一、基于时频分析与神经网络的实时智能故障诊断系统的软件设计——数据格式转换与信号处理功能的开发（论文文献综述）
封乃丹[1]（2020）在《面向复杂时变信号分析的动态神经网络模型与算法研究》文中进行了进一步梳理时变信号分析和处理一直以来都是模式识别领域的一个热点和难点。随着感知技术、物联网技术的快速发展,对时变信号变化特征的准确分析和时频信息的充分利用变得日益重要。动态神经网络具有很强的的辨识和学习能力,能够逼近任何非线性输入输出关系,在信号处理中有重要的价值和作用。本文针对若干领域中复杂时变信号的分析问题,根据时变信号所呈现的分布特征和结构性质,以及在不同实际环境下具有的复杂性、不确定性、非平稳性、含噪声等特点,融合深度学习理论和信号时频分析技术,开展面向复杂时变信号分析的深度动态神经网络模型与算法的研究。因此,本文研究具有重要的理论意义和应用价值。论文完成的主要工作和创新点如下:（1）针对可反映一个短时间片段内的信息变化、具有多变性、不稳定性并含噪声等特点的短时变信号的特征提取和分类问题,提出了一种深度小波循环卷积神经网络（DWRCNN）模型与算法。DWRCNN模型可融合小波变换和软阈值处理对信号时频特征的捕获能力、循环神经网络对时间序列变化特征的学习与记忆能力,以及卷积神经网络对大规模数据集的学习性质和分类机制,对短时复杂信号的模式识别具有良好的适用性。（2）针对具有连续性、非平稳性和无限性的单通道长时变信号分析问题,提出了一种多特征融合的长短期记忆网络（ILSTM）模型与算法。ILSTM模型增加了对信号多尺度特征的提取和融合分析机制,能够同时兼顾对长时变信号广域特征和局域特征的学习,具有对特征信息关联和长短时特征变化的记忆能力,可进行在线学习与预测。（3）针对具有不稳定、不精确、不完整、含噪声等各种不完备信息的非周期性多通道长时变信号分类问题,提出了一种T-S过程神经网络（TSPNN）智能分析模型与算法。TSPNN模型融合了过程神经网络对时变信号的处理能力与T-S模糊分类机制,可实现专家经验知识的嵌入,具有对样本集的自适应学习能力,适用于小样本集建模。（4）针对样本分布不均匀、多模态、具有随机性分布特征的周期性多通道长时变信号分析问题,提出了一种概率计算过程神经网络（PCPNN）智能分析模型与算法。PCPNN模型可融合过程神经网络时变信息的处理机制和贝叶斯决策规则,所建立的算法综合了动态时间规整、C均值聚类和BP算法,能够集成信号类别的特征知识,模型参数少,适用于小样本、不均衡数据集的建模分析。本文针对上述诸多问题提出了一系列动态神经网络模型和算法,能够提取复杂时变信号的本质特征和变换规律,在机制上具有良好的针对性和适用性。实验验证了本文各模型的可行性与有效性。
高志龙[2]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中研究说明柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
刘诗源[3]（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》文中进行了进一步梳理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。
窦春红[4]（2019）在《风电齿轮箱运行状态监测与故障诊断》文中研究表明风电齿轮箱是风电机组的重要组成部分,价格昂贵,出现故障会导致风电机组长时间停机,造成严重的经济损失。因此,加强对风电齿轮箱状态监测与故障诊断技术的研究,对于保证风电机组的正常运行,提高风电场的经济效益和社会效益具有重要的意义。本文在总结现有的设备状态监测与故障诊断理论和方法的基础上,针对齿轮箱的故障特征提取问题,提出了如下所述的解决方案,解决了现有方法存在的一些问题,提高了齿轮箱的状态监测与故障诊断效果。（1）提出了基于奇异谱分解的滚动轴承微弱故障特征增强方法。该方法能够自动确定嵌入维数,为重建的序列自动选择主分量,通过附加的缠绕操作增强原始数据的振荡信息,减小模态混叠。仿真实验证明了该方法的有效性。将该方法用于滚动轴承故障诊断,并与包络分析及基于经验模式分解（Empirical Mode Decomposition,EMD）的方法和基于总体经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）的方法进行了对比,结果表明该方法在增强滚动轴承微弱故障特征方面具有优势。（2）提出了基于数据非线性和确定性测度的设备故障特征提取方法。提出了一种量化数据非线性和确定性的方法,然后利用数据的非线性和确定性刻画设备的运行状态。仿真实验证明该方法对噪声具有较好的鲁棒性。将该方法用于齿轮箱故障诊断,并与近似熵、样本熵、排列熵和延迟向量方差方法进行了对比,结果表明该方法在复杂数据特征提取方面具有优势。（3）提出了基于自适应多尺度符号动力学熵（Adaptive Multiscale Symbol-Dynamics Entropy,AMSDE）的设备状态监测方法。将多尺度分析方法引入到统计语义分析中,定义了 AMSDE。AMSDE能够将原始信号转换为一个熵向量,利用该熵向量来刻画设备的运行状态。将该方法用于齿轮箱和滚动轴承状态识别,结果表明该方法能够揭示数据的时间结构和空间结构,在设备状态监测方面与传统的时域统计参数及非线性参数相比具有优势。（4）提出了基于自适应变带宽代价函数的瞬时频率估计方法。该方法能够自适应确定目标脊线的搜索区间,能够解决一步代价函数方法存在的不能自适应确定脊点搜索区间的问题。首先采用数值实验验证了该方法的有效性。接着,将该方法用于估计风电齿轮箱的瞬时频率,并将其与一步代价函数方法及其它传统方法进行了比较,结果表明该方法在机器瞬时频率估计中具有良好的性能,与上述其它方法相比具有优势。（5）提出了基于傅里叶分解方法（Fourier Decomposition Method,FDM）的风电齿轮箱故障特征提取方法。首先比较了 EMD和FDM的滤波性能,证明了 FDM在低频和高频都具有良好的频率分辨率,然后利用仿真数据证明了 FDM在分离频率相近的信号分量方面能够突破EMD和EEMD方法的性能限制。将该方法用于风电齿轮箱故障诊断,并与基于EMD的方法和基于EEMD的方法进行了比较,结果表明该方法在故障特征提取中具有良好的性能,与上述其它方法相比具有优势。
