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——总体构架与实时数据采集功能的开发（论文文献综述）
乔思蓉[1]（2021）在《基于构架载荷信号多尺度熵的高速列车工况识别研究》文中研究指明随着国民经济的增长,人们的出行方式发生了改变,从单一的汽车、自行车到快捷的飞机、高铁。据统计,我国2015年高铁旅客发送量仅25亿,而2019年高铁旅客发送量迅速增长到35亿,旅客数量的持续增长充分证明了高铁的普遍性,同时也对高铁的运行安全性提出严峻的考验。高铁运行速度的增长和载客量的增加对轨道车辆零部件疲劳可靠性提出新要求,转向架作为动车组关键承载部件,其结构疲劳强度评估和可靠性设计至关重要。载荷谱编制是研究动车组转向架关键部件结构可靠性的前提。大规模的载荷谱编制工作,需要已知不同运用工况下高速动车组转向架构架载荷数据,因此通过对不同工况下构架载荷的信号特征进行分析,找到可以表征工况特征的统计量,在此基础上进行典型工况识别。本文选用中国标准动车组于大西线实测线路载荷信号进行分析,主要研究内容如下:（1）针对传统的时域信号分析方法无法准确描述频率随时间变化的信号微小特征问题,本文采用时频联合分析中的小波变换和集合经验模态分解对原始载荷数据进行时频处理。对于单一尺度难以全面概括时间序列复杂性以及时间尺度未知的问题,本文使用多尺度熵进行不同工况下构架载荷复杂性研究,得到不同工况载荷复杂性变化规律。（2）基于构架载荷在不同工况下的复杂性规律,建立基于多尺度熵的工况特征提取方法,并通过增加数据量进行显着性检验的方法对提取的特征进行异常值排除。已有的研究表明,模式识别结果并非随着维数的增加而持续增加,特征维数过多会导致识别时间过长和识别精度下降,因此采用Relief算法对提取的工况特征数组进行降维,建立特征向量。为了证明基于多尺度熵的工况特征提取方法对于提高工况识别效果有积极作用,建立基于传统时频分析的工况特征向量,为后续进行传统与改进方法的工况识别结果对比做准备。（3）分别将已建立的基于传统时频分析和基于多尺度熵的工况特征向量作为输入向量,代入支持向量机中进行模式识别。分别采用传统优化算法网格搜索和自然进化算法遗传算法对支持向量机核参数g和惩罚系数C进行优化,根据识别结果择优。最终基于多尺度熵的制动工况、道岔工况和曲线工况识别结果均在90%以上,基本满足工程要求。而基于传统时频分析的道岔工况识别结果仅为50%～60%,证明了基于多尺度熵的特征提取方法可以显着提高道岔工况的识别效果。图57幅,表32个,参考文献75篇
王仲[2]（2021）在《燃气-蒸汽联合循环机组智能诊断与健康维护技术研究》文中认为燃气-蒸汽联合循环机组运行工况多变、状态参数间相互耦合、故障传递与演化规律复杂,其健康状况诊断是一项涉及多学科知识的复杂系统工程。本文在对影响机组健康状况的典型故障模式深入分析的基础上,结合知识工程、大数据以及人工智能等相关理论和技术,开展了数据与知识双驱动的机组智能诊断与健康维护技术研究。首先,针对燃气-蒸汽联合循环机组多源故障信息间关联关系复杂以及查询和推理低效的问题,提出了基于本体理论和语义网络技术的领域知识和数据结构化表示方法。以故障树分析法和故障模式及影响分析法为指导,系统性地分析了机组典型故障知识;提出了机组健康维护领域本体概念和层次结构,构建了包括边界工况、故障知识和监测数据在内的本体语义网,实现故障知识和数据的多粒度语义性建模;同时,研究了基于本体的机组故障知识和数据的语义性推理和查询方法,提高了故障知识和数据的管理效率和应用效果。其次,针对燃气-蒸汽联合循环机组运行工况的多变性和健康状态信息的复杂性,研究了基于条件变自编码器的机组健康状况异常检测方法。在深入分析机组的运行特性和监测数据规律的基础上,提出了包括稳态判别、工况划分、基准样本筛选等过程在内的机组历史运行数据清洗流程;考虑到负荷等边界条件对监测参数的影响,采用条件变自编码器建立多变运行工况下多参数融合的基准模型,实现变工况下机组健康状况的数据表征;采用模型的重构概率作为异常检测的特征指标,用于衡量机组实际状态与基准状态的偏离程度,提高机组健康状况异常检测的准确率和灵敏度。再次,针对燃气-蒸汽联合循环机组故障和征兆复杂关联关系下的诊断问题,研究了基于反事实推理的诊断决策方法。从因果性的角度重新定义故障和征兆间的关系,通过引入隐变量表示诊断的不确定性,结合领域本体搜索获得的故障知识,构建了故障的结构性因果模型。在此基础上,提出了基于反事实推理的充分因和必要因的表达式和计算模型,用于定量表征故障对证据的因果性解释强弱,并从敏度、可靠性和可解释性的角度对所提出的诊断方法的鲁棒性和工程适用性进行了评价。最后,研究了基于数字孪生的燃气-蒸汽联合循环机组智能诊断系统构架,详细介绍了该系统的总体设计思想、具体功能以及系统实现的关键技术等,完成了粤电集团中山电厂燃气-蒸汽联合循环机组智能诊断系统的开发,以推进燃气-蒸汽联合循环机组智能诊断与健康维护研究工作的技术成果转化和工程应用。
徐昌玲[3]（2021）在《基于卷积神经网络的轴向柱塞泵故障诊断》文中指出液压系统由于其功率大、精度高、响应快等优点,广泛应用于工程机械领域,然而一旦发生故障,轻则影响企业效益,重则引起人员伤亡。液压泵作为液压系统的核心元件,其性能的好坏将会直接影响整个液压系统的运转。轴向柱塞泵具有结构紧凑、寿命长、容积效率高等优点,在液压系统中广泛应用。随着科技的发展,轴向柱塞泵的结构越来越复杂,故障形式也越来越复杂多样。因此,有必要对轴向柱塞泵进行故障诊断,从而保证液压系统的正常运转。轴向柱塞泵的典型故障包括滑靴磨损、松靴、中心弹簧失效和配流盘磨损。由于柱塞泵的故障具有突发性,成因复杂性,使用提取特征与分类器结合的传统方法对柱塞泵的故障诊断变得十分困难。故障特征提取困难,浅层模型泛化能力差、在复杂工况适用性有限,使得传统方法在柱塞泵故障诊断方面存在一定的局限性。针对以上问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）对轴向柱塞泵进行诊断。本文主要开展以下几个方面的研究:（1）首先分析柱塞泵的结构和工作原理,分析柱塞泵的各个典型故障的机理以及故障带来的严重后果,从理论上分析柱塞泵各个工作状态的特征频率并将振动信号进行快速傅里叶变换,从幅频图上观察信号特征频率。（2）鉴于卷积神经网络有强大的图片分类能力,本文将柱塞泵的振动信号转化为包含信号特征的图片输入到卷积神经网络中进行故障诊断。由于柱塞泵的故障信号为非平稳信号,存在时变特性,从时间-频率二维平面的联合分析是处理非平稳信号的有力手段,因此本文采用时频分析的方法把故障信号转化成时频图。由于不同时频分析方法对柱塞泵故障特征的敏感程度不同,本文使用三种时频分析的方法,从中选出最适合轴向柱塞泵故障诊断的时频分析方法。（3）使用二维卷积神经网络进行故障诊断依然需要人工提取特征,因此本文使用一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）,不需要预先提取数据特征,可以将柱塞泵振动信号直接输入到模型中进行故障诊断。针对传统的1DCNN深度不足、提取特征不完善等问题,本文使用深度一维卷积神经网络（Deep One Dimensional Convolutional Neural Network,D-1DCNN）。D-1DCNN在传统的1DCNN上,增加了卷积层的层数,对信号特征提取更加完整。（4）柱塞泵的故障信号为一维时序信号,针对1DCNN提取故障信号的特征缺乏时间依赖性的问题,本文使用1DCNN与长短时间记忆网络（Long Short-Term Memory,LSTM）相结合的模型,即1DCNN-LSTM。首先由1DCNN提取特征数据,再对提取到的特征数据以序列的形式作为LSTM的输入,进行时序特征的提取,最后由分类器进行分类,完成柱塞泵的故障诊断。轴向柱塞泵的故障诊断是目前工程机械领域故障诊断的重点和难点,本文以轴向柱塞泵为研究对象,采取理论与实验相结合的方法,使用卷积神经网络进行故障诊断。本文将使用的卷积神经网络的几类模型进行分析对比,得出D-1DCNN在轴向柱塞泵的故障诊断中处于优势地位。
