基于径向基函数RBF神经网络的传感器故障诊断的方法研究

针对电力故障信号为突变、非平稳信号的特点,利用消噪阈值法对故障信号进行预处理,通过小波变换对故障信号进行特征提取,然后将小波变换和信息熵相结合,并应用到故障检测与定位中,为奇异信号的检测提供了新思路和新手段。通过仿真分析,得到以下结论:小波能量熵WEE可以很好地检测故障突变点,小波能量熵随时间的变化规律,反映了电流或电压在时域的能量分布特征并表征信号的频率变化,可以用作分类所需的特征。

[如果您有任何问题，请不要在下面的“评论和评分”中留言，请通过 dcdiga@uri.edu 与我联系] 使用“UTide”Matlab 函数进行统一潮汐分析和预测 *专为处理不规则分布和/或不连续的记录时间而设计。 * 适用于多年分析：准确的节点/卫星改正不限于短于 1-2 年的记录长度。 * 可以提供易于使用和全面的诊断，以帮助成分选择过程。 * 使用类似的语法处理海平面（幅度和相位）或电流（当前椭圆参数）。 * 根据原始输入和谐波拟合之间残差的频谱（常规时间的 FFT，不规则时间的 Lomb-Scargle）生成置信区间。 * 结合了强大的 L1/L2 解决方案方法，以最大限度地减少异常值的影响。 * 可以通过一个 m 函数调用来分析时间序列组（例如来自一组仪器或一组模型网格点的记录）。 * 基于 t_tide（Pawlowicz 等人，2002 年）、r_t_tid

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。

2020年4月20日四川省绵阳市高中2017级第三次诊断性测试文科综合试题绵阳三诊.pdf

本文主要介绍如何使用python搭建：一个基于深度学习的**滚动轴承故障诊断**系统

[OracleDBA手记：数据库诊断案例与性能优化实践].《OracleDBA手记》编委会.高清文字版.pdf

emd算法升级，包络分析

摘要：本文提出了一种基于小波多层分解和BP神经网络相结合的模拟电路故障诊断方法。该方法利用了多层小波分解优异的时频特性来提取故障特征参数，进行能量特征提取、归一化，并结合BP网络强大的非线性分类能力和快速的收敛特性构造了一种既能用于诊断单故障，又能诊断多故障的模型。 　　本文以ITC'97标准电路中的CTSV滤波电路为诊断实例进行了仿真实验仿真，结果表明该方法比传统BP网络方法的学习收敛速度快得多。 　　0 引言 　　客观世界信号的本质决定了模拟电路的普遍性和不可替代性。模拟电路由于故障模型复杂、元件参数的容差、非线性、噪声以及大规模集成化等现象使电路故障信息表现为多特征、高噪声、非线性

为了提取大型动力设备中被强背景噪声淹没的微弱故障特征，提出一种基于平移不变多小波的相邻系数降噪方法。多小波具有多个尺度函数和小波函数，具备单小波无法同时满足的优良性质，可以匹配信号中不同的特征信息，而平移不变多小波有效地消除了Gibbs现象且其中的平均过程具有优越的消噪性并保持了信号的光滑性。同时相邻系数降噪法考虑小波系数之间的相关性，克服一般阈值消噪的不足。将相邻系数降噪思想引入到平移不变多小波中，并将平移不变多小波相邻系数降噪方法应用于齿轮箱试验台和电力机车滚动轴承的诊断中。齿轮箱试验台和滚动轴承实例