闫双庆[5]（2019）在《抽水蓄能机组运行状态分析与智能故障诊断研究》文中提出随着我国能源结构转型的持续推进,抽水蓄能机组以其启停灵活、响应迅速、运行范围广等特点,在现代电力系统中发挥调峰调频、消纳电能、事故备用的关键作用,为提高供电侧电能质量、维护电网安全稳定运行,抽水蓄能电站智能化建设已成为水电行业发展的新方向。本文充分利用电站的基础设备信息和运行数据,对抽水蓄能机组进行模型机理探究和测量信号处理,开展系统运行状态的定量分析,实现了状态信号的特征提取和智能故障诊断,在此基础上,针对抽蓄电站特定工况下的实际工程应用场景,结合先进的系统集成理论和软件技术,完成电站网络化、可视化评估系统的设计与实现。本文主要研究内容和创新性成果如下:（1）与水电机组相比,抽水蓄能机组的运行状态更加复杂且转换频繁,工况切换过程中的水力大范围波动对过流管道、机组等设备的稳定运行产生了严重威胁。基于压力管道、调压室、球阀和水泵水轮机等关键过流部件的水力传播特性,引入各部件特征线方程构建了抽水蓄能机组调节系统的机理模型,提出基于GB-BP神经网络的水泵水轮机全特性曲线拟合方法,进而提升了机组参数的插值精度,通过将机组多种工况的数值仿真结果与实测数据对比,验证了所建机理模型的精度和适应性。（2）对水-机-电状态信号的预处理与分析,是评估抽水蓄能机组运行稳定水平的重要途径。本文结合压力脉动信号的特性,针对原始经验小波变换的信号分析方法的不足,提出了基于多尺度空间的自适应频谱分割改进措施和保证Hilbert谱图完整性的趋势项提取方法。在理论研究基础上,将该方法应用于某电站水泵断电工况下实测压力脉动信号的波形分析,有效提取出包含主要频率成分的模态分量,通过Hilbert谱图展现了特征频率的时空分布,并结合机理模型的机组参数仿真曲线对该工况下的机组运行状态进行了分析。（3）为实现抽水蓄能机组的无监督故障诊断和工况识别,解决传统FCM聚类无法自动优选聚类数,从而对未知故障模式识别失效的关键科学问题,研究提出混合编码的回溯搜索算法优化聚类有效性指标,对聚类数和聚类中心分别采取二进制和实数编码形式同时进行迭代进化,并通过经验小波分解、混合特征提取、主成分分析确定最终的信号特征子集。所提方法在轴承故障诊断实验和基于压力脉动信号的抽蓄机组运行工况识别实验（检验）中均取得了较高的分类精度。（4）依托工程项目中运行分析模块的实际业务需求,针对传统的电站控制优化与性能评估系统中存在的前后端高度耦合、开发任务不明确等缺点,设计了一种前端为Vue.js框架、后端基于Spring boot的前后端分离架构,实现了包含机组模型仿真、信号与指标分析等功能的抽水蓄能机组运行状态评估系统,并在实际工程中成功应用。
王鹏[6]（2018）在《复杂现场工况下旋转机械故障微弱特征提取与智能评估》文中指出机械设备故障诊断是生产安全的重要保障措施。随着生产企业对安全、效率、成本的重视程度提高,对于设备健康管理的需求与日俱增。而长期以来,机械故障诊断技术研究存在着重理论轻应用、重实验轻现场、重技术轻体验的问题,从而导致目前常用的机械故障诊断方法无法满足工业现场复杂工况设备的诊断需求,相关仪器操作复杂且对操作者有较高的理论基础要求。从工业企业设备维护人员的角度讲,机械故障诊断技术在工业现场“不好用”、“不会用”。因此,本文以基于振动信号分析的旋转机械故障诊断方法为基础,结合生产企业实际需求展开研究。一方面从工业现场设备强干扰、变转速的复杂工况出发,研究复杂现场工况下旋转机械振动信号处理方法。另一方面,针对设备维护人员理论基础欠缺的情况,研究复杂现场工况下故障智能评估方法。通过以上两方面的工作,实现以应用为导向的理论研究,并通过工业现场应用对理论研究与实践工作进行验证。为了实现复杂现场工况下旋转机械振动信号中的故障微弱特征提取,本文首先在Hilbert-Huang变换理论架构基础上,通过对端点效应、模态混叠问题进行改进并通过CEEMDAN快速算法实现了振动信号分析方法参数调节简便化。然后,以基于改进CEEMDAN的自适应非参数时频分析为基础,本文提出了一种用于强噪声干扰下故障冲击特征增强与提取的能量权重理论。通过一组仿真振动信号的分析以及列车轴承故障诊断实验,对能量权重法进行了验证,证明了该方法对强噪声干扰下的故障特征成分提取具有良好的效果。此外,本文还对能量权重法的应用范围进行了进一步拓展,提出了变转速工况下的能量权重法。通过对变转速、强干扰下的机械振动信号进行无键相阶次跟踪分析与能量权重法分析,实现了复杂现场工况下的故障特征增强,并以相关理论为基础进行了测试分析系统的开发。通过仿真信号分析和卷扬机轴承故障诊断工作对能量权重法在变转速工况下的应用进行了有效性验证。在研究振动信号特征提取方法,实现故障诊断与定位之外,本文还在设备智能健康评估方面进行了研究,提出了基于深度学习的变转速设备智能故障诊断。通过对振动信号的无键相阶次跟踪与等角度重采样,将变工况下的信号进行预处理,再利用深度卷积模型实现振动信号特征智能提取与分类,从而实现了诊断方法智能化。本文以高炉煤气余压透平发电机组和门座式起重机转车减速箱为诊断对象,通过对长期跟踪测试积累得到振动信号进行分析,相关理论在工业现场获得了应用与验证。
周桂红[7]（2008）在《基于多Agent的数控机床远程故障诊断系统研究》文中提出结合省科技攻关计划项目“数控机床故障网络化智能诊断系统”（编号:05213507D）,针对数控机床故障的特点,研究了基于多Agent的数控机床远程故障诊断系统（CNCRDS）。根据数控机床故障诊断知识体系,构建了数控机床故障诊断的知识模型,提出了将机电接口PLC的梯形图转换为逻辑规则的方法,并建立了逻辑诊断模型和时序诊断模型。采用将浅层推理和深层推理相结合的混合推理策略,保证了推理的准确性和有效性和推理效率。通过对MAS理论以及数控机床远程故障诊断任务分解特点的分析,在国内首次提出了基于Multi-Agent的数控机床远程故障诊断系统的层次结构和系统结构模型。研究了CNCRDS的多Agent的通信机制、协调策略和效用评估算法,提出了基于效用评估的诊断任务协商策略。研发了机械故障信号工具箱,并提出了EMD方法的一种改进算法。提出了基于人工免疫网络的故障模式学习算法,对比分析结果证明了该算法的高效性。实现了基于Multi-Agent的数控机床远程故障诊断的原型系统,保证了系统的开放性,使异构网络环境下的Agent之间能够进行互操作,为Multi-Agent理论的实用化探索出了一条切实可行的技术途径。