王煜伟[4]（2021）在《基于MEMS的电主轴过载防护与远程监测系统》文中研究指明电主轴是机床的最核心部件,价值约占整台机床成本的30%,因操作不当或加工编程错误导致电主轴撞刀,造成主轴损坏经常发生。开发电主轴撞击快速检测传感器,系统进行及时停车保护,避免或减少主轴损坏,具有很好的工程价值。本论文利用MEMS传感器芯片开发主轴过载检测传感器实现机床运行过程中过载信号的快速检测。当机床发生撞刀时,撞击产生反向力使主轴运动状态迅速发生改变,当MEMS传感器安装于主轴上时能够通过三轴过载的变化去检测撞击的产生。主轴传感器进行快速采集与处理,并将报警信号发送至PLC控制器或以总线方式发送至机床控制中心,实现快速停车或反向倒车防护。同时,本文设计了一套基于物联网的机床加工过程过载数据实时上传、分析与远程监测系统原型。论文研究内容包括以下几个方面:1、基于MEMS技术的电主轴状态监测传感器设计。对电主轴撞刀的力学过程进行分析与建模仿真,获取了最佳防护时间、过载探测量程、采样速度、数据传输要求等系统设计参数。在此基础上进行了小型化传感器硬件设计,以满足主轴内部安装的小型化要求;针对机床主控单元远距离接线的要求,开发了RS485总线的硬件电路与软双工通讯协议,利用隔离电路提升机床使用环境中通信抗电磁干扰的能力;面向机床未来云端管理与智能化的应用需求,设计了基于移动互联网络的机床数据实时上传系统。2、完成了主轴过载检测传感器撞刀防护与加工参数实时监测试验。在立式五轴机床上进行了过载传感器的安装,对主轴加工过程中的过载数据进行了采集,并结合时域、频域分析方法进行了过载信号特征提取。对主轴撞刀情况下传感器的响应进行了实测,传感器能够对瞬间的过载信号进行快速识别,并输出IO开关信号量到机床的PLC系统进行联动防护,验证了系统的可行性。3、开展了传感器数据存储云平台设计。基于My SQL数据库实现了可多用户访问的数据存储平台开发。采用Socket实现多线程通信,并进行参数优化,结合确认机制、重传机制等提高数据传输的稳定性;运用Jupyter Hub,实现多用户的管理;采用select多路复用,实现用户端基于web客户端与云端服务器My SQL数据的交互,使用更加便捷。本文相关研究及实际电路设计对于电主轴撞刀防护与监测具有较好的参考意义。
罗佳[5]（2021）在《基于生成式对抗网络的机械故障诊断方法研究》文中提出机械设备的状态监测和故障诊断是实现现代化工业安全运行的重要手段。随着计算机、传感器和通信技术的发展,机械设备的状态监测迈入了“大数据”时代,海量数据、种类繁多、速度极快,这些都给机械故障诊断带来了新的挑战。因此,利用新理论与新方法对大数据下的机械故障实施监测和诊断以保证其准确性与高效性,已成为当前热点研究方向。而基于深度学习的新一代人工智能技术是通过挖掘数据深层特征和自主学习知识来实现智能故障诊断的有效方法。在大数据下利用新理论与新方法对机械故障进行实时监测诊断具有十分重要的理论意义和实用价值。在实际工作环境下,采集到的故障数据是有限的,且往往是高度不平衡的,这限制了诊断的准确性和稳定性。生成式对抗网络（GAN）是深度学习研究领域的一个分支,是目前处理不平衡数据最有价值的方法。本文以提高诊断准确率和以诊断结果的可靠性为目标,以轴承、行星齿轮箱等机械设备的关键部件为检测对象,研究基于生成式对抗网络的机械设备故障信号生成技术和诊断方法。本文结合条件生成式对抗网络（CGAN）与深度卷积生成对抗网络（DCGAN）建立条件深度卷积生成对抗网络模型（C-DCGAN）来解决机械故障诊断中的数据不平衡问题。其中生成器和判别器均采用卷积神经网络（CNN）。原始振动数据的真实分布由生成器捕获,生成的新样本和原始数据有一样的分布规律,可作为故障样本的扩展数据。判别器对输入样本和真实样本进行鉴别。生成的新样本与原始样本一起输入鉴别器,以提高故障分类器的泛化能力。在训练过程中,通过对抗学习机制,交替优化生成器和判别器,提高生成样本的质量,单独训练一个CNN进行故障模式的识别。在西储大学轴承数据集（CWRU）和实验室行星齿轮箱数据集验证所提方法的可行性。引入双时间尺度更新规则（TTUR）解决故障诊断模型（C-DCGAN）训练的不稳定性。TTUR可以解决判别器正则化中的缓慢学习问题,使得在每个生成器迭代更新次数中使用较少的判别器迭代次数成为可能,让C-DCGAN训练过程更加稳定。用JSD散度指标评估TTUR在C-DCGAN网络上的性能,可以更好地捕获到真实数据和生成数据之间的相似度。最后在CWRU数据集和行星齿轮箱数据集上使用TTUR训练的C-DCGAN网络与单时间尺度更新规则的C-DCGAN网络进行了比较,结果表明TTUR在所有实验中均优于常规的C-DCGAN训练。针对机械设备振动信号频率成分复杂和时变性强的问题,将自注意力机制引入到C-DCGAN中,搭建自注意力生成式对抗网络（SAC-DCGAN）故障诊断模型,对所有输入振动信号计算特征注意力分布,求出输出特征关注到输入特征的权重,即输入振动信号特征向量受关注程度。根据注意力分布再计算特征信息的加权平均,对卷积层在不同时刻输出的振动特征进行动态加权融合,当网络模型面对时间序列特征差异明显的信号时,可以自适应地聚焦于不同的时刻,解决时变振动信号引起的样本差异问题。将所提方法在行星齿轮箱数据集上进行验证,并用动态时间规整算法（DTW）对其生成的样本质量进行评估。可视化实验结果表明基于自注意力机制的C-DCGAN模型优于原始的C-DCGAN,能够对行星齿轮箱多种工况进行准确诊断。最后对故障诊断模型SAC-DCGAN+TTUR进行整体评估和验证。针对故障振动信号,将三个评价指标JSD散度、Kernel MMD和1-Nearest Neighbor用于评估模型,通过计算这些度量以评估生成器模拟训练数据分布的能力。在此基础上提出了基于样本的评估方法,开展了评估指标分辨力实验,模型坍塌实验和过拟合实验。文中所提方法均有效提高了机械设备在小样本学习和数据不平衡等任务上的分类精度和泛化能力,为在大数据环境下机械设备的故障诊断提供了新手段和新思路,引导其向工程实际应用进行深度、广度的发展。
方涵[6]（2021）在《基于音频信号的升降马达缺陷检测系统的研发》文中指出随着手机设计水平的不断提高,各大手机厂商都推出了自己的全面屏系列手机,由于刘海屏、水滴屏等还是存在使用上的缺陷,于是有厂家尝试将手机摄像头隐藏,使用时利用升降马达来驱动的方式来提升屏幕占比,国内外的市场需求量也在不断提升。目前全世界每年生产升降马达在500万只左右,其中国内马达厂家生产总量占全球90%以上。由于该升降马达的运行噪声直接影响了用户使用升降摄像头的体验感,而国内生产厂家对出厂该升降马达音频缺陷的检测方式主要通过人工用分贝计读取其运行时的分贝值,并通过主观感受来判断马达的好坏,检测的实时性低,人工检测速度慢,检测的品质无法得到保证,如何设计出一套智能化的音频缺陷检测设备替代原有的人工检测,成为了各个升降马达生产厂家面临的共同问题。首先本文分析升降马达的内部结构和工作特点,基于升降马达的工作音频信号及环境底噪选择合适的低声压高精度传感器,并根据其信号频率响应特性选择合适的采样点数和采样率,根据升降马达的内阻选择合适的采样电阻并搭建硬件平台,选择NI公司研发的LabVIEW软件和配套的NI-9234采集卡搭建软件数据采集系统。然后通过前期与生产厂家对马达的音频缺陷进行初步分析将缺陷类型主要分为噪音与异音两类。