一、4种新的小波变换及其在发电机故障信号分析中的应用（论文文献综述）
刘东东[1]（2021）在《旋转机械故障信息挖掘及状态评估方法研究》文中进行了进一步梳理振动信号蕴含丰富的反映设备运行状态的信息,由于系统复杂性及噪声影响,直接分析采集的振动信号对机械状态进行评估,结果的准确性难以保证。挖掘振动信号中的故障信息以消除系统复杂性及噪声的影响,是提高评估结果准确性的有效途径。本文根据旋转机械振动信号调制的特点,研究振动信号中故障信息的挖掘方法,且基于挖掘得到的故障信息对机械状态进行评估。研究内容包括解调后频域中故障信息挖掘方法、故障激发的振动响应挖掘方法、数据稀缺情况下故障特征迁移方法和特征融合的故障程度评估方法四个部分。（1）研究了解调后频域中故障信息的挖掘方法。该方法通过设计相位函数集对振动信号进行解调,实现故障信息的挖掘。为了解决振动信号受转速随机波动影响问题,提出了一种新的相位函数设计方法。该方法可以将不同转速波动下相同物理意义的频率解调为相同频率值。使用这种新的相位函数设计方法,获得解调频谱。定义基频和容许误差,以此为基础实现解调后频域中故障信息搜索。新算法可以从含噪声的解调频谱中挖掘到故障信息,且实验平均识别率高于99%,有效提高了机械状态评估准确性。（2）研究了故障激发的振动响应挖掘方法。该方法通过引入Matrix profile算法,实现轴承故障激发的振动响应的挖掘。振动响应以共振频率为载波频率,且载波频率由机械系统决定,不受工况影响,且振动响应的幅值受到故障冲击及转频调制。针对这一特性,构造了以Z-normalized欧式距离为衡量方法的Matrix profile算法。该算法衡量振动响应的波形,因此挖掘的结果不受信号幅值影响。根据挖掘得到的振动响应,利用卷积神经网络（Convolutional neural network,CNN）实现机械故障程度的评估。实验验证了构造的Matrix profile算法可以从实验台和风力发电机振动信号中挖掘轴承故障激发的振动响应,且使用挖掘得到的数据可以提高机械故障程度评估的准确率。（3）研究了数据稀缺情况下故障特征迁移方法。该方法使用Matrix profile算法分别从实验台和风力发电机的振动信号中挖掘故障激发的振动响应,通过搭建双流CNN迁移模型,将从实验台数据学到的知识迁移到风力发电机数据训练的模型中。机械设备可用数据稀缺导致了网络模型对机械状态评估的准确性不足。为了充分从有限数据中学习特征,搭建了双流CNN模型,同时从挖掘数据的时域波形及其时频谱中学习特征。为了实现在数据有限情况下对网络模型的优化,首先使用实验台数据对双流CNN模型进行预训练,然后使用风力发电机数据对模型进行微调。实验证明了双流CNN迁移模型的识别率可以达到99.87%,较单流CNN模型对机械状态评估的准确率更高,且能够更快、更稳定地收敛。（4）研究了特征融合的故障程度评估方法。该方法首先使用自组织神经网络（Self-organizing map,SOM）对正常状态下的特征进行融合得到U-matrix映射单元,然后通过计算不同运行状态下的特征与U-matrix最佳匹配单元的递推分值定量差指标实现故障程度的量化。为了去除冗余特征,计算每个特征的拉普拉斯分值,依据分值大小对特征进行精化。利用SOM网络良好的拓扑保持性以及可视化性能,使用精化后的特征训练SOM网络得到的U-matrix映射单元对轴承的退化过程进行定性描述。提出了计算递推分值定量差指标量化故障程度。实验证明了使用挖掘的数据得到的U-matrix映射单元能够更准确地反映轴承退化趋势,融合的递推分值定量差指标能够更准确地评估故障程度。
李宣[2]（2021）在《基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断》文中研究说明风能是一种可再生的清洁能源,当代社会发展耗能大且能源短缺,风能的使用能够有效缓解传统能源短缺的问题,解决传统能源带来的环境污染问题。随着风电机组累计装机容量不断增加和风机使用环境恶劣导致风电机组齿轮箱故障频发。齿轮箱一旦发生故障,机组将面临长时间的停机和昂贵的维修费用,经济损失巨大。因此,准确、高效的对机组齿轮箱进行状态监测和故障诊断,对于保障机组安全稳定运行和提高发电效率具有重要意义。本文提出基于EWT（empirical wavelet transform）和最优参数精细复合多尺度散布熵的方法对风电机组齿轮箱故障诊断进行了研究。首先,在实际运行条件下,由于环境噪声干扰严重、振动信号传递路径复杂和机电耦合作用等原因导致风电机组齿轮箱振动信号具有非平稳、非线性并且信噪比低的特点,直接研究原始振动信号难以提取到有效的故障信息。本文引入经验小波变换处理风电机组齿轮箱振动信号,通过相关系数阈值筛选子模态分量进行信号重构,获取更高信噪比的故障振动信号。通过与EMD（empirical mode decomposition）分解方法对比,证明EWT可以在嘈杂的环境中有效地提取信号的主要成分,为后续特征提取环节打下基础。其次,针对特征提取和特征矩阵构建环节,传统时域、频域故障特征提取效果不佳、特征矩阵存在冗余的特点而造成故障诊断效果差的问题。引入新的时频特征精细复合多尺度散布熵（refined composite multiscale dispersive entropy,RCMDE）为特征向量,为提高精细复合多尺度散布熵算法的故障特征提取性能,获取区分度更大的精细复合多尺度散布熵,以其偏度值的平方函数作为适应度函数,通过网格搜索算法同步搜索计算两个关键参数m和C,提取齿轮箱重构故障振动信号的最优参数精细复合多尺度散布熵（optimal parameters refined composite multiscale dispersive entropy,OPRCMDE）构建特征矩阵。通过实验对比,证明EWT重构信号最优参数精细复合多尺度散布熵在提取各类故障特征时区分度更好,诊断结果更稳定准确。最后,针对特征向量冗余和一般分类算法参数多且参数设定影响分类准确率的问题。采用Relief-F算法计算特征向量的分类权重,选择权重大者构成最终的特征向量,剔除了冗余特征。最后再利用运算速度快,参数设置少的极限学习机（extreme learning machine,ELM）进行故障诊断。通过实验分析并与其它方法比较,证明本方法诊断正确率更高且更稳定,可以有效应用在风电机组齿轮箱故障诊断中,在实际工程应用中具有一定的价值,对于风电机组齿轮箱故障诊断的相关研究具有一定的参考性。
岳佳林[3]（2021）在《输油气站控制系统的状态采集监测系统》文中进行了进一步梳理输油气管道是油气资源运输的重要途径,其长期稳定运行保障了我国经济的高速发展。输油气站是输油气管道系统中的重要节点,是进行油气资源远距离输送的关键枢纽。控制系统是输油气站的大脑,监测和控制着站内多个工业生产设备。当控制系统发生故障时,会导致输油气站无法进行正常的生产作业,造成巨大经济损失。因此为保障输油气管道系统的长期稳定运行,提高控制系统维护和检修的效率,减少经济损失,需要对输油气站控制系统进行状态采集与监测。本文的主要研究工作包括:（1）分析总结输油气站中常见的故障类型,依据某输油气站的维护记录,总结输油气站控制系统的故障特点。之后针对某输油气站控制系统中容易发生故障的模块,进行系统性的结构分析。（2）根据控制系统的结构与故障特征,总结控制系统的外部状态信号以及内部状态信号。之后进行现场预先采集,分析状态信号的特点。依据这些分析,提出状态采集监测系统的设计需求。（3）根据控制系统中状态信号的特点,本文采用品质因子可调小波变换TQWT对状态信号进行处理。首先,应用自适应TQWT阈值降噪方法对状态信号进行去噪,以提高状态信号时域和频域特征提取的准确性。其次,应用基于TQWT的冲击特征提取方法和基于双品质因子TQWT的异常脉冲特征分离方法,实现控制系统中的冲击特征和异常脉冲特征的提取,以用于控制系统状态的监测与分析。（4）从状态采集监测的需求出发,设计开发了输油气站控制系统的状态采集监测系统。其中,硬件平台采用数据采集卡与单片机实现32个内部状态信号1MSPS、16bit精度的高速采集和多个外部状态信号的低速采集。软件平台基于C#语言进行开发,实现了状态采集监测系统的数据采集、数据存储和数据处理等功能。最后,本状态采集监测系统经过国内某输油气站中的现场调试运行,验证了系统的状态信号采集功能、信号处理功能满足设计需求。
