一、设备故障诊断技术及其应用（论文文献综述）
吴耀春[1]（2021）在《数据驱动的旋转机械智能故障辨识方法》文中认为旋转机械在现代工业生产中发挥着非常重要的核心关键作用,因此近年来保障该类设备安全可靠运行的状态监测与故障诊断技术得到了快速发展。关于该项技术的总体发展趋势,目前已达成的基本共识是必须在数据科学原理指导下走工业大数据的智能决策技术发展之路,追求的目标应该是使旋转机械尽快实现优质高效的运行以满足智能制造需要。由此诱发的新型基础问题之一,是必须解决好旋转机械运行信息的数据资源化保护与开发利用问题。基于上述发展需求,本论文以旋转机械作为研究对象,以现代机器学习技术为理论基础,基于信号处理、粗糙集、信息融合、半监督学习、域自适应、神经网络、深度学习等智能技术,对数据驱动的旋转机械智能故障辨识方法展开研究。取得的研究成果与得到的结论情况基本如下:（1）针对旋转机械敏感故障特征提取困难的问题,提出一种经验小波变换（Empirical Wavelet Transform,EWT）与加权多邻域粗糙集（Weighted Multi Neighborhood Rough Sets,WMNRS）结合的故障特征提取方法。首先,利用EWT对非线性、强噪声振动信号进行分解,根据相关性选择一组最优模态分量进行重构,计算重构信号的时域特征并构造高维原始特征集;然后,在不同邻域半径下利用WMNRS对原始特征集约简得到频繁项集;最后,统计原始特征集中各个特征在多邻域属性约简中出现的概率,将其作为权值与特征进行加权提取利于分类的敏感特征集合。实验结果表明,该方法能够有效提取旋转机械振动信号的敏感故障特征,并且根据提取的特征向量可正确辨识旋转机械的故障类型。（2）针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用卷积神经网络（Convolutional Neural Networks,CNN）融合多传感器信号特征的故障辨识方法。首先对多传感器振动信号分别进行特征提取,将获得的特征向量作为一维特征面构造多传感器特征面集合,将该集合作为卷积神经网络的输入;随后,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后由softmax分类器输出辨识结果。实验结果表明,该方法具有较高的故障分类与辨识能力、良好的鲁棒性和自适应性。（3）针对故障数据集中各类别的样本数目不平衡造成少数类样本识别准确率偏低的问题,提出一种基于最小最大化目标函数卷积神经网络（Min-Max Objective CNN,MMOCNN）的故障辨识方法。该方法首先利用CNN交替的卷积与池化运算自适应学习振动信号中具有表征信息的敏感特征,并通过全连接层将学习特征映射到类空间;然后,在类空间中构造特征的最小最大化目标函数;最后,将最小最大化目标函数融入到CNN的损失函数中,在模型训练过程中既考虑分类总体误差最小,同时又要求学习的样本特征保持类内间距小、类间间距大,以实现对数据不平衡故障的有效辨识。用滚动轴承的不平衡数据集分别对本方法和CNN的辨识效果进行实验,结果表明本方法能够使少数类样本的辨识精度提升20%以上。其他佐证实验,进一步证实了本方法在数据不平衡情况下的有效性。（4）针对标记样本获取困难且代价高昂、但无标记样本却可较容易收集的状况,提出一种基于半监督CNN的故障辨识方法。该方法首先利用CNN提取输入样本的类空间特征,并输出无标记样本的类概率,在此基础上采用改进的类概率最大间距准则构造无标记样本的损失函数;随后,将以类空间特征类内间距最小、类间间距最大为优化目标的损失函数融入CNN,建立半监督CNN模型;最后,提出一种基于半监督CNN的故障辨识方法。通过轴承故障辨识仿真实验验证了该方法可以有效利用无标记样本提高模型辨识性能。与常用半监督深度学习方法比较,该方法的辨识精度提高3%以上。（5）针对动态工况下训练（源域）数据和测试（目标域）数据分布存在差异导致模型识别能力不足的问题,提出一种基于对抗式域自适应卷积神经网络（Adversarial Domain Adaptation CNN,ADACNN）的故障辨识方法。该方法首先利用CNN将源域、目标域训练样本同时分别映射至类特征空间与预测标签空间;然后,在类特征空间构造对抗式域自适应,预测标签空间构造最大均值差异域自适应,并建立ADACNN模型;最后,提出一种基于ADACNN的故障辨识方法。以公开、实测两个轴承数据集验证了所提方法的有效性,结果表明在变工况（负载、转速）下本方法与CNN相比具有4%以上故障识别精度优势。本论文从数据驱动角度对旋转机械智能故障辨识方法进行了系列探讨,提出的多种故障辨识方法有助于解决智能故障辨识中低维敏感故障特征提取、多传感器信息融合、数据不平衡、标记样本不足、变工况的问题。在基于数据驱动的智能故障辨识技术发展方向上,值得进一步深入探讨的问题还应包括多种改进算法的集成、模型结构参数设计、算法应用技术手段等。解决这些问题将能够为工业大数据技术的落地应用,提供数据科学的理论依据。
