资源进行有针对性行的管理可以满足企业日益增加的设备需求。

用户可以通过在系统中填写设备详情添加相应网络设备；选取相应设备填写对应标签、地址、流量类型可以掌握设备端口流量流入流出情况和连接状态以及查看设备信息；选取某设备端口，输入修改后的ip地址、子网掩码、登录密码、特权密码等可以通过telnet协议对设备端口进行配置；如果某设备已经损坏或者不再需要时，可以点击删除按钮对设备进行删除；可以查看个人详细信息对个人信息进行修改。

（3）网络故障是是网络管理系统中的重要模块，网络可以平稳运行是评价网络管理系统的重要指标。

网络虚拟环境下，复杂的资源关系以及各资源之间的互相干扰，一旦某个接口发生故障，故障数据隐藏在底层网络可能会蔓延到整个网络，导致整个网络无法运行，这样无疑给网络恢复带来了更大困难，增加了企业成本。

本系统故障模块针对以太网中的接口故障，在现有智能故障诊断技术中，BP神经网络具有良好的非线性能力和自学习和自适应能力，因此，本系统故障模块引入BP神经网络，采集接口故障数据经过BP神经网络训练可以实现对目标接口进行故障诊断，并判断故障类型。

同时用户可以查看历史告警记录表对故障信息进行统计。4.1.2非功能性需求系统应具有实用性，能够满足实际业务需求，各个功能模块业务可以高效正确的运转。

要求设计简单、架构和层次设计清晰，便于维护和扩展具有一定的可靠性和易用性。

系统安全是网络管理系统的必要条件之一，防止sql注入等安全问题出现，对前后端数据传输进行验证防止前端传输不安全数据到后台服务器当中。在监控模块中系统可以对设备数据进行实时监控并展示，应具有实时性。

4.2系统总体架构设计本文研究利用Django、Vue等开发技术，并结合人工智能网络故障智能诊断技术设计并实现了智能网络网络管理系统。系统总体架构分为视图层、应用服务层和设备层三层。

系统的设计总体架构如图所示：1）视图层使用前端相关技术如Vue,ECharts开发系统界面包括界面的布局与美化、用户交互设计等。2）应用服务器层包括Web服务器和NMS两部分。

Web服务器可以处理浏览器的请求并返回相应。在此系统中接收前端传来的数据请求，经过后台程序解析处理完成对应操作。

NMS是网络管理工程当中的核心，通过代理向设备发送指令，管理被管设备，可以通过oid查询MIB库保存对应项获取目标设备网络数据。

3）在网络设备层，被管设备代理是网络上被管设备代理的集合，主要工作是采集数据和分析数据。

系统首先服务层通过Telnet协议连接网络设备，通过SNMP协议实现对网络设备运行状态的监控，将采集到的数据进行计算处理之后存储到Mysql数据库中。

4）Mysql数据库是系统开发功能模块的基础，用于存储用户数据、网络运行数据以及故障数据等。用户通过对数据库进行新增、查询、更新、删除操作对系统数据进行管理。

4.3系统主要功能模块设计本系统分为用户管理、配置管理、设备监控管理、故障诊断四个功能模块，下面将对这四个模块的设计进行详细说明。

4.3.1系统功能模块1）用户管理：系统管理员使用该模块可以完成查看、添加、修改和删除系统全体用户账号的管理操作以及用户登录功能，该模块的设计类似于RBAC（基于角色的访问控制），不同的管理员拥有不同的系统操作权限。

2）配置管理：通过web界面对设备进行相关配置即命令下发，管理员可以通过该模块远程连接目标设备并且对设备端口进行ip和子网掩码修改以及置。

3）设备监控管理：对通讯设备接口进行实时流量监控，返回数据便于管理员及时查看设备运行状态查看资源并且统计流量数据。

4）故障诊断：及时发现通讯网络接口中发生的故障，并判断故障类型便于管理员及时处理故障，以免造成更大损失。

4.3.2用户管理模块设计用户管理模块是管理系统中较基础同时也是非常重要的一个模块，主要负责对该系统用户进行统一有效管控，用户管理模块活动图如图4.4所示：1）用户登录：系统部署在服务器之后，Django框架可以使用命令创建一个超级管理员。