采集噪音、异音、良品三类马达的原始音频信号,并利用A计权预处理模拟人耳听觉特性,对于噪音缺陷,利用倍频程分贝谱将采集的原始信号转换为分贝值,并设立统计学阈值进行分类;对于异音缺陷,先利用小波包分解提取不同频带的能量,分析频带能量分布,设定阈值,建立马达异音标准库,然后将人工分类的良品和异音件进行筛选,得到良品和异音马达的原始样本,再利用短时傅里叶变换,构建时频灰度图,用良品和异音所对应的时频灰度图训练CNN卷积神经网络模型,对马达异音缺陷进行高精度识别,并与SVM、ANN、GBDT等网络对比,结果显示基于时频灰度图的CNN卷积神经网络对异音缺陷有非常好的识别效果。将深度学习模型、分贝阈值检测统一到LabVIEW软件平台上,按测试要求采集升降马达运行时的音频信号,并通过提前部署的检测算法,最后输出最终判定结果。最后基于工业产品化的需要设计了该马达的二维码扫码系统,对检测数据进行一一对应,以便产品溯源,方便工程技术人员对产品的生产工艺进行优化,开发了上位机软件对隔音箱、马达驱动板、扫码枪以及整个检测程序进行实时通讯,从而提高了检测过程的自动化水平和生产效率。全文详细地描述了马达音频缺陷的检测原理和自动化检测装置的设计流程,设计了一种全自动的升降马达音频缺陷检测系统,集数据采集、数据实时监控、结果显示、通讯输出和数据储存为一体,具有效率高、鲁棒性好等优点。并通过大量测试验证了该设备的有效性,能够完全满足工厂的自动化生产节拍需求,可以推广到类似的马达生产线上使用,不仅可以提高产品的良率,对于人工成本的节约也有很大的帮助。
姚文斌[7]（2021）在《空冷器风机监控系统的研究与设计》文中进行了进一步梳理空冷器是石油化工行业重要的冷却设备,作为空冷器的主要动力机构,空冷器风机在整个运行过程中起到关键作用。一旦空冷器风机发生故障,空冷器的作用将受到严重影响。而长期以来,对于空冷器风机的研究,大多是围绕空冷器的结构开展,对于其故障研究,重视程度较低。为了改善现阶段空冷器设备“事故维修”和“定期维修”的维修状态以及空冷器温度控制系统人工参与度高,能耗大等问题,本文以某公司焦炉气制26万吨/年乙二醇项目中采用的水平鼓风式空冷器为研究对象,设计一套空冷器风机监控系统。该系统一方面实现风机运行状态监测,另一方面实现空冷器温度恒定调节的自动控制,在空冷器风机的监控方面为用户提供一个清晰便捷的可视化监控平台。首先,分析风机的国内外状态监测技术、故障诊断技术及空冷器温度控制技术的研究现状,了解状态监测及温度控制的方法和手段,结合空冷器风机现阶段在状态监测和温度控制方面存在的问题提出本文的具体研究内容。其次,分析研究空冷器风机的结构、工作原理以及空冷器常见故障特征,并获取故障的机理。在此基础上,分析系统设计的总体需求,设计系统的总体架构,以数据采集、数据传输、信号分析及温度控制为出发点,研究设计振动监测系统及温度控制系统的硬件,搭建系统硬件平台。然后,研究振动监测系统中振动信号的常用分析方法,以LabVIEW软件作为开发平台,开发设计振动信号分析处理模块,并利用仿真信号对模块的可行性进行测试与验证,实验结果表明,设计的信号处理模块可以达到预期效果。最后,通过软件的需求分析和结构设计进行监控系统的模块化设计和开发。在监测系统的设计中,主要完成包括系统登录、数据采集、数据库、报警控制及报表生成等模块在LabVIEW软件中的开发设计。同时,根据温度控制系统的设计思路和控制方案完成对空冷器温度自动化控制的软件设计。在完成监控系统的设计后,对其进行优缺点分析评估,提出该课题未来的前景和研究方向。通过建立空冷器风机监控系统,实现对空冷器风机运行状态的实时监测,为维修人员在日常的检修和维护中提供判断依据,提高维修人员故障分析的快速性和准确性;同时,系统的设计提高了空冷器温度控制的自动化,降低了人工参与度,具有较高的工程实用价值和应用前景。
张航[8]（2020）在《基于深度学习的隧道微震信号处理及岩爆智能预警研究》文中研究指明中国“十三五”科技创新规划纲要提出了加强深部资源的开发和利用,包括矿物、能源资源勘探开发、城市地下空间利用及减灾防灾等,而深部资源的探索过程中往往面临各种风险和危害,特别是深部地下工程及隧道工程在建设过程中容易引发大量工程地质灾害,如岩爆、大变形等。微震监测技术作为一种新型岩体微破裂监测技术,已经快速发展并成为地下工程灾害监测预警的重要手段之一,且具有7×24小时全天候不间断监测特点,这导致了监测过程中数据的大量采集与积累,给数据的及时、快速和有效处理带来了巨大挑战。目前,大部分数据处理工作都是依靠具有较为丰富实践经验和较为扎实地震学功底的工作人员完成,处理时间较长,且效率和准确率得不到保证,严重影响了地质灾害预测和预警的时效性。同时,结合微震活动发育情况或震源参数演化规律进行灾害预警的人为主观因素较大,其有效的预警方法及稳定性需要进一步提升。基于此,本文以深埋隧道岩爆灾害为研究对象,结合微震监测技术、人工智能算法、深度学习和物联网技术,开展了基于深度学习的隧道微震信号处理及岩爆智能预警研究。基于充足的微震监测数据,建立围岩微震波形智能分类模型及降噪和拾取模型,优化和改善震源定位方法,结合岩爆灾害形成全过程微震信息演化趋势构建微震预测和岩爆预警模型,最终提出岩爆微震综合预警流程。在此基础上,研发和构建隧道微震自动化监测及岩爆智能预警平台,提高岩爆灾害动态预警的时效性和准确性。通过研究,本文获得如下主要成果和认识:（1）构建围岩微震信号智能分类模型。对现场监测信号进行时频分析能够初步区分和识别微破裂信号,其具有强度和频率相对较低、波形成分较为单一、衰减更快等特点。建立微破裂波形与噪音波形（爆破、机械和未知波形）的两类样本数据库,基于深度卷积神经网络构建了围岩微震波形智能分类模型,通过训练、验证、测试和方法对比分析,并结合相关指标证明了该方法的良好性能,且对于不同信噪比水平的微破裂信号同样能够较好检测。同时,该模型具有良好的泛化能力,对不同背景地质构造区域下的围岩微震波形分类也保持较高的精度,能够更好检测Mw≥0.5的微破裂事件。训练后的模型无需调整参数即可保证准确性,在实时监控、智能检测和分类方面具有良好的应用前景。（2）建立基于深度卷积编解码神经网络的微震波形降噪和拾取双任务模型。该模型集成了具有两个相似结构的卷积编解码网络,能够一次性解决围岩微破裂信号降噪和持续时间拾取问题。基于半合成数据训练好的模型,即使微破裂信号受到不同类型和强度的噪声污染（非高斯噪声）,甚至于噪声的频带与微破裂信号的频带重叠,信号和噪声成分也能正确的区分与分离。降噪后的微破裂信号泄漏极小,其形状和幅度特性得到了很好的保留,这些特点同样适用于通过含噪信号与降噪信号获得的预估的噪声（非高斯噪声和高斯噪声）。该模型在信号持续时间拾取上也表现出较高的拾取精度,包括了信号到时的拾取。虽然该模型的训练数据来自于半合成数据,但无论是降噪效果、波形恢复,还是持续时间拾取方面,其在实际采集围岩微震信号的应用效果同样保持良好。此外,该方法对于噪声污染而无法人为确定的微破裂信号持续时间也具有良好拾取能力,可以进一步改进和校正人为拾取结果。与高通滤波器降噪性能、STA/LTA方法到时拾取精度相比,该方法显着提高了信噪比,并引入了较少的波形失真,使真实波形得到更好的恢复,较高的命中率和较低的平均偏差证明了其在低信噪比下也具有良好的拾取精度,能够满足工程到时拾取精度要求。（3）优化和评估隧道微震阵列与震源定位算法。引入残差准则和双曲线密度评估和分析轴向扩展、横向扩展和双洞阵列三种隧道“非包围”式微震阵列的震源定位的准确性和有效性,并结合人工敲击实验和现场应用进行验证,结果显示双洞阵列定位效果相对最优。引入加权系数优化基于L1范数准则的微震定位目标函数,并结合隧道开挖爆破方式和初始震源位置判断构建隧道围岩传播速度模型,一定程度上提高了震源定位精度。引入混沌初始化策略、自适应学习因子、权重系数改进和提高种群多样性等措施优化粒子群算法并改善微震震源定位效果,最终通过不同定位方法对比论证了改进后的方法具有可靠性较强、稳定性较高的特点,能够很好地跳出局部最优,实现收敛精度的提升,找到比其他算法更好的解。（4）构建基于多变量、多目标的岩爆微震参数时间序列的智能预测模型。