一、数据融合在发电机故障诊断中的应用（论文文献综述）
李蒙[1]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中认为近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
王罗[2]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中研究表明近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
赵婧怡[3]（2020）在《基于电流信号稀疏滤波的风电齿轮箱故障诊断》文中研究说明齿轮箱是风电机组传动系统的重要机械部件,其运行状态直接影响着整个机组的工作状态和效率。齿轮箱长期在恶劣的环境工作,极易发生故障。齿轮箱的故障将不可避免地导致不必要的停机和严重的经济损失。因此,对齿轮箱进行及时准确的故障诊断对于确保风电机组的安全可靠运行至关重要。目前,风电齿轮箱的故障诊断主要以振动信号分析为主,但振动信号极易被环境噪声所污染,且传感器的安装增加了系统成本。与振动信号相比,电流信号具有非侵入、监测成本低、稳定性高等优点。然而,电流信号基频分量大,信噪比低,所包含的故障信息极易被基频及谐波分量调制所淹没,给故障特征提取带来了困难。本文以风电齿轮箱为研究对象,基于无监督学习的最新成果——稀疏滤波,研究一系列的方法用于电流信号的特征学习,实现齿轮箱的高精度分类诊断。本文的主要研究内容如下:（1）系统梳理风电齿轮箱常见故障类型及故障原因,对基于电流信号的齿轮箱故障检测基本原理进行详细分析,并总结得出齿轮箱不同健康状况下电流信号的表现特征。（2）为从电流信号中挖掘出具有丰富故障信息的特征,提出了基于稀疏滤波特征融合的故障诊断方法。首先,设计基于稀疏滤波的局部特征学习网络,用于从原始电流信号和包络信号中分别学习不同的特征。然后,通过融合原始信号和包络信号的特征增加故障特征的多样性。最后,将融合的特征输入到支持向量机,实现齿轮箱不同故障类型的智能识别与诊断。通过风电齿轮箱实验台开展齿轮箱故障模拟实验验证提出方法的有效性。（3）为进一步增强稀疏滤波的特征学习能力,将多视角学习和稀疏滤波有机结合,在局部特征学习网络的基础上,提出了一种多视角稀疏滤波（Multi-view Sparse Filtering,MVSF）的无监督特征学习方法。MVSF方法首先从原始电流信号中自动学习不同视角下的有用和互补的特征,然后通过融合并行学习的多视角特征,增加了特征的互补性,从而提高故障诊断性能。通过在风电齿轮箱实验台上进行的实验对所提出的MVSF方法的有效性进行验证,并与传统特征提取方法及深度学习方法进行对比分析。
牛嘉豪[4]（2020）在《基于无转速计阶次分析的电机轴承故障诊断方法研究》文中研究说明电机设备,包括电动机和发电机,是现代工业和家用电器中的重要成分,具有广泛的应用。而滚动轴承作为电机设备中不可或缺的部件之一,常受到损伤,尤其是在载荷比较大,转速变化剧烈的启停阶段更易发生故障。针对非平稳工况下轴承的故障诊断的难题,发展出了阶次分析（Order Analysis,OA）,且相比其他方法更有优势。但是传统的OA方法往往需要额外的键相装置或者速度传感器,这占用了额外的空间和成本,增加了系统的复杂性。因此,研究方便、高效率以及低成本的变转速电机轴承故障诊断方法显得尤为重要。无转速OA（Tacholess OA,TOA）策略是一个发展趋势,因此本文从便捷、高效率以及低成本角度出发,着重对电流和振动两种易测信号的转频估计方法进行了研究,并以工业上常用的（Brushless Direct Current Motor,BLDCM）和永磁同步发电机（Permanent Magnet Synchronous Generator,PMSG）的轴承为研究对象,提出了一系列便捷高效的TOA变速电机轴承故障诊断方案。首先,从准确性和高效性出发,针对无转速计交流电机变速轴承故障诊断的问题,提出了一种基于电流和振动信号联合TOA的故障诊断方法,该方法通过对电流信号进行同步压缩变换精确的提取出OA所需的旋转角度,然后对振动信号重采样,实现电机轴承的故障诊断。最终的结果在BLDCM和PMSG试验台进行了验证,证明了该方法的有效性。并通过对比实验,验证了所提出的准确性、高效性以及可推广性。针对于传统OA方法中存在的安装不便,成本较高等问题,本文提出了一种基于振动信号的TOA算法并对风力电机轴承故障进行诊断。此方法只需对振动信号进行时频分析,抽取OA所必需的旋转角度即可,方便高效。在此基础上,又提出了一种基于多传感器信号融合的OA轴承故障诊断方案来提高准确性和有效性,该方案只需要通过三轴传感器来测量三个轴向的振动信号,然后分别提取振动信号转频信息,再利用相关因数进行筛选和特征融合,重采样原始振动信号,实现OA。最终结果通过PMSG轴承试验台进行验证,结果表明对于内外圈故障都具有良好的诊断效果,并且所提取的转角误差也有所减少。综上所述,所提出的三种方法中,基于电流信号的TOA方法具有更高的精确性且适用性强。两种基于振动信号的OA方法解决了便捷性和成本高的问题,普通的方法具高效性,多传感器信息融合方法具有高精确性。三种方案优势互补,能够实现多种情况下电机轴承的快速高效的故障诊断。
