一、基于专家系统与神经网络集成的故障诊断的应用研究（论文文献综述）
欧阳励[1]（2021）在《基于群分解的轴承智能故障诊断研究》文中认为轴承是关键的旋转机械基础零件之一,其在工程环境中的故障振动信号通常呈现出非平稳、非线性、高噪音等特点。如何行之有效地对复杂的轴承振动信号进行特征提取是故障诊断领域的重要研究方向。信号特征提取技术效率的高低、操作繁复程度成为衡量一种信号特征提取技术优劣的重要标准。当前广泛被运用的各类信号特征提取技术都或多或少地存在一些诸如信号分离不当、需预设参数等不足之处,从而降低了信号特征提取技术的实用性能。同时,现代化产业的迅猛发展对轴承智能化诊断不断提出更高的要求。为解决噪音背景下轴承故障诊断不准确的问题,本文在研究现代信号特征提取技术之后,以群分解算法为基础,以改进的最小优化总变差降噪算法为降噪手段,运用改进的群分解算法对轴承进行故障特征提取。接着将改进的群分解算法与具有双向长短期记忆结构以及多尺度卷积结构的深度学习网络进行融合,实现了噪音背景下的轴承智能故障诊断研究。本文主要研究内容如下:（1）在系统分析群分解算法的前提下,构建了一个含有两个频率相近的信号分量的复合仿真信号,并通过对复合仿真信号的分解结果与变分模态分解算法、经验模态分解算法的分解结果进行对比分析,结果显示群分解算法具有更出色的频率分辨性能,且其不需预设参数即可完成迭代分离,智能化程度更高、更具有实用价值。此外,通过对深沟球轴承的内圈故障诊断分析结果进一步表明群分解算法的优良信号特征提取能力。（2）提出了一种基于改进的群分解算法与改进的最小优化总变差降噪算法集成的轴承故障诊断方法。针对群分解算法的参数优化问题以及振荡模态优选问题,提出利用改进的萤火虫算法进行优化,同时辅以相关系数对振荡模态进行选取,提高了群分解算法的准确度与智能化程度;改进的粒子群算法具有优良全局寻优能力以及收敛速度,将其应用于最小优化总变差算法关键参数的优化,提高了最小优化总变差算法的自适应性。接着,将改进的群分解算法与改进的最小优化总变差降噪算法进行集成并用于对强噪声背景下圆柱滚子轴承的故障诊断,分析结果证明所提方法的有效性与实用性,且证实了两种算法的参数优化的准确性。（3）提出了一种基于改进的群分解算法与深度学习网络集成的轴承智能故障诊断方法。针对一般循环神经网络关于记忆敏感的问题以及信息利用率的问题,提出将双向长短期记忆结构以及多尺度卷积结构融合于深度学习网络中,使网络模型不仅可以避免记忆紊乱的现象,还能从多角度对数据进行理解与交流,且能在一定程度上降低数据噪声的干扰。网络模型的测试数据集由改进的群分解算法分解所得的振荡分量组成,且为了贴合实际情况,各类数据的数量是不等的。将所提的智能故障诊断方法运用至深沟球轴承以及圆柱滚子轴承的故障诊断中,结果均表明所提的智能故障诊断方法的实用性以及有效性。
杨海坤[2]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中指出对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
王萪峰[3]（2020）在《基于深度置信网络的风电机组剩余寿命预测研究》文中研究表明为缓解能源危机和资源的不合理开采带来的环境问题,风能等绿色无污染的能源得到了广泛应用。通过风力发电一方面可以减少煤炭等的使用,另一方面可以保护环境。随着机组使用时间的增长,近年来风机事故频发,出现系统瘫痪、经济损失、甚至威胁生命的现象。风力发电机通常安装在偏远的地方,且机组内部组件很多维护起来困难很多。齿轮箱作为风力发电机组的一个关键部件,连接着整个传动装置,一旦故障很难维修。因此,通过对齿轮箱的剩余寿命做出预测,可以提前制定相应的维修策略,从而节省维修费用,减少故障时间。本文以齿轮箱中齿轮的振动特征值随运行时间的变化为背景建立模型,采用深度置信网络学习特征值之间的关系,预测特征值超过故障阈值的时间,从而预测剩余寿命。主要研究工作如下:（1）针对单一模型往往没有好的泛化性能的问题,提出了一种深度置信网络集成的方法。采用了负相关学习结合遗传算法的方法同时训练多个神经网络,以使模型对数据的规律学习的更加准确。最后取多个个体网络输出的平均值作为模型输出。并以齿轮的振动加速度数据为例,通过和单个深度置信网络进行剩余寿命预测对比,模型的准确度有所提高,验证了所提方法的有效性。（2）引入了小生境技术来使集成模型提高种群多样性,建立了结合小生境技术的深度置信网络集成模型。通过共享机制的小生境技术降低适应度相似的个体网络被选择的概率,从而提高种群多样性。通过和没有加小生境技术的集成模型比较,加入小生境技术之后,种群的多样性提高了,验证了所提方法可以应用在集成模型中来提高种群多样性。