魏立东[8]（2006）在《基于智能控制的回转压缩机械故障诊断与研究》文中指出离心压缩机是大型石化企业中的关键的生产设备，它在石化炼化领域中发挥着无可替代的作用。随着工业进步与科学技术的发展，离心式压缩机朝着高转速、重负载和自动化方向发展，这就对其在速度、容量、效率和安全可靠性等方面提出了越来越高的要求。同时压缩机组系统常常不但由于其本身出现各种不同形式的故障，而且还会受来自上游与下游相关生产单元的影响，使其偏离正常运行状态而被动工作，有时甚至会发生由某种故障或影响引发的严重的机毁人亡的事故，并造成重大的经济损失。所以保障其安全、平稳运转是十分重要的。目前，多数企业都实现了压缩机组的实时状态监测，但是对故障诊断决策环节和各系统单元之间相互制约的研究却相对薄弱，大多是以经验积累或数据库为基础的。本文针对石化企业大型离心式压缩机组轴系的振动及相关单元的传递工质对机组的运行影响进行研究，并开发了以大型离心式压缩机组轴系的振动分析为基础的在线监测与故障诊断系统，主要特点如下：（1）研究了相关系统（工质输入、输出）工作状态对压缩机主本身的影响。由于实际工厂企业中，单元之间有着一定的工质传输距离，正是利用现场设备布置的这一特点，本文研究了压缩机组系统的预响应，使压缩机组系统实现预先调节，主动调节控制，这样就避免了非预期工况对机组造成的冲击损伤，保证机组的安全稳定运行，延长机组使用寿命和维修周期。（2）通过对比分析，研究对比了不同信号处理方法对振动分析的适用性，同时研究了小波分析、重心重排Wigner-Ville分布在信号处理方面的有效性。信号仿真分析和实验结果表明，小波分析和重心重排Wigner～Ville分布都能清晰地表征不同故障的时变特征，说明它们对非平稳非高斯的信号具有很好的时频分辨效果，也指出了它们的适用空间。还分析了多分量神经网络的有效性，完成了神经网络建立了预测模型。（3）设计并实现了以大型离心式压缩机组轴系的振动分析为基础的在线监测与故障诊断系统，该系统集信号采集，数据实时分析处理，故障监测，网络通讯于一身的完整的振动分析系统。同时，由于其强大的通讯能力和兼容性，不仅可以进行自身的远程通讯，而且还可以和其它控制系统进行信息交换，实现了系统间的联网化，这样可以使不同单元的信息实现共享，从而实现在中炼化系统监测的连锁化。（4）最后进行了现场故障信号的对比分析，通过系统对开停机，带障运行等状态进行监测分析比较验证了该系统的可靠性。
池红卫[9]（2004）在《复杂过程工业系统故障诊断与预测方法的研究》文中进行了进一步梳理故障诊断与预测作为计算机集成过程运行系统（CIPOS）中的关键技术之一,是确保企业安全运行的重要环节,目前,已成为工业界和学术界关注的焦点,并取得了许多有意义的成果,但这些方法仍存在不足,不能满足实际的需要,有必要做进一步的研究。本文在回顾了现有理论成果基础上,按照从理论到实践的方式,采用定性、定量相结合的方法,从多侧面、多角度,对复杂过程工业系统的故障诊断和状态预测问题进行了研究,为实现CIPOS向实用化阶段发展奠定了良好的基础,这正是本文研究的目的和意义所在,本文主要研究内容如下:第一、分析了近年来故障诊断技术的研究现状和故障智能诊断系统的发展现状,对现有的各种故障诊断方法进行了分析与评述,介绍了故障诊断技术的理论基础,指出了现有故障诊断系统中存在的问题和局限。第二、对系统的故障状态识别问题进行了研究把信息论中的信息熵引入到复杂过程工业系统的故障诊断中,提出了Kolmogorov熵对系统故障状态具有敏感的“指示”特性,通过实例对系统的正常、弱故障和强故障状态进行了识别;利用Cohen类时频分布能使系统在不同状态下的细节信号得到充分显示的特点,选用了Choic-Williams核函数计算时频分布,对系统的不同状态进行了监测,结果验证了基于Kolmogorov熵时间序列分析的系统故障状态识别的可靠性,为复杂过程工业系统的故障诊断提供了新的思路。第三、利用粗糙集理论,对诊断知识获取问题进行了研究将粗糙集理论用于过程工业系统中故障诊断知识的获取。给出了基于粗糙集理论的故障诊断知识模型及建模的主要步骤,研究了建立诊断知识模型所需要的关键技术;给出了复杂系统诊断知识规则提取的实例分析。本文所给出的基于粗糙集理论的故障诊断知识建模方法为解决专家系统诊断知识获取“瓶径”问题提供了有效方法,该方法可以推广到故障诊断过程以外的、其它的无法建立精确数学模型的过程。第四、基于多传感器信息融合的集成化智能诊断系统的研究针对复杂过程工业系统的特点,提出了基于多传感器数据融合的故障诊断层次划分和诊断策略,给出了系统的故障诊断流程;对过程工业系统中的多类故障诊断问题进行了研究;给出了基于信息融合策略的集成化智能诊断系统模型,对其结构和推理机制进行了研究。
王奉涛[10]（2003）在《非平稳信号故障特征提取与智能诊断方法的研究及应用》文中提出在工业生产过程中，人们希望能够对设备故障实现早期预报，防患于未然，保证设备安全、稳定、长周期、满负荷优质运行，避免旧的维修体制中存在的“过维修”或“欠维修”现象，充分发挥设备的效益。在此情况下，设备故障诊断学应运而生，并吸引大量的科研人员从事这方面的研究，促使该学科不断发展和完善。 随着设备向着高速度、高功率、高可靠性、大型化的方向发展，使得传统的故障诊断技术难以胜任复杂设备的故障诊断。本文正是基于此考虑，把局域波时频分析方法和人工智能-守法引入到故障诊断领域，以解决复杂设备的故障诊断问题。 首先，针对复杂设备系统的非线性和表面振动信号的非平稳性，引入了局域波分析方法。局域波分析方法的重大突破在于用基于信号局部特征的多个基本模式分量来描述信号，并赋予每个基本模式分量具有实际物理意义的瞬时频率。它有效地克服了用传统方法进行非平稳信号分析中产生无意义谐波分量的缺点。另外，通过局域波分析可把复杂的实测数据分解成有限个基本模式分量，从而简化信号分析过程，降低信号分析误差。 然后，从信息论的角度分析了人类智能活动的一般过程，总结了复杂设备系统故障诊断的特点，给出了智能故障诊断系统的一般框架。在此基础上，主要进行了以下的研究工作。 1．提出了基于Chebysbcv数值逼近的数据序列延拓算法，解决了局域波分解过程中的边界问题。该方法具有模型简单、所需的观测样本容量小、易于在线计算及预测精度较高的特点，实现快速而准确的局域波分解。 2．特征提取是当前机械故障诊断中的瓶颈问题，它直接关系到故障诊断的准确性和早期预报的可靠性。在局域波理论的基础上，引入了时频局部能量的概念，进而提出了一种基于时频局部能量的特征提取方法。时频局部能量更好地反映了信号频率特征的时变特点，为准确地分析和处理非平稳信号提供了有效的手段。同样基于局部能量的思想，提出了一种基于小波包分解的频带局部能量特征提取方法。 3．从人工神经网络故障诊断模型的特点出发，通过局域波法进行特征提取，利用粗糙集理论确定最优的决策系统，提出了粗糙集-局域波-神经网络智能故障诊断系统模型。该模型较好地解决了神经网络结构、训练样本的大小、大连理工大学博士学位论文摘要样本质量等对人工神经网络的精度及泛化能力有直接影响的问题，减少了训练所需的计算量和时间，提高了诊断精度。 4.在分析D一S证据理论和神经网络技术的优缺点及之间互补性的基础上，提出了一种基于D一S证据理论的多神经网络故障诊断方法。通过两者的结合，不仅解决了随着诊断参数的增多，神经网络结构逐渐庞大而造成的一系列问题，而且也为D一S证据理论中基本可信度分配的构造提供了有效的方法。同时，针对相互冲突证据体的融合问题，给出了更为合理的融合推理公式。诊断实例表明，该方法具有较高的诊断准确性和可靠性。 最后，以中国一汽变速箱厂生产的G79004变速箱为背景，融合传统故障诊断方法和本文提出的几种新方法，开发研制了“汽车变速箱性能检测系统”。该系统是集测试、实时监测显示、报警、信号分析、诊断于一体的综合监测系统。本文介绍了测试系统的设计方案，详细论述了基于软件复用的设计思想和设计过程，’并就C/s模式系统设计的特点进行了分析，确定相应的解决方案。 工程应用表明，利用而不是忽略复杂设备系统的非线性和表面振动信号中 的非平稳性特征，来建立相应的智能故障诊断系统，可以获得更有物理意义的 诊断结果，实现准确的故障诊断。