孙万童[5]（2020）在《基于多源信息融合的大型发电机碳刷在线监测与故障诊断研究》文中进行了进一步梳理在电力生产过程中,碳刷将励磁电流引入转子,使发电机转子建立恒定磁场,是发电机产生电能的关键部分。而碳刷作为磨损件,不但要求定期更换。而且常会出现由多种原因导致的碳刷打火、燃烧等故障。碳刷故障严重时,甚至导致集电环与滑环室起火。发电机组也将被迫停运,使电力生产过程停止,影响电力行业的安全与稳定。大型水轮发电机的励磁电流大,碳刷电流一旦分布不均,更易出现上述问题。针对碳刷故障,大型水轮发电机碳刷在线监测与故障诊断就显得尤为重要,碳刷状态在线监测,不仅可以防止碳刷出现严重故障,导致发电机停运。而且监测系统中碳刷历史状态信息和碳刷相关设备状态信息的监测可以为专家系统分析提供依据。基于专家知识的信息融合故障诊断,可以减少监测数据分析时间,避免人为分析数据所带来的延时。按照专家知识推理得出的故障,可以做到定位故障碳刷,得知碳刷故障原因。在碳刷故障发生前消除故障,保证发电机安全稳定运行。本文讲述的基于多源信息融合的碳刷在线监测与故障诊断系统,不仅能够采集碳刷状态和相关设备信息,还可以分析并给出碳刷故障结果。碳刷在线监测可以实时掌握碳刷的运行情况,避免人工测量碳刷温度、电流的间断性,解决电力系统人工巡检过程中存在的问题。信息融合作为对多源信息融合的综合处理过程,具有其复杂性。近年来出现的人工智能以及信息论的新方法成为推动信息融合技术向前发展的重要力量。在本文中碳刷故障不仅是开发人员对碳刷故障的认识,还包括了领域专家在长期的工作中总结出来的经验知识。专家系统作为多源信息融合中人工智能方法,对实现经验总结的故障有着其便利性。基于信息融合的故障诊断专家系统,可以自行对碳刷实时和历史数据进行的分析,定位故障碳刷,了解故障碳刷工况的变化。专家系统诊断结果可以及时发现可能导致碳刷故障类型及其原因,排除碳刷潜在故障,同时方便运维人员及时处理碳刷故障。本文基于数据库实现的专家系统,对专家知识录入,故障征兆提取和专家知识的推理过程的实现较为容易。避免其他软件编写的专家系统对数据库数据读取的延时与复杂性。本文专家系统采用了正向推理和冲突消除策略。使用不精确推理中CF模型给出了故障可信度计算方式。通过故障结果的可信度,可以判断故障发生的概率,为处理故障提供依据。最后,通过碳刷在线监测与故障诊断系统在实验平台下模拟碳刷故障运行,证明了该系统的准确性与可行性。
赵祥[6]（2019）在《基于粗糙集与证据理论的船舶发电机组故障诊断研究》文中进行了进一步梳理在大数据的背景下,利用船舶运行数据对船舶设备进行故障诊断是未来发展的必然趋势,船舶发电机组作为船舶的重要组成部分,由于其工作环境恶劣,设备容易发生故障且这些故障通常难以快速发现,所以对其故障准确快速诊断是当下研究热点。船舶发电机组结构复杂,运行时产生的数据具有一定的冗余性与相关性,因此本文采用粗糙集理论对故障特征数据进行提取,之后利用证据理论对各个特征数据进行融合决策。采用粗糙集与证据理论相集合的方法不仅可以降低数据复杂程度,同时充分利用各个数据信息,使诊断结果更加合理可靠。本文首先搭建了船舶发电机组中发电机部分的励磁功率单元和柴油机的仿真模型,分别获取两种仿真对象在各个故障状态下的运行数据。励磁功率单元部分,分别对各个晶闸管故障进行仿真,获取了在各个触发角下运行的数据与波形;柴油机部分分别对正常运行、喷油正时提前、喷油正时滞后、喷油孔磨损和喷油孔堵塞这5种状态进行模拟运行,并获取各个状态下的运行数据。针对船舶发电机组运行的数据特点,本文提出了基于粗糙集和证据理论的故障诊断方法。由于故障数据具有冗余性,首先采用粗糙集理论对故障数据进行重要特征提取,并计算基本可信度供证据理论使用,该方法降低了数据的复杂度,同时其基本可信度具有客观性,避免了证据理论中基本可信度具有主观性的缺陷。通过采用证据理论对测试样本进行融合决策的诊断结果表明,基于粗糙集与证据理论的故障诊断方法具有较高的准确率,充分验证了该方法在船舶发电机组故障诊断中的有效性。在理论研究的基础上,为了与实际应用相结合,本文运用Visual Studio 2013和Matlab共同完成了船舶发电机组故障诊断软件,使计算更加方便,同时可对运算过程以及诊断结果进行直观的展示。
龙霞飞[7]（2019）在《大型风力发电机组齿轮箱智能化故障诊断方法研究》文中提出随着风力发电机组容量的不断提升和机组复杂性程度的不断增大,故障率高、可靠性低和高昂的生产运维成本等一系列问题已经严重影响到了风电企业的生存空间。为实现风电机组的稳步快速发展,降本增效,风电机组的状态监测与故障诊断技术已成为解决这些问题的关键技术手段。本文从齿轮箱传动系实验平台的原始振动故障数据和风电场数据采集与监视控制（Supervisory Control and Data Acquisition,SCADA）系统的齿轮箱实测数据出发,针对目前风电齿轮箱故障特征信号提取困难和传统故障诊断方法中的不足,结合人工智能领域的前沿理论——极限学习机（Extreme Learning Machine,ELM）及其变体核极限学习机（Kernel Extreme Learning Machine,KELM）、深度学习（Deep Learning,DP）、多传感器信息融合技术以及Pearson相关技术等挖掘隐藏于设备的深层次故障特征信息,实现风电齿轮箱的状态监测和故障诊断研究,主要完成的工作如下:1)针对风电场业主对机组故障数据的保密性和齿轮箱不同故障模式难以全部获取的问题,搭建风电齿轮箱传动系动力学实验平台并采集原始振动故障数据。