一、液压系统的失效分析及监测、诊断系统框架研究（论文文献综述）
王峰[1]（2021）在《面向复杂劣化信号的预测健康指数构造方法研究及应用》文中指出预测性维修可有效降低铁路维护成本并提升铁路设备的可用性,其核心在于剩余寿命预测（Remaining useful life,RUL）。RUL预测旨在利用状态监测数据对设备的劣化状态进行评估以预测其失效时间,从而为维修决策的制定提供依据。随着传感器技术的发展,复杂设备监测过程中通常部署多传感器从不同的角度分别监测设备的状态信息。为系统地刻画设备的劣化状态,多传感器数据通常被融合为一个综合的健康指数。然而,现有的健康指数构造方法大多将劣化数据假设为成分简单的一维状态或特征信号,而该假设在大量的复杂劣化信号场景下已不适用。为应对该问题,本文主要研究了基于复杂劣化信号的预测健康指数构造问题。针对信号的非线性关系、信号构成成分的耦合、协变量影响和元素缺失下的成分耦合几种情况,以劣化建模领域性质和劣化信号的特征为基础,分别利用深度学习、稀疏学习和张量分析等技术,设计了相应的目标函数和高效的优化算法,解决复杂劣化信号下健康指数构造的难点问题,实现了设备劣化状态的刻画和RUL预测。最后,研究了铁路道岔系统的应用案例。具体地,本文开展了以下几项工作:（1）针对信号间的非线性关系,研究了基于深度学习的健康指数构造方法。首先,以深度神经网络作为融合模型刻画劣化信号与健康指数之间的非线性关系。为应对健康指数“未知”（待构造变量）的难点,利用劣化建模领域的性质,设计了一组对抗网络架构从而实现模型参数的无监督训练。针对求解过程的不稳定性,提出了一种基于RMSprop的采样算法实现了参数的稳定求解。通过一组仿真实验和一组典型案例验证了所构造的健康指数在RUL预测中较现有方法的优越性和鲁棒性。（2）针对成分复杂耦合的情况,研究了结构化信号的健康指数构造方法。以“稳定背景估计-劣化信息提取及融合”分层解耦策略为基础,在移除劣化信号的稳定背景后,依据劣化成分的时空特征,设计了一种基于稀疏学习和保序回归（Sparse learning and isotonic regression,SLIR）的劣化信息提取和融合方法,以保证健康指数的高质量构造。其次,设计了分块坐标下降的优化算法,实现了劣化信息的准确定位和融合模型估计。最后,利用一组仿真实验和后续案例应用对提出方法的求解效率、识别劣化区域和预测RUL的准确性进行验证。（3）针对协变量影响下时变成分耦合的情况,研究了存在元素缺失的高维劣化信号的健康指数构造方法。为解决元素缺失下时变背景估计的难点问题,着重研究了基于低秩学习和Tucker张量分解技术的张量回归建模方法,设计了回归模型参数和缺失元素的协同估计架构。在此基础上,提出了基于分块坐标下降的大规模数值优化算法,实现了模型的高效求解。进而,通过残差信号的特征提取和融合实现了健康指数的构造。利用一组仿真实验和一组案例研究验证了提出方法的优越性。（4）在上述理论研究的基础上,结合铁路道岔系统的自身特征,针对两种常见的劣化模式,分别利用其状态监测数据进行健康指数构造和预测分析。针对液压转辙机的油泄漏模式,考虑温度的影响特征,提出了基于惩罚卷积的温度-液位关系模型,进而利用移除温度影响的液位残差构造健康指数并开展RUL预测。针对滑床板阻力增大的劣化模式,利用提出的SLIR法分析转辙机的功率信号,实现了劣化信息的准确定位及融合,进而在健康指数构造的基础上,开展了该模式下的RUL预测。
王萌[2]（2021）在《基于数据驱动的采煤机关键零部件故障诊断系统》文中提出采煤机作为煤炭开采的重要装备,拥有庞大的体型和复杂的构造,其设备安全和稳定对煤炭开采效率有极大影响。由于采煤机工作环境恶劣和长期遭受电磁干扰等因素,导致采煤机故障时常发生。采煤机一旦发生故障,势必影响生产效率,甚至造成重大伤亡事故。因此对采煤机进行实时故障诊断和分析具有重要意义。煤矿为保证采煤机安全生产安装了具有监测和诊断功能的软件,但软件采用的诊断方法较为简单,通常只能够对明显的故障进行诊断且结果片面,未能精准确定具体故障部位、诊断效果差、准确率低、智能化程度滞后。此外,采煤机维护人员依旧使用传统诊断方法,诊断耗时较长且准确率不高,通常需专业设备的协助,对诊断人员也有较高的要求。随着大数据和人工智能的迅速发展,神经网络技术在故障诊断领域取得了大量的研究成果,但在采煤生产中应用仍较少。针对上述问题,本文以采煤机关键零部件为研究对象,研究基于传统诊断方法的参数诊断法和基于神经网络技术的深度残差网络故障诊断方法,分析上述两种方法在采煤机关键零部件故障诊断中应用的可行性。在诊断方法研究的基础上,搭建采煤机故障诊断系统,并验证系统的可靠性和稳定性。结合采煤机常见故障和传统诊断方法,提出了采煤机在线实时诊断的参数诊断方法。根据采煤机使用说明书和实际生产等方面要求,为采煤机故障设置报警阈值,经过参数诊断流程实现故障的诊断。选取煤矿生产现场采集的采煤机数据作为数据源,使用两台电脑模拟矿井数据传输和现场故障诊断进行验证实验,实验结果为参数诊断方法的综合准确率为98.9%,表明该方法对采煤机有较高的故障识别率,具有实用性。此外,设置了不同时间间隔的数据读取方式进行对比实验,结果表明了参数诊断时两条数据的时间间隔为5秒较为合适。基于深度残差网络理论提出了采煤机的深度残差网络（Res Net）故障诊断方法,首先构建深度残差网络故障诊断模型,然后通过dropout策略、BN层和合适的激活函数优化了模型的结构。该方法主要是对采煤机摇臂齿轮箱中的齿轮和轴承进行诊断,诊断结果更加详细,精准确定故障类型和位置。利用摇臂齿轮箱振动数据对深度残差网络故障诊断模型进行验证实验,实验结果为故障诊断的准确率可以达到99.6%,说明模型具有较高的故障识别率。采用混淆矩阵的评估方式分析模型的分类性能,结果为模型的平均分类精度可以99.6%,证明了模型具有较高的分类精度和分类稳定性。利用深度残差网络故障诊断方法和参数诊断方法智能融合的方式,共同完成采煤机摇臂齿轮箱内部齿轮和轴承的故障,既具有实时性,又丰富了诊断结果。使用Visual Studio 2010开发平台和SQL数据库设计并搭建了采煤机故障系统,实现采煤机的监测、故障诊断以及数据查询等功能。系统以逻辑代码实现了参数诊断方法的应用,以调用执行深度残差网络故障诊断模型的方法实现其故障诊断方法的应用。最后经系统测试验证了系统运行稳定,诊断结果可靠。
