一、基于RBF网络和D-S推理的轴承故障诊断（论文文献综述）
王智[1]（2020）在《基于数据的雷达伺服系统故障诊断研究》文中认为雷达伺服系统作为雷达系统的重要子系统,其性能的好坏直接影响了雷达系统运行精度的高低。雷达伺服系统在运行的过程中会出现各种类型的故障,快速准确的进行雷达伺服系统的故障诊断是保障其稳定运行的基础。现阶段的雷达伺服系统故障诊断通常由人工或传统的机理模型完成,故障诊断的效率及精确性难以得到保证。雷达伺服系统的历史故障数据中存在着故障的产生规律,基于数据进行故障诊断研究有助于提升故障诊断的效率和精确性,具有很高的理论意义和应用价值。本课题是与南京某研究所合作的项目,以该所某型雷达伺服系统为研究对象进行相关的故障诊断研究。对此,本文的主要工作如下:首先,给出了雷达伺服故障诊断系统的总体设计方案,完成了该故障诊断系统的总体架构设计和各个功能模块设计,选取了适用于该方案的开发工具与编程语言。其次,基于雷达伺服系统的开关量历史故障数据,建立了开关量故障诊断模型。在建立开关量故障诊断模型之前,采用了多信号流图模型和改进的遗传算法对测试点的选取进行了优化,使得在保障测试性指标的同时,尽可能的减少测试代价。在完成测试点优化之后,本文选取了贝叶斯网络模型作为开关量故障诊断模型。同时,为了解决贝叶斯网络模型结构学习困难、精度存在瓶颈等问题,提出了一种基于K2算法、MHS算法和MMHC算法的结构融合学习方法。然后,根据雷达伺服系统的模拟量历史故障数据,设计了模拟量故障诊断模型。在建立模拟量故障诊断模型之前,通过孤立森林模型去除样本中的异常值,通过针对性的特征工程给数据加入时序特性,采用SMOTE算法解决样本不平衡问题,保证了模拟量故障数据的准确性,使得数据对故障的描述更加完备。为解决传统模拟量故障诊断中单学习器诊断准确率存在瓶颈的问题,提出了一种基于Stacking集成方法的故障诊断模型。接着,考虑到开关量故障数据和模拟量故障数据对雷达伺服系统的故障描述不尽相同,单纯地根据开关量故障数据或模拟量故障数据进行故障诊断存在一定的局限性。因此,本文最终提出了一种信息融合故障诊断模型,该模型根据D-S证据理论对开关量故障诊断的输出结果和模拟量故障诊断的输出结果进行融合。实验结果表明,该方法优化了雷达伺服系统故障诊断的结果,大幅提升了故障诊断的准确率,具有较高的实用价值。最后,基于本文设计的雷达伺服系统故障诊断模型,完成了雷达伺服系统故障诊断软件的开发。通过对实际需求的分析,给出了雷达伺服系统故障诊断软件的总体设计和各个功能模块的设计。同时,结合实例说明了该软件的运行过程,体现了软件的智能化和人性化。
乔增乾[2]（2020）在《基于信息融合的铁路货车滚动轴承故障诊断系统研究》文中研究指明滚动轴承作为旋转机械设备的关键部件,其运行状态直接关系到设备的安全和稳定性,深入研究滚动轴承在不同运行状态的特征,建立有效的故障诊断系统,保证机械设备运行的完全和稳定具有重要意义。同时在大数据时代信息的获取变得更加容易,表现出信息量大、信息种类多以及低价值密度等特点,通过各种检测技术在采集滚动轴承运行状态时获取的信息多为孤立,甚至是矛盾的,信息融合技术作为多学科交叉技术可以有效综合多源信息,能够更加全面、准确地表征滚动轴承的运行状态,因此本研究应用信息融合技术构建货车滚动轴承故障诊断系统,以满足铁路货运检修公司对货车滚动轴承自动检测的需求,具体工作内容如下:（1）针对实验室承接的中国神华能源股份有限公司铁路货车运输分公司货车轴承故障自动检测项目进行背景调研,阐述了本研究的意义,详细分析了国内外滚动轴承故障诊断的研究现状与热点,总结出滚动轴承故障诊断将向大数据化和多信息融合方向发展,确定应用信息融合技术设计滚动轴承故障诊断系统。（2）深入学习铁路货车常用的双列圆锥滚子轴承的组成、结构、损伤形式、现象与可能原因,分析了轴承发生不同损伤现象时常用的诊断方法,总结典型诊断方法的优缺点及适用场景,确定采用振动分析法进行滚动轴承故障诊断,并对滚动轴承振动的起源、信号特点、振动特点进行研究,分析推导了其故障振动频率,并以此做为判断轴承运行状态的重要依据。（3）提出基于多角度特征提取构建多源证据体的决策层信息融合系统。简要介绍了信息融合的定义、发展和原理,对现有的三种信息融合模型进行分析对比,基于项目现场实际为一个振动信号的情况,设计对同源信号进行多角度特征提取进行决策层融合的新型信息融合模型。（4）参与设计和完善了中国神华能源股份有限公司铁路货车运输分公司货车轴承故障自动检测装置,并现场实际对滚轴轴承进行振动信号采集,运用小波包变换对信号进行分解与重构,实现降噪的目的,通过对比降噪前后的频谱图,表明了小波包变换在信号处理方面的有效性,并将降噪后的信号用于有效特征提取和轴承运行故障诊断。（5）设计神经网络和证据理论相结合的决策层信息融合故障诊断系统,并通过仿真验证其有效性。对降噪后信号分别提取无量纲指标、多尺度散布熵、多尺度模糊熵三类特征指标并输入RBF神经网络进行轴承运行状态初步诊断,其输出结果作为D-S证据理论的输入,其诊断准确率作为基本概率分配进行决策层信息融合,通过MATLAB仿真验证该模型诊断准确率为100%,显着优于RBF神经网络单独诊断的系统,表明了在同源数据下通过多角度特征值提取自主构造多源证据体进行决策层信息融合方法的有效性。
张帆宇[3]（2020）在《改进FOA优化DBN的双转子不对中状态特征提取与识别》文中研究表明内外双转子是现代先进航空发动机的关键零部件,不对中是影响内外双转子系统正常工作的主要因素且不对中故障是无法避免的,对不对中状态进行准确识别是保障航空发动机双转子系统安全稳定运行的重要途径。现阶段双转子系统不对中故障诊断研究工作主要内容为双转子系统中有无不对中故障的识别、不对中程度的识别。然后,研究工作很少对双转子系统不对中的类别（位置）及不对中的程度,即不对中的状态进行识别,这是因为目前的传统“浅层方法”难以准确识别不对中状态。为了达到双转子系统不对中故障诊断过程中,既有效又准确的对不对中故障进行识别为目的,本文结合可以深度挖掘数据本质特征,能有效识别高维非线性、非平稳信号的深度置信网络（Deep Belief Network,DBN）主要从以下四个方面开展研究工作:1.针对双转子不对中状态振动信号,对DBN的特征提取及分类识别能力进行研究。本文通过对不同迭代次数下、不同隐含层节点数下、不同学习率及动量项下的受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）的特征提取性能研究来反应深度置信网络的特征提取能力。试验结果表明了RBM的迭代次数、隐含层节点数、学习率及动量项等参数对深度置信网络的振动信号特征提取的影响,并得到了各参数的合理选取范围。