刘佳媛[4]（2020）在《基于深度学习的风电机组剩余寿命预测研究》文中研究说明火力发电伴随着能源消耗和环境污染的危机,因此利用可再生的清洁能源发电成为时代主流。在时代浪潮的推动下,清洁高效的风力发电迎来飞速发展。齿轮箱在风电机组中扮演着极其重要的角色,但也是发生故障最多的部件之一,它的工作状态直接影响风电机组的寿命。齿轮箱安装在风电机组的塔顶,当发生故障时,维修的困难造成维修成本很高,因此开展风电机组齿轮箱的剩余寿命预测研究,对提高风电机组使用寿命和降低维修损失具有重大意义。论文针对传感器从齿轮箱试验平台所采集的可以表征齿轮箱退化状态的振动数据,提出应用深度学习的预测方法,根据故障阈值进行齿轮箱剩余寿命预测。主要研究工作如下:（1）提出卷积神经网络和长短期记忆网络集成模型预测剩余寿命的方法。集成模型采用卷积神经网络从数据角度出发,自动提取齿轮振动加速度信号特征,改善传统寿命预测方法中人工特征对结果产生的影响;再利用参数选择和优化等内容改进长短期记忆网络,使它具备更好的能力处理长间隔或长延迟的时间序列,从而预测齿轮箱的剩余寿命。并通过试验验证该方法的有效性。（2）提出多传感器数据融合预测剩余寿命的方法。由于单一传感器测量范围有限,多传感器可以采集到更加全面、有效的反应齿轮运行状态的信息,因此,该方法将卷积神经网络与数据融合理论相结合,将多个传感器采集的齿轮振动加速度信号和噪声信号进行数据融合,提高模型预测剩余寿命的准确度,并且验证了该方法的有效性和可行性。
林鹏飞[5]（2020）在《分子泵故障诊断与寿命预测技术研究》文中研究说明分子泵是一种用于高真空环境的精密机械,是高端分析仪器如质谱仪,扫描电子显微镜等的重要组成部分。为了提高真空度,抽速等性能指标,分子泵通常在极高的转速下运行。随着分子泵的运转,内部的易损零件的性能逐渐退化,如果疏于维护最终可能造成零件的失效甚至整台仪器的损坏。因此,研究分子泵的运行状态监测,异常检测,故障诊断,性能评估以及关键零部件的寿命预测技术是十分必要的。本文的工作内容分为以下几个部分:首先,进行分子泵的各个子系统分析,确定分子泵中的易损关键零部件,并进行关键零部件的扩展FMECA分析,确定其故障症状和危害度,故障演变模式,失效机理,传感器类型和布置。根据扩展FMECA分析的结果,设计了分子泵的PHM技术框架,包括异常检测方法,故障诊断（性能评估）方法和寿命预测方法。异常检测采用基于时间序列建模的技术,故障诊断（性能评估）采用以深度学习为基础的自动特征提取器和分类器实现,寿命预测采用基于退化模型和粒子滤波的方法实现。其次,为了提高故障诊断方法的性能,提出了以集成自编码器作为特征提取器,以集成神经网络作为分类器的故障诊断方法,并在轴承和齿轮箱故障的公开数据集进行验证,结果表明这种方法性能优越,不仅诊断准确,而且受到噪声等不利情况的影响较小。进行了分子泵的故障诊断实验,采集了6种不同故障情况下的振动信号,在4种不同情况下利用提出的方法实现了分子泵故障诊断。最后,为了掌握分子泵性能退化的特性,设计了分子泵加速寿命实验以及相关的数据采集软件,采集了分子泵的全寿命数据并用于评估本研究的PHM算法。实验结果表明,本文采用的异常检测算法可以准确检测出不同退化阶段的分界,性能评估算法分类四个退化阶段的正确率达到90%,寿命预测算法能够在退化中期提前约90小时预报故障,相对误差小于10%。
马森财[6]（2020）在《旋转机械典型故障辨识及分类可视化问题研究》文中提出随着旋转机械装置不断向先进智能化方向迈进,如何提高智能故障诊断的决策水平,是我们最新面临的挑战。故障辨识是智能故障诊断中最关键的一步,它能有效、准确地挖掘出丰富的设备故障信息,找出不同类别的样本群在特征空间中的分布区域和边界,为后续的决策知识库构建提供最重要的参考和指导。因此,训练出能有效辨识出故障并有一定泛化能力和容错性的分类器、重视故障发生的不确定性（随机性和模糊性的统称）和故障数据中的随机量,是本项研究工作关注的重点问题。本研究围绕机械故障分类展开,具体关注点有:集成学习用于故障识别时基分类器差异性的提高、故障数据中不确定性知识的表达、计算与故障分类过程中的可视化表达。具体研究内容及与取得的研究成果如下:（1）针对Bagging集成学习中基分类器之间差异性偏低的问题,提出一种改进型集成神经网络算法并将其用于双跨转子故障模式辨识。通过Relief-F算法和改进轮盘赌法扰动低维转子故障数据集中的特征,通过Bagging学习的重采样算法扰动训练样本。经过两次扰动后,使得训练后的基分类器之间有了更高的差异性,让最终的分类结果可信度更高。最后在低维双跨转子故障数据集上验证了以BP网络为基分类器的双扰动集成学习方法的辨识性能,结果表明,双重扰动法能够明显的提升BP神经网络的辨识能力。（2）针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法。将经预处理之后的信号进行云化,提取出各状态下信号分布云的三个参数:期望、熵和超熵,将这三个参数作为表征轴承状态的特征数据;将数据集归一化处理后送入集成极限学习机进行识别。研究结果表明,云-集成极限学习机与传统神经网络识别方法相比,能有效地实现轴承故障模式识别,有更高的识别率和稳定性,且在抗噪性方面有较好的表现。（3）为了充分利用海量数据中所蕴含的信息对轴承故障进行有效识别,利用云理论建立起轴承故障数据与故障类别之间的映射,得到了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法结合云分布隶属度系数,提出了任意样本对于故障类别的最终隶属度计算方法。通过由不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力;将该分类方法与常用的分类方法在含噪声的测试样本上进行对比实验,结果证明了该分类方法在抗噪性方面的优越性。云理论可以将语义概念的表达可视化,统一数据中的模糊性和随机性,在机械大数据背景下的故障辨识领域具有广阔的前景,后续研究将重点探索利用云模型衍生虚拟样本实现不平衡学习、利用云模型实现故障数据降维。