二、基于时频分析与神经网络的实时智能故障诊断系统的软件设计——数据格式转换与信号处理功能的开发（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、基于时频分析与神经网络的实时智能故障诊断系统的软件设计——数据格式转换与信号处理功能的开发（论文提纲范文）
（1）面向复杂时变信号分析的动态神经网络模型与算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与思路 |
| 1.4 论文章节安排 |
| 2 相关知识及基本理论 |
| 2.1 监督学习 |
| 2.2 人工神经网络相关理论 |
| 2.3 数据标准化方法 |
| 2.4 基于梯度下降的优化算法 |
| 2.5 分类与回归问题的评价指标 |
| 2.6 本章小结 |
| 3 基于深度小波循环卷积神经网络的短时变信号分析模型与算法 |
| 3.1 引言 |
| 3.2 面向短时变信号的DWRCNN智能分析模型与算法 |
| 3.3 实验验证与结果分析 |
| 3.4 本章小结 |
| 4 基于多特征融合的长短期记忆网络单通道长时变信号分析模型与算法 |
| 4.1 引言 |
| 4.2 面向单通道长时变信号的ILSTM智能分析模型与算法 |
| 4.3 实验验证与结果分析 |
| 4.4 本章小结 |
| 5 基于T-S过程神经网络的非周期性多通道长时变信号分析模型与算法 |
| 5.1 引言 |
| 5.2 模糊计算与过程神经网络 |
| 5.3 面向非周期性多通道长时变信号的TSPNN智能分析模型与算法 |
| 5.4 实验验证与结果分析 |
| 5.5 本章小结 |
| 6 基于概率计算过程神经网络的周期性多通道长时变信号分析模型与算法 |
| 6.1 引言 |
| 6.2 概率神经网络模型 |
| 6.3 面向周期性多通道长时变信号的PCPNN智能分析模型与算法 |
| 6.4 实验验证与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 主要研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（2）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（3）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 |
（4）风电齿轮箱运行状态监测与故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景、研究意义和研究现状 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 研究现状 |
| 1.2 设备振动信号分析方法 |
| 1.2.1 时域分析 |
| 1.2.2 频域分析 |
| 1.2.3 时频分析 |
| 1.2.4 非线性方法 |
| 1.2.5 人工智能方法 |
| 1.2.6 基于模型的方法 |
| 1.2.7 故障特征提取新方法 |
| 1.3 研究课题的提出 |
| 1.4 本文主要创新点 |
| 1.5 本文的结构安排 |
| 2 齿轮箱振动机理 |
| 2.1 齿轮故障机理 |
| 2.1.1 齿轮主要失效形式 |
| 2.1.2 齿轮啮合振动方程 |
| 2.1.3 齿轮振动信号的一般形式 |
| 2.2 滚动轴承故障机理 |
| 2.2.1 滚动轴承主要失效形式 |
| 2.2.2 滚动轴承故障特征频率 |
| 2.2.3 滚动轴承振动信号的一般形式 |
| 2.3 齿轮箱运行状态监测 |
| 2.4 本章小结 |
| 3 基于奇异谱分解的滚动轴承微弱故障特征增强 |
| 3.1 奇异谱分解 |
| 3.1.1 嵌入:嵌入维的选择 |
| 3.1.2 嵌入:用缠绕法构造轨迹矩阵 |
| 3.1.3 分解 |
| 3.1.4 重构 |
| 3.1.5 停止准则 |
| 3.2 SSD在滚动轴承故障特征增强中的应用 |
| 3.2.1 数值验证 |
| 3.2.2 滚动轴承故障诊断 |
| 3.3 本章小结 |
| 4 基于数据非线性和确定性测度的设备故障特征提取 |
| 4.1 基于数据非线性和确定性测度的故障特征提取 |
| 4.1.1 广义Hurst指数 |
| 4.1.2 广义Hurst函数的本质 |
| 4.1.3 重排和替代过程 |
| 4.1.4 数据非线性和确定性的确定 |
| 4.1.5 本章所提出的方法 |
| 4.2 本章所提出的方法对噪声的鲁棒性 |
| 4.3 齿轮箱故障诊断 |
| 4.3.1 应用案例1 |
| 4.3.2 应用案例2 |
| 4.4 本章小结 |
| 5 基于自适应多尺度符号动力学熵的设备状态监测 |
| 5.1 自适应多尺度符号动力学熵 |
| 5.2 机器运行状态识别 |
| 5.2.1 齿轮状态识别 |
| 5.2.2 滚动轴承状态识别 |
| 5.3 本章小结 |
| 6 基于自适应变带宽代价函数的机器瞬时频率估计 |
| 6.1 基于一步代价函数的脊线提取 |
| 6.2 基于自适应变带宽代价函数的脊线提取 |
| 6.2.1 Canny边缘检测 |
| 6.2.2 Grubbs检测算子 |
| 6.2.3 脊带的置信区间 |
| 6.2.4 基于自适应变带宽代价函数的脊线提取 |
| 6.3 AVBCF方法的性能验证 |
| 6.3.1 数值验证 |
| 6.3.2 风电齿轮箱瞬时频率估计 |
| 6.4 本章小结 |
| 7 基于傅里叶分解方法的风电齿轮箱故障特征提取 |
| 7.1 FDM简介 |
| 7.1.1 连续时间FDM |
| 7.1.2 离散时间FDM |
| 7.2 EMD与FDM的滤波特性比较 |
| 7.3 仿真分析 |
| 7.4 风电齿轮箱故障诊断 |
| 7.5 本章小结 |
| 8 结论 |
| 8.1 研究总结 |
| 8.2 展望 |
| 参考文献 |
| 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 |