同时通过对不同网络深度下DBN的分类结果来反应DBN的分类识别能力。试验结果表明了不同网络深度下DBN的振动信号分类识别能力,并得出了分类识别能力最优的网络深度。2.针对DBN结构参数优化的问题,利用果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）对DBN的结构参数进行优化选取,实现DBN网络模型更加精确的故障识别。针对经典FOA中搜索步长固定、容易陷入局部最优解、算法应用受限等问题,提出了一种新的改进FOA算法。试验结果表明,该算法可快速准确的获取最优参数,适用于DBN网络结构参数的优化选取。3.针对不对中信号DBN输入向量构造问题,利用故障特征提取能力较优的变分模态分解（Variational Mode Decomposition,VMD）作为构造DBN输入向量的方法,提出了一种基于VMD-改进FOA优化DBN的故障状态识别方法。并用单传感器的试验数据进行验证结果表明,该方法相对于其他方法更适用于不对中状态的识别。4.针对航空发动机振动信号采集的实际应用中单一传感器采集振动数据必然存在局限性的问题,本文在VMD-改进FOA优化DBN单传感器的故障状态识别方法的基础上,利用D-S证据理论对多个传感器的识别结果进行决策融合故障识别,并针对D-S证据理论中证据冲突的问题,提出了一种基于互信息测度改进的D-S证据理论。最终提出了基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法。试验结果表明,本文提出的基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法提高了不对中故障状态的识别率,增强了诊断方法的容错能力。
刘诗源[4]（2020）在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中研究指明矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:（1）研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法（Adaptive Electrical Period Partition,AEPP）,对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）对各电周期信号进行分解,结合Park矢量模（Park’s Vector Modulus,PVM）归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。（2）研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换（Dual-Tree Complex Wavelet Packet Transform,DTCWPT）的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法（Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC）,对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则（Maximum Local Margin Criterion,MLMC）的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机（Support Vector Machine,SVM）分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。（3）研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,（1）多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。（2）由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析（Transfer Component Analysis,TCA）研究的基础上,提出改进TCA（Modified Transfer Component Analysis,MTCA）的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。（4）研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习（Stratified Transfer Learning,STL）研究的基础上,提出一种改进STL（Modified Stratified Transfer Learning,MSTL）的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。（5）研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
乔宁国[5]（2019）在《基于多传感器数据融合的高速列车传动系统故障诊断与健康状态预测》文中提出随着高速铁路的快速发展,行车密度逐年增加,列车行驶的安全性问题变得越来越突出。列车传动系统作为转向架的重要组成,由电机、联轴器、齿轮箱、传动轴、轴箱等关键部件组成,主要负责动力驱动和动力传递,在列车运行过程中由于受到轨道不平顺激扰,长期承受高频振动很容易出现疲劳损坏,影响列车的安全运行。目前,我国已经投入运营的CRH系列动车组,虽然已经安装了传感器用于采集关键部件的状态信息,但是对于传动系统关键部件的监测力度还远远不够。传感器的安装数量有限,多传感器信息融合程度低,使得采集的多源信息得不到充分利用,故障诊断可靠性不高。为了提高列车传动系统的运行可靠性,本文基于多传感器数据融合技术对高速列车传动系统关键部件故障诊断与健康状态预测两个方面进行研究。主要研究内容如下:（1）高速列车传动系统关键部件监测传感器布局优化为了优化高速列车传动系统关键部件的传感器布局,建立传动系统的三维几何模型,应用ANSYS有限元分析软件对高速列车传动系统关键部件进行静强度分析、模态分析和谐响应分析,找出振动最剧烈以及应力、应变最大的薄弱部位布置加速度传感器,实现高速列车传动系统关键部件的有效监测。（2）基于多测点信息融合的高速列车齿轮箱故障诊断由于列车齿轮箱监测测点较多,并且不同测点对故障的反映敏感程度不同,为了充分利用多测点信息,提出一种相关函数融合算法与模糊C均值聚类相结合的高速列车齿轮箱故障诊断方法。