李华[2]（2020）在《基于频带熵改进理论的轴承故障诊断算法研究》文中研究说明滚动轴承是旋转机械的重要组成部分,其在高端数控装备、工业机器人等现代机械设备中扮演着重要角色。由于滚动轴承受各种复杂因素的影响,使之成为整个旋转机械系统中可靠性最差的零部件之一,其运行状态会对整个机械设备的运行状态产生直接地影响,旋转机械发生故障往往是由滚动轴承故障所导致的。因此,针对滚动轴承的状态监测和故障诊断展开相关的研究,可以对旋转设备的运行状态进行评估,为设备的安全稳定运行提供有力的保障,同时也可将传统的定时维修或事后维修转变为视情维修（基于运行状态的设备维护）,实现滚动轴承的主动维护。因此,对滚动轴承的状态监测和故障诊断一直是机械设备诊断中的热点和难点。本学位论文以频带熵分析方法为理论基础,以滚动轴承为研究对象,对滚动轴承非平稳振动信号进行分析与处理,深入研究滚动轴承振动信号的故障特征信息提取和故障诊断方法。针对频带熵方法分别从理论和应用两方面展开研究,总结了该方法由于算法理论本身而存在的不足,以及其在强噪声干扰、存在偶然冲击、早期微弱故障和复合故障时的局限性,并提出了相应的解决措施。本学位论文的主要工作如下:（1）从理论推导上对原始的频带熵方法进行了详细的阐述。分析并总结了原频带熵方法不足:（1）原频带熵方法在设计带通滤波器时的带宽参数的取值问题;（2）短时傅里叶变换时频变换的缺陷（窗口高度和宽度固定,不能兼顾频率与时间分辨率的需求）;（3）确定共振频率时所用的指标——信息熵的不足。（4）分解深度的约束问题。与此同时,在轴承的各种实际应用场景中,常常具有强噪声和偶然冲击干扰、复合故障时,频带熵方法也表现出明显地局限性。（2）针对频带熵方法的带宽参数取值问题,以及滚动轴承的工作环境的复杂性,致使滚动轴承振动信号中引入了强背景噪声,提出了奇异值分解预处理原故障信号与带宽参数优化的频带熵方法相结合的解决方案。首先,在获得共振频率的前提下,提出了基于峭度最大值原则的带宽参数优化方法,可有效提升频带熵方法的带通滤波降噪性能。其次,针对奇异值分解的重构阶次的确定问题,提出了基于奇异峭度值相对变化率的模型阶次确定方法,提升奇异值分解的通频带降噪能力。此方案充分结合奇异值分解优秀的通频带降噪能力和频带熵优秀的带通滤波器设计能力,达到优势互补,可以有效的削弱噪声对频带熵方法寻找共振频率的干扰,实现强噪声下滚动轴承故障特征提取。另外,在实例分析中还验证了频带熵方法实现集合经验模态分解的最佳固有模态分量选取的有效性。（3）针对频带熵方法理论上存在的不足,即时频变换、指标以及分解深度的约束的不足,以及采集的滚动轴承振动信号包含强噪声,且可能含有偶然冲击干扰时,频带熵方法的表现往往也受到限制。对此,提出了相应的解决方案。（1）首先,针对短时傅里叶变换本身存在的不足（窗口高度和宽度固定,不能兼顾频率与时间分辨率的需求）,提出了将小波包变换引入频带熵方法替代短时傅里叶变换以获得更好的时频分布。其次,针对指标-熵的不足,提出了功率幅值谱熵指标,以确定共振频带。然后,针对分解层次的约束问题,提出了自适应共振带宽的约束方法。由此,提出了基于小波包变换、幅值功率谱熵、自适应共振带宽约束的增强型频带熵方法,从理论本质上使频带熵方法得到优化。（2）针对增强型频带熵方法的不足,提出了基于小波包变换、包络峭度指标、互相关系数、修正的自适应共振带宽的修正的频带峭度方法,以有效克服增强型频带熵方法的不足。这两种方法在仿真和实例分析中都得到了验证。（4）在实际工程应用中,滚动轴承的故障形式往往不是单一的,而频带熵及其改进方法在诊断轴承复合故障时往往造成漏诊和误诊。引入优化的变分模态分解对原故障信号进行预处理,对分解后的各个固有模态分量按指标进行降序排列并初步筛选,对保留的固有模态分量按降序顺序分别进行频带熵分析,可以有效地解决轴承的复合故障诊断问题,并节省工作量。另外,在实验分析中验证了基于功率谱的增强型自适应共振技术在轴承复合故障诊断中的有效应用。它们都可以有效的实现滚动轴承的复合故障诊断。
郝彦嵩[3]（2020）在《多源信号自适应稀疏表征分离算法及其应用》文中研究说明机械设备经常在温度较高、载荷较大等工况条件比较复杂的环境下运行,其核心部件难免发生故障,而实际情况中,故障源往往不是单一的故障,而是不同的部件出现不同损伤等造成的复合故障,这将会极大地增大其故障诊断难度,严重影响企业的正常运转,甚至可能带来灾难性的后果。因此,旋转机械复合故障诊断是企业设备状态监测与故障诊断的关键环节之一,是机械设备稳定和健康运行的重要保障。为此,本文针对机械多源故障信号在复杂工况下稀疏性不强以及在耦合方式未知情况下难以提取故障特征等问题,开展了基于多源信号自适应稀疏表征分离算法及其应用研究。主要研究内容及结论如下:针对机械设备在实际运行过程中,传感器数目受限等复杂工况的问题,开展了基于内禀模态分解的盲源分离方法研究。首先,对采集到的故障振动信号进行自适应内禀模态分解。在传统分解过程中,目标分解信号为平稳信号,判别条件严格,然而在实际情况中,采集到的多为携带噪声干扰的振动信号,僵化的判别条件会导致算法无法收敛。针对该情况重新设置了适合振动信号的判别条件,并且在迭代过程中,构建了能量因子指标来作为算法的终止条件,在提高信号分解效率的同时,为复合故障诊断提供了帮助。针对传统盲源分离算法在求解欠定问题时面临的困难,提出了基于改进内禀模态分解方法与非负矩阵分解的欠定盲源分离框架。基于上述提出的内禀模态分解方法,对观测信号进行自适应分解,将难以解决的欠定问题转换为正定或过定问题。利用非负矩阵分解能够更好地解决实际问题的优势,开展了基于非负矩阵分解的欠定盲源分离方法研究并应用于轴承复合故障诊断。