针对原始振动数据信息量庞大和故障特征微弱的问题,采用时域分析法处理原始振动信号,有效地提高了信号信噪比和降低了信号信息维度;针对单一传感器不具备获取所有目标信息能力的问题,基于并行叠加方式采用决策层和特征层融合的多传感器信息融合技术获取目标信息,达到提高数据有效性的目的。在此基础上,创新性的建立基于时域分析的多传感器风电齿轮箱信息融合特征提取模型,实例应用和算法仿真验证了该模型的有效性和优越性。2)针对风电机组故障数据噪声污染大、复杂度高和数据量信息大的问题,结合时域分析的多传感器信息融合模型,提出了基于粒子群优化算法（Particle Swarm Optimization,PSO）改进ELM的风电齿轮箱故障诊断新方法。该方法首先利用时域分析的多传感器信息融合模型提取故障特征成分,降低了数据信息维度和故障诊断时间;然后,利用PSO改进ELM的寻优过程,解决由于初始参数隐层偏差和输入权重的随机设置对ELM模型稳定性所造成的影响;进而,以时域特征指标值作为模型输入参数,以故障类别作为模型输出参数,建立基于PSO-ELM的故障分类识别新模型,实现机组齿轮箱的状态监测评估。对本文所提的PSO-ELM方法以及蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）、人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）改进ELM的方法进行对比分析,实例应用与算法仿真验证了本文所提出的PSO-ELM故障诊断新方法的优越性和有效性。3)为进一步提高风电机组故障诊断率,更好地满足工程实际需要,本文利用ELM的变体KELM进行风电齿轮箱的状态监测与故障诊断研究。结合时域分析的多传感器信息融合模型,提出了基于云模型—蝙蝠算法（Cloud Bat Algorithm,CBA）改进KELM的风电齿轮箱故障诊断新方法。相比于ELM,KELM以核映射代替随机映射,以核矩阵?ELM代替H矩阵,提高了ELM模型的泛化能力和稳定性能。但核函数的存在将导致KELM模型对参数?和C的设置非常敏感,为解决该问题,本文结合CBA方法对KELM模型的关键参数?和C进行寻优求解,建立了基于CBA-KELM的故障分类识别新模型,实现了风电齿轮箱的故障诊断研究。对本文所提的CBA-KELM方法和灰狼算法（Grey Wolf Optimization,GWO）改进KELM的方法进行对比分析,实例应用和算法仿真验证了本文所提出的CBA-KELM故障诊断新方法的优越性和实用性。4)为降低高昂的设备部署成本,进一步对风电机组齿轮箱进行状态监测和故障诊断研究,本文利用风电机组SCADA系统的齿轮箱实测数据,结合Pearson相关系数、领域专家知识和指数加权平均阈值法,提出了基于鲸鱼优化算法（Whale Optimization Algorithm,WOA）的深度置信网络（Deep Belief Networks,DBN）风电机组齿轮箱故障诊断新方法。针对不同样本数据会对模型诊断精度造成较大影响的问题,结合Pearson相关系数和领域专家知识选择故障诊断模型的输入条件参数,改善人为选择条件参数经验的不足;针对初始参数值的选取将造成DBN模型波动性较大的问题,采用鲸鱼优化算法对深度置信网络的初始参数进行寻优计算,建立了基于WOA-DBN的风电齿轮箱故障诊断新模型,并以重构误差为依据利用指数加权平均阈值法实现机组齿轮箱的故障监测和异常状态判别。实例验证和算法仿真结果表明了该方法的优越性和有效性,仅以现场一次齿轮箱的状态监测与故障诊断研究为例产生的经济效益就高达80万元左右。
白宇[8]（2019）在《一种复合诊断方法及其在滚动轴承故障识别中的应用》文中研究指明随着异常气候,环境问题在全球范围内日益严重,各国对新能源的开发需求日益增加,风电在电力市场中所占比例不断上升。风电机组多安装在环境恶劣的地域,这大大提升了风电机组的维护成本,为了降低风电机组维护成本,开展风电机组的状态监测与故障诊断方法的研究具有至关重要的意义。为了能使风电机组长期安全稳定的运行,从而基于振动信号与模式识别对风电机组故障诊断技术展开研究。首先以风电机组滚动轴承为研究对象,在频域上研究了一种基于自适应变分模态分解（AVMD）-支持向量机（SVM）的故障诊断方法,之后在时域上研究了一种基于数学形态学（MM）-相关性分析（CA）的故障诊断方法,最后为了提高故障诊断的可靠性,结合前两种方法的优点提出了一种基于信息融合的复合诊断方法。主要研究内容如下:（1）针对风电机组中旋转机械振动信号呈现的非线性、非稳定等特性,提出一种基于AVMD-SVM的滚动轴承故障诊断方法。该方法通过AVMD将单分量故障信号分解为不同频率分量的多分量信号,之后使用熵价值法得到信号的特征向量,然后使用SVM对特征向量进行训练,最终根据SVM的输出结果判定信号故障类别。经验证该方法诊断效果良好,但是对于同类型不同损伤程度的故障（未训练）诊断效果欠佳。（2）针对AVMD-SVM方法对同类型不同损伤程度故障诊断效果欠佳的情况,采用了基于MM-CA的滚动轴承故障诊断方法。该方法对故障信号在时域上做MM处理,之后将处理后的信号转变到频域中得到信号特征,最后将待检测信号特征与各个故障类别的信号特征做CA处理,其中相关系数最高的故障类别即为判定结果。结果表明该方法对于同类型不同损伤程度的故障诊断效果良好,但是该方法抗干扰能力相较AVMD-SVM方法弱,对故障的敏感度欠佳。（3）综合上述两种方法的特点,提出了一种基于证据理论的复合诊断方法,该方法使用改进证据理论将上述两种方法的最终诊断结果融合得到新的诊断结果,相较未改进的证据理论提高了融合准确性。复合诊断方法结合了上述两种方法的优点,相比传统的单一故障诊断算法具有更高的识别率和可靠性。