通过相关函数融合算法将齿轮箱多个测点测得的振动信号融合为一个能够反映齿轮箱运行状态的综合信号;提取融合信息的故障特征;考虑到机械元件的恶化是一个渐变的过程,具有模糊性,采用FCM进行故障分类识别。通过实车数据采集与分析验证该方法用于高速列车齿轮箱故障诊断的可行性。（3）基于多传感器数据融合的高速列车传动系统故障诊断针对高速列车传动系统各部件间振动信号相互关联,故障特征存在交叉的现象,提出一种FCM与模糊积分融合算法相结合的高速列车传动系统多传感器数据融合故障诊断方法。首先对传动系统电机、齿轮箱、轴箱等关键部件采集的振动信号进行多域特征提取与降维;然后对应三个部件分别建立FCM1、FCM2和FCM3三个分类器进行独立的初步诊断,并根据FCM的分类识别率确定模糊测度;最后采用模糊积分融合算法将各部件分类器的输出结果进行融合诊断。通过实车数据采集与分析验证该融合算法用于列车传动系统故障诊断的可行性。（4）高速列车传动系统关键部件振动信号多模型混合预测针对列车行驶线路复杂、运行周期长、故障数据少,使得高速列车传动系统可靠性研究困难的问题,以振动时间序列为基础,提出一种集合经验模态分解（EEMD）与自回归（AR）和支持向量回归机（SVR）相结合的多模型混合预测方法,通过振动信号准确预测可以为部件的健康状态评估提供参考,同时为数据延拓提供新的方法。首先,对高速列车传动系统关键部件采集的振动信号进行EEMD分解;其次,分别建立AR模型和SVR模型对IMF分量分别进行预测,并将预测值叠加作为各自输出结果;最后将AR模型和SVR模型预测值进行加权相加,并采用混沌粒子群优化算法（CPSO）对权值进行优化。通过与单一的AR模型、SVR模型和RBF神经网络模型对比,验证了本文提出的多模型混合预测方法具有更高的预测精度。（5）基于LSTM高速列车传动系统关键部件健康状态预测在振动信号预测的基础上,基于长短期记忆网络（LSTM）对高速列车传动系统关键部件进行健康状态预测。首先提取振动信号的时域特征、频域特征及EEMD能量特征等多域特征,引入包含各特征向量的相关性、单调性和鲁棒性的多目标优化函数W作为退化特征评价函数。采用自组织映射神经网络（SOM）对选取的退化特征进行特征融合,并计算最小量化误差（MQE）。针对MQE存在较多扰动,影响预测准确性的问题,采用db5小波包对MQE进行分解,并将趋势项作为健康指标（HI）。最后,采用LSTM对HI曲线进行趋势预测。通过HI值多步预测达到失效阈值的时间实现对传动系统关键部件健康状态的掌握,为零件的维护保养以及更换提供参考依据,提高传动系统的运行可靠性。
龙霞飞[6]（2019）在《大型风力发电机组齿轮箱智能化故障诊断方法研究》文中指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。
王甜甜[7]（2019）在《基于多源异质信息融合的旋回式破碎机故障智能诊断研究》文中研究表明为了提高矿山企业生产效率,保证机械设备能够安全运行,针对旋回式破碎机结构庞大,运行机理复杂以及故障关联性较强的问题,提出一种基于多源异质信息融合的旋回式破碎机故障智能诊断方法,对机械故障诊断方法完善和实现矿山的智能管理具有重要意义。首先,通过文献阅读与实地调研,对矿山破碎机基本原理及故障机理进行研究,分析其故障类型及故障原因,利用多传感技术对矿山破碎机运行原始信号进行获取,利用小波去噪对信号预处理,利用小波包能量分析法对破碎机运行原始信号中能够有效表征故障的数据特征进行提取;其次,学习掌握支持向量机的基本理论,主要对SVM核函数、多分类方法、参数的选择、后验概率输出等进行算法寻优。然后,对信息融合方法进行研究,提出基于SVM和D-S证据理论融合的矿山破碎机故障诊断模型;最后,对某实际矿山中所使用的旋回式破碎机及其工作环境进行介绍,将基于多源异质信息融合的破碎机故障智能诊断方法应用在该矿山旋回式破碎机的故障诊断中。在矿山旋回式破碎机故障诊断应用中,基于多源异质信息融合的破碎机故障诊断方法比基于同质信息的故障诊断的准确率提高了18.65%,即该方法能够有效智能得诊断出矿山破碎机的故障类型,从而更能保障矿山破碎机的安全可靠运行,减少其维修及人员成本,提升企业设备管理能力,以及防止事故的发生,实现对矿山破碎机等机械设备的实时动态监测与控制,从而提高矿山企业生产效益。
罗京[8]（2019）在《基于GrC—神经网络和证据理论的电动汽车故障诊断》文中研究说明在全球环境污染和化石能源危机日趋严峻的背景下,电动汽车成为世界各国汽车工业的新方向。电动汽车的安全性和可靠性是衡量其好坏的重要指标。故障诊断技术通过对电动汽车运行状态和异常做出判断,从而加强电动汽车的安全性能,保证行车安全。因此,对电动汽车故障诊断技术进行深入研究,具有重要的理论意义和应用价值。针对电动汽车故障数据庞杂、非线性的问题,本文提出一种基于粒计算-神经网络（GrC-NN）和DS证据理论的电动汽车故障诊断方法,以达到简化神经网络结构,提高电动汽车故障诊断准确度的目的。主要工作如下:（1）电动汽车故障诊断方法研究。定性分析了电动汽车故障产生原因和常见故障,并对电动汽车故障进行了分类;调研了电动汽车常见故障诊断方法;（2）基于粒计算的电动汽车故障方法研究。剖析了基于粒矩阵的知识约简算法;分别介绍了GrC-BP神经网络和GrC-RBF神经网络的工作原理;分析了基于GrC-NN的电动汽车故障诊断方法的流程;通过仿真证明了粒计算在保持诊断精度基本不变的前提下提高神经网络训练速度和简化神经网络模型结构。（3）基于GrC-NN和DS证据理论的电动汽车故障诊断方法研究。剖析了证据悖论问题,并采用改进的证据合成规则进行证据融合;对基于GrC-NN和DS证据理论的电动汽车故障诊断方法的流程进行分析;与基于GrC-NN的电动汽车故障诊断方法进行仿真实验对比,验证了该方法具有更好的准确度、更低的诊断不确定性;并通过在不同载重工况下仿真实验,进一步验证本课题所提方法的有效性。