首先通过自适应内禀模态分解对故障信号进行处理,获得一定数量的分量成分。然后通过势函数方法对源信号数目进行估计,从而确定非负矩阵分解过程中的矩阵维度。此外,还开展了基于独立分量分析的研究,并在改进内禀模态分解方法与独立分量分析方法结合过程中引入遗传算法来优化分离过程,实现复合故障信号的盲源分离。针对设备振动信号稀疏性不足的问题,开展了基于稀疏盲源分离的信号分离方法研究。考虑到稀疏表示算法在处理大数据问题的优势,并且独立分量分析算法的前提条件在实际情况中较为苛刻,计算环节较多以及非负矩阵分解方法计算过程较为耗时,因此着重研究基于稀疏分量分析的盲源分离算法。首先对稀疏分量分析算法中的稀疏化条件展开研究。采用了基于小波模极大值的提高稀疏度的方法来获得稀疏观测信号。然后,基于获得的稀疏信号利用势函数来估计源信号的数量和混淆矩阵。最后,可以根据最短路径方法实现源信号的分离。此外,针对混合矩阵估计方法中,传统势函数计算方便但只能处理二维平面的问题,以及模糊聚类等估计方法不受维度限制但结果有一定随机性的问题,提出了一种新的混合矩阵估计方法。通过将二维平面映射到三维空间中,基于球坐标系构造了一组新的空间势函数,将矩阵估计问题转换为函数的极值求解问题。进一步研究了实际过程中卷积耦合的混合模型,通过基于三维势函数与卷积模型的映射关系,实现了复合故障诊断。针对稀疏分量分析过程中信号的稀疏性不足或估计矩阵存在偏差都会导致分离结果不准确的问题,开展了基于优化稀疏分量分析的方法研究,提出了分步式优化稀疏分量分析策略。首先,利用受控极小化方法对振动信号进行稀疏表示,接着采用三维势函数估计混合矩阵,最后构造参考信号实现分离。此外,在稀疏表示过程中,通常都采用凸的正则项来用于保证优化求解过程中问题具有全局最优解。然而,在很多实际应用过程中,非凸正则化往往能够获得更好的稀疏效果,即进一步增强稀疏性。因此,构造非凸正则项,并通过引入参数化系数来调节非凸正则项的结构,从而确定其在满足全局最优前提下的表达式。在获得良好稀疏表示效果的基础上,通过改进三维势函数方法,使其可以不受低维度限制的进行混合矩阵的估计,并且在恢复信号过程中,通过基向量的选取来提高算法效率。本论文以机械故障盲源分离为出发点,对机械故障诊断中的自适应分解方法、内禀模态分解方法、独立分量分析、非负矩阵分解、稀疏分量分析等盲分离算法进行了深入和系统的研究,特别是从稀疏性角度出发,深入研究了基于三维势函数、非凸正则化等算法的稀疏分量分析。研究成果对机械设备的状态监测和复合故障的分离具有重要的参考价值。
牛晓瑞[4]（2020）在《改进的局部波动特征分解方法及其在旋转机械故障诊断中的应用》文中研究表明如今,随着旋转机械设备越来越复杂化,对其运行状态的实时在线监测具有重要的现实意义。从旋转机械的故障振动信号中提取出能够表征其运行状态的特征信息是故障诊断的关键,信号分析和处理技术是提取旋转机械故障特征信息的常用方法。由于大多数机械故障振动信号具有非线性、非平稳和低信噪比的特点,而时频分析方法能够同时提供非平稳信号的时域和频域信息,具有较强的局部描述能力,因而非常适合处理旋转机械设备的故障振动信号。但是,常用的时频分析方法,如窗口傅里叶变换（Windowed Fourier transform,WFT）、Wigner 分布（Wigner distribution,WD）、小波变换（Wavelet transform,WT）、希尔伯特黄变换（Hilbert-Huang transform,HHT）、局部均值分解（Local mean decomposition,LMD）等都有各自的局限性。因此继续探索新的机械故障振动信号的分析和处理技术是非常有必要的。近来,一种新的自适应的时频分析方法局部波动特征分解（Localoscillatory-characteristic decomposition,LOD）被提出之后,由于其具有高效的运算速度,已经被成功的应用在旋转机械的故障诊断中,本文基于此方法提出了一种新的自适应的时频分析方法,基于有理样条函数的局部波动特征分解方法（Rational spline-Local oscillatory-characteristic decomposition,RS-LOD）,并对 RS-LOD 方法进行了深入的研究,本文的主要研究内容如下:（1）提出了基于有理样条函数的局部波动特征分解方法,由于该方法可以将多分量的非线性非平稳信号分解为平滑的单分量信号,从而解决了原LOD分解得到的单一波动分量缺乏光滑性失真的问题。并将RS-LOD方法与Hilbert解调方法相结合有效地提取出了旋转机械的故障特征信息。（2）针对单分量信号解调方法经验包络法（empiricalenvelope,EE）会出现过包络和欠包络的问题,提出了改进的经验包络法（improved empirical envelope,IEE）,并与Hilbert解调法和Teager能量算子解调法进行了对比分析。同时,结合RS-LOD方法和IEE解调方法有效地提取出了旋转机械的故障特征信息。（3）针对滚动轴承早期微弱故障易受到背景噪声及其安装制造误差的干扰而难以提取的问题,提出了基于RS-LOD和加权导数动态时间规整（Weighted derivative dynamic time warping,WDDTW）的时频分析方法,并通过对美国凯斯西储大学轴承数据中心的滚动轴承振动故障信号的分析验证了该方法的有效性。