罗园庆[4]（2021）在《基于数学形态学的风力机发电机轴承故障诊断方法研究》文中研究指明以风力发电技术为代表的清洁能源正在全球迅速兴起,与传统的化石燃料相比,风力发电的最大优点是对环境造成的污染小。全球的风力发电机累计装机量正在逐年增长。轴承作为风力发电机传动系统的核心零部件,对整个风力发电机传动系统的安全稳定运行起着至关重要的作用。在风电机组的机械传动系统故障中,许多故障皆因轴承损坏失效引起。由于风力发电机长期服役在复杂的交变载荷下,加上强背景噪声、电磁干扰和复杂传递路径的影响,使测得的发电机轴承故障信号表现出非线性和非稳态的特点,这给发电机轴承的故障诊断和智能监测带来巨大的困难。常用的轴承故障诊断信号处理方法有时域方法、频域方法和时频域分析方法。然而单独采用时域方法和频域方法无法有效地检测到轴承的微弱故障信息,并且传统的时频分析方法存在一定的局限性。因此,如何寻求一种新的故障诊断研究方法来检测轴承早期的微弱故障十分必要。数学形态学理论如今已被广泛应用在机械振动信号处理领域。它通过预先设定好的结构元素直接作用于时域信号来提取故障特征信息,是一种有效的非线性和非稳态信号处理方法。本文以风力机发电机轴承为研究对象,并对数学形态学的理论方法进行改进与延伸进而来提取发电机轴承的微弱故障特征信息。为实现发电机轴承的早期精准故障检测和故障分类提供理论基础。论文的具体研究内容如下:（1）通过对数学形态学的基本理论研究,揭示出特征提取型算子和噪声削减型算子的滤波规律。为了能够提取发电机轴承的故障冲击特征信息,基于差分梯度算子（Morphological gradient,MG）和闭-开差分梯度算子（Difference filter,DIF）的乘积构造了增强形态差分算子（enhanced morphological difference operator,EMDO）。在选择EMDO算子的最优结构元素尺度时,将特征能量因子（feature energy factor,FEF）作为评价指标。接下来,建立了轴承外圈的故障信号模型,并对MG、DIF和EMDO算子的滤波性能进行定量分析。研究结果表明,EMDO算子对轴承的故障冲击信息起到了增强的作用。最后,进行风力机发电机轴承的故障实验验证,并与形态梯度乘积运算（morphology gradient product operation,MGPO）和形态顶帽乘积运算（morphology-hat product operation,MHPO）进行实验对比分析。研究结果表明,提出的EMDO算子的故障特征提取能力更加出色,适合于发电机轴承的故障诊断。（2）针对发电机轴承故障信号时常遭受着强背景噪声、多耦合谐波信号和随机冲击信号的干扰问题,仅采用EMDF滤波很难抑制这些干扰成分。因此,引进了概率主成分分析（probabilistic principal component analysis,PPCA）方法,来弥补EMDF在消噪能力上的不足。在传统的PPCA算法中,分解主成分k和原始变量n的参数通常由人为设定。为了解决这个问题,引入蝗虫优化算法（grasshopper optimization algorithm,GOA）来自适应优化出k和n值,实现了信号的去噪。随后构建了一种新的无量纲综合评价指标KSP,用来定量地检测PPCA的降噪性能,并把最大的KSP值作为GOA算法优化PPCA参数的目标函数。最终,结合APPCA与EMDF提出了一种自适应的发电机轴承故障诊断方法。仿真和工程应用结果表明,提出的方法可以有效地分析与诊断发电机轴承的故障信息,与ACDIF和VMD方法的对比结果表明,提出的方法具有一定的优越性。（3）基于形态顶帽算子的构造机理,首先构建了四种谐波信号提取型算子(enhanced average filtering,EAVGDC-EO,EAVGDC-OE,EAVGCD-EO和EAVGCD-OE),随后通过仿真证明了EAVGCD-OE算子对谐波信号的还原能力优于其它三种算子。接下来,为了保持时域信号正负脉冲的完整性,定义了一种增强的顶帽形态变换算子（enhanced top-hat morphological filtering,EAVGH）。与其它四种顶帽变换算子BTH,WTH,AVGH和CMFH的对比结果展示了EAVGH算子的优势。在此研究的基础上,利用循环谱相干函数（cyclic spectrum coherence,CSC）进一步解决了故障信号受到非线性调制频率成分影响的问题,并在此基础上结合EAVGH提出了发电机轴承故障诊断研究方法EAVGH-CSC。而且,通过实验结果证明EAVGH-CSC方法具有较高的故障特征提取能力。（4）为了提取发电机轴承的故障特征信息,从多尺度和多角度分析出发,定义了一种多尺度增强顶帽形态变换算子（Multiscale enhanced top-hat morphological filtering,MEAVGH）。然后,将MEAVGH与MCMFH进行乘积运算,构建了一种新的多尺度特征提取型滤波算子（Multi-scale feature extraction filtering operator,MFEO）,用于进一步增强故障特征信息。随后为了解决峭度指标容易受到大幅值信号影响的问题,定义了一种峭度故障特征率（Kurtosis fault feature ratio,KFFR）的综合无量纲评价指标。此外,针对传统的多尺度形态滤波器（Multi-scale morphological filter,MMF）因尺度加权区间选择不合理而影响故障特征提取问题,提出了迭代加权阈值的多尺度形态学信号重构方法。仿真和实验结果验证了提出的MFEO方法的有效性和工程适用性。（5）针对传统的时频分析方法将一维振动信号转换为二维图像信号时需要依赖专家知识的问题,利用二维图像比一维信号包含更多特征信息的优点,提出了一种基于多尺度数学形态学变换的信号图像转换方法。该方法将生成的图像样本视为卷积神经网络（Convolutional Neural Network,CNN）的输入。此外,为了提升CNN模型的泛化能力,引入了批量归一化方法（Batch Normalization,BN）,用于构建一种名为MFEO-CNN的智能识别分类方法。随后,利用发电机轴承的故障数据集验证了MFEO-CNN方法的有效性。在与EMD-CNN、EWT-CNN、CNN、SVM和ANN方法的比较分析结果中表明了MFEO-CNN方法具有较高的分类精度。