周静[9]（2019）在《无人机飞控系统的分离式和嵌入式故障诊断与容错研究》文中研究表明无人机是利用无线电遥感设备和自备的程序控制装置来操纵的不载人飞行器,且飞行控制系统是无人机实现自主飞行的核心。因此飞行控制系统的可靠性和稳定性尤为重要。目前仍存在诸多待解决的问题,如对海量数据的分析方法与挖掘手段较欠佳,精确的无人机容错控制模型难以建立。而分离式故障诊断算法可以离线识别故障信息,为无人机系统的维护管理提供可靠的依据;嵌入式故障诊断与容错技术可以实现在线调节,提高无人机系统的可靠性指标。因此,分离式和嵌入式故障诊断与容错技术是当今无人机技术领域的一个重要研究热点。首先,采用变分模态分解方法对信号进行分解,然后采用多尺度重构指标和连续小波变换方法获得重构信号的时域特征和时频特征。鉴于卷积神经网络（CNN）在挖掘海量数据有效信息时突出的准确性和快速性的特点,本文采用CNN算法分别对时域和时频特征进行分离式故障诊断研究。仿真结果表明,基于时域特征的CNN诊断算法消耗时间更短,而基于时频特征的CNN算法诊断精确度更高。结合两者的优势,可以搭建时间相对较短、精度更高的集成算法。第二,在单样本时域、时频特征CNN算法的基础上,为了融合多个单样本的特征,本文研究基于多样本特征的分离式故障诊断集成算法。使用自助采样法对时域、时频特征进行融合,然后将CNN算法作为基分类器,采用多数投票法对CNN算法的结果进行结合。仿真结果显示,其平均诊断精度至少可达99.89%。相比单样本特征的CNN算法,该集成算法的测试精度更高,且泛化误差更低。第三,为了简化控制器结构以及处理难以建模的故障信息,本文采用自适应终端滑模控制方法,对无人机飞控模型设计了高度和姿态容错控制器。仿真显示,位置跟踪误差范围为[-0.2,0.2]。第四,为了实现无人机系统的故障自动检测和容错功能,本文将嵌入式故障诊断方法与容错相结合。采用扩张观测器对故障进行估计,实现在线诊断和重构故障信号,然后根据故障信息重构滑模容错控制器,从而补偿故障。仿真显示,故障估计误差范围为[-0.1,0.1],位置跟踪误差范围为[0,0.04],角度跟踪误差收敛到零。最后,本文研究了有效的故障诊断算法和容错控制方法,对建立无人机故障设备的健康管理策略,以及对调整无人机系统的容错控制器提供了可靠的依据。
任聪[10]（2019）在《中央空调系统关键设备故障诊断研究》文中提出中央空调目前广泛存在于各种楼宇建筑中,将故障诊断技术应用到中央空调领域中可以确保整体系统稳定运行,同时起到节约能源的作用。但由于中央空调系统本身的非线性、参数耦合性等因素影响,目前建立完整的中央空调系统故障诊断体系极其困难,所以本文着重针对于中央空调系统的关键设备冷水机组和离心泵开展故障诊断研究。本文具体的研究内容如下:（1）对中央空调系统关键设备冷水机组和离心泵分别进行故障分析,说明各自的故障类型和故障原因,确定关键设备故障诊断的特征变量。并在大数据背景下,提出一种基于神经网络的中央空调系统关键设备故障诊断方法。（2）分别采用反向传播（Back Propagation,BP）神经网络、径向基（Radical Basis Function,RBF）神经网络以及Elman神经网络进行关键设备故障诊断模型建立。对每种神经网络的某个特定参数,采用在一定范围内遍历寻优的方式找到该网络对应的故障诊断最佳参数点,使得关键设备故障诊断结果更加精确有效。（3）通过冷水机组故障诊断仿真研究这三种神经网络的可行性,再利用离心泵故障模拟实验验证这三种神经网络的准确性和有效性。（4）考虑到中央空调系统中离心泵的实际工作过程是在非变频情况下运行,而系统末端负载却是变化的,所以在离心泵故障模拟实验中采用改变水泵出口端阀门开度的方式模拟出末端不同的情况,以不同的负载情况作为研究的变量。（5）通过冷水机组仿真数据与离心泵故障模拟实验数据综合对比分析出BP网络、RBF网络以及Elman网络这三种神经网络各自故障模式识别的效果。从网络记忆性、网络结构复杂度、网络训练时长及网络测试精度四个方面对这三种网络的诊断效果进行综合分析,得出RBF网络结构相较于BP网络和Elman网络更简单,并且网络记忆性好、测试输出结果误差小,网络训练时间也短。最终确定RBF网络更适用于中央空调系统关键设备故障诊断的结论。
二、基于RBF网络和D-S推理的轴承故障诊断（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RBF网络和D-S推理的轴承故障诊断（论文提纲范文）
（1）基于数据的雷达伺服系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达开关量故障诊断国内外研究现状 |
| 1.2.2 雷达模拟量故障诊断国内外研究现状 |
| 1.2.3 信息融合技术发展现状 |
| 1.3 雷达故障诊断存在的问题 |
| 1.4 本文内容安排 |
| 第二章 雷达伺服故障诊断系统总体方案设计 |
| 2.1 雷达伺服故障诊断系统总体设计 |
| 2.1.1 雷达伺服故障诊断系统的诊断方法设计 |
| 2.1.2 雷达伺服故障诊断系统的总体流程 |
| 2.2 雷达伺服故障诊断系统各模块介绍 |
| 2.2.1 开关量故障诊断模块 |
| 2.2.2 模拟量故障诊断模块 |
| 2.2.3 信息融合决策模块 |
| 2.3 开发工具与编程语言选择 |
| 2.4 本章小结 |
| 第三章 基于开关量的雷达伺服系统故障诊断 |
| 3.1 雷达伺服系统的测试点优化 |
| 3.1.1 雷达伺服系统多信号流模型 |
| 3.1.2 测试点优化数学描述 |
| 3.1.3 遗传算法基本理论及改进 |
| 3.1.4 基于改进遗传算法的雷达伺服系统测试点优化 |
| 3.1.5 测试点优化实例 |
| 3.2 贝叶斯网络基本理论 |
| 3.3 雷达伺服系统的贝叶斯网络结构学习算法及改进 |
| 3.3.1 贝叶斯网络结构学习算法 |
| 3.3.2 贝叶斯网络结构学习算法改进 |
| 3.4 雷达伺服系统的贝叶斯网络参数学习 |
| 3.5 雷达伺服系统的贝叶斯网络推理 |
| 3.6 基于改进贝叶斯网的雷达伺服系统故障诊断实例 |
| 3.7 本章小结 |
| 第四章 基于模拟量的雷达伺服系统故障诊断 |
| 4.1 雷达伺服系统模拟量数据预处理 |
| 4.1.1 基于孤立森林模型的雷达伺服系统模拟量故障数据异常点检测 |
| 4.1.2 雷达伺服系统模拟量故障数据的特征工程 |
| 4.1.3 基于SMOTE算法的雷达伺服系统模拟量故障数据样本不平衡处理 |
| 4.2 雷达伺服系统模拟量故障诊断的Stacking集成模型 |
| 4.2.1 基分类器 |
| 4.2.2 模型集成 |
| 4.3 基于Stacking集成模型的雷达伺服系统故障诊断实例 |
| 4.4 本章小结 |
| 第五章 基于信息融合的雷达伺服系统故障诊断 |
| 5.1 D-S证据理论 |
| 5.1.1 D-S证据基本理论 |
| 5.1.2 D-S证据合成规则 |
| 5.1.3 D-S证据推理模型 |
| 5.2 雷达伺服系统信息融合故障诊断模型 |
| 5.3 基于信息融合的雷达伺服系统故障诊断实例 |
| 5.4 本章小结 |
| 第六章 基于数据的雷达伺服系统故障诊断软件实现 |
| 6.1 软件需求分析 |
| 6.2 软件总体设计 |
| 6.3 功能模块设计和实例展示 |
| 6.3.1 登录模块设计 |
| 6.3.2 数据采集模块设计 |
| 6.3.3 故障诊断模块设计 |
| 6.3.4 模型管理模块设计 |