超级管理员和普通用户可以通过用户名和密码登录到该系统当中。

2）用户添加：超级管理员拥有该系统的最高权限，可以添加普通用户无需注册，添加信息主要包括，用户名、密码、头像、邮箱等信息，普通用户可以根据超级管理员分配的权限参与管理系统。

3）用户删除：超级管理员界面可以删除当前普通用户角色，删除之后原普通用户用户名好密码作废。

4）用户信息修改：超级管理员和普通用户都可以对自己信息进行修改包括密码、个人资料，超级管理员可以赋予普通用户权限等。

4.3.3配置管理模块设计网络设备配置模块主要用于对设备参数进行设置和修改和对设备进行添加和删除，从而对设备进行管理。

该系统主要针对设备端口ip地址和子网掩码进行修改，配置管理结构示意图如下：1）设备参数配置：首先在被管设备开启端口并配置Telnet协议，同时设置登录名和登录密码以及特权密码，用户在浏览器通过表单填写相关目标设备信息，通过HTTP协议传输给服务器，服务将前端传过来的信息解析成设备可以识别的指令，代替管理员在终端直接对设备的操作，自动下发对应指令到设备上完成配置。

2）设备添加：用户可以添加某个设备，并给予相应标识，网络设备列表当中就会出现当前所有设备，设备信息也会存储在数据库当中。3）设备删除:当某一项设备不再使用管理员可以在浏览器的设备列表当中将其删除。

4.3.4设备监控模块设备监控模块主要监控设备运行状态以及资源消耗情况，存储到Mysql数据库当中，通过前端组件以图表的格式将其可视化，可以让管理员更加直观的观测到网络设备的运行状态。

设备监控模块结构示意图如下：展示设备是否在线，以及展示当前运行设备列表，通过SNMP协议可以判断目标设备是否在线，如果在线前端提示目标设备当前正在运行，否在提示当前设备不在运行或者未正确安装SNMP协议，因为监控模块主要通过SNMP协议访问设备获取MIB变量得到目标值并测试其连通性。

1）实时展示目标设备端口流量流入和流出情况，管理员在前端添加监控目标，通过SNMP协议和目标设备通信，如果当前设备在线也就是服务器可以通过SNMP和目标设备通信，服务器查询目标设备的MIB对象，找到请求的数据，将返回的网络数据存入数据库，前端利用Echarts进行绘图，为了更加直观，流量图采用曲线图的方式展示时间段内某端口流入或者流出网络总流量，单位按照每秒总传输量来计算。

此外，管理员可以切换目标设备查看。4.3.5故障诊断模块故障诊断模块就是协助管理员及时发现并处理网络设备突发的故障，本模块引入了BP神经网络故障诊断技术，目的是高效快速的判断网络设备接口故障类型。

基于BP神经网络的网络故障诊断流程示意图如图4.6所示：故障发现及时与否对网络设备能否持续提供服务至关重要。

通过SNMP协议主动轮询和异步警告可以获取到设备发生的故障信息，服务器获取到网络状态故障信息后，经过分析，如果可以直接判断故障类型，则直接发送到前端界面，这类故障类型一般具有较明显的特征。

如果某接口发生故障不可以直接判断其故障类型则通过基于BP神经网络的故障诊断模型进行判断，将获取到的接口相关数据自动进行预处理后作为故障诊断模型的输入数据，故障诊断模型会输出相应结果对应相应故障可视化到前端提示管理员，管理员可以通过前端查看故障信息进行修复。