王飞,宋辉[7]（2019）在《核动力装置混合式状态监测系统的研究》文中指出为了保障核动力装置安全、可靠地运行,避免重大事故发生,对核动力装置开展状态监测技术的研究十分重要。本文以民用核动力装置为研究对象,对一回路系统典型故障进行分析,选取特征参数并提取其征兆信息;采用混合式状态监测方法开展状态监测与故障诊断研究,故障识别效果良好,可以为核动力装置的安全运行与决策提供借鉴。
吴金栋[8]（2019）在《航空发动机气路故障诊断与预测的机器学习方法研究》文中指出航空发动机故障诊断与性能预测技术是健康管理系统（PHM）的重要组成部分,是保证飞行安全、降低维护成本的重要手段。本文以涡扇发动机为主要研究对象,研究了基于极限学习机和深度学习算法的航空发动机气路故障诊断以及性能预测方法,主要工作内容如下:为提高极限学习机（ELM）计算结果稳定性,采用基于受限玻尔兹曼机（RBM）的ELM参数初始化方法,设计了改进的ELM学习算法（RB-ELM）。该方法通过RB初始化过程来优化ELM初始参数,降低了ELM网络中存在的参数随机性以及由此造成的学习性能不稳定。将RB-ELM算法应用到航空发动机气路故障诊断中,并验证了在飞行包线内典型工况下具有较好分类精度。进一步研究了在线序列极限学习机（OS-ELM）算法,发展了在线学习稳定性提高策略。基于OS-ELM的集成学习策略（EOS-ELM）,研究了一种基于线性卡尔曼滤波的自适应集成学习机KEOS-ELM,该算法对每个集成的OS-ELM网络的学习误差进行评价,通过滤波算法调整权重。将KEOS-ELM算法应用于航空发动机传感器解析余度,改进了传感器漂移故障的判别方法并进行了数字仿真验证。将线性卡尔曼滤波算法用于OS-ELM网络权重的迭代更新,提出了一种OS-ELM的线性卡尔曼滤波训练方法（KFOS-ELM）,相比于传统递推最小二乘求解训练方法,提高了OS-ELM学习过程的稳定性,并将KFOS-ELM算法与逻辑回归模型（Logisic-Regression）综合,研究了一种航空发动机性能衰退预测方法,KFOS-ELM作为参数预测器,以逻辑回归模型作为退化状态评价模型,实现了发动机失效时间的短期预测。最后,研究了基于深度学习算法长短期记忆网络（LSTM）和自回归积分滑动模型（ARIMA）的发动机剩余使用寿命预测方法。该方法基于发动机历史退化数据建立健康指标模型库,通过ARIMA模型得到的预测参数解算健康指标,得到其剩余使用寿命以及拟合的概率分布结果,实现了发动机剩余使用寿命预测。
谢超[9]（2017）在《基于神经网络集成的汽车ABS故障诊断研究》文中研究指明随着汽车工业的发展和汽车产品的普及,汽车已成为城镇居民出行的重要交通工具,对于汽车的安全性要求也更加严格。汽车防抱死系统（Anti-lock Braking System,ABS）作为汽车制动系统的核心主动安全装置,是保障汽车安全性的重要组成,对其进行更精准的故障诊断检测具有重要意义。由于神经网络具有自适应、良好的容错性、并行计算等优点,本文将之应用于汽车ABS的故障诊断中。构建三层BP神经网络模型,分别对汽车ABS调节器和传感器检测样本进行故障诊断。同时,结合现代智能算法中的遗传算法对BP网络进行参数优化,以克服BP网络收敛速度慢、易于陷入局部最优等缺陷。设计了采用遗传算法优化BP神经网络初始权值和阈值的遗传神经网络（GABP）算法,并将之应用于ABS调节器与传感器的故障诊断中。基于MATLAB2014软件平台,使用神经网络工具箱并编程实现遗传神经网络算法,分别对调节器和传感器检测样本进行训练并仿真检验,结果显示,应用遗传算法优化后,ABS故障诊断的效率和可靠性都得到了提升。最后,鉴于单神经网络具有复杂度高、故障空间和样本维度较小等问题,引入集成计算方法,提出了使用神经网络集成进行ABS故障诊断的方法。该方法可以利用不同方面的信息,将故障空间和样本空间进行划分,构建子神经网络分别独立计算仿真,最后将输出结果决策融合。使用调节器样本进行了仿真,通过诊断结果比较可知,神经网络集成有效地提升了故障诊断的效率和精度,增强了网络的泛化性能。