（5）抽水蓄能机组运行状态分析与智能故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 课题国内外研究现状 |
| 1.3 本文研究内容及章节安排 |
| 2 抽水蓄能机组调节系统机理建模与模型验证 |
| 2.1 引言 |
| 2.2 有压过水系统建模 |
| 2.3 发电电动机及负载建模 |
| 2.4 水泵水轮机模型及其全特性处理 |
| 2.5 仿真实例验证 |
| 2.6 水泵断电工况关键指标分析 |
| 2.7 本章小结 |
| 3 抽水蓄能机组水泵断电工况信号处理与运行状态分析 |
| 3.1 引言 |
| 3.2 基于改进自适应经验小波变换的信号时频分析 |
| 3.3 水泵断电工况实测压力脉动信号处理及运行状态分析 |
| 3.4 本章小结 |
| 4 基于模糊聚类的抽水蓄能机组故障诊断与工况识别 |
| 4.1 引言 |
| 4.2 模糊c-均值聚类算法原理 |
| 4.3 基于混合编码回溯搜索算法的模糊聚类 |
| 4.4 基于IHBSA模糊聚类的分类与诊断实验分析 |
| 4.5 基于IHBSA模糊聚类的抽水蓄能机组运行工况识别 |
| 4.6 本章小结 |
| 5 抽水蓄能机组运行状态评估系统集成 |
| 5.1 引言 |
| 5.2 运行状态评估系统软件架构设计 |
| 5.3 抽水蓄能机组运行状态评估系统功能及应用 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士期间参与的科研项目 |
| 附录2 攻读硕士期间发表的论文与获得的荣誉 |
（6）复杂现场工况下旋转机械故障微弱特征提取与智能评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 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 |
| 1.2.1 基于振动测试的旋转机械故障诊断方法及应用 |
| 1.2.2 复杂现场工况下旋转机械振动信号特性 |
| 1.2.3 故障微弱特征提取与增强 |
| 1.2.4 变转速工况下振动信号分析方法 |
| 1.2.5 基于机器学习的旋转机械故障诊断 |
| 1.3 问题的提出及本文拟研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容 |
| 第二章 基于改进CEEMDAN的时频分析 |
| 2.1 前言 |
| 2.2 Hilbert-Huang变换 |
| 2.2.1 经验模式分解与本征模态函数 |
| 2.2.2 Hilbert变换与瞬时频率 |
| 2.3 基于包络线直接延拓的端点效应处理 |
| 2.4 CEEMDAN快速算法 |
| 2.4.1 CEEMDAN快速算法 |
| 2.4.2 CEEMDAN参数选择 |
| 2.4.3 仿真信号分析 |
| 2.5 基于直接正交法的瞬时频率计算 |
| 2.5.1 经验调幅-调频分解 |
| 2.5.2 直接正交法 |
| 2.6 本章小结 |
| 第三章 基于能量权重法的强噪声背景下振动信号特征提取 |
| 3.1 前言 |
| 3.2 能量权重法 |
| 3.2.1 能量时间序列 |
| 3.2.2 多尺度二进制谱 |
| 3.2.3 能量权重分析 |
| 3.3 仿真信号分析 |
| 3.4 实验验证 |
| 3.4.1 外圈故障轴承实验 |
| 3.4.2 内圈故障轴承实验 |
| 3.5 本章小结 |
| 第四章 变工况下基于能量权重法的故障诊断 |
| 4.1 前言 |
| 4.2 基于Gabor变换的无键相阶次跟踪 |
| 4.2.1 Gabor变换 |
| 4.2.2 基于Gabor变换的信号阶次提取 |
| 4.2.3 瞬时频率估计与信号重采样 |
| 4.3 变工况下的能量权重法 |
| 4.4 仿真信号分析 |
| 4.5 工业现场试验与应用 |
| 4.5.1 测试分析系统开发 |
| 4.5.2 试验与应用 |
| 4.6 本章小结 |
| 第五章 变工况下基于深度卷积模型的智能故障诊断 |
| 5.1 前言 |
| 5.2 基于深度卷积模型的振动信号自适应特征提取 |
| 5.2.1 卷积神经网络 |
| 5.2.2 深度卷积模型 |
| 5.2.3 深度卷积模型用于振动信号特征提取的问题 |
| 5.3 变工况下基于深度卷积模型的智能故障诊断 |
| 5.3.1 信号预处理 |
| 5.3.2 子信号抽取 |
| 5.3.3 基于一维滤波器的卷积层 |
| 5.3.4 Dropout池化算法 |
| 5.3.5 Softmax全连接层 |
| 5.4 试验与应用一 |
| 5.4.1 诊断对象 |
| 5.4.2 试验方法 |
| 5.4.3 样本分配 |
| 5.4.4 模型参数选择 |
| 5.4.5 对比实验及结果 |
| 5.4.6 诊断案例 |
| 5.5 试验与应用二 |
| 5.5.1 诊断对象 |
| 5.5.2 试验方法 |
| 5.5.3 信号预处理与样本分配 |
| 5.5.4 模型参数选择 |
| 5.5.5 对比实验及结果 |
| 5.5.6 诊断案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）基于多Agent的数控机床远程故障诊断系统研究（论文提纲范文）
| 提要 |
| 第一章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 数控机床故障诊断的国内外现状 |
| 1.2.1 诊断系统架构研究 |
| 1.2.2 智能诊断方法研究 |
| 1.2.3 数控机床故障机理及故障模型研究 |
| 1.2.4 诊断系统集成技术研究 |
| 1.3 数控机床故障诊断的研究特点及其存在的问题 |
| 1.3.1 研究特点 |
| 1.3.2 存在的问题 |
| 1.4 论文的研究内容 |
| 第二章 CNCRDS的知识表示 |
| 2.1 数控机床故障诊断知识体系 |
| 2.1.1 数控机床系统结构模型 |
| 2.1.2 数控机床的故障分类 |
| 2.1.3 数控设备故障特征分析 |
| 2.2 CNCRDS的知识获取与表示 |
| 2.2.1 CNCRDS的浅层知识模型 |
| 2.2.2 CNCRDS的深层知识模型 |
| 2.2.3 系统中PLC知识表示方法 |
| 2.2.4 CNCRDS的混合知识模型 |
| 2.3 本章小结 |
| 第三章 CNCRDS的诊断策略 |
| 3.1 故障诊断策略 |
| 3.1.1 浅层推理 |
| 3.1.2 深层推理 |
| 3.1.3 混合式推理 |
| 3.2 诊断策略的实施 |
| 3.2.1 机床控制器的故障诊断策略 |