黎琦[5]（2020）在《基于自适应时变滤波分析的风电传动齿轮箱故障特征提取方法研究》文中研究说明风能作为主要的清洁能源之一,在近十几年得到了飞速发展。随着风电机组装机容量的不断增大,风电机组故障问题也频繁出现。其中,作为风电机组传动系统中的重要组成部件,风电机组传动齿轮箱是故障率高发的部件之一,且其故障造成的经济损失巨大。同时,相比于其他齿轮箱,风电机组齿轮箱常处于变转速工况下,且采集得到的风电机组齿轮箱振动信号中往往包含了大量的噪声信号,导致许多常用的故障分析方法（如频谱分析、EEMD等）难以适用。因此,针对风电机组齿轮箱故障诊断方法的研究迫在眉睫。针对风电机组齿轮箱的故障诊断,本文以齿轮箱的主要零件齿轮为研究对象,以自适应时变滤波分析方法为研究方法,在分析和优化自适应时变滤波分析方法的基础上,将其应用于齿轮箱的故障特征提取中。本文主要做了以下五个方面的工作:（1）描述风电机组传动齿轮箱的结构,阐述了风电机组齿轮箱振动信号的特点及其提取方法,分析了其信号特征提取的难点。（2）阐述并分析了自适应时变滤波分析方法。对自适应时变滤波分析方法的原理及计算流程进行了分析,阐述了自适应时变滤波分析方法在处理风电机组齿轮箱振动信号上的适应性。通过模拟变转速工况下齿轮局部故障特征信号与实际齿轮断齿试验信号的分析,以及与直接阶次分析对比研究,验证了该方法在风电机组齿轮箱故障诊断研究上的有效性与优越性。（3）针对自适应时变滤波方法中带通内信号的降噪问题,提出采用时域同步平均与自相关降噪方法对滤波后信号进一步降噪。通过模拟变转速工况下齿轮局部故障特征信号与实际齿轮断齿试验信号的分析,证明了所提降噪方法能够进一步提高滤波信号的信噪比。（4）针对变转速下齿轮箱复合故障提取问题,提出利用自适应时变滤波分析方法将齿轮故障信号与轴承故障信号进行分离,并分别进行包络谱分析,以提取齿轮故障特征与轴承故障特征。通过模拟变转速工况下齿轮与轴承复合故障特征信号与实际齿轮箱齿轮与轴承复合故障试验信号的分析,验证了该方法在分离变转速下齿轮轴承故障信号和滚动轴承故障信号的有效性,并通过与基于EEMD的阶次包络谱分析方法的对比,凸显了自适应时变滤波分析方法的优越性。（5）针对自适应时变滤波分析方法中带宽选取的问题,提出采用阶次能量比作为带宽选取的指标,以达到自适应选取带宽的目的。通过模拟变转速工况下齿轮局部故障特征信号与实际齿轮断齿试验信号的分析,验证了阶次能量比在自适应选取带宽时的有效性。
季献铖[6]（2019）在《液压系统状态监测与故障诊断方法及其应用研究》文中提出液压传动与控制技术在国民经济中的应用日益广泛,为保障设备可靠运行、提高工作效率,对液压系统进行状态监测与故障诊断技术的研究有着重要意义。由于液压系统的应用场景复杂,特别是在高频领域的应用中,系统的状态信号通常受多种因素干扰,呈现非平稳性,采集值会偏离真实值,难以对其实施有效的状态监测。另一方面,液压系统是结构复杂多样的机、电、液的综合系统,其故障具有发生点隐蔽、因果关系交错、差异性大等特点。往往一种故障模式将对应多个信号特征,难以获取通用的理论故障特征,现有的诊断方法难以有效的检测液压系统故障。因此,发展针对液压系统有效的状态监测与识别方法具有重要的意义。本文提出一种高通滤波增强集合经验模式分解的状态监测方法用于液压系统状态监测;此外,提出一种基于DSm理论的混合智能故障诊断方法,该方法成功诊断出液压阀中的12类故障类型及其发生位置。论文的主要工作及研究内容如下:针对液压系统状态信号易受多种因素干扰而呈现非平稳特性的问题,本文提出一种高通滤波增强集合经验模态分解的液压系统状态监测方法。为验证所提方法的有效性,本文试制了一款高频液压振动台用于实验研究。在实验研究中,首先,利用高通滤波除去一些可知的噪声成分,再利用集合经验模态分解对信号进一步分解获得抗干扰的状态反馈信号。针对液压系统中故障机理不明确,难以获得故障理论特征的问题,提出了一种基于DSm理论的混合智能故障诊断方法。该方法能通过数据自动学习故障特征,克服了需要先验故障知识的不足。为验证所提方法的有效性,设计了液压阀故障试验台进行实验研究,研究结果表明,12种液压阀的故障分类正确率约为98.1%,远优于其它方法。
张建[7]（2019）在《ADMOW模式识别方法及其在滚动轴承故障诊断中的应用》文中研究表明滚动轴承是旋转机械设备的重要部件,在机械设备中起着支撑轴及轴上零件、保持轴的正常工作位置和旋转精度等作用,广泛应用于工业领域的各个方面。据统计,滚动轴承是旋转机械中最易损坏的零部件之一,其工作状态直接影响到整台设备甚至生产线的运转。因此,采用有效的方法对滚动轴承的运行状态进行监测及诊断,对于机械设备的稳定运行有着重要的意义。然而,在滚动轴承的故障诊断中,由于设备运行过程产生的振动、现场环境的噪声和测量误差等因素的影响,实际采集的滚动轴承振动信号往往表现出非线性和非平稳性,所提取的特征数据出现远离群体的异常值,这些异常数据对建模过程产生了不同程度的影响,导致建立的模型与实际情况之间存在偏差,影响故障诊断的准确性。针对上述问题,本文提出了基于优化加权的代理判别模型（Agent discriminate model based optimization weighted,简称ADMOW）。