熊伟[10]（2014）在《基于Petri网的远程智能故障诊断方法研究》文中进行了进一步梳理近年来智能故障诊断技术成为故障诊断领域的研究热点,该技术以复杂系统（设备、元件）的管理、监测和故障诊断为主要内容,以建立故障预防和系统维修体系为目标,在诸多生产实践领域得到应用。智能技术的应用提高了系统故障诊断的科学化、智能化水平,在实践中得到了充分检验,极大丰富了人们有关故障的领域知识。智能故障诊断技术主要包括专家系统、模糊故障诊断、神经网络、信息融合和Petri网等。尽管当前的智能故障诊断技术采用了许多成熟的数学方法和基于专家系统的推理算法,依然有许多关键问题需要进一步研究,包括知识表达和推理、知识学习、智能识别和信息融合等。智能故障诊断系统需要将诊断理论、专家经验知识有效融合,通过计算机软件编程加以实现。故障诊断专家往往不是诊断系统的具体实现者,而软件编程人员亦非有着丰富领域知识的专家,能否使诊断系统真正体现专家的意图和决策,决定了系统的优劣；能否使诊断过程清晰、高效,决定了系统是否可用、可推广。Petri网的诸多特性使其能够简洁方便的表示专家知识、诊断组织结构以及诊断推理过程,能够对专家知识及推理过程进行优化,能够很容易地融合模糊推理、神经网络和面向对象编程等技术。应用Petri网技术,可以使得诊断系统专家、系统开发人员、系统使用者紧密关联,体现了故障诊断从理论到智能再到应用的全过程。论文包括以下几方面内容：1、对Petri网技术的研究。以Petri网理论为基础,结合模糊产生式规则推理,研究模糊故障Petri网及建模方法；研究基于Petri网模型图的推理方法；重点研究、分析并设计了基于矩阵及其运算的推理方法；综合运用极值法、求和法实现正反向混合推理。2、对智能Petri网技术的研究。研究了加权模糊Petri网、自学习（自适应）模糊Petri网,分析其利用单一BP （Back Propagation）神经网络算法训练Petri网中的权值、阈值和置信度等参数的优缺点；研究了神经网络集成学习的理论,提出动态选择性集成与故障诊断Petri网融合方法。3、对PSO（Particle Swarm Optimization）算法的研究。在PSO算法研究的基础上,提出了改进的增强型PSO算法；研究了PSO算法与神经网络的融合技术,提出了基于改进的PSO算法的神经网络集成学习方法,并应用于智能Petri网的参数学习和训练。4、设计并实现了基于Petri网的远程智能故障诊断系统,应用于电厂汽轮机组故障诊断实例。深入研究并应用数据整形与压缩技术、网络通信技术、服务器推送技术等解决远程诊断过程中所面临的实际应用问题。
二、基于专家系统与神经网络集成的故障诊断的应用研究（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、基于专家系统与神经网络集成的故障诊断的应用研究（论文提纲范文）
（1）基于群分解的轴承智能故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题选题背景与研究意义 |
| §1.2 旋转机械智能故障诊断技术的国内外研究现状 |
| §1.2.1 信号采集在故障诊断研究现状 |
| §1.2.2 信号分解算法在故障诊断研究现状 |
| §1.2.3 模式识别方法在故障诊断研究现状 |
| §1.3 论文主要研究内容 |
| 第二章 基于SWD的轴承故障诊断 |
| §2.1 SWD算法基本原理 |
| §2.1.1 群体模型 |
| §2.1.2 SWF滤波器参数及响应 |
| §2.1.3 SWD算法的计算过程 |
| §2.1.4 SWD算法的时间复杂度 |
| §2.2 基于SWD的仿真对比分析 |
| §2.3 基于SWD的深沟球轴承内圈故障诊断分析 |
| §2.4 本章小结 |
| 第三章 基于ISWD算法与ITV-MM降噪算法集成的轴承故障诊断 |
| §3.1 SWD算法的参数优化 |
| §3.1.1 阈值参数的优化 |
| §3.1.2 仿真对比分析 |
| §3.1.3 振荡分量选取方法 |
| §3.2 TV-MM降噪算法的参数优化 |
| §3.2.1 TV-MM算法的基本原理 |
| §3.2.2 降噪参数的优化 |
| §3.2.3 仿真对比分析 |
| §3.3基于ISWD算法与ITV-MM降噪算法集成的轴承故障诊断 |
| §3.3.1 圆柱滚子轴承故障实验介绍 |
| §3.3.2 圆柱滚子轴承故障实验分析 |
| §3.4 本章总结 |
| 第四章 基于ISWD算法与深度学习网络集成的轴承智能故障诊断 |
| §4.1 理论介绍 |
| §4.1.1 LSTM网络结构 |
| §4.1.2 卷积结构 |
| §4.1.3 分类模型评价指标 |
| §4.2 基于ISWD算法的测试数据集准备 |
| §4.3 基于双向LSTM结构与多尺度卷积结构的深度学习网络 |
| §4.3.1 双向LSTM结构 |
| §4.3.2 多尺度卷积结构 |
| §4.3.3 注意力机制 |
| §4.3.4 网络搭建 |
| §4.4 基于ISWD与深度学习网络集成的轴承智能故障诊断分析 |
| §4.4.1 实例1:深沟球轴承智能故障诊断 |
| §4.4.2 实例2:圆柱滚子轴承智能故障诊断 |
| §4.5 本章小结 |
| 第五章 总结与展望 |
| §5.1 总结 |
| §5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要研究成果及参与项目 |
（2）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（3）基于深度置信网络的风电机组剩余寿命预测研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 本文的主要内容 |