| 3.2.2 机床侧的故障诊断策略 |
| 3.3 本章小结 |
| 第四章 基于Multi-Agent的CNCRDS总体框架 |
| 4.1 CNCRDS系统体系结构 |
| 4.1.1 CNCRDS系统拓扑结构 |
| 4.1.2 CNCRDS系统中的智能agent |
| 4.1.3 CNCRDS中多agent的系统结构 |
| 4.2 CNCRDS系统中多agent的通信机制 |
| 4.2.1 Agent通信语言 |
| 4.2.2 基于XML的通信框架 |
| 4.3 CNCRDS系统中多agent的协商策略 |
| 4.3.1 基于诊断准确率和诊断时间的效用评估算法 |
| 4.3.2 基于效用评估的诊断任务协商策略 |
| 4.4 本章小结 |
| 第五章 机械故障信号处理技术 |
| 5.1 机械故障信号的分析方法 |
| 5.2 基于EMD的时频分析方法 |
| 5.2.1 EMD方法的基本原理和算法 |
| 5.2.2 EMD方法讨论及改进 |
| 5.2.3 实验验证 |
| 5.3 本章小结 |
| 第六章 系统的学习机制 |
| 6.1 系统的学习过程 |
| 6.2 基于规则的知识学习机制 |
| 6.2.1 基于规则的学习过程 |
| 6.2.2 基于规则的学习算法 |
| 6.3 基于人工免疫网络模型的知识学习机制 |
| 6.3.1 人工免疫网络模型结构 |
| 6.3.2 人工免疫网络模型抗体的产生机制 |
| 6.3.3 实验验证 |
| 6.4 本章小结 |
| 第七章 CNCRDS系统实现与应用研究 |
| 7.1 CNCRDS开发平台 |
| 7.1.1 JADE开发平台的选择 |
| 7.1.2 JADE的相关技术 |
| 7.2 CNCRDS软件开发环境 |
| 7.3 CNCRDS原型系统开发 |
| 7.3.1 系统总体结构 |
| 7.3.2 系统运行实例 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
（8）基于智能控制的回转压缩机械故障诊断与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题介绍 |
| 1.2 故障诊断的基本情况介绍 |
| 1.2.1 基本概念 |
| 1.2.2 研究内容 |
| 1.2.3 故障诊断的意义和目的 |
| 1.2.4 设备故障诊断技术的发展状况 |
| 1.2.5 设备故障诊断技术发展趋势 |
| 1.3 旋转机械故障诊断 |
| 1.3.1 研究的意义 |
| 1.3.2 故障的种类 |
| 1.3.3 故障机理研究 |
| 1.3.4 故障征兆获取 |
| 1.4 旋转机械故障诊断系统主要构成 |
| 1.4.1 信号采集 |
| 1.4.2 信号处理 |
| 1.4.3 故障原因识别 |
| 1.5 智能诊断决策技术 |
| 1.5.1 基于神经网络的智能诊断技术 |
| 1.5.2 基于行为的智能诊断技术 |
| 1.5.3 远程分布式智能诊断技术 |
| 1.6 本课题研究所用的基本理论 |
| 1.6.1 基本理论依据 |
| 1.6.2 本文采用的主要分析方法 |
| 1.6.3 本文故障分析采用的主要参数 |
| 1.7 论文的结构安排与主要工作 |
| 2 机械故障信号分析理论及处理方法 |
| 2.1 现代时频信号分析理论 |
| 2.2 大型回转机械故障诊断现状及本课题的信号分析路线 |
| 2.2.1 大型回转机械故障诊断现状 |
| 2.2.2 本课题采用的信号分析路线 |
| 2.2.3 本课题采用的信号分析方法及其特点的研究 |
| 2.3 小结 |
| 3 基于神经网络的机械故障预测与诊断 |
| 3.1 预测的基本理论 |
| 3.2 神经网络用于非平稳时间序列的预测 |
| 3.2.1 基于BP神经网络L-M训练法的非平稳时间序列预测研究 |
| 3.2.2 基于RBF神经网络的非平稳时间序列预测研究 |
| 3.2.3 基于自适应线性元件网络的非平稳时间序列预测研究 |
| 3.3 小结 |
| 4 故障数据库理论及网络通讯的研究 |
| 4.1 分布式诊断系统研究进展 |
| 4.2 远程诊断中心的研究 |
| 4.3 数据库管理DAO的研究 |
| 4.4 对网络通讯的研究 |
| 4.4.1 TCP/IP参考模型 |
| 4.4.2 Windows Sockets编程 |
| 4.5 系统网络通讯的研究 |
| 4.6 Web Service网络服务的研究 |
| 4.7 网络安全与管理系统的研究 |
| 4.8 小结 |
| 5 大型压缩机组在线状态监测系统设计 |
| 5.1 压缩机组系统分析 |
| 5.2 压缩机组被测参数确定 |
| 5.3 系统硬件构成 |
| 5.4 大型压缩机组在线状态监测系统软件设计 |
| 5.5 系统软件功能结构及用户界面展示 |
| 5.6 系统模块介绍 |
| 5.6.1 工艺性能监测模块 |
| 5.6.2 故障诊断模块 |
| 5.6.3 系统信号分析模块 |
| 5.6.4 网络模块功能的研究与开发 |
| 5.7 分析结果举例显示 |
| 5.8 结果输出 |
| 6 大型旋转机械的故障诊断与应用研究 |
| 6.1 FFT与小波分析相结合对旋转失速过程分析的研究 |
| 6.1.1 旋转失速 |
| 6.1.2 旋转失速的信号特征 |
| 6.1.3 分析方法 |
| 6.2 基于重心重排平滑Wigner-Ville分布的故障特征提取方法 |
| 6.3 神经网络在离心压缩机智能故障诊断中应用的研究 |
| 6.3.1 对压缩机组喘振的研究 |
| 6.3.2 振动与温度 |
| 6.3.3 相似离度分析 |
| 6.3.4 前轴瓦温度预测 |
| 6.3.5 基于RBF神经网络的离心压缩机故障诊断实例的研究 |
| 6.4 训练流程图与计算输出流程 |
| 7 大型旋转机械在线状态监测和故障诊断应用实例 |
| 7.1 旋转失速与喘振 |
| 7.1.1 故障情况基本介绍 |
| 7.1.2 机组环境介绍 |
| 7.1.3 故障原因分析 |
| 7.1.4 诊断结果与实际验证 |
| 7.2 转子的裂纹故障 |
| 7.2.1 征兆分析 |
| 7.2.2 诊断验证 |
| 7.3 故障预响应处理 |
| 7.3.1 机组预响应 |
| 7.3.2 重油催化车间气压机预响应时间计算 |
| 7.3.3 二套催化车间气压机预响应时间计算 |
| 7.3.4 故障起因 |
| 7.3.5 应用结果 |
| 结论与展望 |
| 1、结论 |
| 2、展望 |
| 参考资料 |
| 附录A |
| 攻读博士学位期间发表学术论文情况 |
| 创新点摘要 |
| 致谢 |