选取岩爆灾害形成全过程的能量释放、视体积、事件数及其累计值和能量指数等多变量微震参数构建岩爆微震指标库。基于此,建立基于卷积神经网络的多目标岩爆微震指标时间序列预测模型,结合各类评价指标对比分析不同神经网络模型的预测性能,提出了微震指标时间序列预测方法,实现了未来微震参数的准确预测,为后续岩爆灾害动态预警提供数据基础和支撑。（5）建立基于灾变前兆信息及其演化趋势推断的岩爆微震综合智能预警模型。基于累计视体积和能量指数变化趋势将岩爆灾害形成全过程划分为岩爆萌生阶段、岩爆灾变阶段和岩爆成灾阶段。结合滑动时窗方法建立不同岩爆阶段所对应的样本数据库,基于高分辨率卷积神经网络构建岩爆预警模型,结合各类评价指标和方法对比研究了模型的性能表现,论证了该模型对不同岩爆阶段预测的准确性和良好性能,并验证了模型对不同环境数据的鲁棒性,最终确定以岩爆灾变阶段作为岩爆预警的阈值之一。同时,探索和研究不同岩爆灾害形成全过程的岩爆危险度及其增长趋势,认为当岩爆危险度增长速率大于0的量值的拟合曲线连续出现了不少于6次数据点的持续性升高为岩爆风险的另一预警阈值。结合微震监测技术,基于岩爆微震预测模型推断多参数灾变前兆信息的演化趋势,最终建立岩爆微震综合预警流程。（6）基于微震监测技术、微震信号处理（围岩微震波形智能分类、降噪和拾取）、震源定位、参数计算、微震预测和岩爆预警等各类智能算法和模型,结合Java和Python编程语言,运用B/S构架体系,建立了隧道微震自动化监测及岩爆智能预警系统平台。该平台实现了整个微震监测工作流程的自动化、高效化和智能化,极大程度上改善了数据质量和处理速率,一定程度上保证了岩爆微震预警的及时性和准确性。同时,研发平台在实际工程中得到了良好应用。
王晓东[9]（2020）在《基于多源数据融合的风电机组主传动链故障预警研究》文中研究表明近十多年来,我国风电产业发展迅速,风电装机规模迅速扩大。由于风电机组大多处于边远地区和山区,运行环境恶劣,风电机组的运维是个难题。随着越来越多的风电机组出质保,风电机组的智能化运维越来越受到重视。风电机组的智能化运维工作中,风电机组主传动链运维是最为核心的工作。原因是:风电机组主传动链是风电机组故障多发、故障恢复时间最长、故障损失最大的机械部件,其故障频率直接影响风电场运行的可靠性与经济收益。因此,研究风电机组主传动链的智能化故障预警技术,在风电机组主传动链故障发生之前对其进行及时的维护,降低风电机组主传动链故障带来的损失,对我国风电产业的健康发展具有重要意义。本文以双馈风电机组主传动链为研究对象,研究风电机组主传动链的智能化故障预警技术,并设计和研制风电机组主传动链的故障预警系统,实现风电机组主传动链的智能运维。本文的主要研究工作包括:1、研究风电机组主传动链故障预警的基本原理,在分析风电机组主传动链典型故障发生过程及其原因的基础上,归纳风电机组主传动链典型故障的特征提取技术与故障预警算法,为进一步研究风电机组主传动链的故障预警技术奠定理论基础。2、由于基于风电机组SCADA监测系统数据源的故障预警技术存在局限性,提出多源数据融合方法:融合风电机组SCADA系统监测数据和风电机组主传动链的高频振动监测数据这两类数据提取的故障特征,提出基于多源数据融合的风电机组主传动链故障特征提取方法,搭建基于深度自编码网络的多源数据融合故障预警模型,根据多类数据融合的故障特征的重构误差,判断主传动链运行状态是否正常,是否有故障发生的趋势。3、基于深度自编码网络的多源数据融合故障预警模型,研制风电机组主传动链故障预警系统并进行工程应用:对故障预警系统的逻辑架构、硬件架构和功能架构进行设计,并将研发的故障预警系统应用于实际风电场中。故障预警系统试运行结果表明,所研究的故障预警技术能够灵敏地发现主传动链的潜在缺陷,对于发现风电机组主传动链的早期故障有重要价值。
邵偲洁[10]（2020）在《高速精密电主轴转子失衡识别及主动平衡研究》文中指出随着“中国制造2025”的提出,智能制造成为当前的研究热点。数控机床是装备制造业的工业母机,高速精密电主轴是高档数控机床的核心部件。然而,在主轴制造、装配和运行过程中,因材质不均、加工装配误差和刀具磨/破损等因素,不可避免地会导致主轴产生质量不平衡问题。电主轴转速高,即便很小的不平衡量也会引起很大的离心力,从而激发系统剧烈振动,因此,对电主轴不平衡振动进行及时诊断和控制对高速高精密机床的发展具有重要意义。本文针对电主轴转子失衡故障展开深入研究,从故障识别和在线主动平衡两个方面较系统地研究了电主轴失衡故障诊治问题,并设计开发了软硬件系统,为电主轴安全运行提供可靠保证。首先,针对电主轴电机、转子和轴承结构,以及冷却、润滑和平衡装置,完成了关键参数设计和部件选型,在此基础上开发了具备多信息监测与分析、自动报警及降速处理等功能的电主轴系统平台,并针对所开发的电主轴系统进行了模态测试试验,为失衡故障识别和主动平衡提供了基础。其次,研究了振动信号FFT分析方法,提出了灰度图像纹理分析、对称极坐标图像纹理分析和EMD-PWVD振动时频图像能量分析新方法,完成了电主轴转子失衡故障特征提取;进一步研究了 FCM聚类方法,实现了电主轴转子失衡故障识别,并利用主轴系统平台进行了试验,验证了所提出方法的有效性。然后,根据平衡原理从整体结构、传动方式和平衡能力三个方面设计了一种双配重极坐标型机械式主动平衡装置,并在搭建了控制模型的基础上完成了其作动控制仿真;针对装置特点提出了影响系数平衡方法,进而完成了在线主动平衡系统开发,利用整体系统平台进行了试验,验证了该系统的平衡性能。最后,在平台开发和方法研究的基础上,利用LabView与MatLab联合编程,实现了电主轴转子失衡故障诊治一体化软件集成,对软件系统进行了功能验证,并利用整套软硬件系统完成了电主轴转子失衡故障诊断与治愈应用,证明了系统的实用性。
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——总体构架与实时数据采集功能的开发（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——总体构架与实时数据采集功能的开发（论文提纲范文）
（1）基于构架载荷信号多尺度熵的高速列车工况识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文预期成果及目标 |
| 2 载荷信号处理以及信号时频分析理论 |
| 2.1 构架载荷数据提取和前处理 |
| 2.1.1 转向架构架结构介绍 |
| 2.1.2 构架载荷识别方法 |
| 2.1.3 信号前处理方法 |
| 2.2 小波变换 |
| 2.2.1 小波变换理论 |
| 2.2.2 小波去噪 |
| 2.3 集合经验模态分解 |
| 2.3.1 经验模态分解理论 |
| 2.3.2 集合经验模态分解理论 |
| 2.4 本章小结 |
| 3 构架载荷信号的复杂性分析 |
| 3.1 复杂性分析方法 |
| 3.1.1 多尺度熵 |
| 3.1.2 载荷信号复杂性分析方法的建立 |
| 3.2 不同工况下载荷信号的复杂性分析 |
| 3.2.1 制动工况 |
| 3.2.2 道岔工况 |
| 3.2.3 曲线工况 |
| 3.3 本章小结 |
| 4 典型工况信号特征向量建立 |
| 4.1 基于传统时频分析的信号特征向量建立 |
| 4.2 不同工况多尺度熵的差异性检验 |
| 4.2.1 参数检验算例 |
| 4.2.2 非参数检验算例 |
| 4.2.3 差异性检验结果 |
| 4.3 基于多尺度熵的信号特征提取方法建立 |
| 4.4 基于多尺度熵的信号特征向量建立 |
| 4.4.1 Relief算法选取特征向量 |
| 4.4.2 制动工况特征向量建立 |
| 4.4.3 道岔工况特征向量建立 |
| 4.4.4 曲线工况特征向量建立 |
| 4.5 本章小结 |