| 6.3.5 图形界面模块设计和实例展示 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于信息融合的铁路货车滚动轴承故障诊断系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1. 课题来源 |
| 1.2. 课题研究背景及意义 |
| 1.3. 国内外研究现状 |
| 1.3.1. 故障诊断技术国内外研究现状 |
| 1.3.2. 滚动轴承故障诊断技术国内外研究现状 |
| 1.3.3. 信息融合技术在故障诊断中的应用现状 |
| 1.4. 滚动轴承故障诊断发展趋势 |
| 1.5. 论文主要工作内容 |
| 2 货车滚动轴承故障机理分析 |
| 2.1. 铁路货车滚动轴承的机械结构 |
| 2.2. 货车滚动轴承常见的损伤形式 |
| 2.3. 滚动轴承故障的主要诊断方法 |
| 2.4. 货车滚动轴承故障振动机理分析 |
| 2.5. 本章小结 |
| 3 货车滚动轴承故障诊断信息融合模型设计 |
| 3.1. 信息融合的原理 |
| 3.1.1 信息融合的形成与发展 |
| 3.1.2 信息融合的定义 |
| 3.2. 信息融合故障诊断算法分析 |
| 3.3. 信息融合故障诊断模型搭建 |
| 3.3.1 信息融合故障诊断模型层次结构 |
| 3.3.2 各层级融合模型特性总结 |
| 3.3.3 决策层信息融合模型构建 |
| 3.4. 本章小结 |
| 4 货车滚动轴承振动信号采集与降噪 |
| 4.1 货车滚动轴承振动信号采集 |
| 4.1.1 振动信号采集装置 |
| 4.1.2 传感器选择与安装 |
| 4.1.3 振动信号采集 |
| 4.2 基于小波包变换的振动信号处理 |
| 4.2.1 常见现代振动信号处理方法及其特点 |
| 4.2.2 小波分析处理方法 |
| 4.3 小波包阈值去噪 |
| 4.3.1 小波基的选取 |
| 4.3.2 小波阈值的选取 |
| 4.4 小波包阈值去噪仿真 |
| 4.5 本章小结 |
| 5 神经网络与证据理论决策层融合诊断仿真 |
| 5.1 振动信号的多角度特征提取 |
| 5.1.1 无量纲指标 |
| 5.1.2 多尺度熵分析 |
| 5.2 神经网络故障诊断 |
| 5.2.1 RBF神经网络故障诊断原理 |
| 5.2.2 RBF神经网络模型训练 |
| 5.2.3 RBF神经网络诊断仿真 |
| 5.3 D-S证据理论决策层融合 |
| 5.3.1 D-S证据理论原理 |
| 5.3.2 D-S证据理论模型构建与仿真 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）改进FOA优化DBN的双转子不对中状态特征提取与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 转子系统不对中状态识别技术研究现状 |
| 1.2.2 深度置信网络在故障诊断中的研究现状 |
| 1.3 本文研究内容与结构 |
| 第二章 基于DBN的振动信号特征提取及分类识别能力研究 |
| 2.1 引言 |
| 2.2 双转子不对中振动试验 |
| 2.2.1 试验装置介绍 |
| 2.2.2 试验台临界转速试验 |
| 2.2.3 不对中试验 |
| 2.3 深度置信网络 |
| 2.3.1 限制玻尔兹曼机 |
| 2.3.2 DBN结构 |
| 2.3.3 DBN训练 |
| 2.4 DBN的振动信号特征提取能力研究 |
| 2.4.1 RBM的特征提取能力评估指标 |
| 2.4.2 RBM的振动信号特征提取能力分析 |
| 2.5 DBN的振动信号分类识别能力研究 |
| 2.5.1 DBN的分类识别能力评估指标 |
| 2.5.2 DBN的振动信号分类识别能力分析 |
| 2.6 本章小结 |
| 第三章 基于改进FOA的 DBN结构参数优化 |
| 3.1 引言 |
| 3.2 基本果蝇优化算法 |
| 3.2.1 基本果蝇优化算法原理 |
| 3.2.2 果蝇优化算法参数分析 |
| 3.3 改进果蝇优化算法 |
| 3.3.1 算法的改进描述 |
| 3.3.2 算法的性能测试 |
| 3.4 基于改进FOA的 DBN结构参数优化方法 |
| 3.5 本章小结 |
| 第四章 基于改进FOA优化DBN的双转子不对中状态识别 |
| 4.1 引言 |
| 4.2 基于改进FOA优化DBN的单传感器不对中状态识别 |
| 4.2.1 变分模态分解原理 |
| 4.2.2 基于VMD-优化DBN单传感器状态识别方法 |
| 4.2.3 基于优化DBN的单传感器不对中状态识别结果 |
| 4.3 基于改进FOA优化DBN多传感器不对中状态识别 |
| 4.3.1 经典D-S证据理论 |
| 4.3.2 基于优化DBN与改进D-S证据理论多传感器状态识别方法 |
| 4.3.3 基于优化DBN多传感器决策融合的不对中状态识别结果 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 全文研究工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 附录A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（4）矿井提升机传动系统故障诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 机械设备故障诊断方法分类 |
| 1.2.1 基于分析模型的故障诊断方法 |
| 1.2.2 基于定性经验知识的故障诊断方法 |
| 1.2.3 基于数据驱动的故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与创新之处 |
| 1.4.1 研究内容安排 |
| 1.4.2 创新之处 |
| 2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
| 2.1 引言 |
| 2.2 三电平逆变器的电路及故障分析 |
| 2.2.1 矿井提升机变频器的结构 |
| 2.2.2 三电平逆变器的故障分析 |
| 2.3 逆变器故障信号预处理与自适应电周期划分 |
| 2.4 基于MODWT的信号处理与特征提取 |
| 2.4.1 帕克矢量模 |
| 2.4.2 小波变换 |
| 2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
| 2.4.4 特征提取 |
| 2.5 随机森林分类器 |