（9）复杂过程工业系统故障诊断与预测方法的研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障诊断技术的发展历程 |
| 1.2.1 原始诊断阶段 |
| 1.2.2 基于材料寿命分析与估计的诊断阶段 |
| 1.2.3 基于传感器与计算机技术的诊断阶段 |
| 1.2.4 智能化诊断阶段 |
| 1.3 故障诊断技术的研究进展 |
| 1.4 故障智能诊断系统的发展现状 |
| 1.5 现有故障诊断系统存在的问题 |
| 1.6 本文研究内容与创新点 |
| 第二章 智能故障诊断系统的理论与方法 |
| 2.1 故障诊断系统的基本问题 |
| 2.1.1 故障及相关概念 |
| 2.1.2 复杂系统的故障的特性 |
| 2.1.3 复杂系统的故障分类 |
| 2.1.4 复杂系统的故障诊断 |
| 2.2 复杂系统的故障诊断过程 |
| 2.2.1 故障检测方法 |
| 2.2.2 故障诊断过程 |
| 2.3 现有故障诊断方法特点及局限性分析 |
| 2.3.1 基于数学模型的故障诊断方法 |
| 2.3.2 基于信号处理的故障诊断方法 |
| 2.3.3 基于人工智能的故障诊断方法 |
| 2.4 非平稳信号分析理论在故障诊断中的应用 |
| 2.4.1 Fourier 变换 |
| 2.4.2 短时Fourier 变换 |
| 2.4.3 时频分析 |
| 2.4.4 小波分析 |
| 2.5 不确定性理论在故障诊断系统中的应用 |
| 2.5.1 不确定性信息种类 |
| 2.5.2 故障诊断系统中不确定性分析 |
| 2.5.3 故障诊断系统不确定性推理一般模型 |
| 2.6 混沌理论在故障诊断系统中的应用 |
| 2.6.1 混沌系统的基本特性及其描述 |
| 2.6.2 复杂过程工业系统中的混沌分析 |
| 2.7 本章小结 |
| 第三章 基于Kolmogorov 熵时间序列分析的系统故障状态识别问题的研究 |
| 3.1 引言 |
| 3.2 信息熵 |
| 3.2.1 熵与信息的度量 |
| 3.2.2 信息熵基本性质 |
| 3.3 利用广义熵计算Kolmogorov 熵原理 |
| 3.3.1 广义熵与Kolmogorov 熵 |
| 3.3.2 故障诊断系统中Kolmogorov熵的计算方法 |
| 3.3.3 实例分析与讨论 |
| 3.4 基于时频分析的系统状态监测 |
| 3.4.1 Choi-Willimas 时频分布 |
| 3.4.2 实例分析与讨论 |
| 3.5 本章小结 |
| 第四章 基于粗糙集理论的故障诊断知识获取问题的研究 |
| 4.1 引言 |
| 4.2 粗糙集理论及应用研究现状 |
| 4.2.1 问题提出背景 |
| 4.2.2 粗糙集理论研究现状 |
| 4.2.3 粗糙集理论应用研究现状 |
| 4.3 基于粗糙集的诊断知识建模理论基础 |
| 4.3.1 知识与不可分辨关系 |
| 4.3.2 近似与粗糙 |
| 4.3.3 知识的约简与相对约简 |
| 4.3.4 知识表达系统 |
| 4.3.5 决策表 |
| 4.3.6 决策表的约简 |
| 4.3.7 粗集理论特点 |
| 4.4 粗糙集故障诊断知识模型的建立 |
| 4.4.1 粗糙集故障诊断知识模型 |
| 4.4.2 粗糙集故障诊断知识模型建模的主要步骤 |
| 4.5 粗糙集诊断知识建模的关键技术 |
| 4.5.1 连续属性离散化 |
| 4.5.2 条件属性约简 |
| 4.5.3 条件属性值约简 |
| 4.5.4 决策算法及其最小化 |
| 4.6 基于粗糙集理论的故障诊断知识获取的应用研究 |
| 4.7 本章小结 |
| 第五章 基于多传感器信息融合的集成化智能诊断系统的研究 |
| 5.1 引言 |
| 5.2 多传感融合技术 |
| 5.2.1 多传感器数据融合概念 |
| 5.2.2 多传感器数据融模型 |
| 5.2.3 多传感器数据融合系统的融合层次 |
| 5.2.4 多传感器数据融合系统结构 |
| 5.2.5 多传感器数据融合系统的特点 |
| 5.3 数据融合技术用于过程工业系统故障诊断的可行性分析 |
| 5.3.1 必要性 |
| 5.3.2 可行性 |
| 5.3.3 基于数据融合的过程工业系统故障诊断方法 |
| 5.4 基于数据融合的过程工业系统故障诊断层次划分和诊断策略研究 |
| 5.4.1 过程工业系统故障层次分析与分类 |
| 5.4.2 过程工业系统故障诊断策略流程 |
| 5.5 基于信息融合的复杂过程工业系统中多类故障诊断问题的研究 |
| 5.5.1 BP 神经网络在故障诊断中的缺陷 |
| 5.5.2 自适应小波网络在故障诊断中的应用 |
| 5.5.3 自适应小波网络与常规前馈神经网络的比较 |
| 5.5.4 基于信息融合的集成小波网络的多类故障诊断研究 |
| 5.6 基于融合策略的集成化智能诊断系统的研究 |
| 5.6.1 集成化智能诊断系统模型结构 |
| 5.6.2 诊断信息的集成 |
| 5.6.3 诊断知识的集成 |
| 5.6.4 集成化诊断推理机制与诊断策略 |
| 5.7 本章小结 |
| 第六章 均四甲苯(MTBZ)系统的智能故障诊断系统的开发研究 |
| 6.1 引言 |
| 6.2 过程工业系统的计算机集成运行系统(CIPOS) |
| 6.3 CIOPS 实验平台的实现 |
| 6.4 均四甲苯(MTBZ)系统概述 |
| 6.4.1 MTBZ系统描述 |
| 6.4.2 系统主要故障与征兆 |
| 6.5 故障诊断系统技术方案的确定 |
| 6.5.1 基于信号处理的状态监测 |
| 6.5.2 专家系统故障诊断 |
| 6.5.3 基于信息融合的集成小波网络故障诊断 |
| 6.6 均四甲苯(MTBZ)故障诊断系统的总体结构及功能 |
| 6.6.1 系统结构 |
| 6.6.2 系统主要辅助功能 |
| 6.7 故障诊断系统开发时应考虑的问题 |
| 6.8 本章小结 |
| 第七章 复杂过程工业系统状态预测方法的研究 |
| 7.1 引言 |
| 7.2 预测方法概述 |
| 7.3 复杂过程工业系统状态的混沌预测可行性分析 |
| 7.3.1 预测可行性 |
| 7.3.2 预测思想 |
| 7.3.3 系统可预测期限的度量 |
| 7.4 基于混沌时间序列复杂过程工业系统状态预测的研究 |
| 7.4.1 混沌系统的相空间重构 |
| 7.4.2 系统状态预测模型的建立 |
| 7.4.3 实例分析与讨论 |
| 7.5 基于小波包-混沌的系统状态预测研究 |
| 7.5.1 小波包分析 |
| 7.5.2 基于小波包-混沌的系统状态预测模型的建立 |