李合林[9]（2018）在《风电机组传动链高速轴系损伤机理与故障诊断技术研究》文中指出近年来我国在风力发电领域快速发展,装机容量和规模都有很大的提升。然而早期安装风电机组经过若干年的运行,传动链中的高速轴系部件故障频发。如何减少风电机组传动链高速轴系部件的突发事故率和故障停机时间,从而降低维修成本、提高经济效益,已经成为风力发电投资建设、运营维护中急需解决的问题。本文针对风电机组高速轴系部件开展了故障损伤机理与自动诊断方法研究,基于故障损伤机理的研究为风电机组高速轴系技术改进提供了理论依据。最后构建了故障自动诊断系统,试验结果表明该诊断系统能够明显提高风电机组传动链高速轴系故障诊断精度。主要研究内容为:（1）针对风电机组传动链高速轴系的主要故障开展了文献调研和现场测试,并基于故障失效影响进行了分类,找出对设备运行影响较大的典型故障作为故障损伤机理研究对象,研究了其故障现象与故障表现特征、损伤内因和外因,提出了解决方案并进行了验证。（2）基于风电机组传动链高速轴系典型故障损伤机理研究的故障表现特征,开展了适合于监测的传感器和特殊条件下的安装技术、信号传递与处理技术研究;开展了低频振动的时域与频域特征提取技术研究,实现了对不平衡、不对中、松动等故障特征的自动提取;开展了基于广义共振与共振解调技术的故障冲击特征提取方法研究,实现了对故障产生的冲击应力信号特征的自动提取;开展了温度和油液金属颗粒处理方法研究,实现了温度和油液金属颗粒信号特征的自动提取;开展了转速、风速、功率等运行工况数据特征同步提取方法研究,提取了运行工况数据特征,并将其作为故障诊断的辅助特征信息。（3）通过基于概率神经网络的“多测点互证法”、案例与专家经验的多特征加权故障诊断方法、多源信息融合和改进D-S证据的故障诊断方法等构建了多物理量信息融合的故障自动诊断综合决策模型,通过现场采集的多个单一物理量监测案例数据和工况数据验证了模型构建的自动诊断系统诊断效果,结果表明该诊断系统能够明显地提高故障诊断精度。
吴尚[10]（2016）在《基于证据理论的风电机组故障诊断研究》文中研究指明风电机组的故障诊断是风力发电中的一项重要技术。随着风电产业的蓬勃发展,风电机组故障诊断方面不断有新的、更高的要求被提出来。风电机组的故障诊断具有重大意义。证据理论在处理不确定性信息时更加方便快捷,广泛应用于根据多源信息进行故障诊断。风电机组故障多源信息表示、不确定性等特点使得证据理论成为融合诊断的一种合适选择。基于证据理论的多源信息融合方法,本文将该方法应用于风力发电机组故障诊断,具体包括以下三点:（1）介绍了信息融合技术基本原理与信息融合处理模型,并给出了信息融合在数据级、特征级以及决策级三个层次上的融合模型,分析了该技术时如何处理故障信息,并在故障诊断得到应用的。通过对证据理论基本框架和相应组合规则的研究,总结了相关的基于证据理论的故障诊断方法。针对风力发电机组故障诊断,分析了基于证据理论的多源信息融合方法的可行性。（2）通过对相对熵原理的研究应用,解决了证据理论融合过程中原始证据高度冲突对融合结果的影响。根据多个传感器得到的证据重要性不同,通过相对熵原理判断每个证据影响因子的大小,即通过赋予每个证据不同的权值,从而削弱或放大每个证据的影响力。将该方法应用于风电机组轴承故障诊断中,取得良好的诊断效果。该方法通过加速度传感器提取轴承故障振动信号,采用经验模态分解法（EMD）分解故障振动信号,采集包络谱特征频率,作为故障特征量。通过与各故障样本频率比较,做出初步诊断;引入灰色理论中的相关性原理,获取原始证据;利用相对熵原理对原始证据分配相应权值,最后通过D-S组合规则对修改后的证据进行融合。（3）在现实故障诊断中,外界环境的影响使得证据理论的应用存在一定的不足,即从不完整、不确定信息中提取BPA（基本概率赋值函数）还存在一定的限制。本文通过对基于随机集的信任测度和基于随机集的似真测度进行含糊化处理,该方法能够很好的提取证据理论的BPA（基本概率赋值函数）;在对风力发电机进行故障诊断时也能够取得较好的诊断结果。通过比较,含糊化处理不确定性信息比模糊化处理不确定性信息的效果更好,更能客观全面地体现不确定信息的本质内容,大大提高故障的识别诊断能力。该方法不仅适用于风电系统的故障诊断,也可用于诊断其他的机电设备的不确定性故障。
二、数据融合在发电机故障诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据融合在发电机故障诊断中的应用（论文提纲范文）
（1）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）基于电流信号稀疏滤波的风电齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 风电齿轮箱故障诊断研究现状 |
| 1.3 基于电流信号的齿轮箱故障诊断方法研究现状 |
| 1.3.1 特征提取方法研究现状 |
| 1.3.2 无监督学习研究现状 |
| 1.3.3 研究现状小结 |
| 1.4 本文的主要研究内容 |
| 第2章 基于电流信号的齿轮箱故障检测原理及特征分析 |