贾子文[3]（2020）在《风电机组运行状态监测与健康维护系统的研究》文中研究说明随着我国风电行业的迅速发展,风电装机容量逐年增加,风力发电已成为我国第三大电力来源。然而,伴随着大规模风电场的投产运行,老龄化和出质保机组占比不断上升,风电机组的高故障率和落后的运维管理水平导致风场设备运维资本投入逐年走高。如何保障风电机组安全运行,提高机组设备维护管理水平已成为风电行业亟待解决的问题。本文基于并网风电机组结构及工作原理等内容研究,深度剖析机组运行特性,开展了风电机组运行状态监测与健康维护方法和应用系统的研究。主要工作如下:首先,基于系统科学理论,深入研究风电机组故障发生及演化规律。在其指导下,从机组设备运行状态安全性角度、设备能源效率转化能力的经济性角度和设备性能可靠性角度,展开了对风电机组3大系统、42个典型故障模式机理问题的全面分析,明确了各故障模式与征兆间的映射关系。引入失效模式及影响分析（Failure Modeand Effects Analysis,FMEA）和故障树分析（Fault Tree Analysis,FTA）方法,对机组故障机理知识内容进行全面梳理与表述,形成了风电机组运行状态监测与健康维护知识体系。其次,基于风电机组故障机理分析,开展了机组状态指标分析与体系构建问题的研究。以综合评价理论为指导、风电机组结构及功能特点为技术支持,明确机组运行状态指标的选取原则与层次原则,进行了指标体系的初建,构建了机组设备与功能之间的对应关系。从设备运行安全性、经济性和可靠性角度全面分析机组运行状态指标特性,形成了“三维一体”的机组运行状态指标表征机制,明确了指标与设备功能的对应关系。提出基于对应分析的多块分析方法,从设备运行状态角度出发,展开了设备运行指标之间的关联分析,明确了指标与设备的对应关系,完善指标体系内容,完成“指标-设备-功能”三者关联的机组运行状态指标体系的搭建。接着,针对目前故障智能诊断方法存在状态估计不准确、模型结构复杂等问题,提出了以多元信息为主导,指标体系为支撑的多同质、异质模型有机结合的复合网络诊断模型。（1）从网络结构上,多层、多级的拓扑结构形成了“由整体到局部”的解析路径,将机组复杂故障问题逐层分解,降低故障整体分析难度,简化网络结构,提高模型分析效率与可行性。（2）从模型功能上,复合网络模型包含数据预处理、特征提取、故障预警和诊断等与状态分析相关内容,形成了系统化的诊断流程。（3）从分析可信度上,复合网络在预警环节提出因子分析改进的层级NSET分析方法（FA-HNSET）,通过数据指标特性对设备运行状态表征程度的分析,合理筛选多元化的预警样本,以提升样本数据特征及预警精度。诊断环节提出ETA-FPN多重网络模型,建立了顶层故障事件推理同局部故障征兆推理相融合的双层推理机制,并通过改进信息熵方法对模型网络节点信息进行全面解析,合理构建网络结构,实现了对机组故障事件的时序性和关联性描述,保证诊断结果的准确性。（4）从分析效果上,复合网络系统化、流程化的诊断策略可为机组故障诊断结果提供完整的证据链条,在实现机组故障全面描述的同时,为机组健康维护提供关键信息支持。再次,进行了风电机组健康维护问题的全面研究。（1）采用模糊评判方法,对机组进行层级健康评价,通过评价结果确定制定维护决策的必要性。（2）通过ARMA模型,对机组设备运行状态进行合理演绎,预测故障劣化趋势,准确锁定维护作业时刻,保证设备维护的有效性。（3）以FMEA与FTA理论方法为指导,通过统计分析确定故障模式及具体故障设备的维修顺序,并运用逻辑决策图分析与故障底事件性质划分方法,确定具体故障事件的维修方式,完成机组设备健康维护具体工作的制定,提高机组维护工作的针对性。最后,将风电机组运行状态监测与健康维护技术框架应用于工程实践。依托国华沧州风电场1.5MW陆上风电机组,开展了机组运行状态监测与健康维护系统的研究工作。采用MySQL关系数据库,基于B/S构架模式设计并开发了 1.5MW风电机组运行状态监测与健康维护系统,以推进论文研究工作的成果转化和工程应用。
丁勇[4]（2020）在《盘式制动器检测系统设计研究》文中进行了进一步梳理矿井提升机承担着提升物料、人员、设备和重要物资的任务,其中盘式制动器对提升机的安全生产工作起到极其重要的作用。在我国当前的矿山生产中,对制动器的检测仍然存在诸多不足,包括时效性差、稳定性差与测量不准确等问题,无法满足当前的智能化生产需求。本文以提升机盘式制动器为研究对象,研究设计了一套基于STM32F103为核心处理器的嵌入式检测系统,完成相关检测物理量的传感器信号调理、采集和处理;基于LabVIEW开发人机交互界面,实现对提升机盘式制动器的状态实时显示和检测,控制显示界面简单方便,易于现场使用人员操作。本文首先对盘式制动器的结构与工作原理进行理论分析,研究了影响盘式制动器工作状态的因素及作用机理。在此基础上归纳了盘式制动器状态检测的物理量类别,选择了相关传感器并提出了相应的检测方法,构建了总体的检测方案。本文完成了盘式制动器检测系统的硬件设计,包括基于STM32F103嵌入式系统的核心模块,底板模块、采集系统模块与外围信号转换模块。针对测试系统功能要求,完成了具体的元件选型,并对相应电路进行设计。另外本文完成了盘式制动器检测系统的软件设计,分为下位机核心处理器的软件设计与上位机核心部分软件设计。具体功能包括核心处理器的软件配置和功能开发,下位机通讯软件设计,上位机人机交互设计、数据分析处理和通讯设计等。在以上研究基础上,本文完成了盘式制动器检测系统的现场实验与故障诊断研究。一方面通过现场实验验证了系统数据采集和分析等功能;另一方面研究基于改进的自适应传感器融合方法与D-S证据理论结合的传感器数据分析处理方法,对现场的盘式制动器的故障进行判断,提高了诊断的精确性。本文设计的盘式制动器检测系统具有安装简单方便、准确性好且可扩展性强等特点。同时,简单直观的人机交互系统,减少了现场操作人员的工作强度和操作难度。该论文有图61幅,表13个,参考文献85篇。
马秋爽[5]（2020）在《虚拟维修平台故障诊断关键技术研究》文中提出虚拟维修平台是基于虚拟仿真技术开发的模拟设备部件拆装操作的软件平台,维修人员能够在该平台上进行无实物维修操作练习,快速熟悉设备结构,提高维修熟练程度。为丰富虚拟维修平台的训练形式,提高维修流程的完整性和仿真性,在虚拟维修平台中添加故障诊断模块,并实现故障诊断原理演示和诊断全过程可视化功能。参考专家系统的基本架构,进行基于故障树结构的故障诊断关键技术研究。为简化诊断操作流程,减少人工诊断工作量和提高诊断效率,在故障树最小割集和结构重要度分析方法的基础上提出一种可视化跟踪推理新方法。首先,以底事件结构重要度为依据,初始化推荐诊断顺序,以引导用户的诊断步骤。然后,通过跟踪用户对底事件的诊断结果,结合最小割集组成,排除和锁定待测节点和割集,实时更新推荐诊断顺序并动态显示诊断进程,直至用户根据引导找到所有故障点。案例应用结果表明,与传统故障树推理方法相比,该方法能动态修正诊断方向,显着减少诊断次数。为实现故障诊断过程中操作步骤和推理原理的可视化显示,提高交互性能,在传统专家系统的基础上进行改进,进行可视化诊断流程设计。以故障树结构的知识表示和可视化显示方法为研究重点,将故障诊断全过程分为知识获取、故障设定、运行监测、诊断推理、检测排故五个阶段,对每个阶段的业务流程进行设计和实现。最后,通过飞行控制系统俯仰运动完全失效故障树的应用分析,证明了可视化诊断流程和虚拟维修平台故障诊断模块的可用性和可视性。