王平[5]（2021）在《风力发电机组传动链故障诊断与大数据预警技术》文中研究指明“十四五”要求建设高效、安全、清洁、低碳的现代能源体系,风能作为重要的绿色清洁能源被广泛利用,我国的风机装机容量也在逐年上涨。由于新能源无补贴平价上网政策的推行,加之早期建设的风力发电机组逐渐退出质保期,对风力发电机组进行有效、精确的故障诊断成为风电企业的必备技术。传动链是风力发电机的重要组成部分,其设备成本高,维修价格昂贵,维护周期长,出现故障时会导致风力发电机组长期处于停机状态,给风电场造成严重的经济损失。为此,本文主要针对风力发电机传动链机械故障诊断方法与预警方法进行研究:首先,针对风力发电机组传动链部分机械振动信号多噪音非平稳变工况的情况下,造成振动信号多噪声,时频效果差等现象,采用阶比分析方法对风力发电机传动链故障进行诊断。基于在线振动监测系统的监测数据,利用EEMD-HHT的无转速计阶比分析方法,对原信号等角度重采样,将时域非平稳信号转换为角域准平稳信号,进而获取阶比谱信息,通过分析阶比谱来判断风力发电机组传动链是否存在故障及其故障类型。其次,针对EEMD-HHT阶比分析中所提出的利用包络均值代替信号实际均值的方法,在处理非平稳信号的过程中容易出现模态混叠现象,从而引起分析误差等问题,由此提出了自适应同步压缩小波变化的分析方法,并将其应用到阶比分析中。由于风力发电机组的振动信号频率处于时变状态,引入同步压缩小波变化的方法提取信号的瞬时频率,考虑到信号在实际过程中是不能提前获得先验消息的,瑞利熵提取最优时变参数,使小波参数能够选自适应地选取吸纳后的局部特性,从而得到更高的时频聚集性,由此计算信号的瞬时频率,并进行阶比分析,使得实际应用结果更为精确。最后,针对风力发电机组传动链部分采集数据的种类,由于传统的时频分析方法与浅层神经网络模型对采集信号的获取知识与分析的能力有限,采集数据量大却得不到有效利用的问题,提出利用大数据分析的方法将风力发电机组历史数据进行分类,利用深度学习较强的非线性表征能力,并且能自动提取故障特征的特点,构建了卷积神经网络模型,最终形成了针对风力发电机组单台风力发电机的大数据预警模型,利用历史数据得到预警模型参数,最终实现对故障提前预警。
陈超[6]（2020）在《基于迁移学习的旋转机械故障诊断方法研究》文中认为对旋转机械系统的关键部件进行状态监测与故障诊断,并及时给出维护策略,已成为保证设备安全稳定运行的一个重要手段和关键技术。目前,随着人工智能的不断发展,基于机器学习的智能技术已经大量应用到旋转机械故障诊断中。然而,传统的机器学习方法要求有足够多用于训练的特征样本、且用于训练与测试的特征样本满足独立同分布条件,实际工业环境中机械设备的工况不确定性以及目标部件振动数据信息的不可直接测量性给故障诊断任务带来了挑战。随着机器学习领域中迁移学习方法的兴起,借助类似的学习任务来帮助目标任务的迁移学习思想为旋转机械故障诊断提供了一个新思路。基于此,针对传统机器学习在旋转机械故障诊断方面的不足,本文以迁移学习为技术手段,开展小样本情况下以及变工况条件下的故障识别研究。论文的主要研究工作包含以下四个方面:（1）从“迁移什么”和“如何迁移”的角度对现有迁移学习方法进行探讨,分析变工况环境下振动信号的特性以及实施迁移的可行性与必要性,为后续实施迁移故障诊断策略提供理论基础。（2）为解决传统机器学习方法在小样本学习任务下的不足,提出了一种基于源域特征样本辅助的改进最小二乘支持向量机迁移策略。在最小二乘支持向量机框架下,根据结构风险最小化原则,增加控制源域特征样本的经验风险匹配项,来合理使用与目标数据分布不同但相关的源域标签特征样本,使得诊断模型在训练过程中受源域特征样本的合理辅助,构建适用于目标任务的诊断模型。并参考多任务学习的思想,进一步降低源和目标域分类超平面法向量之间的差异,提出了结合模型参数的联合迁移模型。实验结果表明,基于源域特征样本辅助的改进最小二乘支持向量机迁移方法可以有效解决旋转机械故障诊断中的小样本学习问题;此外,结合模型参数的联合迁移模型可以进一步提升训练样本不足时的诊断性能。（3）为解决第（2）方面中提出的迁移模型在目标任务无可用标签特征样本时的不足,设计并实现了基于增强型最大间隔投影的迁移故障诊断模型。根据白化余弦相似度准则为每个样本设计了反应其对整体均值差异贡献的权重,结合投影最大均值差异指标,将源和目标域的特征样本映射到再生核希尔伯特空间后,在最小二乘支持向量机训练过程中,最小化两者的局部加权投影最大均值差异距离,使其在以分类超平面法向量为映射矩阵时的分布趋于一致,实现完全依靠源域特征样本进行训练的跨领域迁移。实验结果表明,局部加权投影最大均值差异指标方法能有效拉近源和目标域同一类别间的距离,从而解决两者特征分布不一致的问题;增强型最大间隔投影故障诊断模型可以提升基于源域标签特征样本下故障诊断模型在目标任务上的适用性。（4）为解决使用单一源域时诊断模型性能不稳定的问题,提出了基于联合对偶概率潜在语义分析的多源域跨领域迁移故障诊断方法。利用概率潜在语义分析方法能够挖掘不同领域间共享隐特征的特性,并在隐特征挖掘过程中,加入了反应不同领域特性的独有隐变量,来解决传统概率潜在语义分析中领域分布差异较大引起的共享隐特征质量不足问题,在此基础上设计了联合对偶概率潜在语义分析方法。并构建领域独有有隐特征的差异缩减映射模型和基于Fisher核函数的最小二乘支持向量机模型来进行多源域跨领域故障诊断研究。此外,还提出了故障词袋模型对振动信号进行特征提取和重构,并生成故障词汇,用以解决概率潜在语义分析方法在故障诊断任务中的适用问题。实验结果表明,故障词袋模型可以有效提取出具有区分性的故障特征;联合对偶概率潜在语义分析方法结合Fisher核的最小二乘支持向量机模型可以获得较好的诊断性能;多源域的引入可以提升诊断结果的稳定性。
杨静[7]（2020）在《旋转机械早期故障诊断关键技术研究》文中指出旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
蒋宇[8]（2020）在《齿轮箱混沌特性与故障诊断研究》文中进行了进一步梳理传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
高丙朋[9]（2020）在《变工况风力机关键部件间歇故障成长状态检测技术研究》文中研究指明风能作为可再生绿色能源已普遍受到世界各国的高度关注,特别是我国已经成为全球装机容量最大的国家。伴随着多年来风电技术和装备的发展,市场竞争变得越来越激烈,减少运营成本,保持较高的设备健康运行时数是企业争相追逐的目标,因此,针对风力机关键部件的故障诊断技术研究逐渐成为了风电研究领域的热点问题之一,更是风力机健康运行的重要手段。然而微弱间歇故障的精确检测是进行风机故障预测维护的前提,也是风机故障诊断领域重点关注方向。充分考虑分数阶Duffing振子在周期信号检测中的独特优势,将其成功引入到变工况风力机关键部件间歇故障成长状态检测中,结合现代数字信号处理的理论和方法,提出了一套新的针对微弱间歇故障成长状态分数阶Duffing振子检测方法。首先,通过对风力机在不同工况下的关键部件故障机理研究,经过理论推理和实验验证,完成了对不同工况下关键部件故障信号前期微弱性和间歇性分析,结合混沌系统及现代信息处理技术,提出针对周期和非周期振动间歇故障频率分别采用故障调制机理分析及改进Morlet小波变换的方法进行检测。在充分研究传统混沌系统相态判别方法的基础上,结合相图特点提出一种基于稳态相轨迹映射的相态判别方法——庞加莱截面密度峰值算法（Poincare Section Density Peak Algorithm,PSDPA）,该方法采用庞加莱截面映射数据的离群值来判断,更加准确,减少了人为误判,提高了系统相态识别的可信度,为微弱间歇故障幅值检测提供理论支持。