4.4数据库设计4.4.1系统E-R图系统数据库包含多个实体，实体之间具体包含一对多和对多对的关系。

系统E-R图如图4.8所示：4.4.2数据库表结构设计根据需求分析的结果数据库表设计如下：（1）用户表用于记录用户相关信息，其中用户ID（userId）作为用户表的主键自增。

（1）设备监控表，存储监控的目标设备信息。

4.5本章小结本章节主要内容：首先对基于用例图进行系统需求分析，对系统整体总结构进行了设计，其次根据需求设计了系统整体功能模块图，接着针对各个功能模块结合活动图进行详述，最后对整个系统的数据库表设计进行了简要概述。

风力发电机组常见故障

。

2.风力发电机组的故障风电机组主要分为三类①双馈式变桨变速机型，是目前大部分企业采用的主流机型；②直驱永磁式变桨变速机型是近几年发展起来的，是未来风电的发展方向之一；③失速定桨定速机型是非主流机型，运行维护方便。

发电机是风电机组的核心部件，负责将旋转的机械能转化为电能，并为电气系统供电。随着风力机容量的增大，发电机的规模也在逐渐增加，使得对发电机的密封保护受到制约。

发电机长期运行于变工况和电磁环境中，容易发生故障。常见的故障模式有发电机振动过大、发电机过热、轴承过热、转子／定子线圈短路、转子断条以及绝缘损坏等。

据统计，在发电机的所有故障中，轴承的故障率为40％，定子的故障率为38％，转子的故障率为10％，其他故障占12％。

根据发电机的故障特点，采用的诊断方法主要是基于转子／定子电流信号、电压信号以及输出功率信号等状态检测手段。

POPA等借助定子电流和转子电流信号的时域分析得到其幅值信息，再通过FFT得到电流信号的谐波分量，最后通过判断谐波分量的变化实现对发电机3种模拟故障的识别。

WATSON等借助连续小波变换，对输出功率信号进行分析，识别出了发电机转子偏心故障和轴承故障。DJUROVIC等研究了稳态状况下，短时傅里叶变换方法在发电机定子开环故障中的应用。

通过对比发现，虽然基于定子电流和瞬时功率的诊断方法均可识别出故障，但瞬时功率信号中包含了更多的故障信息。发电机的转子偏心现象是轴承过度磨损或其他故障隐患的表现。

基于输出电流、电压、功率等信号的检测方法是识别转子偏心故障的有效手段。此外，MOHANTY等针对多级齿轮箱研究通过解调异步发电机的电流信号来诊断齿轮箱故障。

另外，BENNOLrNA等在变转速下建立了基于多项式的双馈式异步发电机线性与非线性数学模型，利用故障特征分析法检测出了转子偏心故障，但是此方法也仅能判断发电机出现故障类型，而不能准确找出故障源。

YANG针对同步发电机为消除变转速的影响，提出了基于转矩和主轴转速的判断准则。

模拟定子绕组线圈的短路，对发电机定子绕组电流／功率信号，先用离散小波去除噪声，再使用连续小波提取特征频率，有效地识别出了故障。

3.风力发电机组叶片故障风力发电机组安装在野外比较恶劣的环境，经常处于无人值守的状态，对其运行状态的监测尤其重要。

由于环境因素，机体各部件故障率较高，叶片作为风力发电机组的主要部件之一，对其故障监测十分必要，一旦出现故障，要是不及时处理，叶片就会很快的断裂。

轻则造成停机，重则烧坏机组，影响正常供电，造成不可挽回的损失.风机叶片故障类型可分为裂纹、凹痕和破损等，叶片的振动形式主要包括摆振、挥舞振动、扭转振动和复合振动，叶片的故障信息通常依靠现场监测的震动信号进行反应。

在风力发电机组故障中，突变信号和非平稳信号往往会伴随故障存在。理论上讲，当叶片出现裂纹时，振动信号中会伴随有较强的高频冲击波，并且这些离散的故障信号是可能存在任意频段内的。