杨亮亮[6]（2020）在《基于深度学习的采煤机关键零部件剩余寿命预测》文中指出采煤机作为煤矿开采的主要设备之一,拥有庞大的体型、复杂的结构,其关键零部件剩余寿命（remaining useful life,RUL）预测值受工作环境恶劣、操作空间狭窄等因素的影响难以准确获得,使采煤机健康状态评估困难,严重威胁煤矿安全生产及工作人员的生命安全。当前采煤机关键零部件可靠性分析手段局限于基于软件、数学模型等静态仿真的理论化分析,未利用监测数据进行挖掘和分析,导致分析结果片面、准确度差、效率低、智能化程度滞后等缺陷。研究和利用先进的理论与方法,从煤机装备大数据中挖掘信息,高效、准确地识别装备的健康状态,成为煤机装备健康监测领域面临的新问题。结合深度学习极强的非线性拟合能力优势,提出了基于深度学习的采煤机关键零部件剩余寿命预测方法。依据监测对象实际退化趋势和监测数据特征,将监测数据划分为全寿命周期和非全寿命周期两类数据,分别采用分类和回归的思想构建深度神经网络剩余寿命预测模型,表征监测数据与剩余寿命之间潜在的非线性映射关系,并通过试验验证了模型的性能。在模型研究的基础上,构建了采煤机关键零部件剩余寿命预测体系架构,以采煤机摇臂易损件作为实例对象,分析了构建的两种模型在关键零部件剩余寿命预测方面的可行性。主要研究内容如下:（1）研究了采煤机各部件工作性能,分析了其关键零部件失效现象和原因。结合深度学习基本模型,从结构、特征学习和反向参数优化三方面阐述了各模型原理。提出了基于深度学习的采煤机关键零部件剩余寿命预测方法。（2）针对全寿命周期数据,提出基于分类思想的剩余寿命预测模型构建方法。依据监测手段和监测数据特性,引进3 sigma准则去噪方法去除监测数据中的粗大误差。采用分层抽样手段获取训练集和测试集,确保数据的完整性。构建不含池化层的深度卷积神经网络（deep convolutional neural network,DCNN）预测模型,提高模型特征学习能力。经试验验证,该模型具有高预测性和强泛化能力的优势。（3）针对非全寿命周期数据,提出基于回归理念的剩余寿命预测模型构建方法。采用快速傅里叶变换（fast Fourier transform,FFT）获取频域信息。研究自编码器（auto-encoder,AE）自监督学习特性,提取输入的时域和频域数据特征。通过在门循环单元（gated recurrent unit,GRU）网络隐藏层添加前向层,构建双向门循环单元（bidirectional gated recurrent unit,biGRU）预测模型,实现特征的双向学习;将AE提取的特征作为预测模型的输入,驱动bi-GRU预测剩余寿命。经试验验证,该模型具有准确预测能力。（4）从模型结构、数据预处理和预测结果三方面对比了文章构建的两种预测模型。结合实际煤矿情况,构建基于深度学习的采煤机关键零部件剩余寿命体系框架。将构建的深度学习模型嵌入物联网数据分析层预测监测对象剩余寿命,研究了采煤机监测数据传输策略,以采煤机摇臂易损件高速区和低速区齿轮、轴承为实例对象,探讨了构建的两种模型在摇臂易损件剩余寿命预测方面的可行性。基于深度学习的采煤机关键零部件剩余寿命预测方法,通过深度学习利用机械监测信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与预测经验的依赖,克服了传统预测方法的缺陷,完成特征的自适应提取,实现了自主学习和动态预测,提高了预测结果的准确性和分析手段智能化程度,为采煤机预测性维护策略的有效实施提供指导。
丘嘉鸣[7]（2020）在《风电机组风能捕捉系统在线故障预警与智能诊断的系统研究》文中进行了进一步梳理随着风力发电产业的迅速发展,装机容量逐年增加,风电已成为我国第三大电力来源。与此同时,随着大规模风电场的投产运行,老化机组的数目不断增加,风能捕捉系统故障频发,对机组的安全性、经济性和寿命造成极大影响。机组较高的故障率和落后的设备运维管理水平导致机组运维成本逐年走高。如何实现机组在线故障预警与智能诊断,提高机组设备维护管理水平已成为风电行业亟待解决的问题。本文研究数据发掘与智能分析技术,深度剖析机组设备运行特性和故障模式,应用于风电机组风能捕捉系统在线故障预警与智能诊断的系统研究中。主要工作内容如下:首先,本文以双馈风力发机组风能捕捉系统为研究对象,按照机组设备功能划分设备树,对风能捕捉系统组成及结构特点展开分析;根据故障发生及演化规律,明确系统典型故障模型和故障征兆参数,作为后续故障预警与诊断的理论基础;引入故障树分析构建完备的风能捕捉系统故障知识体系,作为后续故障预警与诊断的信息基础。然后,针对故障发展早期征兆参数不明显的渐变型故障,利用长短期记忆深度学习神经网络对时间序列的预测能力,建立了多变量多步长的故障在线预警模型,融合了多元数据对故障早期征兆参数进行时间序列预测。以国华沧州1.5MW双馈机组为例,运用该模型实现了变桨电机故障预警。接着,应用非线性状态理论,对典型故障建立非线性状态估计故障诊断模型,提出基于滑动窗口的模型异常率统计方法,确定了引发机组故障的主要故障模式,并通过计算征兆参数的残差贡献值缩小了故障设备的排查范围。结合国华沧州双馈机组的偏航电机故障诊断案例,说明该方案的准确性与实用性。最后,基于风电机组故障预警和智能诊断关键技术的研究,研发风电机组在线故障预警与智能诊断的系统,能够集中管理机组设备和测点信息,实时监测并收集机组运行状态数据,对运行中出现的典型故障模型进行在线预警与智能诊断,并根据故障树分析提供客观合理的维修决策。
黄武涛[8]（2020）在《挖掘机关键液压元件故障诊断方法及系统研究》文中研究说明挖掘机是国家的重要装备基础,然而我国挖掘机行业仍存在着设备故障率高、可靠性不强和运维服务水平低等问题。因此,提高挖掘机智能化水平已经成为行业的重要工作。为了提高挖掘机的智能化水平并确保工作可靠性,本文针对挖掘机关键液压元件进行故障诊断研究,并进行挖掘机健康管理系统开发。本课题的意义在于,研究挖掘机关键液压元件故障诊断所涉及的技术,探究相关元件性能数据的特征提取方法,设计相应的状态感知方案,研究出匹配的故障诊断方法,在此基础上开发挖掘机健康管理系统,为推动挖掘机智能化转变积累技术基础。本文主要内容如下:（1）设计了基于NI cDAQ-9191机箱的故障状态感知装置。先对挖掘机进行故障树分析,进一步对主要液压元件进行故障模式及机理分析。在此基础上,对液压元件进行故障状态感知研究,分析故障的特征信号类型,并设计相应的故障信号采集方案。最后,完成故障状态感知装置的开发,实现数据采集与存储的功能。（2）提出了基于卷积神经网络的液压缸故障诊断方法。先采集液压缸在不同泄漏状态下的压力信号作为原始信号,再进行小波包分解,获取各个子带信号的能量,归一化后得到特征向量。将特征向量贴上标签后用于卷积神经网络训练,进而识别液压缸故障类型。结果表明,所提方法具有诊断速度快、识别精度高的优点。（3）基于白色测量噪声子空间辨识和状态反馈法,提出了考虑测量噪声和摩擦因素的液压缸泄漏诊断算法。基于系统动力学方程搭建液压缸模型,设置泄漏系数模拟液压缸内泄漏和外泄漏,获取液压缸两腔压力和活塞杆位移信号。采用状态反馈法处理系统非线性参数,运用欧拉法得到系统状态空间表达式,最后基于白色测量噪声的子空间辨识求取泄漏系数估值,根据估值大小对泄漏类型和严重程度进行定量化诊断。结果表明,所提方法可以对液压缸泄漏故障进行量化地诊断。（4）提出了基于深度置信网络的液压泵故障识别方法。针对液压泵故障模式多且故障特征不明显的特点,采集振动信号并进行无量纲参数特征提取,获取反映液压泵状态的特征。再基于DBN网络搭建诊断模型,经过训练优化后,用于识别液压泵故障模式。结果表明,所提方法能够精确识别多类型故障。（5）在上述研究基础上,开发了挖掘机故障诊断与状态监控系统。包括挖掘机健康管理网站和健康监控软件,实现挖掘机在线监控和远程运维等功能。