| 5 支持向量机工况识别 |
| 5.1 支持向量机 |
| 5.2 网格搜索寻优 |
| 5.2.1 网格搜索理论 |
| 5.2.2 网格搜索寻优算例 |
| 5.3 遗传算法寻优 |
| 5.3.1 遗传算法理论 |
| 5.3.2 遗传算法寻优算例 |
| 5.3.3 两种寻优方法识别时间对比 |
| 5.4 工况识别结果 |
| 5.4.1 基于传统时频分析的工况识别结果 |
| 5.4.2 基于多尺度熵的工况识别结果 |
| 5.4.3 基于传统时频分析与基于多尺度熵识别结果对比 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）燃气-蒸汽联合循环机组智能诊断与健康维护技术研究（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 联合循环机组在我国的发展 |
| 1.1.2 联合循环机组健康维护面临的挑战 |
| 1.1.3 联合循环机组健康维护的新机遇 |
| 1.2 课题的研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障与健康概念内涵研究现状 |
| 1.3.2 知识与数据管理研究现状 |
| 1.3.3 联合循环机组智能诊断理论研究现状 |
| 1.3.4 联合循环机组智能诊断系统研究现状 |
| 1.4 本文的研究内容和结构安排 |
| 第2章 联合循环机组健康维护大数据系统研究 |
| 2.1 引言 |
| 2.2 联合循环机组健康维护领域知识获取 |
| 2.2.1 FMEA和FTA基本理论 |
| 2.2.2 FMEA和FTA联合指导机组领域知识获取 |
| 2.2.3 联合循环机组领域知识获取结果 |
| 2.3 本体基本理论 |
| 2.3.1 本体的概念 |
| 2.3.2 本体的语义 |
| 2.3.3 OWL的语法 |
| 2.4 基于本体的领域知识和数据结构化表示 |
| 2.4.1 边界工况本体 |
| 2.4.2 故障知识本体 |
| 2.4.3 监测数据本体 |
| 2.4.4 案例验证 |
| 2.5 基于本体的语义性推理 |
| 2.5.1 基于OWL公理的本体语义性推理 |
| 2.5.2 基于SWRL的本体语义性推理 |
| 2.5.3 案例验证 |
| 2.6 基于本体的语义性查询 |
| 2.6.1 基于SPARQL的本体查询 |
| 2.6.2 基于本体的历史数据访问 |
| 2.6.3 案例验证 |
| 2.7 本章总结 |
| 第3章 联合循环机组健康状况异常检测研究 |
| 3.1 引言 |
| 3.2 联合循环机组健康状况异常检测分析与流程设计 |
| 3.3 历史数据清洗 |
| 3.3.1 稳态工况判别 |
| 3.3.2 工况划分 |
| 3.3.3 基准样本筛选 |
| 3.4 变工况异常检测 |
| 3.4.1 联合循环机组变工况运行状态分析 |
| 3.4.2 变分自编码器基本理论 |
| 3.4.3 基于条件变自编码器的联合循环机组变工况基准模型 |
| 3.4.4 基于重构概率的异常检测 |
| 3.5 实例验证 |
| 3.5.1 数据清洗 |
| 3.5.2 参数预测 |
| 3.5.3 异常检测 |
| 3.6 本章总结 |
| 第4章 联合循环机组健康诊断与维护决策研究 |
| 4.1 引言 |
| 4.2 联合循环机组智能诊断分析与流程设计 |
| 4.2.1 联合循环机组故障诊断特点 |
| 4.2.2 联合循环机组智能诊断的流程设计 |
| 4.3 诊断模型的构建 |
| 4.3.1 结构性因果模型基本理论 |
| 4.3.2 Leaky Noisy-Or假设 |
| 4.3.3 基于结构性因果模型的诊断模型 |
| 4.4 基于反事实推理的诊断决策 |
| 4.4.1 反事实推理基本理论 |
| 4.4.2 充分因与必要因诊断指标的定义 |
| 4.4.3 基于孪生网络的反事实推理计算框架 |
| 4.5 诊断模型的评价 |
| 4.5.1 诊断模型的敏度分析 |
| 4.5.2 诊断模型的可靠性分析 |
| 4.5.3 诊断模型的可解释性分析 |
| 4.6 实例验证 |
| 4.7 本章总结 |
| 第5章 联合循环机组智能诊断系统设计与实现 |
| 5.1 引言 |
| 5.2 联合循环机组智能诊断系统的数字孪生模型 |
| 5.2.1 数字孪生基本理论 |
| 5.2.2 基于数字孪生的智能诊断系统框架 |
| 5.3 联合循环机组智能诊断系统的设计 |
| 5.3.1 系统需求分析 |
| 5.3.2 系统整体设计 |
| 5.3.3 大数据系统设计 |
| 5.3.4 模型算法库设计 |
| 5.3.5 人机交互系统设计 |
| 5.4 联合循环机组智能诊断系统的实现 |
| 5.4.1 系统技术框架概述 |
| 5.4.2 系统主要功能实现 |
| 5.5 本章总结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文的主要创新点 |
| 6.3 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它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（3）基于卷积神经网络的轴向柱塞泵故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于人工的诊断方法 |
| 1.2.2 基于数学模型的诊断方法 |
| 1.2.3 基于信号处理的诊断方法 |
| 1.2.4 基于人工智能的诊断方法 |
| 1.3 深度学习应用于故障诊断研究现状 |
| 1.4 本文研究的主要内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容与章节安排 |
| 第2章 柱塞泵故障诊断试验系统与故障诊断模型 |
| 2.1 实验对象 |
| 2.2 轴向柱塞泵的故障机理 |
| 2.3 轴向柱塞泵特征频率 |
| 2.4 轴向柱塞泵故障诊断实验系统 |
| 2.4.1 轴向柱塞泵故障试验台介绍 |
| 2.4.2 传感器的布设以及采集参数设置 |
| 2.4.3 实验运行软件与环境配置 |
| 2.5 卷积神经网络 |
| 2.5.1 二维卷积神经网络 |
| 2.5.2 一维卷积神经网络 |
| 2.5.3 卷积神经网络的特性 |
| 2.6 本章小结 |
| 第3章 基于CNN的轴向柱塞泵故障诊断 |
| 3.1 柱塞泵不同工作状态的振动信号 |
| 3.2 信号处理理论 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 小波变换 |
| 3.2.3 维格纳-威尔分布 |
| 3.3 基于CNN的轴向柱塞泵故障诊断 |
| 3.3.1 样本长度的选择 |
| 3.3.2 时频图样本 |
| 3.3.3 卷积神经网络故障诊断流程 |
| 3.3.4 卷积神经网络参数调试 |
| 3.3.5 不同时频图对准确率的影响 |
| 3.4 深度学习中其他算法对斜盘式轴向柱塞泵的故障诊断 |
| 3.4.1 深度置信网络 |
| 3.4.2 堆叠自动编码器 |
| 3.4.3 实验过程与结果 |
| 3.5 本章小结 |
| 第4章 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1.1 D-1DCNN网络构建与参数设置 |
| 4.1.2 D-1DCNN网络参数调节 |
| 4.1.3 实验结果 |
| 4.2 基于1DCNN的轴向柱塞泵故障诊断 |
| 4.2.1 1DCNN的参数设置 |
| 4.2.2 1DCNN网络参数调节 |
| 4.2.3 实验结果 |