| 1.4 本文组织结构 |
| 第二章 风电机组齿轮箱 |
| 2.1 引言 |
| 2.2 风电机组构造 |
| 2.3 风电机组齿轮箱构造 |
| 2.4 齿轮箱故障类型 |
| 2.4.1 齿轮箱故障的主要形式 |
| 2.4.2 齿轮的故障类型 |
| 2.4.3 轴承的故障类型 |
| 2.5 影响齿轮箱寿命的关键因素分析 |
| 第三章 基于深度置信网络集成的齿轮剩余寿命预测 |
| 3.1 前言 |
| 3.2 深度置信网络 |
| 3.2.1 深度置信网络结构 |
| 3.2.2 受限玻尔兹曼机结构 |
| 3.2.3 RBM模型 |
| 3.2.4 深度置信网络的训练 |
| 3.3 基于负相关学习结合遗传算法的神经网络集成算法 |
| 3.3.1 遗传算法优化DBN |
| 3.3.2 基于负相关学习的集成 |
| 3.3.3 预测步骤 |
| 3.4 试验验证 |
| 3.4.1 疲劳试验台架 |
| 3.4.2 齿轮振动数据集 |
| 3.4.3 DBN结构的确定 |
| 3.4.4 预测结果分析 |
| 3.5 结论 |
| 第四章 结合小生境遗传算法的剩余寿命预测 |
| 4.1 遗传算法 |
| 4.2 小生境技术 |
| 4.3 共享机制的小生境遗传算法 |
| 4.4 基于小生境遗传算法的DBN集成设计 |
| 4.4.1 预测流程 |
| 4.4.2 基于小生境遗传算法结合负相关学习的神经网络集成算法 |
| 4.4.3 使用负相关学习集成 |
| 4.4.4 种群多样性度量 |
| 4.5 试验验证 |
| 4.6 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于深度学习的风电机组剩余寿命预测研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容 |
| 1.4 章节安排 |
| 第二章 风电机组齿轮箱故障类型 |
| 2.1 风电机组的主要结构 |
| 2.2 风电机组齿轮箱基本结构 |
| 2.3 风电机组齿轮箱常见故障 |
| 2.4 影响齿轮箱寿命的关键因素分析 |
| 2.5 本章小结 |
| 第三章 基于集成模型的风电机组剩余寿命预测研究 |
| 3.1 引言 |
| 3.2 建立卷积神经网络和长短期记忆网络集成预测模型 |
| 3.3 卷积神经网络 |
| 3.3.1 卷积神经网络的基本结构 |
| 3.3.2 训练过程 |
| 3.4 长短期记忆神经网络 |
| 3.4.1 循环神经网络 |
| 3.4.2 长短期记忆神经网络的基本结构 |
| 3.4.3 网络训练 |
| 3.4.4 优化算法 |
| 3.4.5 网络预测 |
| 3.5 基于集成模型的风电机组剩余寿命预测 |
| 3.6 试验验证 |
| 3.6.1 齿轮箱试验平台搭建 |
| 3.6.2 剩余寿命预测与分析 |
| 3.7 本章小结 |
| 第四章 基于数据融合的风电机组剩余寿命预测研究 |
| 4.1 引言 |
| 4.2 数据融合的定义 |
| 4.3 数据融合的分类及主要方法 |
| 4.4 卷积神经网络的多传感器数据融合技术 |
| 4.4.1 卷积神经网络数据融合的意义 |
| 4.4.2 卷积神经网络数据融合方法 |
| 4.5 试验验证 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）分子泵故障诊断与寿命预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源、背景与意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 PHM技术历史 |
| 1.2.2 PHM技术方法体系概述 |
| 1.2.3 关键零部件PHM技术 |
| 1.3 研究目标、技术路线与论文架构 |
| 1.3.1 研究目标 |
| 1.3.2 技术路线和论文架构 |
| 第二章 分子泵系统介绍和PHM技术框架 |
| 2.1. 引言 |
| 2.2. 分子泵基本结构 |
| 2.3. 分子泵关键部件扩展FMECA分析 |
| 2.4. 故障预测与健康管理技术框架 |
| 2.4.1. 异常检测方法 |
| 2.4.2. 故障诊断(性能评估)方法 |
| 2.4.3. 寿命预测方法 |
| 2.5. 本章小结 |
| 第三章 基于集成自编码器和集成学习的故障诊断 |
| 3.1. 引言 |
| 3.2. 故障诊断和寿命预测技术框架 |
| 3.3. 基于集成去噪自编码器的信号特征提取 |
| 3.4. 基于多神经网络集成学习的故障分类技术 |
| 3.5. 数据集实验验证 |
| 3.6. 分子泵故障诊断实验验证 |
| 3.6.1. 实验设计 |
| 3.6.2. 故障诊断算法流程 |
| 3.6.3. 故障诊断结果 |
| 3.7. 本章小结 |
| 第四章 分子泵加速寿命实验 |
| 4.1. 引言 |
| 4.2. 分子泵实验系统架构 |
| 4.3. 分子泵加速寿命实验设计 |
| 4.3.1. 状态监测软件设计 |