| 2.1 引言 |
| 2.2 风电齿轮箱故障机理 |
| 2.2.1 齿轮常见故障类型 |
| 2.2.2 齿轮故障的产生原因 |
| 2.3 齿轮故障的电流信号检测原理 |
| 2.4 电流信号的包络解调 |
| 2.5 本章小结 |
| 第3章 基于稀疏滤波特征融合的齿轮箱故障诊断方法 |
| 3.1 引言 |
| 3.2 稀疏滤波 |
| 3.2.1 特征学习 |
| 3.2.2 稀疏滤波的特征分布 |
| 3.2.3 算法流程 |
| 3.2.4 稀疏滤波在故障诊断中的应用 |
| 3.3 基于稀疏滤波特征融合的故障诊断方法 |
| 3.3.1 样本获取 |
| 3.3.2 局部特征学习 |
| 3.3.3 特征融合和故障分类 |
| 3.4 实验分析 |
| 3.4.1 实验装置及实验数据 |
| 3.4.2 故障诊断结果 |
| 3.4.3 局部特征学习的作用 |
| 3.4.4 输入小样本段大小的影响 |
| 3.4.5 样本重叠划分的作用 |
| 3.4.6 与传统特征提取方法的比较 |
| 3.5 本章小结 |
| 第4章 基于多视角稀疏滤波的齿轮箱故障诊断方法 |
| 4.1 引言 |
| 4.2 多视角学习 |
| 4.3 MVSF特征学习方法 |
| 4.3.1 基于稀疏滤波的多视角特征学习策略 |
| 4.3.2 MVSF方法的优势 |
| 4.4 实验分析 |
| 4.4.1 MVSF方法的参数选择 |
| 4.4.2 故障诊断结果分析 |
| 4.4.3 局部特征学习的作用 |
| 4.4.4 与其他方法的比较 |
| 4.4.5 不同工况的齿轮箱故障诊断 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）基于无转速计阶次分析的电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的意义和背景 |
| 1.2 电机轴承故障诊断 |
| 1.2.1 匀速工况下电机轴承故障诊断现状 |
| 1.2.2 变速工况下电机轴承故障诊断现状 |
| 1.3 阶次分析理论研究现 |
| 1.3.1 传统阶次分析理论 |
| 1.3.2 无转速计阶次分析理论 |
| 1.3.3 信号融合故障诊断理论 |
| 1.4 本文研究内容与结构安排 |
| 1.5 技术难点与创新性 |
| 第二章 实验设计与信号采集 |
| 2.1 引言 |
| 2.2 轴承故障诊断原理 |
| 2.3 实验系统设计 |
| 2.3.1 实验器材 |
| 2.3.2 电机参数和轴承故障设置 |
| 2.3.3 采集装置设计 |
| 2.4 本章小结 |
| 第三章 基于电流和振动信号联合分析的交流电机轴承故障诊断 |
| 3.1 引言 |
| 3.2 基于电流信号转速估计原理 |
| 3.2.1 永磁同步发电机电流分析 |
| 3.2.2 无刷直流电机电流分析 |
| 3.3 无转速计阶次分析实现原理 |
| 3.4 基于同步压缩变换转频估计阶次分析算法 |
| 3.4.1 同步压缩变换信号分解 |
| 3.4.2 同步压缩变换信号重构 |
| 3.4.3 阶次分析与算法流程 |
| 3.5 实验分析 |
| 3.5.1 无刷直流电机轴承内圈信号分析 |
| 3.5.2 永磁同步发电机轴承外圈故障信号分析 |
| 3.5.3 永磁同步发电机轴承内圈微弱故障信号分析 |
| 3.6 定量分析和讨论 |
| 3.7 本章小结 |
| 第四章 基于振动信号阶次分析风力发电机轴承故障诊断 |
| 4.1 引言 |
| 4.2 基于振动信号阶次提取原理 |
| 4.2.1 基于振动信号阶次分析实现原理分析 |
| 4.2.2 基于振动信号阶次分析方案 |
| 4.3 基于振动信号多传感器信息融合原理 |
| 4.3.1 融合理论 |
| 4.3.2 基于振动信号特征融合方法 |
| 4.4 基于振动信号阶次分析的风机轴承故障诊断 |
| 4.5 基于多传感器信号融合阶次分析的风机轴承故障诊断 |
| 4.5.1 基于振动特征融合阶次分析的风机轴承外圈故障诊断 |
| 4.5.2 基于振动特征融合阶次分析的风机轴承内圈故障诊断 |
| 4.5.3 角度误差分析 |
| 4.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（5）基于多源信息融合的大型发电机碳刷在线监测与故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 大型发电机碳刷应用现状 |
| 1.2 在线监测与故障诊断研究现状 |
| 1.2.1 在线监测研究现状 |
| 1.2.2 多源信息融合故障诊断研究现状 |
| 1.3 碳刷在线监测与故障诊断意义 |
| 1.4 本文研究内容 |
| 2 大型发电机碳刷状态在线监测研发 |
| 2.1 碳刷监测系统方案与架构 |
| 2.2 传感器选择 |
| 2.3 数据采集与传输 |
| 2.4 监测数据处理 |
| 2.4.1 监测数据存储 |
| 2.4.2 监测数据显示 |
| 2.5 本章小结 |
| 3 基于信息融合的碳刷故障诊断专家系统 |
| 3.1 碳刷工作原理 |
| 3.2 碳刷主要故障及特征值 |
| 3.3 多源信息融合 |
| 3.3.1 多源信息融合基本概念 |
| 3.3.2 多源信息融合的基本原理 |