| 2.5.1 随机森林原理 |
| 2.5.2 随机森林算法 |
| 2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
| 2.7 实验验证 |
| 2.7.1 实验设置 |
| 2.7.2 实验分析 |
| 2.8 本章小结 |
| 3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
| 3.1 引言 |
| 3.2 轴承故障诊断机理 |
| 3.3 基于DTCWPT的轴承故障信号处理 |
| 3.3.1 DTCWPT |
| 3.3.2 Hilbert包络谱与边际谱 |
| 3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
| 3.4.1 k-means聚类算法 |
| 3.4.2 皮尔逊相关系数 |
| 3.4.3 敏感特征选取方法 |
| 3.5 最大局部边界准则的特征降维方法 |
| 3.5.1 LDA |
| 3.5.2 LFDA |
| 3.5.3 MMC |
| 3.5.4 最大局部边界准则 |
| 3.6 支持向量机 |
| 3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
| 3.8 实验验证 |
| 3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
| 3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
| 3.8.3 基于SQI-MFS轴承数据实验设置 |
| 3.8.4 基于SQI-MFS轴承数据实验分析 |
| 3.9 本章小结 |
| 4 基于敏感特征迁移学习的提升机轴承故障诊断 |
| 4.1 引言 |
| 4.2 迁移成分分析 |
| 4.3 改进迁移成分分析的特征迁移学习 |
| 4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
| 4.5 实验分析 |
| 4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
| 4.5.2 基于SQI-MFS轴承数据实验分析 |
| 4.6 本章小结 |
| 5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
| 5.1 引言 |
| 5.2 电机故障类型与信号特性分析 |
| 5.2.1 异步电机常见故障类型分析 |
| 5.2.2 异步电机常见故障信号特性分析 |
| 5.3 基于EEMD的电机故障信号处理 |
| 5.3.1 EMD |
| 5.3.2 EEMD |
| 5.4 改进分层迁移学习的类内特征迁移学习 |
| 5.4.1 分层迁移学习 |
| 5.4.2 改进分层迁移学习 |
| 5.5 基于类内特征迁移学习的驱动电机故障诊断 |
| 5.5.1 故障诊断框架 |
| 5.5.2 实验设置 |
| 5.5.3 实验分析 |
| 5.6 基于D-S证据融合理论的驱动电机故障诊断 |
| 5.6.1 D-S证据理论基本概念 |
| 5.6.2 D-S证据理论基本过程 |
| 5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
| 5.6.4 实验分析 |
| 5.7 本章小结 |
| 6 矿井提升机传动系统故障诊断与健康管理系统 |
| 6.1 引言 |
| 6.2 提升机传动系统故障知识表示 |
| 6.2.1 本体概述 |
| 6.2.2 提升机传动系统故障知识分析 |
| 6.3 基于本体和故障信号分析的语义映射方法 |
| 6.3.1 概念模型 |
| 6.3.2 数学模型 |
| 6.3.3 语义映射方法 |
| 6.4 提升机传动系统故障本体知识库的创建 |
| 6.4.1 知识图谱与图数据库 |
| 6.4.2 提升机传动系统故障本体知识库构建 |
| 6.5 系统总体设计与应用 |
| 6.5.1 系统功能模块 |
| 6.5.2 软件开发与系统应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于多传感器数据融合的高速列车传动系统故障诊断与健康状态预测（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第1章 绪论 |
| 1.1 依托项目 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 高速列车传动系统故障诊断研究现状 |
| 1.3.2 基于多传感器数据融合的故障诊断研究现状 |
| 1.3.3 基于性能退化的健康状态预测研究现状 |
| 1.3.4 研究现状总结 |
| 1.4 主要研究内容 |
| 1.5 技术路线 |
| 1.6 本章小结 |
| 第2章 高速列车传动系统关键部件状态监测 |
| 2.1 高速列车传动系统基本结构及工作原理 |
| 2.2 高速列车传动系统关键部件常见故障 |
| 2.3 高速列车传动系统关键部件监测传感器布局优化 |
| 2.3.1 电机传感器布局优化 |
| 2.3.2 齿轮箱传感器布局优化 |
| 2.3.3 轴箱传感器布局优化 |
| 2.4 高速列车传动系统监测数据的采集与分析 |
| 2.4.1 数据采集 |
| 2.4.2 监测数据分析 |
| 2.5 本章小结 |
| 第3章 基于多测点信息融合的高速列车齿轮箱故障诊断 |
| 3.1 相关函数融合算法 |
| 3.2 融合信息特征提取 |
| 3.2.1 集合经验模态分解理论 |
| 3.2.2 IMF熵特征提取 |
| 3.3 模糊C均值聚类算法 |
| 3.4 基于多测点信息融合的高速列车齿轮箱故障诊断 |
| 3.5 实验验证 |
| 3.5.1 齿轮箱各测点振动信息相关性分析 |
| 3.5.2 IMF熵特征提取 |
| 3.5.3 FCM聚类分析结果 |
| 3.6 本章小结 |
| 第4章 基于多传感器数据融合的高速列车传动系统故障诊断 |
| 4.1 故障特征提取 |
| 4.2 局部保持投影算法 |
| 4.3 模糊积分融合算法 |
| 4.3.1 模糊测度 |
| 4.3.2 模糊积分 |
| 4.4 高速列车传动系统多传感器数据融合故障诊断 |
| 4.5 实验验证 |
| 4.5.1 数据采集与分析 |
| 4.5.2 故障特征提取与降维 |
| 4.5.3 基于FCM-FI融合诊断 |
| 4.5.4 对比分析 |
| 4.6 本章小结 |