| 4.3.2. 加速寿命方案设计 |
| 4.4. 实验数据概览 |
| 4.5. 算法验证 |
| 4.5.1. 分子泵异常检测算法验证 |
| 4.5.2. 分子泵性能评估算法验证 |
| 4.5.3. 分子泵寿命预测算法验证 |
| 4.6. 本章小结 |
| 第五章 结论与展望 |
| 5.1. 结论 |
| 5.2. 创新进步点 |
| 5.3. 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间取得的研究成果 |
| 附录B 攻读硕士学位期间参加的学术活动 |
（6）旋转机械典型故障辨识及分类可视化问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景简介 |
| 1.2 旋转机械故障诊断技术研究的内涵 |
| 1.3 旋转机械模式辨识问题的研究现状 |
| 1.3.1 故障分类问题研究现状 |
| 1.3.2 故障聚类问题研究现状 |
| 1.4 当前存在的问题 |
| 1.5 本研究工作的意义 |
| 1.6 本论文的内容安排 |
| 第2章 典型的模式辨识方法与云理论简介 |
| 2.1 引言 |
| 2.2 故障辨识中常用的分类方法 |
| 2.2.1 BP神经网络原理 |
| 2.2.2 极限学习机简介 |
| 2.2.3 支持向量机简介 |
| 2.2.4 KNN分类器 |
| 2.3 集成学习原理 |
| 2.3.1 Bagging集成学习简介 |
| 2.3.2 个体分类器差异性的增强措施 |
| 2.4 云理论 |
| 2.4.1 高斯云模型的数学原理和性能 |
| 2.4.2 云发生器 |
| 2.5 本章小结 |
| 第3章 基于双扰动集成神经网络的转子故障识别方法 |
| 3.1 引言 |
| 3.2 相关理论与应用分析 |
| 3.2.1 Relief-F特征评估算法简介 |
| 3.2.2 Bagging集成学习算法用于BP神经网络的有效性探究 |
| 3.3 建立的双扰动集成神经网络分类模型 |
| 3.3.1 振动信号的特征提取与特征降维 |
| 3.3.2 设计的双扰动总体流程 |
| 3.3.3 相关参数的设定情况 |
| 3.4 实验结果与分析 |
| 3.4.1 双扰动集成神经网络的辨识能力验证 |
| 3.4.2 变工况下DE-BP方法的辨识效果 |
| 3.4.3 DE-BP方法对含噪数据的敏感性验证 |
| 3.5 本章小结 |
| 第4章 云模型和集成极限学习机相结合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 云理论及其指标的含义 |
| 4.3 建立的特征提取及分类模型 |
| 4.3.1 信号采集 |
| 4.3.2 信号预处理与云特征提取结果 |
| 4.3.3 建立的集成极限学习机模型 |
| 4.4 模型应用及分析 |
| 4.4.1 轴承故障分类 |
| 4.4.2 E-ELM在变工况下的识别能力 |
| 4.4.3 E-ELM的抗噪性验证 |
| 4.4.4 建立的云-极限学习机的普适性性能验证 |
| 4.5 本章小结 |
| 第5章 基于云理论和Relief-F的滚动轴承故障识别方法研究 |
| 5.1 引言 |
| 5.2 建立的基于云理论的故障分类模型 |
| 5.2.1 滚动轴承振动信号的特征提取 |
| 5.2.2 建立的不同状态下各特征分布云模型 |
| 5.2.3 测试样本对不同状态的隶属度计算方法 |
| 5.2.4 特征评估结果 |
| 5.2.5 确定的最终隶属度 |
| 5.3 实验结果与分析 |
| 5.3.1 识别结果 |
| 5.3.2 建立的云分类器在变工况下的识别准确率 |
| 5.3.3 训练样本数目对云分类器性能的影响 |
| 5.3.4 云分类器的鲁棒性验证结果 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的科研成果目录 |
| 附录B 参加科研项目情况 |
（7）核动力装置混合式状态监测系统的研究（论文提纲范文）
| 1 核动力装置一回路系统故障分析 |
| 1.1 状态监测方法概述 |
| 1.2 典型故障分析 |
| 1.3 特征参数选取 |
| 2 核动力装置混合式状态监测 |
| 2.1 混合式状态监测算法结构 |
| 2.2 监测与诊断过程 |
| 2.3 主要模块的设计 |
| 3 状态监测系统的设计 |
| 3.1 系统各单元模块设计 |
| 3.2 故障诊断验证分析 |
| 4 总结 |
（8）航空发动机气路故障诊断与预测的机器学习方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外技术研究现状 |
| 1.2.1 发动机气路故障诊断研究现状 |
| 1.2.2 发动机传感器解析余度研究现状 |
| 1.2.3 发动机剩余使用寿命预测研究现状 |
| 1.3 本文的内容安排 |
| 第二章 基于RB-ELM的航空发动机气路故障模式识别 |
| 2.1 引言 |
| 2.2 极限学习机与受限玻尔兹曼网络 |