该方法根据各项特征参数的贡献度对样本特征值赋予一定的权值,以此弱化异常数据导致的模型偏差,然后根据各项特征值间的相互内在关系建立基于Kriging函数的代理判别模型,并通过优化算法对模型的参数进行优化,进一步弱化异常数据的影响。本文的主要研究内容如下:（1）以Kriging模型为基础,建立代理判别模型,该模型考虑了同类别样本的各项特征值之间具有相同的内在关系,而不同类别样本的特征值之间具有明显不同的内在关系。根据特征值之间的相互关系建立线性或非线性的数学模型,以模型对特征值的预测结果作为分类依据进行模式识别。（2）针对特征数据集中存在的远离群体的异常值,分别采用特征评价法和熵权法评估各项特征参数的贡献度,并根据贡献度的大小对特征值进行加权。将加权的模型应用于滚动轴承实验数据分析,结果表明,特征评价法和熵权法均能提高特征数据的稳定性,弱化异常值对建模的影响,提高滚动轴承故障识别率,而且前者对异常值的弱化效果更加明显。（3）将粒子群优化算法引入代理判别模型,对建立的模型参数进行优化。滚动轴承实验数据分析结果表明,参数优化后的模型能够进一步弱化异常值的影响,得到更加接近真实情况的分类模型,进而提高了模型的分类精度和故障识别率。
王金瑞[8]（2019）在《数据驱动的传动旋转部件智能故障诊断方法研究》文中进行了进一步梳理机械大数据时代所表现出来的大容量、多样性和高速率的特点,使得在运用传统的故障诊断方法时,存在仍依靠人工特征提取及大量先验知识、无法应对大容量数据、转速大波动工况及样本不平衡工况下的故障精确分类问题。故急需更加先进智能的思路和方法来解决此类工程实际问题。本文为了满足机械传动旋转部件的诊断需求,以深度学习理论为基础,深入地开展数据驱动的传动旋转部件（齿轮、轴承和轴）的智能故障诊断方法研究,论文主要工作如下:（1）为了克服传统故障诊断方法对数据进行手动特征提取的依赖和处理大数据的弱点,结合机械大数据的特点与深度学习的优势,采用叠加自动编码器（Stacked Autoencoders,SAE）构建深度神经网络（Deep Neural Networks,DNN）,以轴承故障信号的频谱作为输入,实现了机械大数据下故障特征的自动提取和诊断,克服了传统方法在故障特征提取和分类上的缺陷。同时对DNN的逐层特征学习过程进行了一个初步探索,通过可视化操作将特征的学习过程逐层展现出来,结果表明随着网络层数的加深,学习到的故障特征逐渐清晰明显,不同故障类型的特征呈现出明显不同的趋势。（2）针对故障数据容量大带来的训练时间消耗过长,神经网络迭代次数过多的问题,将批标准化算法（Batch Normalization,BN）引入到轴承和齿轮的智能故障诊断领域,提出了一种批标准化的DNN方法（Batch Normalized Deep Neural Networks,BN-DNN）,实现神经网络的快速智能故障诊断。首先采用SAE构建DNN,然后将批标准化算法应用在每层网络的非线性映射（激活函数）之前。使每一层网络的输入能有一个稳定的分布,更有利于网络的训练。轴承和齿轮的试验数据分析结果表明,提出的BN-DNN方法相比未加BN的DNN方法能够实现在训练样本、时间和迭代次数更少的情况下,得到更好的诊断效果。（3）鉴于BN-DNN方法对输入信号的平移和缩放功能,考虑将其应用到转速大波动工况下的故障诊断研究中。由于转速大波动下故障的频域信号会产生频移和幅变问题,使得一般算法无法进行精确区分。而批标准化算法的平移和缩放参数能够通过对同一健康状况下不同转速信号样本的频谱特征进行平移和缩放,使得所有相同故障样本频谱特征实现高度统一,由此实现转速大波动背景下轴承故障难以准确识别的问题。（4）针对许多深度学习模型在处理故障诊断问题中离不开BP算法的有监督微调过程,探讨了一种无监督学习方法—稀疏滤波算法（Sparse Filtering,SF）,该算法在样本训练过程中无需BP算法参与,只专注于优化学习特征的稀疏性而忽视学习数据的分布情况,且只有一个特征参数需要调节。提出的方法首先利用稀疏滤波对训练样本的频谱进行无监督特征提取,然后采用softmax作为分类器实现故障诊断。通过一组轴承故障试验验证了提出的方法在故障特征提取和分类上的强大能力。（5）为了直接通过最原始的时域信号解决转速大波动工况下故障诊断问题,考虑采用深度学习中的正则化技术,选用L1/2范数对稀疏滤波的目标函数进行正则化约束,提出了基于L1/2范数正则化的L1/2-SF方法,使其能够对转速大波动下的时域振动信号进行分段叠加特征提取。随后采用softmax作为分类器进行故障分类。通过一组特殊设计的齿轮转速大波动试验数据,验证了提出的L1/2-SF方法的有效性。（6）鉴于样本不平衡工况下故障诊断效果不佳的问题,即健康状况样本多、故障状况样本少、不同故障状况样本数各不相同,引进了Wasserstein生成对抗神经网络（Wasserstein Generative Adversarial Networks,WGAN）,并提出了WGAN-SAE方法。该方法首先通过WGAN对真实故障信号的模拟生成人工信号,以此来实现增加不同故障状况的生成样本数,使得各个状况下训练样本数达到平衡状态;然后再采用SAE实现故障特征的层层提取及分类。通过齿轮和轴的三组不平衡数据集试验,表明了经WGAN-SAE方法平衡后的数据集相比于样本不平衡状态下的数据集诊断准确率有了显着提高。