| 3.3.3 多源信息融合的层次 |
| 3.3.4 多源信息融合方法 |
| 3.4 碳刷故障诊断专家系统方案 |
| 3.4.1 专家系统总体架构 |
| 3.4.2 知识获取 |
| 3.4.3 知识表示 |
| 3.4.4 知识库 |
| 3.4.5 推理机实现 |
| 3.5 本章小结 |
| 4 大型发电机碳刷故障诊断专家系统实现 |
| 4.1 开发软件环境 |
| 4.2 系统实现 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（6）基于粗糙集与证据理论的船舶发电机组故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发电机励磁功率单元故障诊断研究现状 |
| 1.2.2 柴油机燃油系统故障诊断研究现状 |
| 1.2.3 粗糙集与证据理论在故障诊断中研究现状 |
| 1.3 本文主要内容 |
| 2 基于粗糙集理论与证据理论的故障诊断方法 |
| 2.1 粗糙集理论 |
| 2.1.1 粗糙集理论基本概念 |
| 2.1.2 约简的基本定义 |
| 2.1.3 粗糙集基本约简方法 |
| 2.2 D-S证据理论 |
| 2.2.1 D-S证据理论基本概念 |
| 2.2.2 信任区间与不确定性表示 |
| 2.2.3 Dempster合成规则 |
| 2.3 故障诊断方法的实现 |
| 2.3.1 连续属性离散化 |
| 2.3.2 属性约简 |
| 2.3.3 基本可信度分配的获取过程 |
| 2.3.4 证据合成 |
| 2.4 小结 |
| 3 船舶发电机励磁功率单元故障诊断研究 |
| 3.1 船舶同步发电机励磁功率单元简介 |
| 3.2 船舶发电机励磁功率单元故障仿真与分类 |
| 3.2.1 励磁功率单元故障分类 |
| 3.2.2 励磁功率单元故障仿真 |
| 3.3 基于粗糙集与证据理论的励磁功率单元故障诊断 |
| 3.3.1 故障模型搭建 |
| 3.3.2 数据离散化 |
| 3.3.3 提取重要属性 |
| 3.3.4 获取基本可信度分配 |
| 3.3.5 证据合成 |
| 3.4 小结 |
| 4 船舶柴油机燃油系统故障诊断研究 |
| 4.1 船舶柴油机燃油系统简介 |
| 4.2 基于AVL BOOST船舶柴油机故障仿真 |
| 4.2.1 AVL BOOST模型搭建 |
| 4.2.2 柴油机故障仿真方案 |
| 4.3 基于粗糙集与证据理论的柴油机燃油系统故障诊断 |
| 4.3.1 故障模型搭建 |
| 4.3.2 数据离散化 |
| 4.3.3 提取重要属性 |
| 4.3.4 获取基本可信度分配 |
| 4.3.5 证据合成 |
| 4.4 小结 |
| 5 船舶发电机组故障诊断软件开发 |
| 5.1 故障诊断软件框架 |
| 5.2 故障诊断软件 |
| 5.2.1 软件开发 |
| 5.2.2 故障诊断算法的混合编程实现 |
| 5.2.3 软件的界面及功能介绍 |
| 5.3 小结 |
| 结论 |
| 参考文献 |
| 附录A 三项全桥电路单管故障负载电压数据 |
| 附录B 柴油机原始数据 |
| 附录C 关键算法代码 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）大型风力发电机组齿轮箱智能化故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 风电机组基本组成及常见故障类型 |
| 1.3 国内外研究现状 |
| 1.3.1 基于定性经验的风力发电机组故障诊断研究现状 |
| 1.3.2 基于定量方法的风力发电机组故障诊断研究现状 |
| 1.4 本文的主要工作 |
| 第二章 大型风力发电机组齿轮箱状态监测与故障诊断研究理论基础 |
| 2.1 引言 |
| 2.2 极限学习机及其优化分析方法 |
| 2.2.1 极限学习机 |
| 2.2.2 粒子群优化算法 |
| 2.3 核极限学习机及其优化分析方法 |
| 2.3.1 核极限学习机 |
| 2.3.2 云模型—蝙蝠优化算法 |
| 2.4 深度置信网络及其优化方法 |
| 2.4.1 深度置信网络 |
| 2.4.2 鲸鱼优化算法 |
| 2.5 本章小结 |
| 第三章 基于时域分析和多传感器信息融合的风电机组齿轮箱故障特征提取 |
| 3.1 引言 |
| 3.2 振动信号的时域特征分析 |
| 3.3 多传感器信息融合模型构建 |
| 3.4 基于时域特征分析的多传感器信息融合方法研究 |
| 3.4.1 基于时域特征分析的多传感器信息融合模型设计 |
| 3.4.2 实例分析 |
| 3.5 本章小结 |
| 第四章 基于多传感器信息融合的PSO-ELM大型风电机组齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 齿轮箱传动系动力学实验平台搭建 |
| 4.3 故障诊断模型的构建 |
| 4.3.1 基于ELM方法的风电齿轮箱故障诊断建模 |
| 4.3.2 基于PSO-ELM的风电齿轮箱故障诊断建模 |
| 4.4 实例验证 |
| 4.4.1 实验数据样本集构建 |
| 4.4.2 故障诊断模型训练 |
| 4.4.3 故障诊断结果分析 |
| 4.5 本章小结 |