然后,进一步研究了Duffing振子及风力机关键部件微弱间歇故障的特征,提出一种基于0.95阶Duffing振子输出相态判别的周期性故障存在性辨别方法及0.5阶Duffing振子自动检测微弱间歇故障幅值的方法。通过对比发现采用PSDPA算法进行检测相图获取的临界大尺度周期状态内置策动力信号幅值的精度要远远高于传统人为判别方法得到的结果,再次验证了算法的准确性与可操作性。同时,针对系统间歇故障的发展与永久性故障之间关系不清晰的情况,提出了一种新的故障成长量化表达形式,即通过间歇故障成熟度函数（Intermittent Fault Development Function,IFDF）把微弱间歇故障与永久性故障有机联系在一起,揭示出它们之间的内在联系,解决了永久性故障的溯源问题,也表征了对微弱间歇故障的成长状态监控,大大提升了故障预警精确度,为实现精准预测性维护提供了支持。最后,通过基于分数阶Duffing振子检测变工况风力机关键部件微弱间歇故障成长状态的案例分析,得到的结果正确,检测效果良好,该方法可操作性强,准确度高,为现场风电厂设备预测性维护提供有力支撑。
余萍[10]（2020）在《基于智能技术的一类非线性系统故障诊断与预测方法研究》文中研究说明如何减少生产过程中的故障隐患,提高系统的安全性和可靠性,已成为现代工业系统发展中不可回避的重大问题。故障诊断与预测技术是提高系统运行可靠性、降低系统运行风险的重要方法和必要手段。现代工业系统大多为非线性系统,具有干扰强、结构复杂、参数不确定、动态时变、故障耦合性强等特点,致使故障诊断与预测难度大。因此,探究如何利用先进的科学技术,有目的、有方法、有针对性地对系统进行故障诊断和预测,是非常有意义的研究课题。本文以实际非线性系统为研究对象,基于滤波技术、信号处理、优化算法、神经网络、深度学习等智能技术,对非线性系统故障诊断与预测方法展开研究。论文的主要创新研究成果如下:（1）提出了两种基于智能优化粒子滤波的故障诊断方法。针对粒子滤波算法中由于粒子退化和多样性缺失而导致系统突变情况下状态估计精度下降,从而影响基于粒子滤波的故障诊断方法故障诊断准确性和诊断系统鲁棒性的问题,以重采样策略的改进为切入点,结合变频变异策略和天牛群搜索算法,分别提出了变频变异粒子滤波算法（variable frequency based mutation for particle filter algorithm,VFM-PF）和改进天牛群搜索优化粒子滤波（beetle swarm antennae search for particle filter algorithm,BSAS-PF）两种改进算法。VFM-PF融合了免疫理论中的变异思想和工业生产过程中的变频节能策略,通过变频算子实时调节变异粒子数目,并针对不同权值的粒子采取不同形式的变异操作,从而在克服粒子退化、增加粒子多样性的同时提高了运算效率,算法的综合性能得到显着提升;BSAS-PF结合了天牛群搜索算法的寻优特性,引导低权值粒子向高似然区移动,克服了粒子退化和多样性缺失等问题,具有更优秀的状态估计精度。在此基础上,开展了复杂非线性系统故障诊断问题研究,提出了两种基于智能优化粒子滤波的故障诊断方法,并以风力发电系统中的双馈发电机和污水处理系统中的曝气池溶解氧过程为对象验证了方法的有效性,结果表明,所提出方法能够实现系统突变情况下高准确性故障诊断,诊断系统鲁棒性强,运算效率更高。（2）提出了一种基于ADCS-ELM的故障诊断方法。针对非线性系统结构复杂、故障耦合性程度高,建立准确的数学模型困难,致使基于模型的故障诊断方法难以实现或诊断精度受限等问题,从数据驱动的角度出发,提出了一种基于ADCS-ELM的故障诊断方法。该方法首先对非线性、非平稳的轴承振动信号进行集合经验模态分解（ensemble empirical mode decomposition,EEMD）,获得故障信号的IMF（intrinsic mode function）能量特征数据集。然后,利用加入了动态自适应步长调整策略的布谷鸟搜索算法（cuckoo search,CS）实现了传统极限学习机（extreme learning machine,ELM）网络连接权值和隐含层阈值等参数的优化确定,提高了ELM网络的稳定性、鲁棒性和分类精度。最后,训练并测试ADCS-ELM网络的故障诊断性能,结果表明,本文方法可以达到平均99.51%的故障诊断精度,实现了轴承滚动体、内圈、外圈裂纹等故障的高准确性故障诊断。（3）提出了一种基于优化堆叠降噪自动编码的故障诊断方法。非线性故障具有可传播性、耦合性、继发性、不确定性和多样性等特点,导致了故障成因难以有效溯源、故障诊断准确性不高等问题。相较于传统故障诊断方法,深度堆叠降噪自动编码器（stacked denoising auto-encoder,SDAE）能够从海量数据中自适应地提取更深层次的故障特征,避免了手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。然而,采用经验枚举获得的SDAE网络超参数使得网络在不同领域的故障诊断问题中泛化能力较弱,且选参过程与设计人员经验有关,效率低。因此,本文利用新设计的人工变性天牛算法（artificial transgender longicorn algorithm,ATLA）对SDAE网络超参数进行自适应选取,优化确定网络结构,提高了网络模型的泛化能力和识别准确性。在此基础上,提出了一种基于优化堆叠降噪自动编码器的故障诊断方法,并通过多工况条件下滚动轴承故障诊断仿真实验进行了有效性验证,结果表明本文方法在故障识别准确率、泛化性能等方面优于基于BP（back propagation）神经网络、支持向量机（support vector machine,SVM）以及卷积神经网络（convolutional neural networks,CNN）的故障诊断方法,与同为深度学习模型的CNN网络相比,运算效率更高,实时性更强。（4）提出了一种基于ICS-ELM的复杂系统过程关键参数实时预测方法。通过过程关键参数的实时预测来实现系统故障的实时预测是一种有效的故障预测方法。本文利用软测量的间接测量思想,构建了ICS-ELM神经网络模型来实现系统关键参数的准确预测。首先,在动态自适应搜索步长调整的基础上,增加基于搜索进程的动态被发现概率调整策略,设计了布谷鸟搜索算法（CS）的改进算法ICS;其次,利用ICS实现了ELM回归网络的连接权值和隐含层阈值的参数优化,提高了网络稳定性和预测精度;然后,利用主成分分析（principal components analysis,PCA）完成了过程数据的降维和属性约简,实现软测量辅助变量选择;最后,建立过程关键参数的ICS-ELM预测模型,并以污水处理过程关键参数生化需氧量（biochemical oxygen demand,BOD）为预测对象,建立基于ICS-ELM的BOD故障预测模型。实验结果表明,本文方法不仅可以实现BOD的精确预测,也为其他过程关键参数的故障预测提供了一个可行的解决方案,具有一定的推广价值。（5）提出了一种基于卷积神经网络的剩余寿命预测方法。设备的剩余寿命预测是系统故障预测中的重要研究内容,然而复杂非线性系统参数众多,过程数据量大且维度高,致使预测模型难以准确建立,预测方法少。对此,本文提出了一种基于CNN-HI健康指数的剩余寿命预测方法。首先,对数据样本进行预处理,建立故障预测图像数据集;然后,借助CNN网络强大的图像特征提取能力,实现基于优化CNN网络的健康指数（CNN-HI）高品质构造与估计;最后,通过高斯过程回归分析实现剩余寿命预测,并通过滚动轴承PRONOSTIA数据集验证了方法的性能,结果表明本文方法可以有效估计轴承的退化状态,实现了轴承RUL高准确性预测,为轴承及其余设备的剩余寿命预测研究提供了重要的理论参考,具备重要的实践价值。本文结合系统非线性特点,在强噪声、多干扰背景下,就基于模型和基于数据驱动的故障诊断与预测方法进行了深入的研究,提出了多种故障诊断和预测新方法,一定程度上解决了系统突变、多工况等各种复杂情况下,由于系统复杂性、故障耦合性及不确定性等所带来的诊断准确率低、实时性差、鲁棒性弱及预测方法缺乏等问题。本文研究成果对非线性系统智能诊断技术的发展及保障系统运行的安全性和可靠性具有重要的参考价值和实践意义。