顾玉萍[9]（2019）在《面向不平衡数据的马田系统分类方法及其应用研究》文中研究指明分类问题作为数据挖掘技术中的研究热点之一,其应用遍及各行各业。现有的一些分类方法,一般基于平衡的训练样本,因而它们对平衡数据的分类能取得较好的分类效果。然而,在实际问题中,数据平衡这一假定通常不成立,例如信用评估、故障诊断、入侵监测等,通常获得的数据集会出现类别间样本不平衡,并且同时伴随着类重叠、噪声干扰等现象。因此,解决此分类问题具有很强的理论意义和实用价值。马田系统（Mahalanobis-Taguchi System,MTS）是一种面向多元数据的分类、诊断和预测的定量模式识别方法。MTS有着诸多优点,如:MTS是基于数据的分析方法并可以实现真正意义上的降维,简化分类问题,并提高分类的精度和效率;MTS构建了一个连续的测量尺度,计算的是测试样本偏离基准空间的程度,这样有利于采取相对应的解决措施,提高解决问题的柔性。但作为一种新兴的方法,MTS在理论和应用上仍存在一些不足之处。本文面向不平衡数据,针对传统MTS存在的问题,采用多变量控制图、混沌二进制粒子群算法、核函数、AdaBoost集成算法等方法对其进行改进,目标是发展MTS成为一种适用于不平衡数据分类的高效方法。本文的研究工作主要包括以下几方面的内容:（1）面向不平衡数据的MTS基准空间样本优化研究MTS在面向不平衡数据分类时,通常是由样本数目较多的多数类来建立基准空间,比如疾病诊断中的健康人群。针对传统MTS仅依据专业知识和历史经验确定的基准空间中可能存在异常点或者噪声混入的问题,本文根据多变量控制图原理对所有建立MTS基准空间样品的适合性进行判别,并通过UCI数据集进行可行性分析,以便从源头上来确保MTS方法的有效性。研究表明:构建基准空间的样本经过多变量控制图优化之后,MTS的分类性能得到了提高。（2）面向不平衡数据的MTS基准空间变量优化研究传统MTS采用正交表和信噪比的方法来进行基准空间的变量优化,即进行有效特征变量选择,其所筛选出的特征变量的信噪比未必比较大,且已证实正交表并不是最优变量子集的选择策略。本文综合考虑不平衡数据的分类效果和降维能力,利用混沌二进制粒子群优化算法,以望小特性的分类错误率和望大特性的降维效率为优化目标,以正常样本、异常样本和特征变量为优化对象,分析优化对象类型和取值范围等约束条件,建立MTS基准空间变量优化的模型。为了验证此模型的分类能力和效果,选取常用基准分类数据集,并将其与其他常用分类方法进行比较分析。研究表明:融合优化算法的MTS在面向不平衡数据时不仅有着较好的分类效果,而且还有着良好的降维效率,其可以应用于不平衡数据的分类问题中。（3）面向不平衡数据的MTS测量尺度改进研究MTS的分类原理是将待分类样品的马氏距离与阈值进行比较从而判断其所属类别,当存在类重叠现象时,马氏距离的区分能力较弱,因此目前MTS在分类领域中主要应用于线性可分数据,并取得了良好的效果;然而面对线性不可分数据时,MTS的分类效果并不理想,尤其是在数据不平衡的情况下,对少数类别的误判率会较高。针对此情况,研究借鉴支持向量机、核Fisher判别分析等算法的思想,将核函数引入MTS中,并将其与马氏距离结合,形成核马氏距离,代替原有的马氏距离成为MTS新的测量尺度。这样可以通过核函数的隐性非线性映射将输入数据映射到高维特征空间中,然后在高维特征空间中进行MTS线性分类,从而让MTS能够很好地处理类重叠问题,并将此方法应用于抗干扰信号采集设备故障诊断的实证研究中。研究表明:此方法能很好地应对类重叠问题,具有良好的实际应用价值。（4）面向不平衡数据的融合AdaBoost集成算法的MTS分类研究集成算法可以使分类结果稳定,正确率更高,目前应用最广泛的为Bagging和AdaBoost两种集成算法,AdaBoost相对于Bagging算法稍显复杂,但更为巧妙,且一般来说是效果更优的集成分类算法,尤其是在数据不平衡的情况下,其优势更为显着。针对不平衡数据本身的性质,将优化马田系统作为基分类器,与AdaBoost集成算法相融合,采用多个评价指标,在基准数据集上进行实验分析,并将其应用到我国上市公司的财务危机预测研究中,且考虑到财务数据的类重叠性,采用核马氏距离作为其测量尺度。研究表明:与传统的MTS、优化MTS及其他常用的单一分类器相比,集成算法的分类性能和降维效果更优,且结果更稳定。综上所述,本文以不平衡数据分类问题为研究对象,针对MTS的不足,以MTS改进为主线,以优化算法、核函数等理论为主要手段,目标是发展MTS使其成为一种实用高效的、适合于不平衡数据的分类方法,并应用于现实问题的研究中。
张诗慧[10]（2018）在《基于卷积神经网络的医疗设备开关电源故障诊断方法研究》文中研究表明21世纪以来,现代医疗设备智能化、大规模集成化、模块化等独特的先进技术正成为新一代医疗设备发展的新态势。生产厂家为获取维修的二次垄断利润,不再提供电路图、维修密码等技术资料,对医院维修工程人员的专业培训或维修技术培训也仅限于维护保养。与此同时,医疗设备维修理论与技术没有得到相应等发展,无法适应形势发展的需要,出现不能修、不敢修、不会修的局面,具体表现为以下几点:（1）无技术资料。厂家不再提供完整的技术资料与系统培训,加之维修理论和技术方法没有得到发展,维修工程师只能依据传统工具与维修经验进行维修,维修手段单一,维修水平较低,不能做到对故障进行有效检修。（2）仅限板卡级维修。