朱冠霖[9]（2020）在《基于多源传感器信息融合的液压泵故障诊断》文中研究表明液压泵是工业传动和控制的重要部件,其能否正常稳定的工作对于整个系统来说尤为重要,因此对其运行状况进行故障监测是十分必要的。一般各类液压泵的工作环境较为恶劣,很难直接有效的观测到其运行状态,而且内部故障机理复杂,单一的检测某个物理信号很难分辨出故障类型,通过构建多源传感器系统检测不同类型物理参数,利用智能算法对这些数据进行深入挖掘,以达到精确识别液压泵故障模式的目的。本文主要对液压泵复杂故障模式下的精确诊断进行了研究。根据JDL系统模型设计了一个符合液压泵故障诊断的三级多源传感器信息融合的故障诊断系统。数据级对传感器采集的数据进行特征提取和归一化处理;特征级利用本文提出自适应调节方法优化的PSO-BP网络对各传感子网进行故障分类;决策级利用改进的D-S证据理论对各局部故障诊断结果进行融合决策,最终输出一个精确度高的联合诊断识别结果,实现对液压泵故障的精确诊断。根据柱塞泵实际的故障出发,研究传感器数据类型与故障之间的关联度,选取温度、压力、振动信号的传感器对柱塞泵进行故障检测。进一步研究特征参数的提取,讨论各种无量纲幅值数据对柱塞泵各类故障的敏感性,选取能全面反映柱塞泵运行状况的参数,最终作为故障诊断网络的输入端。对于特征层,构造柱塞泵PSO-BP局部故障诊断网络。针对基本PSO粒子群寻优算法存在易收敛到局部最优、早熟以及后期搜索精度低的缺陷,根据PSO算法迭代更新公式出发,提出两种局部故障诊断优化方法,分别是动态加速常数以及自适应速度。通过对柱塞泵的诊断来验证优化后算法的可行性,结果得出优化的PSO-BP局部诊断算法能快速、有效的完成特征级各子网的诊断识别。针对单一的传感器局部诊断无法实现精确诊断的缺陷,引入多传感器联合诊断的方法。针对D-S证据理论融合存在的缺陷,提出基于指数函数的模型对数据源进行修正,并提出新的衡量证据间相互排斥程度的算法,避免局部诊断数据融合失败。最后通过案例来验证了改进D-S故障数据融合算法对柱塞泵故障诊断分类有较好的效果。
郑煜[10]（2019）在《大尺度无人潜艇的应急控制技术研究》文中指出随着水下自主航行器的高速发展,其航行时间越来越长,任务要求越来越复杂,航行风险越来越高。为了保证自航模高效、可靠地完成复杂的航行任务,如何在出现子系统故障和危险时提高自航模的航行稳定性和生命力逐渐成为重要的研究的领域。赋予自航模故障诊断、高效决策和可靠应急动作的功能可大大提高其生命力。本文着眼于大尺度无人潜艇的应急控制技术的研究和验证。大尺度无人潜艇已超出AUV的尺寸范围,更加接近于潜艇的尺度。相比于大尺度AUV,其具备更大的惯性和更快的航行速度,无人艇航行状态的改变会因此产生时延,对控制效果提出更高的要求。相比于潜艇,全自主的模式带来更多独特的挑战,比如实时性要求,大负荷情况下高效决策要求。为此,本文设计了一套智能、高效的应急控制方法。首先,本文针对无人潜艇的航行特性进行分析,评估航行风险,并提出解决方案。基于分析,本文设计了一种分布式实时监控框架,对于大规模系统具有可靠的监测能力;在诊断、推理方面,对艇载系统的故障完成故障树建模和分析,然后提出一种含权故障树匹配推理机制,可对大量故障快速分级;在决策机制方面设计了一套专家系统,融入有限状态机,提升其实时处理大量、持续变化的输入事件的能力;在动作执行方面采用操舵上浮、短路吹除、抛载三种应急上浮措施,以实现无人潜艇高可靠性自救。最后,本文对应急单元进行建模与仿真,验证了、单故障诊断功能、故障融合诊断功能、应急优先级设置功能和应急升级功能四个主要的控制功能。
二、液压系统的失效分析及监测、诊断系统框架研究（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、液压系统的失效分析及监测、诊断系统框架研究（论文提纲范文）
（1）面向复杂劣化信号的预测健康指数构造方法研究及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 铁路数据驱动的预测修现状 |
| 1.2.1 铁路设备的状态监测现状 |
| 1.2.2 铁路数据驱动的RUL预测 |
| 1.3 数据驱动的RUL预测研究现状 |
| 1.3.1 基于回归模型的RUL预测方法 |
| 1.3.2 基于相似性的RUL预测方法 |
| 1.3.3 基于状态外推的RUL预测方法 |
| 1.3.4 健康指数的构造方法 |
| 1.3.5 方法的有效性验证 |
| 1.3.6 研究现状总结和分析 |
| 1.4 研究意义和主要内容 |
| 1.5 论文研究思路和篇章结构 |
| 2 基于劣化信号非线性融合的健康指数构造方法 |
| 2.1 问题描述 |
| 2.2 基于深度神经网络的健康指数构造建模与求解 |
| 2.2.1 基于深度神经网络的数据融合模型和架构 |
| 2.2.2 基于RMSprop的采样算法 |
| 2.2.3 算法超参数学习 |
| 2.3 仿真分析 |
| 2.3.1 多传感器数据仿真 |
| 2.3.2 劣化建模和RUL预测 |
| 2.3.3 基于深度神经网络的健康指数构造 |
| 2.3.4 RUL预测结果比较和分析 |
| 2.3.5 健康指数的鲁棒性分析 |
| 2.4 案例验证 |
| 2.4.1 劣化数据集的描述 |
| 2.4.2 数据集的预处理 |
| 2.4.3 基于深度神经网络的数据融合模型 |
| 2.4.4 RUL预测结果比较和分析 |
| 2.4.5 深度神经网络超参数的选择 |
| 2.5 小结 |
| 3 基于劣化信息定位和融合的结构化信号健康指数构造方法 |
| 3.1 问题描述 |
| 3.2 基于稀疏学习和保序回归的健康指数构造方法 |
| 3.2.1 数据定义 |
| 3.2.2 信号建模及解耦策略 |
| 3.2.3 结构化信号的背景估计 |
| 3.2.4 劣化模式和劣化路径的估计 |
| 3.3 仿真分析 |
| 3.3.1 结构化数据仿真 |
| 3.3.2 健康指数的构造 |
| 3.3.3 劣化建模和RUL预测 |
| 3.3.4 RUL预测结果分析 |
| 3.4 小结 |
| 4 基于协变量和背景关系估计的高维信号健康指数构造方法 |
| 4.1 问题描述 |
| 4.1.1 存在数据缺失的时变高维信号健康指数构造 |