| 第五章 基于多传感器信息融合的CBA-KELM大型风电机组齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 故障诊断模型的构建 |
| 5.2.1 基于KELM方法的风电齿轮箱故障诊断建模 |
| 5.2.2 基于CBA-KELM的风电齿轮箱故障诊断建模 |
| 5.3 实例验证 |
| 5.3.1 故障诊断模型训练 |
| 5.3.2 故障诊断结果分析 |
| 5.4 本章小结 |
| 第六章 基于SCADA系统的大型风电机组齿轮箱状态监测与故障诊断 |
| 6.1 引言 |
| 6.2 风电机组SCADA系统数据 |
| 6.3 基于WOA-DBN的大型风电机组齿轮箱故障诊断方法 |
| 6.3.1 WOA改进深度置信网络算法的研究 |
| 6.3.2 基于WOA-DBN的故障诊断方法流程 |
| 6.4 实例研究及分析 |
| 6.4.1 预测模型描述与处理 |
| 6.4.2 重构误差和指数加权移动平均阈值 |
| 6.4.3 实例验证 |
| 6.4.4 经济性分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）一种复合诊断方法及其在滚动轴承故障识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风电机组传动链故障诊断的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 信息融合在故障诊断中的研究与应用 |
| 1.4 论文主要研究内容和结构 |
| 第二章 风电机组传动链的典型故障与振动分析 |
| 2.1 风电机组传动链的结构组成 |
| 2.2 滚动轴承的典型故障及振动分析 |
| 2.2.1 滚动轴承的典型故障 |
| 2.2.2 滚动轴承故障信号振动机理 |
| 2.2.3 滚动轴承故障信号特征频率 |
| 2.3 常见的故障信号分析方法 |
| 2.3.1 时域方法 |
| 2.3.2 频域方法 |
| 2.3.3 时频分析方法 |
| 2.4 本章小结 |
| 第三章 基于AVMD-SVM的滚动轴承故障诊断算法 |
| 3.1 变分模态分解理论 |
| 3.1.1 模态定义 |
| 3.1.2 VMD的原理 |
| 3.1.3 自适应变分模态分解(AVMD)算法 |
| 3.2 模态的熵价值理论 |
| 3.3 基于贝叶斯准则的最小二乘支持向量机 |
| 3.3.1 最小二乘支持向量机(LS-SVM) |
| 3.3.2 支持向量机与贝叶斯准则的结合 |
| 3.4 基于AVMD-SVM的故障诊断策略 |
| 3.5 算法实验验证 |
| 3.5.1 实验数据介绍 |
| 3.5.2 AVMD分解 |
| 3.5.3 AVMD参数选取 |
| 3.5.4 熵价值特征提取 |
| 3.5.5 基于AVMD-SVM的故障诊断 |
| 3.6 本章小结 |
| 第四章 基于MM-CA的滚动轴承故障诊断算法 |
| 4.1 引言 |
| 4.2 数学形态学理论 |
| 4.2.1 数学形态学基本原理 |
| 4.2.2 三角型结构元素高的选取 |
| 4.3 相关性分析原理 |
| 4.4 MM-CA故障诊断方法 |
| 4.5 算法实验验证 |
| 4.6 本章小结 |
| 第五章 基于信息融合的滚动轴承故障诊断算法 |
| 5.1 引言 |
| 5.2 证据理论 |
| 5.2.1 证据理论的基本概念 |
| 5.2.2 证据理论的组合规则 |
| 5.3 基于加权证据理论的故障诊断方法 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 个人简介 |
（9）风电机组传动链高速轴系损伤机理与故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 选题依据和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电机组传动链高速轴系故障模式与损伤机理研究现状 |
| 1.2.2 风电机组传动链高速轴系状态监测与故障诊断方法研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文的结构安排 |
| 第二章 风电机组传动链高速轴系结构和工作原理 |
| 2.1 风电机组结构与工作原理 |
| 2.1.1 风电机组结构 |
| 2.1.2 风电机组工作原理 |
| 2.2 风电机组传动链高速轴系组成与功能简介 |
| 2.2.1 风电机组传动链高速轴系组成 |
| 2.2.2 风电机组传动链高速轴系主要部件结构与功能简介 |
| 2.3 小结 |
| 第三章 风电机组传动链高速轴系损伤机理研究 |
| 3.1 风电机组传动链高速轴系存在的主要故障及其产生原因 |
| 3.2 风电机组传动链高速轴系典型故障损伤机理 |
| 3.2.1 齿轮箱平行级齿轮、轴承典型故障损伤机理及特征 |
| 3.2.2 联轴器断裂和松动损伤机理及特征 |
| 3.2.3 发电机轴承疲劳与电蚀损伤机理及特征 |
| 3.2.4 发电机测速编码器损坏和电刷滑环损伤机理及特征 |
| 3.2.5 发电机固定螺栓松动断裂损伤机理及特征 |
| 3.3 小结 |
| 第四章 风电机组传动链高速轴系故障特征提取方法 |