| 7.5.3 实例分析与讨论 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 研究展望 |
| 参考文献 |
| 发表论文 |
| 致谢 |
（10）非平稳信号故障特征提取与智能诊断方法的研究及应用（论文提纲范文）
| 第一章 绪论 |
| 1.1 故障诊断技术的研究意义和研究内容 |
| 1.1.1 故障诊断技术的研究意义 |
| 1.1.2 故障诊断技术的研究内容 |
| 1.2 非平稳信号故障特征提取方法简述 |
| 1.2.1 振动信号的非平稳性 |
| 1.2.2 时频分析方法简述 |
| 1.2.3 基于时频分析的故障特征提取方法国内外研究现状 |
| 1.2.4 局域波理论及其发展概况 |
| 1.2.5 局域波法在故障诊断中的应用现状 |
| 1.3 智能故障诊断技术的国内外研究与应用现状 |
| 1.3.1 故障诊断技术的发展概述 |
| 1.3.2 智能故障诊断技术的研究与应用现状 |
| 1.3.3 智能故障诊断技术存在的问题 |
| 1.4 “汽车变速箱性能检测系统”项目的提出及关键技术 |
| 1.4.1 研究项目的提出及意义 |
| 1.4.2 项目研制的关键技术 |
| 1.5 论文的研究内容和结构 |
| 第二章 局域波分解及边界问题的处理 |
| 2.1 全域波和局域波 |
| 2.2 局域波分解原理及实现 |
| 2.2.1 瞬时频率及其物理意义 |
| 2.2.2 局域波分解原理 |
| 2.2.3 几种实现方法 |
| 2.2.4 分解方法的完备性和正交性 |
| 2.2.5 仿真信号分析 |
| 2.3 基于Chebyshev数值逼近的边界处理 |
| 2.3.1 问题的提出 |
| 2.3.2 已有的边界处理方法 |
| 2.3.3 基于Chebyshev数值逼近的数据序列延拓方法 |
| 2.4 小结 |
| 第三章 基于时频局部能量的特征提取 |
| 3.1 局域波时频分析方法 |
| 3.1.1 基本原理 |
| 3.1.2 仿真信号分析 |
| 3.1.3 实测信号分析 |
| 3.2 基于局域波法的时频局部能量特征提取方法 |
| 3.2.1 时频局部能量定义 |
| 3.2.2 基于时频局部能量的特征提取方法 |
| 3.2.3 故障诊断实例 |
| 3.3 基于小波包分解的频带局部能量的特征提取方法 |
| 3.3.1 基于小波包分解的频带能量分析 |
| 3.3.2 基于小波包分解的频带局部能量特征提取方法 |
| 3.3.3 仿真信号分析 |
| 3.4 小结 |
| 第四章 智能故障诊断系统的一般框架 |
| 4.1 智能故障诊断系统的生物学基础 |
| 4.2 智能故障诊断系统的理论基础 |
| 4.2.1 复杂设备的层次结构 |
| 4.2.2 复杂设备系统故障的特点 |
| 4.2.3 智能故障诊断系统的概念 |
| 4.3 智能故障诊断系统的一般框架 |
| 4.4 小结 |
| 第五章 基于粗糙集-局域波-神经网络的智能故障诊断方法 |
| 5.1 基于粗糙集理论的属性约简方法 |
| 5.1.1 粗糙集理论的基本概念 |
| 5.1.2 最佳属性约简方法 |
| 5.1.3 算法举例 |
| 5.2 径向基函数神经网络(RBFN) |
| 5.2.1 RBF神经元 |
| 5.2.2 网络拓扑结构 |
| 5.2.3 自适应聚类中心选取学习算法SASCC |
| 5.2.4 SASCC算法算例 |
| 5.3 基于局域波-神经网络-模糊的智能故障诊断方法 |
| 5.3.1 诊断系统模型 |
| 5.3.2 诊断的基本步骤 |
| 5.4 诊断实例 |
| 5.4.1 特征提取 |
| 5.4.2 特征属性约简 |
| 5.4.3 构造并训练RBF神经网络 |
| 5.4.4 网络分类性能分析 |
| 5.5 小结 |
| 第六章 基于证据理论的多神经网络故障诊断方法 |
| 6.1 D-S证据理论概述 |
| 6.1.1 证据理论的基本概念 |
| 6.1.2 D-S合成法则 |
| 6.1.3 证据理论的推广 |
| 6.2.4 算例 |
| 6.2 基于证据理论的多神经网络故障诊断功能模型 |
| 6.2.1 基于模块神经网络的初步诊断层 |
| 6.2.2 基于证据推理的融合决策诊断层 |
| 6.3 在“汽车变速箱性能检测系统”中的诊断实例分析 |
| 6.3.1 故障实例的选取 |
| 6.3.2 初步诊断过程 |
| 6.3.3 融合决策诊断过程 |
| 6.4 小结 |
| 第七章 汽车变速箱性能检测系统的软件设计 |
| 7.1 总体结构设计 |
| 7.2 信号测试项目及系统需求分析 |
| 7.2.1 信号测试项目 |
| 7.2.2 系统需求分析 |
| 7.3 基于软件复用技术的软件设计 |
| 7.3.1 软件复用技术 |
| 7.3.2 监控软件的内容及特点 |
| 7.3.3 软件可复用的设计思想 |
| 7.4 C／S模式系统设计思想 |
| 7.4.1 C／S模式系统设计思想 |
| 7.4.2 主要网络功能设计 |
| 7.5 系统的应用 |
| 7.6 小结 |
| 第八章 结论与展望 |
| 8.1 论文的工作总结 |
| 8.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及承担课题 |
| 论文创新点 |
| 致谢 |
四、基于时频分析与神经网络的实时智能故障诊断系统的软件设计——数据格式转换与信号处理功能的开发（论文参考文献）
- [1]面向复杂时变信号分析的动态神经网络模型与算法研究[D]. 封乃丹. 山东科技大学, 2020(06)
- [2]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [3]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)
- [4]风电齿轮箱运行状态监测与故障诊断[D]. 窦春红. 北京交通大学, 2019(01)
- [5]抽水蓄能机组运行状态分析与智能故障诊断研究[D]. 闫双庆. 华中科技大学, 2019(03)
- [6]复杂现场工况下旋转机械故障微弱特征提取与智能评估[D]. 王鹏. 天津大学, 2018(06)
- [7]基于多Agent的数控机床远程故障诊断系统研究[D]. 周桂红. 吉林大学, 2008(11)
- [8]基于智能控制的回转压缩机械故障诊断与研究[D]. 魏立东. 大连理工大学, 2006(02)
- [9]复杂过程工业系统故障诊断与预测方法的研究[D]. 池红卫. 天津大学, 2004(11)
- [10]非平稳信号故障特征提取与智能诊断方法的研究及应用[D]. 王奉涛. 大连理工大学, 2003(04)