| 4.1.2 高维回归模型综述及难点分析 |
| 4.2 基于增强张量回归的健康指数构造方法 |
| 4.2.1 多重线性代数基础知识 |
| 4.2.2 数据缺失下张量回归建模 |
| 4.2.3 基于特征融合的健康指数构造 |
| 4.3 仿真分析 |
| 4.3.1 曲面数据仿真 |
| 4.3.2 回归预测结果分析 |
| 4.4 案例验证 |
| 4.4.1 数据集介绍 |
| 4.4.2 回归预测结果分析 |
| 4.4.3 健康指数构造和RUL预测结果分析 |
| 4.5 小结 |
| 5 铁路道岔系统应用案例 |
| 5.1 道岔系统介绍及问题描述 |
| 5.1.1 道岔构成、机理及状态监测 |
| 5.1.2 文献综述及难点分析 |
| 5.2 基于惩罚卷积模型的漏油监测和预测 |
| 5.2.1 油泄漏的监测和预测框架 |
| 5.2.2 温度和液位关系建模 |
| 5.2.3 漏油监测和预测 |
| 5.2.4 案例验证 |
| 5.3 滑床板劣化的健康指数构造和RUL预测 |
| 5.3.1 数据集介绍 |
| 5.3.2 健康指数构造、RUL预测和结果分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 主要工作与结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A RMSprop 算法 |
| 附录 B 基于线性化指数模型的 RUL 预测 |
| 附录 C 近似算子推导 |
| 附录 D 问题(3-6)推导 |
| 附录 E 问题(4-7)到(4-9)的转化 |
| 附录 F 问题(4-13)的转化 |
| 附录 G 问题(4-16)的转化 |
| 附录 H 套刻误差的生成过程 |
| 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）基于数据驱动的采煤机关键零部件故障诊断系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械故障诊断方法 |
| 1.2.2 采煤机故障诊断方法 |
| 1.2.3 存在的问题 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第2章 采煤机结构及故障分析 |
| 2.1 引言 |
| 2.2 采煤机结构 |
| 2.2.1 采煤机组成及工作方式 |
| 2.2.2 采煤机摇臂结构 |
| 2.3 采煤机故障分析 |
| 2.4 采煤机关键零部件智能融合故障诊断方法 |
| 2.5 本章小结 |
| 第3章 基于参数诊断的采煤机关键零部件故障诊断方法与实现 |
| 3.1 引言 |
| 3.2 采煤机传统故障诊断方法 |
| 3.3 采煤机关键零部件参数诊断方法 |
| 3.3.1 参数诊断原理 |
| 3.3.2 采煤机关键零部件参数诊断故障 |
| 3.4 采煤机关键零部件参数诊断方法的实现 |
| 3.4.1 数据存储 |
| 3.4.2 参数诊断法流程 |
| 3.4.3 参数诊断法的代码实现 |
| 3.5 采煤机参数诊断法验证实验 |
| 3.5.1 数据准备 |
| 3.5.2 实验过程 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于深度残差网络的采煤机摇臂齿轮箱故障诊断方法与实现 |
| 4.1 引言 |
| 4.2 深度残差网络故障诊断方法 |
| 4.2.1 深度残差网络原理 |
| 4.2.2 深度残差网络的优化 |
| 4.2.3 深度残差网络故障诊断模型的构建 |
| 4.3 采煤机摇臂齿轮箱深度残差网络故障诊断方法的实现 |
| 4.3.1 数据采集和存储 |
| 4.3.2 深度残差网络故障诊断流程 |
| 4.3.3 深度残差网络故障诊断的代码实现 |
| 4.3.4 深度残差网络故障诊断可视化 |
| 4.4 采煤机摇臂齿轮箱深度参数网络故障诊断方法验证实验 |
| 4.4.1 数据准备 |
| 4.4.2 实验评估方式 |
| 4.4.3 实验过程 |
| 4.4.4 实验结果和分析 |
| 4.5 本章小结 |
| 第5章 采煤机故障诊断系统实现与应用 |
| 5.1 引言 |
| 5.2 系统功能设计 |
| 5.2.1 系统整体框架 |
| 5.2.2 系统功能结构 |
| 5.3 系统开发 |
| 5.3.1 开发环境 |
| 5.3.2 系统实现 |
| 5.4 系统测试 |
| 5.4.1 测试原则 |
| 5.4.2 测试内容 |
| 5.4.3 测试方法和过程 |
| 5.4.4 测试结果 |
| 5.5 应用实例 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）风电机组运行状态监测与健康维护系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 我国风力发电行业发展现状 |
| 1.1.2 风电机组运行状态监测与健康维护面临的挑战 |
| 1.1.3 风电机组运行状态监测与健康维护面临的机遇 |
| 1.2 课题研究目的及意义 |
| 1.2.1 发电设备运行状态监测与健康维护的内涵 |
| 1.2.2 风电机组运行状态监测与健康维护系统研究的目的及意义 |
| 1.3 课题理论与技术国内外研究现状 |
| 1.3.1 风电机组运行状态分析的研究现状 |
| 1.3.2 风电机组运行状态监测的研究现状 |
| 1.3.3 风电机组设备健康维护的研究现状 |
| 1.4 风电机组运行状态监测与健康维护应用研究 |
| 1.4.1 风电机组500小时运行考核试验 |
| 1.4.2 风电机组运行状态监测与健康维护系统 |
| 1.5 本文主要研究内容及结构安排 |
| 第2章 风电机组运行状态分析与知识表述 |
| 2.1 引言 |
| 2.2 系统科学背景下的运行状态分析 |
| 2.3 风电机组典型故障模式分析 |
| 2.3.1 风能捕捉系统典型故障分析 |
| 2.3.2 传动系统典型故障分析 |
| 2.3.3 发电机系统典型故障分析 |
| 2.4 机组运行状态知识表述 |
| 2.4.1 基于故障树分析的风电机组故障知识表述方法 |
| 2.4.2 基于失效模式及影响分析的风电机组故障知识表述方法 |
| 2.5 本章小结 |
| 第3章 风电机组运行状态指标分析与体系构建 |
| 3.1 引言 |
| 3.2 风电机组运行状态指标体系初建 |
| 3.3 风电机组运行状态指标选取与分析 |
| 3.3.1 安全性指标 |
| 3.3.2 经济性指标 |
| 3.3.3 可靠性指标 |
| 3.4 基于对应分析的多块方法下的指标体系确立 |
| 3.4.1 基于对应分析的多块划分方法 |
| 3.4.2 机组指标体系确立 |
| 3.5 本章小结 |