二、4种新的小波变换及其在发电机故障信号分析中的应用（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、4种新的小波变换及其在发电机故障信号分析中的应用（论文提纲范文）
（1）旋转机械故障信息挖掘及状态评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题来源 |
| 1.1.2 选题意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 振动信号分析方法 |
| 1.2.2 非平稳振动信号分析方法 |
| 1.2.3 旋转机械故障智能识别方法 |
| 1.2.4 机械故障程度定量表达方法 |
| 1.3 拟解决的问题 |
| 1.4 研究内容及章节安排 |
| 2 解调后频域中故障信息挖掘方法研究 |
| 2.1 引言 |
| 2.2 轴承振动信号调制特点 |
| 2.3 解调后频域中故障信息挖掘算法 |
| 2.3.1 广义解调算法 |
| 2.3.2 解调后频域中故障信息挖掘算法 |
| 2.4 基于解调后频域中信息挖掘的识别方法 |
| 2.5 仿真验证 |
| 2.6 实验验证 |
| 2.6.1 实验台及数据采集 |
| 2.6.2 识别结果对比 |
| 2.7 本章小结 |
| 3 机械故障激发的振动响应挖掘方法 |
| 3.1 引言 |
| 3.2 振动响应挖掘方法 |
| 3.2.1 Matrix profile算法 |
| 3.2.2 振动响应挖掘参数设置 |
| 3.3 基于振动响应挖掘的识别算法 |
| 3.3.1 卷积神经网络 |
| 3.3.2 基于振动响应挖掘识别方法 |
| 3.4 实验验证 |
| 3.4.1 实验数据 |
| 3.4.2 实验结果 |
| 3.5 风力发电机振动信号验证 |
| 3.5.1 实验装置 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 数据稀缺情况下故障特征迁移方法 |
| 4.1 引言 |
| 4.2 双流CNN迁移模型 |
| 4.2.1 双流CNN输入信号 |
| 4.2.2 双流CNN模型搭建 |
| 4.3 基于振动响应挖掘及迁移模型识别算法 |
| 4.4 实验验证 |
| 4.4.1 数据介绍 |
| 4.4.2 识别结果对比 |
| 4.5 本章小结 |
| 5 特征融合的故障程度评估方法 |
| 5.1 引言 |
| 5.2 振动信号特征提取与精炼 |
| 5.2.1 振动信号特征提取 |
| 5.2.2 拉普拉斯分值算法 |
| 5.2.3 改进特征融合算法 |
| 5.3 基于改进特征融合故障程度定量表达方法 |
| 5.4 实验验证 |
| 5.5 风力发电机振动信号验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 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 |
（2）基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 风电机组故障诊断研究现状 |
| 1.2.1 信号检测方法 |
| 1.2.2 故障诊断环节 |
| 1.2.3 故障预测方法 |
| 1.2.4 发展趋势及不足 |
| 1.3 选题的目的和意义 |
| 1.4 论文主要研究内容 |
| 2 风电机组基本结构和典型故障分析 |
| 2.1 风电机组基本结构 |
| 2.1.1 双馈异步机组 |
| 2.1.2 直驱永磁机组 |
| 2.2 风电机组典型故障分析 |
| 2.2.1 风电机组常见故障 |
| 2.2.2 风电机组齿轮箱故障分析研究 |
| 2.3 本章小结 |
| 3 基于经验小波变换的信号降噪处理 |
| 3.1 经验小波变换的基本原理 |
| 3.1.1 频谱分割方法的选择 |
| 3.1.2 尺度空间频谱分割阈值确定方法 |
| 3.2 信号重构阈值设定 |
| 3.3 EWT重构降噪仿真对比分析 |
| 3.4 本章小结 |
| 4 基于EWT-OPRCMDE-ELM的故障诊断模型 |
| 4.1 基于OPRCMDE的特征提取 |
| 4.1.1 RCMDE的基本原理 |
| 4.1.2 RCMDE的参数选择与优化 |
| 4.1.2.1 序列长度N |
| 4.1.2.2 时延d |
| 4.1.2.3 嵌入维数m和类别个数C |
| 4.2 基于Relief-F的特征降维和ELM的故障模式识别 |
| 4.2.1 Relief-F算法的特征降维原理 |
| 4.2.2 ELM的基本原理 |
| 4.3 故障诊断方法框架 |
| 4.4 本章小结 |
| 5 实验分析 |
| 5.1 实验数据采集 |
| 5.2 EWT分解与重构 |
| 5.3 OPRCMDE参数寻优及特征矩阵构建 |
| 5.4 故障模式识别 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）输油气站控制系统的状态采集监测系统（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 国内外研究现状 |
| 1.2.1 状态采集监测的发展历史及研究现状 |
| 1.2.2 状态信号分类及分析方法 |
| 1.2.3 小波变换在状态监测中的应用 |
| 1.3 论文主要研究工作 |
| 第二章 控制系统常见故障总结及结构分析 |
| 2.1 输油气站控制系统常见故障总结 |
| 2.2 控制系统整体结构分析 |
| 2.3 控制系统的供电结构分析 |
| 2.4 控制系统的重要组件分析 |
| 2.4.1 Mark VIe控制系统结构 |
| 2.4.2 I/O模块 |
| 2.4.3 PLC系统结构 |
| 2.5 本章小结 |
| 第三章 控制系统状态采集监测研究 |
| 3.1 状态信号采集分析 |
| 3.2 控制系统外部状态信号分析 |
| 3.2.1 温度对控制系统的影响 |
| 3.2.2 控制系统的其他外部影响因素 |
| 3.3 控制系统内部状态信号分析 |
| 3.3.1 电源系统中的状态信号 |
| 3.3.2 I/O模块中的状态信号 |
| 3.3.3 网络模块中的状态信号 |
| 3.4 控制系统中状态信号的特点 |
| 3.5 状态信号特征提取 |