| 4.3 实验结果对比 |
| 4.4 本章小结 |
| 第5章 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1.1 长短时间记忆网络 |
| 5.1.2 1DCNN-LSTM结构 |
| 5.1.3 1DCNN-LSTM具体参数 |
| 5.1.4 dropout参数调节 |
| 5.1.5 实验结果 |
| 5.2 基于LSTM的轴向柱塞泵故障诊断 |
| 5.2.1 LSTM结构与具体参数 |
| 5.2.2 实验结果对比 |
| 5.3 CNN模型性能对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作与结论 |
| 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 |
（4）基于MEMS的电主轴过载防护与远程监测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 主轴防护研究现状 |
| 1.2.2 主轴监测研究现状 |
| 1.2.3 工业物联网数据传输技术现状 |
| 1.2.4 主轴运行智能诊断技术研究现状 |
| 1.3 本文主要工作与结构安排 |
| 第2章 主轴系统状态分析理论基础与技术原理 |
| 2.1 切削加工过程力学分析 |
| 2.2 切削过程信号滤波方法 |
| 2.3 电主轴数字信号分析方法 |
| 2.3.1 频谱分析方法 |
| 2.3.2 时频分析法 |
| 2.4 本章小结 |
| 第3章 基于MEMS的电主轴状态监测系统设计 |
| 3.1 电主轴监测系统总体设计方案 |
| 3.1.1 系统应用需求分析 |
| 3.1.2 系统总体设计方案 |
| 3.2 主轴过载传感器硬件设计 |
| 3.2.1 MEMS传感器芯片技术 |
| 3.2.2 基于ARM的主轴传感器主控电路设计 |
| 3.3 数据传输网络的搭建与设计 |
| 3.3.1 有线数据传输技术 |
| 3.3.2 无线数据传输技术 |
| 3.3.3 基于4G通信技术的上主轴传感器网络通信方案 |
| 3.3.4 传感器模块与外设的通信互联接口设计 |
| 3.3.5 主轴传感器RS485 通信帧结构设计 |
| 3.4 上位机在线监测软件设计 |
| 3.4.1 上位机监测软件主要功能 |
| 3.4.2 服务器端监测软件模块功能设计 |
| 3.5 本章小结 |
| 第4章 主轴撞刀防护与加工参数实时监测试验 |
| 4.1 静态测试 |
| 4.2 空载测试 |
| 4.3 主轴加工状态下的过载测试 |
| 4.4 主轴过载检测传感器撞刀测试 |
| 第5章 数据云存储平台设计 |
| 5.1 无线传输实现框架 |
| 5.2 云服务器的环境搭建 |
| 5.3 云存储数据交互实现 |
| 5.3.1 建立TCP/IP协议 |
| 5.3.2 Socket通信建立 |
| 5.4 Socket数据库设计 |
| 5.5 网页客户端设计 |
| 5.6 本章小结 |
| 第6章 总结 |
| 参考文献 |
| 硕士期间研究成果 |
| 致谢 |
（5）基于生成式对抗网络的机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状综述 |
| 1.2.1 传统故障诊断方法 |
| 1.2.2 大数据驱动的智能故障诊断方法 |
| 1.2.3 深度学习在故障诊断中的应用 |
| 1.2.4 生成式对抗网络研究现状 |
| 1.2.5 注意力机制研究现状 |
| 1.3 机械故障诊断目前存在的问题及研究方向 |
| 1.4 本文的主要研究目标、内容及结构安排 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 论文结构及安排 |
| 2.生成式对抗网络相关理论研究 |
| 2.1 引言 |
| 2.2 生成模型简介 |
| 2.3 生成式对抗网络(GAN) |
| 2.3.1 GAN的基本原理和组成 |
| 2.3.2 GAN数学原理 |
| 2.3.3 GAN训练算法 |
| 2.3.4 GAN可视化理解 |
| 2.3.5 提升GAN训练效果的方法 |
| 2.3.6 GAN与其它生成模型和衍生模型的比较 |
| 2.3.7 GAN的优缺点 |
| 2.4 条件生成式对抗网络 |
| 2.5 深度卷积生成式对抗网络 |
| 2.6 卷积神经网络 |
| 2.7 本章小结 |
| 3.基于条件深度卷积生成式对抗网络(C-DCGAN)的故障诊断方法 |
| 3.1 引言 |
| 3.2 基于C-DCGAN的故障诊断方法 |
| 3.2.1 C-DCGAN故障诊断模型 |
| 3.2.2 C-DCGAN模型超参数选择 |
| 3.2.3 C-DCGAN模型训练 |
| 3.2.4 故障诊断算法实现 |
| 3.2.5 生成样本质量评估方法 |
| 3.3 工程案例验证 |
| 3.3.1 CWRU实验 |
| 3.3.2 行星齿轮箱实验 |
| 3.3.3 实验讨论 |
| 3.4 本章小结 |
| 4.基于TTUR的 C-DCGAN机械故障诊断模型稳定训练方法 |
| 4.1 引言 |
| 4.2 双时间尺度更新规则(TTUR) |
| 4.3 TTUR在 C-DCGAN模型中的收敛性 |
| 4.4 TTUR仿真实验 |
| 4.5 TTUR实验验证 |
| 4.5.1 CWRU实验 |
| 4.5.2 行星齿轮箱实验 |
| 4.6 TTUR性能评估 |
| 4.7 本章小结 |
| 5.基于自注意力机制的C-DCGAN故障样本生成技术 |
| 5.1 引言 |
| 5.2 注意力机制的数学表达 |
| 5.3 自注意力机制 |
| 5.4 自注意力生成式对抗网络模型(SAC-DCGAN) |
| 5.5 实验验证 |
| 5.5.1 生成样本时频图对比分析 |
| 5.5.2 自注意力矩阵分布 |
| 5.5.3 故障诊断可视化分析 |
| 5.5.4 故障诊断结果分析 |
| 5.5.5 SAC-DCGAN生成样本性能评估 |
| 5.6 本章小结 |
| 6.机械故障诊断模型(SAC-DCGAN+TTUR)评估方法 |
| 6.1 引言 |
| 6.2 生成振动信号评价指标 |
| 6.2.1 Jensen-Shannon divergence(JSD) |
| 6.2.2 Kernel Maximum Mean Discrepancy(MMD) |
| 6.2.3 The1-Nearest Neighbor classifier(1-NN) |
| 6.3 故障诊断模型评估方法 |
| 6.4 SAC-DCGAN+TTUR评估指标实验 |
| 6.4.1 评估指标分辨力实验 |
| 6.4.2 模式坍塌实验 |
| 6.4.3 过拟合实验 |
| 6.4.4 实验讨论 |
| 6.5 评估方法的鲁棒性和局限性 |
| 6.6 本章小结 |
| 7.总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（6）基于音频信号的升降马达缺陷检测系统的研发（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源与与研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和章节安排 |
| 1.4 本章小结 |
| 2 升降马达工作原理及软硬件介绍 |
| 2.1 升降马达工作原理及音频缺陷分析 |
| 2.1.1 升降马达的工作原理 |
| 2.1.2 升降马达音频缺陷故障分析 |
| 2.2 软硬件介绍 |
| 2.2.1 虚拟仪器介绍 |
| 2.2.2 LabVIEW软件介绍 |