| 第4章 风电机组运行状态监测与诊断方法研究 |
| 4.1 引言 |
| 4.2 机组故障诊断复合网络拓扑结构及功能描述 |
| 4.3 风电机组运行数据预处理与特征提取 |
| 4.3.1 风电机组振动信号预处理 |
| 4.3.2 基于数学形态学的无量纲趋势整理 |
| 4.3.3 t-s曲线趋势特征提取 |
| 4.3.4 实例分析 |
| 4.4 基于因子分析改进层级NSET方法的机组故障预警模型 |
| 4.4.1 层级NSET方法原理 |
| 4.4.2 残差统计分析 |
| 4.4.3 基于因子分析改进的层级NSET模型 |
| 4.4.4 实例分析 |
| 4.5 ETA-FPN多重网络机组故障诊断模型 |
| 4.5.1 ETA-FPN的定义 |
| 4.5.2 ETA-FPN层级结构与推理分析 |
| 4.5.3 改进信息熵的ETA-FPN模型构建方法 |
| 4.5.4 基于改进信息熵方法的ETA-FPN模型搭建 |
| 4.6 复合网络诊断模型实例分析 |
| 4.6.1 FA-HNSET预警分析 |
| 4.6.2 ETA-FPN网络模型诊断 |
| 4.6.3 基于FTA结构的故障原因分析 |
| 4.7 本章小结 |
| 第5章 风电机组健康维护问题的研究 |
| 5.1 引言 |
| 5.2 基于模糊评判的风电机组运行状态健康评价 |
| 5.2.1 健康评价体系层次划分 |
| 5.2.2 评价指标劣化度的确定 |
| 5.2.3 风电机组运行状态的模糊评判 |
| 5.3 基于ARMA模型的风电机组故障预测 |
| 5.3.1 ARMA预测模型描述 |
| 5.3.2 ARMA模型辨识 |
| 5.4 风电机组故障设备维护决策方法 |
| 5.4.1 基于FMEA的风电机组典型故障模式属性分析及风险评价 |
| 5.4.2 风电机组故障FTA分析 |
| 5.4.3 故障模式及底事件的维护方式决策 |
| 5.5 实例分析 |
| 5.6 本章小结 |
| 第6章 风电机组运行状态监测与健康维护系统研发 |
| 6.1 引言 |
| 6.2 风电机组运行状态监测与健康维护系统设计 |
| 6.2.1 设计目的 |
| 6.2.2 系统整体构架 |
| 6.2.3 系统功能设计 |
| 6.3 风电机组运行状态监测与健康维护系统技术应用 |
| 6.3.1 系统信息管理及配置 |
| 6.3.2 系统应用 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 论文主要创新点 |
| 7.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者介绍 |
（4）盘式制动器检测系统设计研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 盘式制动器检测系统研究现状 |
| 1.3 课题目的及意义 |
| 1.4 主要研究内容及章节安排 |
| 2 制动器结构分析与总体检测系统设计 |
| 2.1 盘式制动器的应用分析 |
| 2.2 盘式制动器故障分析 |
| 2.3 盘式制动器检测方案设计 |
| 2.4 本章小节 |
| 3 检测系统的硬件设计 |
| 3.1 硬件总体结构 |
| 3.2 外围传感器模块设计 |
| 3.3 数据采集模块设计 |
| 3.4 核心模块设计 |
| 3.5 底板模块设计 |
| 3.6 抗干扰设计 |
| 3.7 本章小结 |
| 4 检测系统的软件设计 |
| 4.1 总体软件架构设计 |
| 4.2 下位机的软件设计 |
| 4.3 上位机软件系统设计 |
| 4.4 本章小结 |
| 5 制动器的数据融合故障判断 |
| 5.1 多源参数数据融合技术 |
| 5.2 数据融合的故障判断 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）虚拟维修平台故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常用的故障诊断方法研究现状 |
| 1.2.2 故障树分析方法研究现状 |
| 1.3 研究工作概述 |
| 1.4 本文组织结构 |
| 第二章 故障树分析方法 |
| 2.1 基本定义及符号表示 |
| 2.2 故障树定性分析 |
| 2.2.1 最小割集和最小路集 |
| 2.2.2 Fussell方法解最小割集 |
| 2.3 故障树定量分析 |
| 2.3.1 定量分析指标 |
| 2.3.2 结构重要度求解 |
| 2.4 本章小结 |
| 第三章 可视化跟踪推理算法 |
| 3.1 可视化跟踪推理框架 |
| 3.2 定义定理说明 |
| 3.3 跟踪推理算法的提出 |
| 3.4 改进后的跟踪推理算法 |
| 3.4.1 锁定节点算法 |
| 3.4.2 排除节点算法 |
| 3.5 示例分析 |
| 3.5.1 跟踪推理过程分析 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 可视化诊断流程设计 |
| 4.1 可视化诊断流程整体框架设计 |
| 4.2 故障树结构的可视化表现方法 |
| 4.2.1 知识表示 |
| 4.2.2 可视化显示 |
| 4.3 知识的非自动获取 |
| 4.4 故障的设定方法 |
| 4.4.1 随机设定 |
| 4.4.2 自主设定 |
| 4.5 运行监测 |
| 4.6 诊断推理 |
| 4.6.1 跟踪推理 |
| 4.6.2 检查测试 |
| 4.6.3 逐步诊断 |
| 4.7 检测排故 |
| 4.7.1 虚拟检测 |
| 4.7.2 虚拟排故 |
| 4.8 本章小结 |
| 第五章 案例应用 |
| 5.1 飞行控制系统结构分析 |
| 5.2 俯仰运动完全失效故障树的建立 |
| 5.3 俯仰控制全部失效的可视化诊断过程 |
| 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 |
| 作者简介 |
（6）基于深度学习的采煤机关键零部件剩余寿命预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 采煤机关键零部件可靠性 |
| 1.2.2 基于深度学习的机械零件剩余寿命预测 |
| 1.2.3 存在的问题 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 基于深度学习的采煤关键零部件剩余寿命预测理论基础 |
| 2.1 引言 |
| 2.2 采煤机关键零部件失效原理 |
| 2.2.1 采煤机结构 |
| 2.2.2 采煤机摇臂结构 |
| 2.2.3 采煤机摇臂关键零部件失效形式 |
| 2.3 深度学习基本理论 |
| 2.3.1 监督学习模型 |
| 2.3.2 无监督学习模型 |