| 3.5.1 状态信号的时域特征 |
| 3.5.2 状态信号的频域特征 |
| 3.5.3 状态信号的时频域特征 |
| 3.6 状态采集监测系统设计需求分析 |
| 3.7 本章小结 |
| 第四章 控制系统的状态信号处理 |
| 4.1 状态信号分析 |
| 4.2 品质因子可调的小波变换 |
| 4.2.1 小波品质因子 |
| 4.2.2 TQWT基本理论 |
| 4.2.3 TQWT实现 |
| 4.3 自适应TQWT阈值降噪 |
| 4.3.1 自适应TQWT阈值降噪方法 |
| 4.3.2 自适应TQWT阈值降噪方法的应用 |
| 4.4 基于TQWT的冲击特征提取 |
| 4.4.1 基于TQWT的冲击特征提取方法 |
| 4.4.2 基于TQWT的冲击特征提取方法仿真及应用 |
| 4.5 基于双品质因子TQWT的异常脉冲特征提取 |
| 4.6 本章小结 |
| 第五章 状态采集监测系统设计 |
| 5.1 状态采集监测系统结构设计 |
| 5.2 硬件平台搭建 |
| 5.2.1 高速信号采集 |
| 5.2.2 外部信号采集 |
| 5.3 软件系统设计 |
| 5.3.1 用户管理模块设计 |
| 5.3.2 任务管理模块设计 |
| 5.3.3 数据采集模块设计 |
| 5.3.4 数据存储模块设计 |
| 5.3.5 数据分析模块设计 |
| 5.4 系统功能验证 |
| 5.4.1 信号采集功能验证 |
| 5.4.2 信号分析处理功能验证 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（4）基于数学形态学的风力机发电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的意义和背景 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 风电轴承的失效模式 |
| 1.2.2 风电轴承的故障机理 |
| 1.2.3 风电轴承故障特征提取方法研究 |
| 1.2.4 智能诊断方法在风电轴承上的应用 |
| 1.3 数学形态学在旋转机械故障诊断上的研究 |
| 1.3.1 数学形态学的理论背景 |
| 1.3.2 数学形态学在轴承故障特征提取上的应用 |
| 1.4 本文研究的内容和技术路线 |
| 第2章 数学形态学算子的滤波性能分析 |
| 2.1 引言 |
| 2.2 数学形态学的基本理论 |
| 2.2.1 数学形态学的定义 |
| 2.2.2 数学形态学算子的用途分析 |
| 2.2.3 增强形态差分算子 |
| 2.2.4 结构元素的选择 |
| 2.3 形态学算子的滤波性能分析 |
| 2.3.1 评价指标和轴承故障模型的建立 |
| 2.3.2 EMDO算子的滤波性能分析 |
| 2.4 轴承故障的仿真信号分析 |
| 2.4.1 轴承故障模型的建立 |
| 2.4.2 EMDO算子在不同尺度下的滤波结果 |
| 2.4.3 与MGPO算子和MHPO算子的对比分析 |
| 2.5 发电机轴承故障实验分析 |
| 2.5.1 实验装置和测试环境介绍 |
| 2.5.2 实验数据采集与分析 |
| 2.5.3 与其它算子的实验滤波结果比较分析 |
| 2.6 本章小结 |
| 第3章 发电机轴承故障诊断的自适应PPCA-EMDF方法 |
| 3.1 引言 |
| 3.2 自适应概率主成分分析 |
| 3.2.1 概率主成分分析 |
| 3.2.2 蝗虫优化算法 |
| 3.3 APPCA-EMDF方法 |
| 3.3.1 目标函数的选择 |
| 3.3.2 PPCA-EMDF方法的计算流程 |
| 3.4 发电机轴承故障模型的仿真分析 |
| 3.4.1 发电机轴承外圈的故障信号模型 |
| 3.4.2 发电机轴承内圈的故障信号模型 |
| 3.5 发电机轴承的早期故障分析 |
| 3.5.1 测试实验台与测试数据介绍 |
| 3.5.2 APPCA-EMDF方法处理的实验结果 |
| 3.6 风力机发电机轴承的故障分析 |
| 3.6.1 测试实验装置介绍 |
| 3.6.2 测试实验数据分析 |
| 3.6.3 ACDIF与VMD方法的分析结果比较 |
| 3.7 本章小结 |
| 第4章 发电机轴承故障诊断的增强形态顶帽变换研究方法 |
| 4.1 引言 |
| 4.2 增强形态顶帽变换 |
| 4.2.1 AVGH和CMFH算子的介绍 |
| 4.2.2 增强形态顶帽算子EAVGH |
| 4.2.3 EAVGH算子的滤波性能分析 |
| 4.3 结合循环谱相干分析的形态顶帽滤波器 |
| 4.3.1 循环谱相干 |
| 4.3.2 EAVGH-CSC方法的流程图 |
| 4.4 仿真分析 |
| 4.4.1 故障信号仿真模型建立 |
| 4.4.2 EAVGH-CSC方法的分析结果 |
| 4.4.3 EAVGH-CSC方法的鲁棒性和灵敏度分析 |
| 4.5 风力发电机的实验分析 |
| 4.5.1 实验台和实验数据描述 |
| 4.5.2 EAVGH-CSC方法的处理结果 |
| 4.5.3与SK和EEMD方法的对比分析结果 |
| 4.6 本章小结 |
| 第5章 发电机轴承在多尺度数学形态学下的故障诊断方法 |
| 5.1 引言 |
| 5.2 多尺度数学形态学的基本理论 |
| 5.2.1 常见的多尺度形态学算子 |
| 5.2.2 多尺度增强形态顶帽变换算子 |
| 5.3 多尺度数学形态学的信号重构 |
| 5.3.1 常见的多尺度形态学信号重构 |
| 5.3.2 迭代加权阈值的多尺度形态学信号重构 |
| 5.4 仿真信号分析 |
| 5.4.1 发电机的电磁振动 |
| 5.4.2 发电机的轴承外圈故障模型 |
| 5.5 风力机发电机轴承的实验信号分析 |
| 5.5.1 实验装置与测试数据的介绍 |
| 5.6 本章小结 |
| 第6章 发电机轴承的深度学习诊断研究方法 |
| 6.1 引言 |
| 6.2 基本理论介绍 |
| 6.2.1 多尺度数学形态运算 |
| 6.2.2 卷积神经网络CNN |
| 6.3 提出的MFEO-CNN方法 |
| 6.3.1 改进的CNN架构 |
| 6.3.2 基于MFEO与CNN的故障诊断框架 |
| 6.4 CWRU的实验数据验证 |
| 6.4.1 数据描述 |
| 6.4.2 提出方法的分析结果 |
| 6.5 发电机轴承的测试数据验证 |
| 6.5.1 测试系统与数据描述 |
| 6.5.2 提出方法的分析结果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 本文主要创新点 |
| 7.3 未来工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）风力发电机组传动链故障诊断与大数据预警技术（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 阶比分析方法的国内外研究现状 |
| 1.2.2 大数据预警方法的国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 风力发电机组传动链故障机理 |
| 2.1 风力发电机传动链及其振动监测部位 |
| 2.2 齿轮箱常见故障机理分析 |
| 2.2.1 齿轮常见故障及原因 |