当医疗设备出现故障时,维修工程师只能凭借设备原理组成、各电路板功能和设备自诊断系统的提示来确定或压缩故障电路板,一旦将故障定位到具体电路板,便无法继续检修,直接联系厂家更换整块电路板,无疑增加了维修费用。（3）芯片级维修难度大。维修工程师需检查电路板各个元器件及电信号,不仅降低维修效率,还对维修工程师的技术水平提出一定的要求。一旦操作不当,不仅容易造成故障范围的扩大,还会对维修人员造成一定的人身伤害。（4）维修工具落后。目前医院自修过程中仍使用万用表、示波器等传统维修工具,依次对电路板上关键点电信号的某一特征进行测量,无法同时查看、分析和处理多个电信号的多个特征,效率低下且不利于维修工程师对故障的排查,难以适应维修需求。与上述传统故障诊断方法相比,基于多元统计分析、信号分析以及人工神经网络、支持向量机等传统机器学习方法虽然在设备故障中得到广泛应用,但是这些方法对故障特征数据的提取和选择大多是根据人工经验来完成,对数据的表达能力有限,学习复杂信号的内部特征存在较大的局限性。针对上述问题,本文以市场上应用广泛、故障率高的迈瑞T8监护仪开关电源作为研究对象,利用多通道数据采集系统在监护仪开关电源特征测试点上采集大量数据,研究基于深度学习中的卷积神经网络的故障诊断方法。具体工作如下:（1）本文通过分析开关电源的基本组成和原理,以及对开关电源常见的故障类型和原因进行调查和分析,人为模拟迈瑞T8型监护仪开关电源三类故障,并对开关电源进行模块划分,结合故障类型和功能测试原理,设置了16个测试点用来采集数据。（2）基于LabVIEW平台研制“LabVIEW+数据采集卡”的多通道数据采集系统,介绍了系统硬件设计以及软件开发。在监护仪整机运行的条件下,采集开关电源故障和正常状态下各测试点对应的电信号,完成数据采集。（3）通过引入批归一化层对卷积神经网络的基本结构进行改进与设计,建立故障诊断模型,并针对模型训练过程中的不足,引入正则化项来优化目标函数以及提出基于批处理的随机梯度下降法优化模型训练过程。（4）将所采集的迈瑞T8监护仪开关电源不同状态下的数据划分为多个样本,其中20000个样本作为训练集,4000个样本作为验证集,4000个样本作为测试集,并研究不同训练参数对模型诊断结果的影响,以及对模型进行可视化分析和多分类性能评价,最后通过增加噪声和丢失部分数据两种情形对模型进行鲁棒性验证。研究结果表明,基于卷积神经网络的故障诊断模型可有效识别出开关电源的故障类型,多次实验的模型诊断准确率平均达99.79%;在加入噪声和丢失部分数据后,诊断结果几乎保持不变,准确率可达99.63%,并且精准率和召回率等多分类评价指标均得到很好的结果,可见模型鲁棒性良好。因此,本文基于卷积神经网络的医疗设备开关电源故障诊断方法的研究,能够提高医疗设备故障诊断的效率和准确性,有望解决无图纸等技术资料的医疗设备维修难、维修贵等问题,对保障医疗设备安全有效运行具有重要意义。
二、设备故障诊断技术及其应用（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、设备故障诊断技术及其应用（论文提纲范文）
（1）数据驱动的旋转机械智能故障辨识方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于故障机理分析的故障辨识方法 |
| 1.2.2 基于传统数据驱动的故障辨识方法 |
| 1.2.3 基于深度学习的故障辨识方法 |
| 1.3 当前需要解决的主要问题 |
| 1.4 本论文研究工作的主要内容及思路 |
| 1.5 本论文章节安排 |
| 第2章 EWT与 WMNRS结合的旋转机械故障特征提取方法 |
| 2.1 引言 |
| 2.2 经验小波变换(EWT) |
| 2.3 邻域粗糙集(NRS) |
| 2.4 EWT与 WMNRS结合的故障特征提取方法 |
| 2.4.1 设计的WMNRS特征选择算法 |
| 2.4.2 建立的特征提取方法及其应用流程 |
| 2.5 应用结果与分析 |
| 2.5.1 实验装置与数据介绍 |
| 2.5.2 邻域半径对属性约简的影响 |
| 2.5.3 加权特征与所有特征的对比分析 |
| 2.5.4 WMNRS与单一邻域粗糙集对比分析 |
| 2.5.5 多种分类器测试对比分析 |
| 2.6 讨论与分析 |
| 2.7 本章小结 |
| 第3章 利用卷积神经网络融合多传感器信号特征的故障辨识方法 |
| 3.1 引言 |
| 3.2 卷积神经网络(CNN) |
| 3.2.1 CNN网络的结构特点与分析 |
| 3.2.2 损失函数 |
| 3.2.3 反向传播算法 |
| 3.2.4 训练策略 |
| 3.3 利用CNN融合多传感器信号特征的故障辨识方法 |
| 3.3.1 模型设计 |
| 3.3.2 建立的故障辨识方法及其应用流程 |
| 3.4 应用结果与分析 |
| 3.4.1 多传感器信号特征融合 |
| 3.4.2 训练样本集对模型性能的影响 |
| 3.4.3 与单传感器信号辨识结果的对比分析 |
| 3.4.4 与其他辨识方法的对比分析 |
| 3.4.5 抗噪性能测试 |
| 3.5 本章小结 |
| 第4章 面向数据不平衡的卷积神经网络故障辨识方法 |
| 4.1 引言 |
| 4.2 数据不平衡问题的描述 |
| 4.3 基于MMOCNN的故障辨识方法 |
| 4.3.1 构造的最小最大化目标函数 |