| 2.4 基于深度学习的采煤机关键零部件剩余寿命预测技术路线 |
| 2.5 本章小结 |
| 第三章 基于DCNN的剩余寿命预测模型 |
| 3.1 引言 |
| 3.2 基于DCNN的剩余寿命预测流程 |
| 3.3 数据预处理 |
| 3.3.1 数据去噪 |
| 3.3.2 数据特征提取 |
| 3.3.3 数据集划分 |
| 3.4 DCNN预测模型构建 |
| 3.4.1 DCNN模型结构 |
| 3.4.2 DCNN模型参数设置 |
| 3.4.3 预测模型评估指标 |
| 3.5 DCNN模型预测性能验证实验 |
| 3.5.1 DCNN模型预测精度验证 |
| 3.5.2 DCNN模型泛化能力验证 |
| 3.5.3 分层抽样有效性验证 |
| 3.5.4 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于AE bi-GRU的剩余寿命预测模型 |
| 4.1 引言 |
| 4.2 基于AE bi-GRU的剩余寿命预测流程 |
| 4.3 数据预处理 |
| 4.3.1 数据去噪 |
| 4.3.2 时域和频域特征选择 |
| 4.3.3 基于AE的特征提取及数据集划分 |
| 4.4 bi-GRU预测模型构建 |
| 4.4.1 GRU模型结构 |
| 4.4.2 bi-GRU模型结构 |
| 4.4.3 bi-GRU模型参数设置 |
| 4.5 AE bi-GRU剩余寿命预测性能验证实验 |
| 4.5.1 AE bi-GRU预测效果验证 |
| 4.5.2 AE对模型预测结果的影响 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于深度学习的采煤机关键零部件剩余寿命预测分析 |
| 5.1 引言 |
| 5.2 采煤机关键零部件剩余寿命预测体系框架 |
| 5.2.1 体系框架 |
| 5.2.2 基于物联网的采煤机数据传输策略 |
| 5.2.3 基于深度学习的采煤机关键零部件剩余寿命预测流程 |
| 5.3 采煤机零件剩余寿命预测深度学习模型对比 |
| 5.3.1 DCNN和 AE bi-GRU模型结构对比 |
| 5.3.2 DCNN和 AE bi-GRU模型数据预处理对比 |
| 5.3.3 DCNN和 AE bi-GRU模型预测效果对比 |
| 5.3.4 对比结果分析 |
| 5.4 基于深度学习的摇臂关键零部件剩余寿命预测分析 |
| 5.4.1 高速区轴承挡圈剩余寿命预测分析 |
| 5.4.2 高速区直齿轮及轴承剩余寿命预测分析 |
| 5.4.3 截三轴剩余寿命预测分析 |
| 5.4.4 低速区齿轮轴承剩余寿命预测分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）风电机组风能捕捉系统在线故障预警与智能诊断的系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究概况 |
| 1.3.1 风能捕捉系统故障预警现状 |
| 1.3.2 风能捕捉系统故障诊断现状 |
| 1.4 本论文主要内容 |
| 第2章 风电机组风能捕捉系统分析 |
| 2.1 变桨系统结构与功能分析 |
| 2.1.1 变桨控制与保护系统分析 |
| 2.1.2 变桨驱动系统分析 |
| 2.2 偏航系统结构与功能分析 |
| 2.2.1 偏航制动系统分析 |
| 2.2.2 偏航控制系统分析 |
| 2.2.3 偏航驱动系统分析 |
| 2.3 风能捕捉系统故障分析 |
| 2.3.1 变桨系统故障分析 |
| 2.3.2 偏航系统故障分析 |
| 2.4 故障模式分类与征兆参数提取 |
| 2.4.1 典型故障模式分类 |
| 2.4.2 故障征兆参数提取 |
| 2.5 风能捕捉系统故障树分析 |
| 2.6 本章小结 |
| 第3章 基于深度学习神经网络的故障预警 |
| 3.1 LSTM神经网络原理 |
| 3.2 LSTM多变量时间序列建模 |
| 3.2.1 数据预处理 |
| 3.2.2 模型结构与超参数选择 |
| 3.3 风能捕捉系统故障预警案例验证 |
| 3.4 本章小结 |
| 第4章 基于非线性状态估计的故障诊断 |
| 4.1 非线性状态估计原理 |
| 4.2 非线性状态估计建模 |
| 4.2.1 基于马氏距离的记忆矩阵构造 |
| 4.2.2 应用滑动窗口的异常率统计 |
| 4.3 风能捕捉系统故障诊断案例验证 |
| 4.4 本章小结 |
| 第5章 在线故障预警与智能诊断的系统开发 |
| 5.1 系统构架设计 |
| 5.2 系统功能开发 |
| 5.2.1 系统信息管理及配置 |
| 5.2.2 系统预警与诊断功能 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）挖掘机关键液压元件故障诊断方法及系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 液压缸诊断研究现状 |
| 1.2.2 液压泵诊断研究现状 |
| 1.2.3 健康管理系统与云平台研究现状 |
| 1.2.4 研究现状小结 |
| 1.3 论文的主要内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 挖掘机故障分析与故障状态感知研究 |
| 2.1 挖掘机系统简介 |
| 2.2 挖掘机故障分析 |
| 2.2.1 挖掘机故障树分析 |
| 2.2.2 液压元件故障模式分析 |
| 2.2.3 液压元件故障机理分析 |
| 2.3 故障状态感知研究 |
| 2.3.1 液压缸状态感知 |
| 2.3.2 液压泵状态感知 |
| 2.3.3 液压阀状态感知 |
| 2.4 状态数据采集方案 |
| 2.5 状态感知装置开发 |
| 2.5.1 传感器选型 |
| 2.5.2 嵌入式设备选型 |
| 2.5.3 LabVIEW程序开发 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的液压缸诊断研究 |
| 3.1 液压缸故障模拟实验与特征提取 |
| 3.1.1 模拟实验与数据分析 |
| 3.1.2 小波包能量特征提取 |
| 3.2 卷积神经网络 |
| 3.2.1 结构介绍 |
| 3.2.2 算法框架 |
| 3.3 算法验证与实验分析 |
| 3.3.1 算法验证 |
| 3.3.2 实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于子空间辨识的液压缸诊断算法 |
| 4.1 系统原理与数学建模 |
| 4.1.1 系统原理 |
| 4.1.2 数学建模 |
| 4.1.3 状态反馈法 |
| 4.2 白色测量噪声的子空间辨识 |
| 4.3 泄漏诊断及仿真验证 |
| 4.3.1 液压缸泄漏诊断步骤 |