| 2.2.2 齿轮振动信号特征 |
| 2.3 轴承常见故障分析机理 |
| 2.3.1 轴承常见故障及原因 |
| 2.3.2 轴承信号的主要特征 |
| 2.4 本章小结 |
| 第三章 基于EEMD与 HHT的无转速计阶比分析方法 |
| 3.1 阶比(order) |
| 3.2 聚合经验模态分解 |
| 3.3 希尔伯特-黄变换 |
| 3.4 无转速计阶比分析步骤 |
| 3.4.1 EEMD分解步骤 |
| 3.4.2 瞬时频率的提取步骤 |
| 3.4.3 角域重采样 |
| 3.5 实验验证 |
| 3.6 实例应用 |
| 3.6.1 齿轮箱故障诊断案例 |
| 3.6.2 轴承故障诊断案例 |
| 3.7 本章小结 |
| 第四章 基于自适应同步压缩小波变换的阶比研究 |
| 4.1 自适应同步压缩小波变换原理 |
| 4.1.1 连续小波 |
| 4.1.2 同步压缩连续小波(WSST) |
| 4.1.3 自适应同步压缩连续小波 |
| 4.2 瑞利熵 |
| 4.3 分析步骤 |
| 4.4 分析过程 |
| 4.4.1 仿真信号分析 |
| 4.4.2 实例验证 |
| 4.5 本章小结 |
| 第五章 大数据智能预警分析方法 |
| 5.1 k-means聚类模型 |
| 5.2 深度学习模型 |
| 5.2.1 卷积神经网络模型的构建 |
| 5.2.2 卷积神经网络的工作过程 |
| 5.3 大数据预警模型 |
| 5.4 案例分析 |
| 5.4.1 数据选取 |
| 5.4.2 k-means分类 |
| 5.4.3 深度学习模型识别数据 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（6）基于迁移学习的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状综述 |
| 1.2.1 旋转机械故障诊断研究现状 |
| 1.2.2 基于迁移学习的旋转机械故障诊断研究现状 |
| 1.3 目前存在的主要问题 |
| 1.4 研究内容和论文组织结构 |
| 第二章 迁移学习相关理论 |
| 2.1 引言 |
| 2.2 迁移学习基本原理 |
| 2.2.1 基本概念 |
| 2.2.2 迁移学习主要研究的问题 |
| 2.2.3 迁移学习基本方法 |
| 2.3 旋转机械故障诊断中的迁移可行性与必要性 |
| 2.3.1 实际运行机械设备的特性 |
| 2.3.2 实施迁移学习的可行性与必要性 |
| 2.4 本章小结 |
| 第三章 基于改进最小二乘支持向量机的迁移学习方法及其在小样本诊断方面的应用研究 |
| 3.1 引言 |
| 3.2 最小二乘支持向量机基本理论 |
| 3.2.1 统计学习理论 |
| 3.2.2 最小二乘支持向量机 |
| 3.2.3 常见核函数及选择 |
| 3.3 基于源域特征样本辅助的改进LSSVM迁移学习机械故障识别方法 |
| 3.3.1 基本原理 |
| 3.3.2 基于源域特征样本辅助的改进LSSVM迁移方法 |
| 3.3.3 经验模态分解的特征提取 |
| 3.3.4 实验验证 |
| 3.4 结合模型参数的联合迁移机械故障诊断方法 |
| 3.4.1 基本原理 |
| 3.4.2 迁移知识设定以及联合迁移模型 |
| 3.4.3 实验验证 |
| 3.5 本章小结 |
| 第四章 基于增强型最大间隔投影的迁移学习方法及其在无标签领域适应诊断方面的应用研究 |
| 4.1 引言 |
| 4.2 基于领域差异最小化的最大间隔投影模型 |
| 4.3 基于局部加权的增强型最大间隔投影故障诊断模型 |
| 4.3.1 基于局部加权的PMMD指标 |
| 4.3.2 增强型最大间隔投影模型 |
| 4.3.3 基于增强型最大间隔投影的旋转机械故障诊断流程 |
| 4.4 实验验证 |
| 4.4.1 领域差异降低的有效性分析 |
| 4.4.2 故障诊断性能分析 |
| 4.5 本章小结 |
| 第五章 基于生成模型的多源域跨领域迁移诊断方法研究 |
| 5.1 引言 |
| 5.2 概率潜在语义分析模型 |
| 5.2.1 基本原理 |
| 5.2.2 期望最大算法 |
| 5.2.3 PLSA模型的优点 |
| 5.3 基于联合对偶概率潜在语义分析的变工况故障诊断模型 |
| 5.3.1 概率潜在语义分析模型在变工况故障诊断中的可行性分析 |
| 5.3.2 特征提取以及故障词汇的生成 |
| 5.3.3 联合对偶概率潜在语义分析模型 |
| 5.3.4 隐特征向量的构建 |
| 5.3.5 基于Fisher核的最小乘支持向量机分类模型 |
| 5.3.6 基于联合对偶概率潜在语义分析模型的变工况故障诊断流程 |
| 5.4 实验验证 |
| 5.4.1 隐变量对诊断性能的影响 |
| 5.4.2 诊断性能对比以及多源域迁移分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间发表论文清单及研究成果 |
（7）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（8）齿轮箱混沌特性与故障诊断研究（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、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）变工况风力机关键部件间歇故障成长状态检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风力机故障诊断研究现状 |
| 1.3 间歇故障诊断定性分析方法 |
| 1.4 间歇故障诊断定量分析方法 |
| 1.5 混沌理论在微弱信号检测中的应用现状 |
| 1.6 本文研究主要内容 |
| 第2章 风力机关键部件间歇故障特征 |
| 2.1 风力机叶片故障介绍 |
| 2.1.1 叶片裂纹损伤分析 |
| 2.1.2 叶片故障类型分析 |
| 2.2 双馈型风电机组传动链系统 |
| 2.3 传动链间歇故障特征解析 |
| 2.3.1 风电齿轮箱特征频率计算 |
| 2.3.2 行星级各齿轮故障特征频率计算 |
| 2.4 风力机传动链典型故障调制机理 |
| 2.4.1 齿轮故障形式 |
| 2.4.2 轴承故障调制机理 |
| 2.4.3 行星轮系分布式故障调制机理 |
| 2.5 风力机传动链故障信号特征 |
| 2.5.1 齿轮磨损故障 |
| 2.5.2 齿轮断齿故障 |
| 2.6 风力机齿轮箱及叶片故障解调 |
| 2.6.1 小波变换理论 |
| 2.6.2 改进的MORLET小波基频提取 |
| 2.7 风力机运行中的微弱间歇故障 |
| 2.7.1 故障的微弱性 |
| 2.7.2 故障的间歇性 |
| 2.7.3 微弱间歇故障的信号预处理 |
| 2.8 本章小节 |
| 第3章 混沌Duffing振子检测及相态判别方法 |
| 3.1 混沌系统基本理论 |
| 3.1.1 Homles-Duffing振子模型 |
| 3.1.2 改进Duffing振子噪声免疫特性 |
| 3.2 分数阶微积分概念 |
| 3.3 分数阶微积分的求解方法 |
| 3.4 传统混沌系统相态判别方法 |
| 3.4.1 系统相态的定性判别方法 |
| 3.4.2 定性分析法的局限性 |