| 2.2.1 SLFN与 ELM网络 |
| 2.2.2 RBM网络基本原理 |
| 2.3 基于RBM参数优化的ELM算法 |
| 2.3.1 改进的RB-ELM算法 |
| 2.3.2 RB-ELM与 ELM的比较 |
| 2.4 RB-ELM标准数据集仿真验证 |
| 2.4.1 RB-ELM的分类性能验证 |
| 2.4.2 RB-ELM的回归性能验证 |
| 2.4.3 与BA-ELM和 DE-ELM算法综合比较 |
| 2.5 基于RB-ELM的发动机气路故障诊断分析与验证 |
| 2.5.1 基于RB-ELM的发动机气路故障诊断原理 |
| 2.5.2 基于RB-ELM的气路故障诊断仿真验证 |
| 2.6 本章小结 |
| 第三章 基于KEOS-ELM的航空发动机传感器智能解析余度 |
| 3.1 引言 |
| 3.2 OS-ELM和 EOS-ELM算法 |
| 3.2.1 OS-ELM基本算法 |
| 3.2.2 基于集成网络的OS-ELM算法 |
| 3.2.3 滤波自适应EOS-ELM算法 |
| 3.3 航空发动机传感器智能解析余度设计方法 |
| 3.3.1 传感器智能解析余度设计 |
| 3.3.2 传感器故障诊断、隔离与解析余度方法 |
| 3.3.3 传感器智能解析余度仿真分析 |
| 3.4 本章小结 |
| 第四章 基于KFOS-ELM的航空发动机性能衰退在线预测 |
| 4.1 引言 |
| 4.2 基于线性卡尔曼滤波的OS-ELM方法 |
| 4.2.1 OS-ELM的滤波训练算法 |
| 4.2.2 自适应集成KFOS-ELM算法 |
| 4.3 KFOS-ELM的标准数据集仿真验证 |
| 4.4 航空发动机性能参数在线预测与状态评估 |
| 4.4.1 基于KFOS-ELM的性能参数在线预测 |
| 4.4.2 基于Logistic-Regression的健康状态评估 |
| 4.4.3 发动机性能衰退在线预测仿真分析 |
| 4.5 本章小结 |
| 第五章 基于LSTM和 ARIMA的航空发动机剩余使用寿命预测 |
| 5.1 引言 |
| 5.2 航空发动机剩余使用寿命的深度学习预测方法 |
| 5.2.1 RNN算法 |
| 5.2.2 LSTM算法 |
| 5.2.3 自回归积分滑动平均模型 |
| 5.2.4 基于LSTM和 ARIMA的发动机寿命预测方法 |
| 5.3 航空发动机剩余使用寿命预测仿真分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）基于神经网络集成的汽车ABS故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 汽车故障诊断国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的研究内容及技术路线 |
| 论文主要研究内容 |
| 技术路线图 |
| 第二章 汽车ABS故障模式与诊断方法 |
| 2.1 汽车制动性能 |
| 2.1.1 汽车制动性能的评价 |
| 2.1.2 滑移率对制动性能的影响 |
| 2.2 汽车ABS的组成与控制原理 |
| 2.2.1 ABS系统的组成 |
| 2.2.2 ABS系统的工作原理 |
| 2.3 ABS故障模式与故障诊断方法 |
| 2.3.1 ABS故障模式和诊断指标 |
| 2.3.2 故障诊断的主要方法 |
| 2.3.3 神经网络与汽车故障诊断 |
| 2.4 本章小结 |
| 第三章 遗传算法优化的BP神经网络 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络的结构 |
| 3.1.2 BP神经网络的传递函数 |
| 3.1.3 BP网络学习算法 |
| 3.1.4 BP算法的训练过程 |
| 3.1.5 BP算法的性能分析及改进 |
| 3.2 遗传算法基本理论 |
| 3.2.1 遗传算法的基本思想 |
| 3.2.2 遗传算法的实现 |
| 3.2.3 遗传算法的遗传操作 |
| 3.3 遗传算法与BP神经网络的结合 |
| 3.4 本章小结 |
| 第四章 基于遗传神经网络的ABS故障诊断 |
| 4.1 数据指标及样本选取 |
| 4.1.1 故障类型及特征因素 |
| 4.1.2 样本数据的选取 |
| 4.1.3 数据及训练样本的处理 |
| 4.2 基于BP神经网络的ABS故障诊断 |
| 4.2.1 网络参数的选取 |
| 4.2.2 ABS故障诊断的BP网络仿真 |
| 4.3 基于遗传神经网络的ABS故障诊断 |
| 4.3.1 遗传算法编程实现 |
| 4.3.2 ABS故障诊断的遗传神经网络仿真 |
| 4.4 本章小结 |
| 第五章 基于神经网络集成的ABS故障诊断 |
| 5.1 集成技术 |
| 5.2 神经网络集成机理 |
| 5.3 神经网络集成的信息融合 |
| 5.3.1 集成中子网络的组建原则 |
| 5.3.2 决策融合网络的实现 |
| 5.4 基于神经网络集成的ABS调节器故障诊断 |
| 5.4.1 子神经网络模型构建 |