| 4.3.2 仿真验证 |
| 4.4 本章小结 |
| 第五章 基于深度置信网络的液压泵诊断研究 |
| 5.1 液压泵故障模拟实验与特征提取 |
| 5.1.1 状态分析与模拟实验 |
| 5.1.2 无量纲参数特征提取 |
| 5.2 深度置信网络方法 |
| 5.2.1 受限玻尔兹曼机 |
| 5.2.2 对比散度算法 |
| 5.2.3 DBN网络结构及训练流程 |
| 5.3 算法验证与实验分析 |
| 5.3.1 参数设置与算法验证 |
| 5.3.2 其他诊断方法对比 |
| 5.4 本章小结 |
| 第六章 挖掘机故障诊断与状态监控系统开发 |
| 6.1 系统总体框架 |
| 6.2 系统功能分析 |
| 6.2.1 系统需求 |
| 6.2.2 数据库结构 |
| 6.3 挖掘机健康管理网站 |
| 6.3.1 开发工具 |
| 6.3.2 功能模块 |
| 6.4 挖掘机健康监控软件 |
| 6.4.1 开发工具 |
| 6.4.2 软件模块 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要创新点 |
| 7.2 研究内容总结 |
| 7.3 研究展望 |
| 参考文献 |
| 附录1 基于CNN的液压缸诊断算法PYTHON代码 |
| 附录2 基于子空间辨识液压缸诊断算法MATLAB代码 |
| 附录3 基于DBN的液压泵诊断算法MATLAB代码 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）基于多源传感器信息融合的液压泵故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 液压泵故障诊断技术的国内外研究现状及趋势 |
| 1.2.1 液压泵故障诊断技术的研究现状 |
| 1.2.2 常用的液压泵故障诊断方法 |
| 1.2.3 液压泵故障诊断技术的发展趋势 |
| 1.3 本文主要研究内容 |
| 第二章 柱塞泵的常见故障机理分析及数据融合诊断模型建立 |
| 2.1 柱塞泵的主要故障机理分析 |
| 2.2 故障诊断信息融合的基本原理 |
| 2.3 故障诊断信息融合的模型和级别 |
| 2.4 液压泵多传感器故障诊断系统模型的搭建 |
| 2.5 本章小结 |
| 第三章 液压泵特征级局部诊断 |
| 3.1 柱塞泵常用故障诊断信号数据源 |
| 3.1.1 泵壳体振动信号 |
| 3.1.2 压力脉冲信号 |
| 3.1.3 外泄口油液的温度变化信号 |
| 3.2 柱塞泵信号幅值域特征参数提取 |
| 3.3 神经网络理论及其在液压故障局部诊断中的应用 |
| 3.3.1 神经网络故障诊断算法简介 |
| 3.3.2 PSO-BP故障诊断神经网络 |
| 3.4 柱塞泵局部诊断结构算法优化及应用 |
| 3.4.1 动态加速常数的局部诊断算法优化 |
| 3.4.2 速度自适应的局部诊断算法优化 |
| 3.5 优化算法的局部故障诊断实例 |
| 3.5.1 故障实验描述 |
| 3.5.2 局部诊断结果分析 |
| 3.6 本章小结 |
| 第四章 柱塞泵多传感器数据融合联合诊断 |
| 4.1 柱塞泵单传感器故障诊断存在的问题 |
| 4.1.1 信号干扰缺陷 |
| 4.1.2 传感器故障缺陷 |
| 4.2 多传感器故障诊断D-S数据融合 |
| 4.2.1 数据融合的规则 |
| 4.2.2 D-S证据理论数据融合的悖论 |
| 4.2.3 多源传感器数据融合的优化 |
| 4.3 柱塞泵多传感器融合故障诊断实例 |
| 4.3.1 多传感器融合诊断结果分析 |
| 4.3.2 某一传感器失效时的融合诊断结果 |
| 4.4 本章小结 |
| 第五章 多传感器柱塞泵故障联合诊断实验研究 |
| 5.1 柱塞泵故障系统实验搭建 |
| 5.1.1 实验系统组成 |
| 5.1.2 诊断模型描述 |
| 5.2 轴向柱塞泵故障诊断实验及结果分析 |
| 5.2.1 单一特征级子网故障诊断结果分析 |
| 5.2.2 多源传感器决策级融合诊断结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（10）大尺度无人潜艇的应急控制技术研究（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 无人潜艇应急系统国内外发展现状 |
| 1.3 研究难点 |
| 1.4 主要研究内容 |
| 2 大尺度无人潜艇应急控制方案研究 |
| 2.1 大尺度无人潜艇航行特性与风险性分析 |
| 2.2 应急控制逻辑设计 |
| 2.3 应急系统组成与功能 |
| 2.4 应急监测功能设计 |
| 2.5 本章小结 |
| 3 基于含权故障树推理和有限状态机的专家系统 |
| 3.1 故障树分析方法原理 |
| 3.2 专家系统的原理 |
| 3.3 无人潜艇功能分析及故障树建模 |
| 3.4 双输入控制专家系统实现 |
| 3.5 本章小结 |
| 4 应急上浮动作执行系统功能设计 |
| 4.1 应急操舵功能设计 |
| 4.2 短路吹除上浮功能设计 |
| 4.3 全自动抛载功能设计 |
| 4.4 本章小结 |
| 5 应急系统程序设计 |
| 5.1 软件功能模块设计 |
| 5.2 有限状态机嵌入式软件实现 |
| 5.3 核心控制模块设计 |
| 5.4 本章小结 |
| 6 试验验证 |
| 6.1 仿真模型搭建 |
| 6.2 仿真结果 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
四、液压系统的失效分析及监测、诊断系统框架研究（论文参考文献）
- [1]面向复杂劣化信号的预测健康指数构造方法研究及应用[D]. 王峰. 北京交通大学, 2021(02)
- [2]基于数据驱动的采煤机关键零部件故障诊断系统[D]. 王萌. 太原理工大学, 2021(01)
- [3]风电机组运行状态监测与健康维护系统的研究[D]. 贾子文. 华北电力大学(北京), 2020(06)
- [4]盘式制动器检测系统设计研究[D]. 丁勇. 中国矿业大学, 2020(01)
- [5]虚拟维修平台故障诊断关键技术研究[D]. 马秋爽. 中国民航大学, 2020(01)
- [6]基于深度学习的采煤机关键零部件剩余寿命预测[D]. 杨亮亮. 太原理工大学, 2020
- [7]风电机组风能捕捉系统在线故障预警与智能诊断的系统研究[D]. 丘嘉鸣. 华北电力大学(北京), 2020(06)
- [8]挖掘机关键液压元件故障诊断方法及系统研究[D]. 黄武涛. 上海交通大学, 2020(09)
- [9]基于多源传感器信息融合的液压泵故障诊断[D]. 朱冠霖. 上海工程技术大学, 2020(04)
- [10]大尺度无人潜艇的应急控制技术研究[D]. 郑煜. 华中科技大学, 2019(01)