| 3.4.3 系统相态的定量判别方法 |
| 3.4.4 定量分析法的局限性 |
| 3.5 改进型Duffing振子相态判别 |
| 3.5.1 庞加莱映射 |
| 3.5.2 庞加莱截面密度峰值算法 |
| 3.6 本章小节 |
| 第4章 分数阶混沌系统微弱间歇故障检测方法 |
| 4.1 分数阶可停振动系统检测理论 |
| 4.2 微弱间歇故障成长状态检测原理 |
| 4.3 分数阶混沌系统间歇故障幅值自动检测 |
| 4.4 本章小节 |
| 第5章 风力机变工况间歇故障成长状态检测 |
| 5.1 信号幅值检测方法研究 |
| 5.1.1 短时傅里叶变换幅值检测 |
| 5.1.2 Morlet复小波变换幅值检测 |
| 5.1.3 幅值检测方法比较 |
| 5.2 叶片变工况间歇故障成长状态检测 |
| 5.3 齿轮箱轴承变工况间歇故障成长状态检测 |
| 5.4 本章小节 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 攻读博士学位期间发表的论文 |
（10）基于智能技术的一类非线性系统故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语说明 |
| 第一章 绪论 |
| 1.1 论文的背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性系统的故障诊断与预测问题描述 |
| 1.2.2 故障诊断与预测方法研究现状 |
| 1.3 存在的问题和研究难点 |
| 1.4 研究内容及思路 |
| 1.5 论文结构安排及课题来源 |
| 1.5.1 论文结构安排 |
| 1.5.2 课题来源 |
| 第二章 基于智能优化粒子滤波的故障诊断方法研究 |
| 2.1 引言 |
| 2.2 粒子滤波算法 |
| 2.2.1 状态空间模型 |
| 2.2.2 标准粒子滤波 |
| 2.3 变频变异粒子滤波(VFM-PF) |
| 2.3.1 变频变异策略 |
| 2.3.2 变频变异粒子滤波算法 |
| 2.3.3 算法性能实验及结果分析 |
| 2.4 基于VFM-PF的曝气池溶解氧过程故障诊断 |
| 2.4.1 活性污泥法污水处理及曝气池溶解氧过程 |
| 2.4.2 曝气池溶解氧过程故障诊断模型 |
| 2.4.3 基于VFM-PF的曝气池溶解氧过程故障诊断实验及结果分析 |
| 2.5 基于改进天牛群搜索算法的粒子滤波(BSAS-PF) |
| 2.5.1 天牛群搜索算法 |
| 2.5.2 改进天牛群搜索算法 |
| 2.5.3 基于改进天牛群搜索算法的粒子滤波 |
| 2.5.4 算法性能实验及结果分析 |
| 2.6 基于BSAS-PF的双馈风力发电机故障诊断 |
| 2.6.1 风力发电系统概述 |
| 2.6.2 双馈发电机故障诊断模型 |
| 2.6.3 基于BSAS-PF的双馈发电机故障诊断实验及结果分析 |
| 2.7 本章小结 |
| 第三章 基于ADCS-ELM的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 本章相关技术概述 |
| 3.2.1 经验模态分解和集合经验模态分解 |
| 3.2.2 极限学习机 |
| 3.3 ADCS-ELM神经网络 |
| 3.3.1 改进布谷鸟搜索算法 |
| 3.3.2 基于ADCS的改进ELM神经网络 |
| 3.4 基于ADCS-ELM的故障诊断 |
| 3.4.1 故障诊断流程 |
| 3.4.2 基于EEMD的特征提取 |
| 3.4.3 基于ADCS-ELM的故障模式识别 |
| 3.5 故障诊断实验及结果分析 |
| 3.5.1 数据来源 |
| 3.5.2 故障特征提取实验 |
| 3.5.3 故障分类识别实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于堆叠降噪自动编码器的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 堆叠降噪自动编码器(SDAE) |
| 4.2.1 自动编码器(AE) |
| 4.2.2 稀疏自动编码器(SAE) |
| 4.2.3 降噪自动编码器(DAE) |
| 4.2.4 堆叠降噪自动编码器(SDAE) |
| 4.3 基于人工变性天牛算法的改进堆叠降噪自动编码器(ATLA-SDAE) |
| 4.3.1 人工变性天牛算法(ATLA) |
| 4.3.2 基于ATLA的 SDAE超参数优化 |
| 4.4 基于ATLA-SDAE的故障诊断 |
| 4.5 故障诊断实验及结果分析 |
| 4.5.1 多工况轴承数据与特征集的构造 |
| 4.5.2 故障诊断实验及结果分析 |
| 4.6 本章小结 |
| 第五章 基于ICS-ELM的故障预测方法研究 |
| 5.1 引言 |
| 5.2 基于ICS-ELM的污水处理过程BOD预测 |
| 5.2.1 改进布谷鸟搜索算法(ICS) |
| 5.2.2 基于ICS的改进ELM神经网络污水处理过程BOD预测 |
| 5.3 基于ICS-ELM的 BOD实时故障预测实验及结果分析 |
| 5.3.1 实验数据的获取 |
| 5.3.2 实验数据的预处理 |
| 5.3.3 BOD预测实验及结果分析 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的剩余寿命预测方法研究 |
| 6.1 引言 |
| 6.2 本章相关技术概述 |
| 6.2.1 连续小波变换 |
| 6.2.2 卷积神经网络CNN |
| 6.3 CNN预测模型结构设计 |
| 6.4 基于CNN-HI的滚动轴承剩余寿命预测 |
| 6.5 基于CNN-HI的轴承RUL预测实验及结果分析 |
| 6.5.1 PRONOSTIA轴承加速全寿命数据集 |
| 6.5.2 预测实验及结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
四、4种新的小波变换及其在发电机故障信号分析中的应用（论文参考文献）
- [1]旋转机械故障信息挖掘及状态评估方法研究[D]. 刘东东. 北京交通大学, 2021
- [2]基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断[D]. 李宣. 西安理工大学, 2021(01)
- [3]输油气站控制系统的状态采集监测系统[D]. 岳佳林. 电子科技大学, 2021(01)
- [4]基于数学形态学的风力机发电机轴承故障诊断方法研究[D]. 罗园庆. 沈阳工业大学, 2021(02)
- [5]风力发电机组传动链故障诊断与大数据预警技术[D]. 王平. 山西大学, 2021(12)
- [6]基于迁移学习的旋转机械故障诊断方法研究[D]. 陈超. 东南大学, 2020
- [7]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [8]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [9]变工况风力机关键部件间歇故障成长状态检测技术研究[D]. 高丙朋. 新疆大学, 2020(06)
- [10]基于智能技术的一类非线性系统故障诊断与预测方法研究[D]. 余萍. 兰州理工大学, 2020