| 5.4.2 网络仿真与集成融合 |
| 5.5 本章小结 |
| 结论和展望 |
| 结论 |
| 研究展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于Petri网的远程智能故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| Contents |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 智能故障诊断研究概况 |
| 1.2.1 基于故障树的故障诊断技术 |
| 1.2.2 基于模糊理论的故障诊断技术 |
| 1.2.3 基于神经网络的故障诊断技术 |
| 1.2.4 基于粒子群优化的故障诊断技术 |
| 1.2.5 基于融合的故障诊断技术 |
| 1.3 基于Petri网的智能故障诊断方法 |
| 1.3.1 Petri网技术研究概况 |
| 1.3.2 基于模糊Petri网的故障诊断 |
| 1.3.3 基于自学习Petri网的故障诊断 |
| 1.3.4 高级Petri网技术 |
| 1.4 远程故障诊断的信息处理技术 |
| 1.4.1 数据压缩与传送 |
| 1.4.2 服务器推送 |
| 1.5 本文研究内容和结构安排 |
| 第2章 故障诊断与Petri网建模 |
| 2.1 智能故障诊断系统模型 |
| 2.1.1 基于故障树的诊断模型 |
| 2.1.2 基于模糊规则的诊断推理 |
| 2.2 Petri网描述 |
| 2.2.1 Petri网基本概念 |
| 2.2.2 Petri网定义 |
| 2.2.3 Petri网分析方法 |
| 2.3 Petri网与故障诊断 |
| 2.3.1 故障Petri网定义 |
| 2.3.2 故障Petri网建模方法 |
| 2.3.3 Petri网与模糊推理 |
| 2.4 本章小结 |
| 第3章 智能Petri网系统 |
| 3.1 模糊Petri网系统 |
| 3.1.1 FPN定义及知识表示 |
| 3.1.2 FPN故障推理 |
| 3.1.3 故障诊断示例 |
| 3.2 智能Petri网系统 |
| 3.2.1 加权模糊Petri网系统 |
| 3.2.2 自学习模糊Petri网系统 |
| 3.2.3 智能Petri网定义 |
| 3.3 基于神经网络集成的智能Petri网系统 |
| 3.3.1 神经网络集成技术 |
| 3.3.2 神经网络集成中的个体生成 |
| 3.3.3 选择性集成方法 |
| 3.3.4 故障诊断示例 |
| 3.4 本章小结 |
| 第4章 基于粒子群优化的智能Petri网系统 |
| 4.1 粒子群优化算法 |
| 4.1.1 基本粒子群优化算法 |
| 4.1.2 标准粒子群优化算法 |
| 4.2 粒子群优化算法的改进 |
| 4.2.1 基于参数调整的改进算法 |
| 4.2.2 增强型自探索粒子群优化算法 |
| 4.3 基于粒子群优化的智能Petri网系统 |
| 4.3.1 粒子群优化算法训练神经网络 |
| 4.3.2 故障诊断示例 |
| 4.4 本章小结 |
| 第5章 基于Petri网的远程智能故障诊断系统 |
| 5.1 故障诊断系统设计 |
| 5.1.1 需求分析 |
| 5.1.2 系统架构 |
| 5.1.3 数据结构 |
| 5.2 相关子系统 |
| 5.2.1 信息处理子系统 |
| 5.2.2 故障诊断子系统 |
| 5.2.3 服务响应子系统 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文的主要工作及创新点 |
| 6.2 今后的研究方向 |
| 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 |
四、基于专家系统与神经网络集成的故障诊断的应用研究（论文参考文献）
- [1]基于群分解的轴承智能故障诊断研究[D]. 欧阳励. 桂林电子科技大学, 2021
- [2]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [3]基于深度置信网络的风电机组剩余寿命预测研究[D]. 王萪峰. 太原科技大学, 2020(03)
- [4]基于深度学习的风电机组剩余寿命预测研究[D]. 刘佳媛. 太原科技大学, 2020(03)
- [5]分子泵故障诊断与寿命预测技术研究[D]. 林鹏飞. 中国工程物理研究院, 2020(01)
- [6]旋转机械典型故障辨识及分类可视化问题研究[D]. 马森财. 兰州理工大学, 2020
- [7]核动力装置混合式状态监测系统的研究[J]. 王飞,宋辉. 核安全, 2019(04)
- [8]航空发动机气路故障诊断与预测的机器学习方法研究[D]. 吴金栋. 南京航空航天大学, 2019(02)
- [9]基于神经网络集成的汽车ABS故障诊断研究[D]. 谢超. 长安大学, 2017(03)
- [10]基于Petri网的远程智能故障诊断方法研究[D]. 熊伟. 华北电力大学, 2014(12)