故障诊断常用方法有时域分析方法和频域分析方法，时域分析方法主要研究不同时刻信号之间的关系，对于某些有明显特征的故障信号，可做出定性分析。频域分析方法通过研究波形的谐波分量来识别多种频率成分。

这两种方法都具有单一性，而小波分解方法具有局部化分析的功能，在时域和频域都能快速定位。小波分解在低频部分，可以采用宽的时间窗，频率分辨力则大大增强;在高频部分则采用宽的时间窗，频率分辨力则会减弱。

小波分解方法的这种特性非常适合非平稳信号的故障诊断。4.轴承故障检测风电机组主要零部件的可靠性研究表明，在风电机组的故障中电气和控制系统故障率最高，传动系统如齿轮箱、主轴承等故障率相对较低。

但进一步的研究表明电气和控制系统的故障容易排除，停机时间短，并且也不需要吊车等辅助工具。

从机组故障引发的停机时间、维护费用和是否容易造成的继发故障等角度分析，与电气和控制系统相比，机械传动系统的状态监测与预警维护更为重要。

轴承是旋转机械的关键部件，也是风电机组机械传动系统的核心部件，机械传动系统的非轴承如齿轮箱、桨叶等故障，亦多是由轴承故障引起或可在轴承的运行状态中得到反映。

因此对轴承的运行状态进行实时监测，对整个机械传动系统的故障诊断和运行维护具有重要的意义。风力发电机用轴承大致可以分为四类：变桨轴承、偏航轴承、传动系统轴承(主轴和变速箱轴承)和发电机轴承。

偏航轴承安装在塔架与座舱的连接部，变桨轴承安装在每个叶片的根部与轮毂连接部位(除部分小功率兆瓦级以下的风力发电机为不可调桨叶，无变桨轴承外，每台风力发电机设备用一套偏航轴承和三套变桨轴承)，主轴连接轮毂和齿轮箱，都是低速重载轴承，其中偏航和变桨轴承还是不完全旋转轴承。

齿轮箱为增速箱，将叶轮的低速变为输入到发电机的高转速，二者的轴承与通常的发电机组除了在使用寿命和可靠性方面要求较高，并无其他不同。

目前的实际应用的风电轴承运行状态监测与故障识别的方法主要有基于数据采集与监视控制系统(SCADA，SupervisoryControlAndDataAcquisition)的方法，基于振动分析、润滑油检测的方法，基于声音、红外图像的方法以及多种方法相结合等方法。

4．1基于SCADA的方法对于运行状态监测，风电机组与通常的发电机组相比有自己的特点：通常的火力或水利发电机机组的单机功率比风电机组大的多，机组数目少，因此状态监测点少，而一个风电场通常几十台甚至上百台风电机组，因此需要的传感器数目和采集与通讯的数据量比通常的发电机组要大的多，增加了风电机组的成本和复杂性，也限制了监测系统的应用普及。

如果能利用机组已有的SCADA数据，不装配额外的传感器获取机组轴承的运行状态，是最经济的方法。

研究表明发电机的机械故障可以由感应电机的终端发电机的输出反应出来，通过对感应电机的电压、电流和功率的稳定功率谱分析，对发电机的轴承、转子的断条、气隙偏向等故障进行故障监测。

对于传动轴承故障诊断，类似的研究还比较少，用对电机电流解调的方法监测多级齿轮箱的故障，用定子电机电流识别齿轮箱滚动轴承的故障，由于电流的非平稳特点，引入了小波包变换的方法。

在缺少振动传感器的情况下，由SCADA参数反应的传动系统轴承的运行状态不够具体。

由多所大学、咨询机构和风电机组制造商合作的欧盟项目ReliaWind’在主轴承、齿轮箱和发电机轴承处安装振动传感器，通过将每十分钟的振动平均数据和SCADA数据参数相结合判断风电机组的运行状态。