| 2.2.3 采集卡及传感器介绍 |
| 2.3 本章小结 |
| 3 升降马达音频缺陷检测硬件总体设计 |
| 3.1 音频信号采集平台设计 |
| 3.1.1 测试治具设计 |
| 3.1.2 声压传感器选型 |
| 3.1.3 整体系统搭建 |
| 3.2 步进电机驱动板设计 |
| 3.2.1 电源降压模块设计 |
| 3.2.2 串口通信模块设计 |
| 3.2.3 光耦隔离电路设计 |
| 3.2.4 步进电机驱动器设计 |
| 3.2.5 驱动板PCB布线设计及实物 |
| 3.2.6 驱动板下位机驱动程序设计 |
| 3.3 外部辅助硬件设计 |
| 3.3.1 隔音箱设计 |
| 3.3.2 启动电流设计电路设计 |
| 3.3.3 扫码模块硬件设计 |
| 3.4 本章小结 |
| 4 基于CNN和时频灰度图的音频信号异音缺陷检测 |
| 4.1 数据集的处理 |
| 4.1.1 小波变换和小波包分解 |
| 4.1.2 实验论证 |
| 4.2 时频灰度图的构建 |
| 4.2.1 A计权 |
| 4.2.2 短时傅里叶变换 |
| 4.2.3 时频灰度图提取过程 |
| 4.3 CNN网络结构设计 |
| 4.4 CNN训练与测试 |
| 4.5 训练测试结果与分析 |
| 4.5.1 训练测试结果 |
| 4.5.2 最佳网络参数选择 |
| 4.5.3 模型对比 |
| 4.6 本章小结 |
| 5 升降马达音频缺陷检测软件总体设计 |
| 5.1 基于倍频程分贝谱的噪音缺陷检测 |
| 5.1.1 声压级的意义 |
| 5.1.2 倍频程声压级的计算 |
| 5.2 软件逻辑设计 |
| 5.2.1 整体逻辑设计 |
| 5.2.2 用户登陆与操作界面设计 |
| 5.2.3 串口通信接口设计 |
| 5.2.4 Python 调用接口设计 |
| 5.2.5 运行日志 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者在读期间科研成果简介 |
| 1.攻读硕士学位期间发表的学术论文 |
| 2.攻读硕士学位期间参与的项目 |
| 致谢 |
（7）空冷器风机监控系统的研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风机故障诊断技术 |
| 1.2.2 风机状态监测技术 |
| 1.2.3 空冷器温度控制技术 |
| 1.3 本文的研究目标及内容安排 |
| 第2章 空冷器风机常见故障及特征分析 |
| 2.1 空冷器风机的结构及工作原理 |
| 2.2 空冷器风机常见故障 |
| 2.3 风机常见故障的特征分析 |
| 2.4 本章小结 |
| 第3章 空冷器风机监控系统的总体设计 |
| 3.1 系统总体设计 |
| 3.1.1 系统需求分析 |
| 3.1.2 系统总体设计思路 |
| 3.1.3 硬件结构总体设计 |
| 3.2 监测系统的硬件设计 |
| 3.2.1 风机主传动系统的模态分析 |
| 3.2.2 监测对象及测点布置 |
| 3.2.3 传感器的选择及安装 |
| 3.2.4 数据采集卡选择 |
| 3.2.5 数据传输电缆的选择 |
| 3.2.6 上位监控主机的选择 |
| 3.3 温度控制系统的硬件设计 |
| 3.3.1 控制方案的设计 |
| 3.3.2 温度采集元件的选择 |
| 3.3.3 控制系统的下位机选型 |
| 3.3.4 控制系统的电路设计 |
| 3.4 本章小结 |
| 第4章 振动信号分析方法及软件设计 |
| 4.1 常用振动信号分析方法 |
| 4.1.1 时域分析 |
| 4.1.2 频域分析 |
| 4.1.3 时频联合分析 |
| 4.2 信号分析方法的模块化设计 |
| 4.2.1 时域模块的设计 |
| 4.2.2 频域模块的设计 |
| 4.2.3 时频模块的设计 |
| 4.3 本章小结 |
| 第5章 监控系统的软件设计 |
| 5.1 监控系统的软件总体设计 |
| 5.1.1 软件功能需求分析 |
| 5.1.2 软件结构设计 |
| 5.2 监测系统的软件模块化设计 |
| 5.2.1 系统登录模块 |
| 5.2.2 数据采集模块 |
| 5.2.3 数据库模块 |
| 5.2.4 报警控制模块 |
| 5.2.5 报表生成模块 |
| 5.3 温度控制系统的软件设计 |
| 5.3.1 LabVIEW与PLC的通讯 |
| 5.3.2 PLC控制程序的设计 |
| 5.3.3 上位监控界面的设计 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 课题展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文 |
| 附录B 温度控制系统的部分电路设计 |
（8）基于深度学习的隧道微震信号处理及岩爆智能预警研究（论文提纲范文）
| 摘要 |
| 研究成果的主要创新点 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微震波形识别与分类研究 |
| 1.2.2 微震波形降噪和到时拾取研究 |
| 1.2.3 微震定位方法研究 |
| 1.2.4 岩爆预测及预警研究 |
| 1.2.5 主要问题与不足 |
| 1.3 研究思路、研究内容与技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第2章 基于深度卷积神经网络的围岩微震波形分类研究 |
| 2.1 引言 |
| 2.2 项目概况及数据来源 |
| 2.2.1 项目概况 |
| 2.2.2 微震监测系统构建 |
| 2.2.3 数据来源及岩爆灾害 |
| 2.3 微震波形的特征识别 |
| 2.4 微震波形信号预处理 |
| 2.5 CNN-MCN微震波形分类模型构建 |
| 2.6 CNN-MCN微震波形分类性能分析 |
| 2.6.1 数据准备与训练 |
| 2.6.2 实验结果和分析 |
| 2.7 本章小结 |
| 第3章 基于深度编解码的围岩微震波形降噪和拾取研究 |
| 3.1 引言 |
| 3.2 自编码神经网络模型 |
| 3.2.1 自编码 |
| 3.2.2 卷积自编码 |
| 3.3 微震波形降噪与拾取双任务模型构建 |
| 3.4 微震波形降噪与拾取双任务模型性能分析 |
| 3.4.1 数据准备和训练 |
| 3.4.2 实验结果与分析 |
| 3.4.3 通用性与对比分析 |
| 3.5 本章小结 |
| 第4章 隧道围岩微震阵列优化及震源定位研究 |
| 4.1 引言 |
| 4.2 微震定位原理及目标函数构建 |
| 4.3 隧道微震阵列探讨与评估 |
| 4.3.1 “非包围”微震阵列不足 |
| 4.3.2 “非包围”微震阵列评估和优化 |
| 4.4 隧道震源定位方法优化与构建 |
| 4.4.1 隧道围岩速度模型优化 |
| 4.4.2 微震定位优化算法构建 |
| 4.5 微震优化阵列与改进定位方法的测试与应用 |
| 4.5.1 “非包围”微震阵列测试与应用 |
| 4.5.2 围岩波速模型测试 |
| 4.5.3 不同定位算法对比 |
| 4.5.4 微震定位优化方法应用 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网络的微震预测及岩爆预警研究 |
| 5.1 引言 |
| 5.2 相关理论基础 |
| 5.2.1 时间序列预测原理 |
| 5.2.2 ARIMA经典时间序列预测方法 |
| 5.2.3 神经网络预测模型 |
| 5.3 岩爆微震指标库建立 |
| 5.3.1 微震评价指标 |
| 5.3.2 岩爆微震指标选取与构建 |
| 5.3.3 数据预处理 |