| 4.1 基于多物理量的传感器及测点布置 |
| 4.1.1 基于多物理量的传感器设计(选型) |
| 4.1.2 基于多物理量的传感器测点布置 |
| 4.2 基于多物理量的监测信号处理 |
| 4.3 基于多物理量的特征提取方法 |
| 4.3.1 常规振动故障诊断特征提取 |
| 4.3.2 基于广义共振与共振解调故障诊断特征提取 |
| 4.3.3 温度、油液金属颗粒等信息故障诊断特征提取 |
| 4.3.4 SCADA系统工况信息辅助故障诊断特征提取 |
| 4.4 小结 |
| 第五章 风电机组传动链高速轴系故障诊断决策方法 |
| 5.1 基于多物理量信息融合的故障诊断综合决策模型 |
| 5.2 基于多物理量信息融合综合决策的典型故障诊断方法 |
| 5.2.1 基于概率神经网络的“多测点互证法”故障诊断 |
| 5.2.2 基于案例与专家经验的多特征加权故障诊断 |
| 5.2.3 基于多源信息融合和改进D-S证据的故障诊断 |
| 5.3 基于多物理量信息融合的故障诊断综合决策方法应用验证 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）基于证据理论的风电机组故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 证据理论方法 |
| 1.2.1 证据理论概述 |
| 1.2.2 证据理论在故障诊断中应用 |
| 1.2.3 证据理论应用存在的问题及改进 |
| 1.3 风电机组故障诊断的概述 |
| 1.3.1 国内外研究现状 |
| 1.3.2 风力发电机组的主要结构及故障类型 |
| 1.4 论文的主要研究内容及结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 结构安排 |
| 第二章 基于证据理论的多源信息融合 |
| 2.1 引言 |
| 2.2 信息融合技术 |
| 2.2.1 信息融合技术的特点 |
| 2.2.2 信息融合的级别 |
| 2.3 证据理论的理论基础 |
| 2.3.1 证据理论概念 |
| 2.3.2 D-S证据理论的组合规则 |
| 2.3.3 证据理论的决策准则 |
| 2.3.4 证据理论应用案例 |
| 2.4 证据理论应用存在的问题 |
| 2.5 证据理论在信息融合中的应用 |
| 2.5.1 基于证据理论的故障信息融合诊断框架 |
| 2.5.2 证据理论在风电机组故障诊断中的应用 |
| 2.6 本章小结 |
| 第三章 基于相对熵和灰色理论的证据理论研究 |
| 3.1 引言 |
| 3.2 基于相对熵原理的冲突证据处理方法 |
| 3.2.1 相对熵原理 |
| 3.2.2 基于相对熵的冲突证据合成 |
| 3.2.3 改进方法案例分析 |
| 3.3 基于灰色理论的证据获取方法 |
| 3.3.1 灰色理论 |
| 3.3.2 基于灰色关联度获取BPA |
| 3.3.3 算例分析 |
| 3.4 基于相对熵和灰色理论的风电机组轴承故障诊断方法 |
| 3.5 风力发电机组轴承故障诊断实例 |
| 3.5.1 故障特征提取 |
| 3.5.2 获取BPA |
| 3.5.3 证据融合 |
| 3.6 本章小结 |
| 第四章 基于随机集含糊证据的风力发电机故障诊断 |
| 4.1 引言 |
| 4.2 含糊集的随机集描述 |
| 4.2.1 随机集和模糊集理论 |
| 4.2.2 含糊集的基本概念 |
| 4.2.3 含糊集的随机集表示方法 |
| 4.3 故障诊断模型的建立 |
| 4.4 基于随机集含糊信息融合诊断方法 |
| 4.4.1 故障样本模式知识库的建立 |
| 4.4.2 故障待检模式信息的获取 |
| 4.4.3 基于随机集含糊证据BAP的获取方法 |
| 4.5 诊断系统在风力发电机故障诊断应用实例 |
| 4.5.1 实验环境 |
| 4.5.2 实验过程 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
四、数据融合在发电机故障诊断中的应用（论文参考文献）
- [1]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [2]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [3]基于电流信号稀疏滤波的风电齿轮箱故障诊断[D]. 赵婧怡. 燕山大学, 2020(01)
- [4]基于无转速计阶次分析的电机轴承故障诊断方法研究[D]. 牛嘉豪. 安徽大学, 2020(07)
- [5]基于多源信息融合的大型发电机碳刷在线监测与故障诊断研究[D]. 孙万童. 重庆理工大学, 2020(08)
- [6]基于粗糙集与证据理论的船舶发电机组故障诊断研究[D]. 赵祥. 大连海事大学, 2019(07)
- [7]大型风力发电机组齿轮箱智能化故障诊断方法研究[D]. 龙霞飞. 华南理工大学, 2019(06)
- [8]一种复合诊断方法及其在滚动轴承故障识别中的应用[D]. 白宇. 内蒙古工业大学, 2019(01)
- [9]风电机组传动链高速轴系损伤机理与故障诊断技术研究[D]. 李合林. 国防科技大学, 2018(01)
- [10]基于证据理论的风电机组故障诊断研究[D]. 吴尚. 上海电机学院, 2016(10)