| 第5章 高速列车传动系统关键部件振动信号多模型混合预测 |
| 5.1 时间序列预测算法分析 |
| 5.2 自回归模型 |
| 5.3 支持向量机 |
| 5.3.1 支持向量回归机 |
| 5.3.2 SVR预测过程 |
| 5.4 构建混合预测模型 |
| 5.4.1 EEMD-AR-SVR-CPSO混合预测模型 |
| 5.4.2 混沌粒子群优化算法 |
| 5.4.3 适应度函数的确定 |
| 5.4.4 预测性能评价指标 |
| 5.5 实验验证 |
| 5.5.1 实车数据验证 |
| 5.5.2 智能维护系统数据集验证 |
| 5.6 本章小结 |
| 第6章 高速列车传动系统关键部件健康状态预测 |
| 6.1 构建健康指标 |
| 6.1.1 退化特征提取 |
| 6.1.2 退化特征选择 |
| 6.1.3 自组织映射特征融合 |
| 6.2 长短期记忆网络 |
| 6.2.1 长短期记忆网络基本原理 |
| 6.2.2 LSTM网络参数反向调整 |
| 6.3 高速列车传动系统关键部件健康状态预测流程 |
| 6.4 实验验证 |
| 6.4.1 数据来源 |
| 6.4.2 HI退化曲线构建 |
| 6.4.3 基于LSTM网络健康状态预测 |
| 6.4.4 高速列车传动系统其他部件健康状态预测 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）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 |
（7）基于多源异质信息融合的旋回式破碎机故障智能诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 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 国内外研究现状 |
| 1.2.1 机械故障智能诊断研究 |
| 1.2.2 破碎机故障诊断研究 |
| 1.2.3 信息融合理论研究 |
| 1.3 本文的主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 相关理论及方法 |
| 2.1 旋回式破碎机基本原理及故障原因分析 |
| 2.1.1 旋回式破碎机基本原理 |
| 2.1.2 旋回式破碎机故障原因 |
| 2.2 支持向量机(SVM)理论 |
| 2.2.1 SVM基本概念 |
| 2.2.2 SVM分类原理 |
| 2.2.3 SVM核函数 |
| 2.2.4 SVM分类方法 |
| 2.3 D-S证据信息融合理论 |
| 2.3.1 信息融合理论 |
| 2.3.2 D-S证据理论 |
| 2.4 本章小结 |
| 3 旋回式破碎机故障信号监测及处理 |
| 3.1 旋回式破碎机故障信号监测及数据获取 |
| 3.1.1 旋回式破碎机的故障信号监测 |
| 3.1.2 旋回式破碎机的故障数据获取 |
| 3.2 旋回式破碎机故障信号处理 |
| 3.2.1 温度及压力信号处理 |
| 3.2.2 振动及声音信号处理 |
| 3.3 本章小结 |
| 4 基于多源异质信息融合的破碎机故障诊断模型 |
| 4.1 基于同质信息的破碎机故障诊断模型 |
| 4.1.1 训练及测试样本集的构造 |
| 4.1.2 SVM模型框架的构建 |
| 4.1.3 SVM模型的建立 |
| 4.2 基于异质信息的破碎机故障诊断模型 |
| 4.2.1 破碎机故障诊断系统的识别框架及参数空间 |
| 4.2.2 破碎机故障BPA函数 |
| 4.2.3 破碎机故障的信度区间 |
| 4.2.4 破碎机故障的多证据体融合及决策 |
| 4.2.5 建立SVM-DS故障诊断模型的具体步骤 |
| 4.3 本章小结 |
| 5 某矿山旋回式破碎机故障诊断 |
| 5.1 破碎机的测点分布 |
| 5.2 旋回式破碎机故障信号处理 |
| 5.3 旋回式破碎机同质信息的故障诊断 |
| 5.4 旋回式破碎机异质信息的故障诊断 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 本文总结 |
| 6.2 本文展望 |
| 参考文献 |
| 攻读研究生期间取得的研究成果 |
| 致谢 |
（8）基于GrC—神经网络和证据理论的电动汽车故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 电动汽车故障诊断发展与研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 电动汽车故障诊断常见方法分析 |
| 1.4 本文主要研究内容 |
| 第二章 电动汽车故障诊断方法研究 |
| 2.1 电动汽车故障分析 |
| 2.1.1 电动汽车故障产生的原因 |
| 2.1.2 电动汽车常见故障 |
| 2.1.3 电动汽车故障分类 |
| 2.2 粒计算基本概念 |
| 2.2.1 粒计算主要理论模型 |
| 2.2.2 粒计算基本原理 |
| 2.3 证据理论基本概念 |
| 2.3.1 证据理论基本原理 |
| 2.3.2 证据理论融合框架 |
| 2.3.3 DS证据理论的冲突悖论 |
| 2.4 本章小结 |
| 第三章 基于粒计算的电动汽车故障诊断方法研究 |
| 3.1 基于粒矩阵的知识约简算法 |
| 3.1.1 基于粒计算的知识约简流程 |
| 3.1.2 算例与分析 |
| 3.2 基于GrC-NN的电动汽车故障诊断基本原理 |
| 3.2.1 GrC-BP神经网络 |
| 3.2.2 GrC-RBF神经网络 |
| 3.2.3 基于GrC-NN的电动汽车故障诊断基本思想 |
| 3.3 基于GrC-NN的电动汽车故障诊断方法仿真分析 |
| 3.4 本章小结 |
| 第四章 基于GrC-NN和DS证据理论的电动汽车故障诊断方法研究 |
| 4.1 改进的DS证据理论 |
| 4.1.1 改进DS证据理论基本概念 |
| 4.1.2 算例与分析 |
| 4.2 基于GrC-NN和DS证据理论的电动汽车故障诊断模型设计 |
| 4.2.1 基于GrC-NN和DS证据理论的电动汽车故障诊断流程 |
| 4.2.2 GrC-BP神经网络与GrC-RBF神经网络诊断模型设计 |
| 4.2.3 基于DS证据理论的决策融合 |
| 4.3 两种故障诊断方法对比仿真分析 |
| 4.4 不同载重工况下电动汽车故障诊断实例仿真与分析 |
| 4.4.1 轻载工况下电动汽车故障诊断实例仿真与分析 |
| 4.4.2 中载工况下电动汽车故障诊断实例仿真与分析 |