| 5.4 微震指标预测研究 |
| 5.4.1 实验环境与数据 |
| 5.4.2 评价指标 |
| 5.4.3 微震指标时间序列模型构建 |
| 5.4.4 实验结果分析 |
| 5.4.5 不同方法对比 |
| 5.5 岩爆微震预警研究 |
| 5.5.1 实验数据 |
| 5.5.2 岩爆微震预警模型 |
| 5.5.3 岩爆微震综合预警 |
| 5.6 本章小节 |
| 第6章 隧道微震自动化监测及岩爆智能预警平台研究 |
| 6.1 引言 |
| 6.2 系统分析与设计 |
| 6.2.1 设计原则 |
| 6.2.2 系统开发及代码管理平台 |
| 6.2.3 系统及框架设计 |
| 6.2.4 数据库设计 |
| 6.3 系统主要模块 |
| 6.3.1 微震听诊模块 |
| 6.3.2 微震预测模块 |
| 6.3.3 岩爆预警模块 |
| 6.3.4 用户与信息模块 |
| 6.3.5 系统运行流程 |
| 6.4 工程应用 |
| 6.4.1 工程概况 |
| 6.4.2 微震自动化监测 |
| 6.4.3 微震预测和岩爆预警分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 1 结论 |
| 2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（9）基于多源数据融合的风电机组主传动链故障预警研究（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 课题研究现状 |
| 1.2.1 风电机组主传动链典型故障特征提取技术研究现状 |
| 1.2.2 风电机组主传动链典型故障预警算法研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 第二章 风电机组主传动链典型故障预警基本原理 |
| 2.1 风电机组主传动链典型故障过程分析 |
| 2.1.1 风电机组主传动链基本结构 |
| 2.1.2 风电机组主传动链典型故障过程及其原因分析 |
| 2.2 风电机组主传动链典型故障特征提取方法 |
| 2.2.1 基于SCADA系统监测数据的主传动链典型故障特征监测 |
| 2.2.2 基于高频振动监测数据的主传动链典型故障特征提取方法 |
| 2.3 风电机组主传动链典型故障预警算法 |
| 2.3.1 传统阈值分析方法 |
| 2.3.2 智能化分析方法 |
| 2.4 本章小结 |
| 第三章 基于多源数据融合的风电机组主传动链典型故障预警方法 |
| 3.1 风电机组主传动链多源数据融合的故障特征提取方法 |
| 3.1.1 基于单一数据源的主传动链故障特征提取方法局限性分析 |
| 3.1.2 多源数据融合的主传动链典型故障特征提取流程 |
| 3.1.3 多源数据融合的主传动链典型故障特征提取 |
| 3.2 基于多源数据融合的风电机组主传动链故障预警模型 |
| 3.2.1 深度自编码网络基本原理 |
| 3.2.2 基于DA的多源数据故障融合预警模型 |
| 3.3 算例分析 |
| 3.3.1 参数选择 |
| 3.3.2 模型训练 |
| 3.3.3 模型测试 |
| 3.3.4 多特征融合对比 |
| 3.4 本章小结 |
| 第四章 基于多源数据融合的风电机组主传动链典型故障预警系统设计 |
| 4.1 系统架构设计 |
| 4.2 系统硬件构成 |
| 4.2.1 硬件配置 |
| 4.2.2 传感器选型与测点配置 |
| 4.3 系统功能设计 |
| 4.4 本章小结 |
| 第五章 风电机组主传动链典型故障预警系统应用分析 |
| 5.1 风电机组齿轮箱齿轮故障案例分析 |
| 5.1.1 23#机组中速小齿轮断齿案例分析 |
| 5.1.2 32#机组一级内齿圈小齿轮断齿案例分析 |
| 5.1.3 15#机组一级内齿圈小齿轮断齿案例分析 |
| 5.2 风电机组齿轮箱轴承故障案例分析 |
| 5.3 风电机组发电机轴承故障案例分析 |
| 5.3.1 13#机组发电机后轴承磨损案例分析 |
| 5.3.2 27#机组发电机后轴承内圈碎裂案例分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
| 附件 |
（10）高速精密电主轴转子失衡识别及主动平衡研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究动态及发展趋势 |
| 1.2.1 转子故障诊断方法 |
| 1.2.2 电主轴故障诊断技术 |
| 1.2.3 电主轴在线主动平衡技术 |
| 1.3 研究内容及总体方案 |
| 1.3.1 研究内容 |
| 1.3.2 总体方案 |
| 2 电主轴选型设计及系统集成 |
| 2.1 电主轴结构及特点 |
| 2.2 电主轴选型设计 |
| 2.3 电主轴系统集成 |
| 2.4 主轴模态测试 |
| 2.5 本章小结 |
| 3 电主轴转子失衡故障识别 |
| 3.1 转子失衡故障机理 |
| 3.2 振动信号特征提取 |
| 3.3 振动图像特征提取 |
| 3.3.1 灰度图像纹理分析方法 |
| 3.3.2 对称极坐标图像纹理分析方法 |
| 3.3.3 EMD-PWVD振动时频图像能量分析方法 |
| 3.4 基于图像特征的FCM聚类识别 |
| 3.5 失衡故障识别试验 |
| 3.5.1 振动信号识别试验 |
| 3.5.2 振动图像识别试验 |
| 3.6 本章小结 |
| 4 电主轴在线主动平衡装置及系统设计 |
| 4.1 在线主动平衡原理 |
| 4.2 在线主动平衡装置设计 |
| 4.2.1 总体传动方案 |
| 4.2.2 机械结构及参数设计 |
| 4.2.3 平衡能力设计 |
| 4.3 在线主动平衡装置控制研究 |
| 4.4 平衡系统设计及试验 |
| 4.4.1 在线主动平衡方法 |
| 4.4.2 在线主动平衡系统设计 |
| 4.4.3 平衡性能试验 |
| 4.5 本章小结 |
| 5 电主轴失衡故障识别与主动平衡软件开发 |
| 5.1 在线主动平衡系统软件开发 |
| 5.1.1 软件方案 |
| 5.1.2 软件开发 |
| 5.2 软件功能验证 |
| 5.3 软件应用验证 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
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——总体构架与实时数据采集功能的开发（论文参考文献）
- [1]基于构架载荷信号多尺度熵的高速列车工况识别研究[D]. 乔思蓉. 北京交通大学, 2021(02)
- [2]燃气-蒸汽联合循环机组智能诊断与健康维护技术研究[D]. 王仲. 华北电力大学(北京), 2021(01)
- [3]基于卷积神经网络的轴向柱塞泵故障诊断[D]. 徐昌玲. 太原理工大学, 2021(01)
- [4]基于MEMS的电主轴过载防护与远程监测系统[D]. 王煜伟. 东华大学, 2021(01)
- [5]基于生成式对抗网络的机械故障诊断方法研究[D]. 罗佳. 中北大学, 2021
- [6]基于音频信号的升降马达缺陷检测系统的研发[D]. 方涵. 四川大学, 2021(02)
- [7]空冷器风机监控系统的研究与设计[D]. 姚文斌. 兰州理工大学, 2021(01)
- [8]基于深度学习的隧道微震信号处理及岩爆智能预警研究[D]. 张航. 成都理工大学, 2020(04)
- [9]基于多源数据融合的风电机组主传动链故障预警研究[D]. 王晓东. 华南理工大学, 2020(05)
- [10]高速精密电主轴转子失衡识别及主动平衡研究[D]. 邵偲洁. 西安科技大学, 2020(01)