4．2基于振动的方法基于振动的方法在旋转机械和其他发电机组的故障诊断中已广泛应用，且取得了很好的效果。

风电机组的发电机和齿轮箱高速轴承可以应用现有的基于振动的故障诊断技术，只是由于风电机组的负载是非平稳的变量，常用的时域和频域FFT分析方法的性能会受影响，在信号处理的方法上需要改进。

而对于主轴承和齿轮箱低速轴承，由于轴承的转速低(每分钟10—30转)，计算出的故障频率低，而高通滤波器会将3Hz以下的频率过滤掉，再加上受到环境噪声的影响，使得频谱分析效果很差甚至无法进行；而在冲击故障的瞬态性问题中，由于每次故障冲击的间隔较长，使用冲击法很难准确地检测到故障信号；同时由故障点产生的冲击响应的频率较低，不能激励起较高的频率成份。

以上原因限制了振动监测主轴承运行状态的效果，但可从其运行情况反映叶片的运行状态，比如识别其是否平衡，从而判断其是否遭受冰冻等事故。

4．3基于润滑油液的方法资料显示轴承的故障多于润滑不良有关，主要原因有1)由于大气温度过低，润滑剂凝固，造成润滑剂无法到达需润滑部位而造成磨损；2)润滑剂散热不好，经常过热，造成润滑剂提前失效而损坏机械啮合表面；3)滤芯堵塞、油位传感器污染，润滑剂“中毒”而失效引起的故障有粘附磨损、腐蚀磨损、表面疲劳磨损、微动磨损和气蚀。

这些磨损出现之后，轻则金属微粒会污染润滑剂，影响功率传递，产生噪音，造成齿面严重磨损或断裂，轴承内外圈或滚珠损坏，严重的使机组无法转动而彻底停机。

目前的油液监测系统主要是振动齿轮箱的润滑油液，对于润滑的部件尚没有在线监测的方法。

振动监测室风电轴承监测的趋势，但由于风电负载和风力的不稳定影响了传统的时域和频域FFT分析方法的效果，亟需引入新的非平稳信号的处理方法。

5.风力系统的变频器的故障的分析变频器的故障种类很多，主要有以下几类：和预先估计的结果差得很远、变频器不正确的动作行为、过电流、过电压以及电压不够等等。

风力系统的变频器过电压情形指的是中间的直流回路超过电压，这会使中间直流回路滤波电容器的寿命大大减短。之所以会产生这种故障，是由于电源侧的冲击过电压。

风力系统过电流故障是因为变频器负载有突然地变化，并且负载的不均匀分布，输出的还有短路这些种种缘由引起，加上逆变器过载的性能、功能极其差，因此逆变器过载故障诊断可谓是相当重要。

另外，整流回路故障会因为输进的电源缺少而致使电压不够的故障发生。还有，低压穿过电网的时候变频器可能会产生故障，这也是一大研究的领域。

想训练小波神经网络 但是没有训练样本怎么办

小波神经网络比一般神经网络的优势是什么？

小波神经网络的优势是什么？谢谢

小波神经网络相比于前向的神经网络,它有明显的优点:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性;其次小波神经网络有更强的学习能力,精度更高。

总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。

机械设备故障诊断技术有哪些应用

1、故障诊断的发展现状目前,国内检测诊断技术的研究主要集中在以下几个方面:(1)传感技术研究:传感技术是反映设备状态参数的仪表技术。

国内先后开发了各种类型的传感器,如屯涡流传感器、速度传感器、加速度传感器和温度传感器等;最近开发的传感技术有光导纤维、激光、声发射等。

（2）关于信号分析与处理技术的研究:从传统的谱分析、时序分析和时域分析,开始引入了一些先进的信号分析手段,如快速傅立叶变换,Wigner谱分析和小波变换等。

这类新方法的引入弥补了传统分析法的不足。

（3）关于人工智能和专家系统的研究:这方面的研究已成为诊断技术的发展主流,目前已有日程机械故障诊断专家系统，但这一技术在工程方面的研究尚未达到人们所期望的水平。

（4）关于神经网络的研究:比如旋转机械神经网络分类系统等的研究已经取得了应用,取得了满意的效果。

（5）关于诊断系统的开发与研究:从单机巡检与诊断到上下位机式主从机结构,直至以网络为基础的布式系统的结构越来越复杂,实时性越来越高。（6）专门化与便携式诊断仪器和设备的研制与开发。