| 4.4.3 重载工况下电动汽车故障诊断实例仿真与分析 |
| 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 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）无人机飞控系统的分离式和嵌入式故障诊断与容错研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分离式故障诊断方法的研究现状 |
| 1.2.2 嵌入式故障诊断与容错的研究现状 |
| 1.3 主要内容和章节安排 |
| 第二章 基于单样本特征的分离式故障诊断算法 |
| 2.1 基于一维时域特征的卷积神经网络算法研究 |
| 2.1.1 时域特征集的构建 |
| 2.1.2 卷积神经网络算法 |
| 2.1.3 基于一维时域特征的卷积神经网络算法的实现步骤 |
| 2.1.4 系统性能指标 |
| 2.1.5 仿真结果与分析 |
| 2.2 基于二维时频特征的卷积神经网络算法研究 |
| 2.2.1 时频特征集的构建 |
| 2.2.2 基于二维时频图的卷积神经网络算法的实现步骤 |
| 2.2.3 仿真结果与分析 |
| 2.3 本章小结 |
| 第三章 基于多样本特征的分离式故障诊断集成算法 |
| 3.1 自助采样算法理论基础 |
| 3.2 基于多样本特征的集成故障诊断算法 |
| 3.2.1 构建数据集 |
| 3.2.2 基于多样本特征的自助集成故障诊断算法实现 |
| 3.2.3 集成算法的计算复杂度 |
| 3.3 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于无人机飞控模型的自适应滑模容错控制 |
| 4.1 自适应主动容错控制器设计 |
| 4.1.1 包含执行机构乘性故障的无人机模型 |
| 4.1.2 高度容错控制器设计 |
| 4.1.3 姿态容错控制器设计 |
| 4.2 仿真结果与分析 |
| 4.3 本章小结 |
| 第五章 基于无人机飞控模型的嵌入式故障诊断与容错控制 |
| 5.1 状态观测器与容错控制器 |
| 5.1.1 系统状态观测器的理论基础 |
| 5.1.2 嵌入式故障诊断与容错的定性分析 |
| 5.2 无人机飞控系统的嵌入式故障诊断 |
| 5.2.1 包含执行机构加性故障的无人机模型 |
| 5.2.2 基于扩张观测器的故障诊断 |
| 5.3 基于故障信息的主动容错控制器设计 |
| 5.3.1 积分滑模容错控制设计 |
| 5.3.2 整个系统的稳定性证明 |
| 5.4 仿真结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）中央空调系统关键设备故障诊断研究（论文提纲范文）
| 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 |
| 1.2.1 冷水机组故障诊断研究现状 |
| 1.2.2 离心泵故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 中央空调系统关键设备工作原理与故障分析 |
| 2.1 中央空调系统的组成与工作原理 |
| 2.1.1 中央空调系统的组成 |
| 2.1.2 中央空调系统的工作原理 |
| 2.2 中央空调系统关键设备的工作原理和故障分析 |
| 2.2.1 冷水机组工作原理 |
| 2.2.2 离心泵工作原理 |
| 2.3 中央空调系统关键设备的故障分析 |
| 2.3.1 冷水机组的故障分析 |
| 2.3.2 离心泵的故障分析 |
| 2.4 本章小结 |
| 第三章 中央空调系统关键设备故障诊断方法与仿真 |
| 3.1 关键设备故障诊断方法 |
| 3.1.1 关键设备信号预处理 |
| 3.1.2 关键设备采集信号小波能量提取 |
| 3.1.3 基于神经网络的故障诊断方法 |
| 3.2 中央空调系统关键设备故障诊断流程 |
| 3.3 冷水机组故障诊断模型建立与仿真分析 |
| 3.3.1 冷水机组故障与特征变量 |
| 3.3.2 冷水机组仿真数据与数据处理 |
| 3.3.3 基于三种神经网络的故障模式识别 |
| 3.4 本章小结 |
| 第四章 中央空调系统离心泵实验设计与数据采集 |
| 4.1 离心泵实验原理 |
| 4.2 离心泵实验平台设计 |
| 4.2.1 离心泵实验装置 |
| 4.2.2 数据采集系统设计 |
| 4.3 离心泵故障模拟实验条件与实验方法 |
| 4.3.1 离心泵实验条件 |
| 4.3.2 离心泵实验方法 |
| 4.4 离心泵实验数据采集 |
| 4.5 本章小结 |
| 第五章 离心泵故障诊断模型实验验证及分析 |
| 5.1 离心泵实验数据去噪处理 |
| 5.2 小波能量提取的结果分析 |
| 5.3 基于神经网络诊断模型结果分析 |
| 5.3.1 BP网络诊断模型实验验证与结果分析 |
| 5.3.2 RBF网络诊断模型实验验证与结果分析 |
| 5.3.3 Elman网络诊断模型实验验证与结果分析 |
| 5.3.4 三种网络模型的诊断结果对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
四、基于RBF网络和D-S推理的轴承故障诊断（论文参考文献）
- [1]基于数据的雷达伺服系统故障诊断研究[D]. 王智. 东南大学, 2020(01)
- [2]基于信息融合的铁路货车滚动轴承故障诊断系统研究[D]. 乔增乾. 北京交通大学, 2020(03)
- [3]改进FOA优化DBN的双转子不对中状态特征提取与识别[D]. 张帆宇. 湖南科技大学, 2020(06)
- [4]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [5]基于多传感器数据融合的高速列车传动系统故障诊断与健康状态预测[D]. 乔宁国. 吉林大学, 2019
- [6]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)
- [7]基于多源异质信息融合的旋回式破碎机故障智能诊断研究[D]. 王甜甜. 西安建筑科技大学, 2019(06)
- [8]基于GrC—神经网络和证据理论的电动汽车故障诊断[D]. 罗京. 合肥工业大学, 2019(01)
- [9]无人机飞控系统的分离式和嵌入式故障诊断与容错研究[D]. 周静. 电子科技大学, 2019(01)
- [10]中央空调系统关键设备故障诊断研究[D]. 任聪. 电子科技大学, 2019(01)