目前,我国的冶金、电力、化工等行业的故障诊断技术己经很成熟,得到了广泛的应用。2现代故障诊断方法工程机械运行的状态千差万别，出现的故障也是多种多样，采用的诊断方法也各不相同。

在众多的诊断方法中，比较常用的诊断方法有振动监测诊断方法、无损检测技术、温度诊断方法和铁谱分析方法等。

近十几年来，模糊诊断、故障树分析、专家系统、人工神经网络等新的诊断技术不断出现，故障诊断技术逐步向智能化方向发展。

（1）故障树诊断方法故障树诊断方法是从研究系统中最不希望发生的故障状态(结果)出发，按照一定的逻辑关系从总体到部件一层层的逐级细化，推理分析故障形成的原因，最终确定故障发生的最初基本原因、影响程度和发生概率。

它是一种图形演绎法，把系统故障与导致该故障的各种因素形象地绘成故障图表，能较直观地反映故障、元部件、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率、原因等。

该方法直观、快速诊断、知识库很容易动态修改，但其缺点是受主观因素影响较大，诊断结果严重依赖于故障树信息的正确性和完整性，不能诊断不可预知的故障。

（2）故障诊断专家系统专家系统是一种基于知识的人工诊断系统，是利用大量人类专家的知识和推理方法求解复杂的实际问题的人工智能程序。

故障诊断专家系统是研究最多、应用最广的一类智能诊断技术，主要用于没有精确数学模型或很难建立数学模型的复杂系统。专家系统存在的主要问题是知识获取困难、运行速度慢。

在采用先进传感技术与信号处理技术的基础上研制开发的故障诊断专家系统，将现代科学的优势同领域专家丰富经验与思维方式的优势结合起来，已成为故障诊断技术发展的主要方向。

（3）基于模糊数学的故障诊断方法工程机械的状态信号传播途径复杂，故障与特征参数间的映射关系模糊，再加上边界条件的不确定性、运行工况的多变性，使故障征兆和故障原因之间难以建立准确的对应关系，用传统的二值逻辑显然不合理，因此选用隶属度函数，用相应的隶属度来描述这些症状存在的倾向性。

基于模糊数学的故障诊断方法就是通过某些症状的隶属度和模糊关系矩阵来求出各种故障原因的隶属度，以表征各种故障的倾向性，从而可以减少许多不确定因素给诊断工作带来的困难。

但是对于复杂的诊断系统，要建立正确的模糊规则和隶属度函数非常困难，而且需要消耗大量的时间。

（4）基于神经网络的故障诊断方法神经网络是一种信息处理系统，是为模仿人脑工作方式而设计的，它带有大量按一定方式连接的和并行分布的处理器。

由工程机械各个系统的信息提取故障特征，通过学习训练样本来确定故障判决规则，从而进行故障诊断。

用于故障诊断的神经网络能够在出现新故障时通过自学习不断调整权值，可以提高故障的正确检测率，降低漏报率和误报率。

神经网络具有对故障的联想记忆、模式匹配和相似归纳能力，以实现故障和征兆之间复杂的非线性映射关系。

对于多故障、多过程的复杂工程机械以及突发性故障或其他异常现象，其故障形成的原因与征兆的因果关系错综复杂，借助神经网络系统来解决是行之有效的。

（5）支持向量机的故障诊断方法典型故障数据样本的严重不足是制约故障智能诊断技术发展的主要原因之一。

支持向量机(SVM)是一种基于统计学习理论的新型机器学习方法，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优解。这一点特别适合于故障诊断这种小样本情况的实际问题解决。