| 4.3.2 模型设计 |
| 4.3.3 建立的故障辨识方法及其应用流程 |
| 4.4 应用结果与分析 |
| 4.4.1 数据来源 |
| 4.4.2 超参数的选择 |
| 4.4.3 最小最大化目标函数的有效性分析 |
| 4.4.4 对比实验情况 |
| 4.4.5 模型的泛化性能测试 |
| 4.5 本章小结 |
| 第5章 基于半监督卷积神经网络的故障辨识方法 |
| 5.1 引言 |
| 5.2 最大间距准则(MMC) |
| 5.3 基于SSCNN的故障辨识方法 |
| 5.3.1 构造的CPMMC损失函数 |
| 5.3.2 模型设计 |
| 5.3.3 建立的故障辨识方法及其应用流程 |
| 5.4 应用结果与分析 |
| 5.4.1 基于SSCNN的故障辨识方法在公开轴承数据集上的应用 |
| 5.4.2 基于SSCNN的故障辨识方法在实测轴承数据集上的应用 |
| 5.5 本章小结 |
| 第6章 对抗式域自适应卷积神经网络的故障辨识方法 |
| 6.1 引言 |
| 6.2 对抗学习的概念 |
| 6.3 最大均值差异(MMD)的定义 |
| 6.4 基于ADACNN的故障辨识方法 |
| 6.4.1 模型设计 |
| 6.4.2 设计的对抗式域自适应 |
| 6.4.3 设计的类别域自适应 |
| 6.4.4 ADACNN目标函数的构造与优化 |
| 6.4.5 建立的故障辨识方法及其应用流程 |
| 6.5 应用结果与分析 |
| 6.5.1 基于ADACNN的故障辨识方法在公开轴承数据集上的应用 |
| 6.5.2 基于ADACNN的故障辨识方法在实测轴承数据集上的应用 |
| 6.6 本章小结 |
| 第7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 攻读博士学位期间的研究成果 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（2）基于频带熵改进理论的轴承故障诊断算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题来源 |
| 1.1.2 选题背景及意义 |
| 1.2 滚动轴承故障诊断概述 |
| 1.2.1 滚动轴承的故障失效形式 |
| 1.2.2 滚动轴承故障机理 |
| 1.2.2.1 滚动轴承的类型及组成 |
| 1.2.2.2 滚动轴承故障表征 |
| 1.3 相关方法的国内外研究现状的概述 |
| 1.3.1 轴承故障特征提取方法研究现状 |
| 1.3.2 滚动轴承的早期故障诊断现状 |
| 1.3.3 滚动轴承故障识别研究现状 |
| 1.4 论文的主要研究内容和总体框架 |
| 第二章 频带熵理论分析 |
| 2.1 引言 |
| 2.2 频带熵理论 |
| 2.2.1 短时傅里叶变换 |
| 2.2.2 熵理论 |
| 2.2.3 频带熵 |
| 2.2.3.1 信号的幅值谱熵 |
| 2.2.3.2 频带熵理论的提出 |
| 2.2.4 基于频带熵的带通滤波器分析 |
| 2.2.5 仿真分析 |
| 2.3 频带熵的带宽参数确定问题 |
| 2.4 低信噪比条件下频带熵方法的局限性 |
| 2.5 频带熵的理论问题 |
| 2.6 频带熵的轴承复合故障诊断问题 |
| 2.7 本章小结 |
| 第三章 基于奇异值分解预处理的频带熵优化研究 |
| 3.1 引言 |
| 3.2 基于优化的SVD和频带熵的轴承故障特征提取 |
| 3.2.1 峭度理论 |
| 3.2.2 奇异值分解理论 |
| 3.2.3 基于奇异峭度值相对变化率的重构阶次确定 |
| 3.2.4 基于峭度优化带宽参数的频带熵 |
| 3.2.5 基于OSVD-OFBE的轴承故障诊断 |
| 3.3 仿真分析 |
| 3.4 实例分析 |
| 3.4.1 OSVD-OFBE方法验证 |
| 3.4.2 频带熵的拓展应用验证 |
| 3.5 本章小结 |
| 第四章 基于小波包时频增强频带熵的故障特征提取研究 |
| 4.1 引言 |
| 4.2 小波变换理论 |
| 4.3 小波包变换理论 |
| 4.4 增强型频带熵方法 |
| 4.4.1 增强型频带熵的分解深度的约束和确定 |
| 4.4.2 最佳子频带的选择 |
| 4.4.3 辅助评价指标 |
| 4.4.4 增强型频带熵的轴承故障特征提取 |
| 4.4.5 仿真分析 |
| 4.4.6 实例分析 |
| 4.5 修正的频带峭度方法 |
| 4.5.1 修正的频带峭度分解深度的确定 |
| 4.5.2 最佳子频带的选取 |
| 4.5.3 故障特征提取及修正的辅助评价指标 |
| 4.5.4 基于修正的频带峭度方法的轴承故障诊断 |
| 4.5.5 仿真分析 |
| 4.5.6 实例分析 |
| 4.6 本章小结 |
| 第五章 基于变分模态分解和频带熵的轴承复合故障诊断 |
| 5.1 引言 |
| 5.2 基于VMD和频带熵的轴承复合故障特征提取 |
| 5.2.1 变分模态分解理论 |
| 5.2.2 变分模态分解的模态数的确定 |
| 5.2.3 固有模态分量的初步筛选 |
| 5.2.4 基于IMF包络峭度选择和频带熵的轴承复合故障诊断 |
| 5.3 仿真分析 |
| 5.4 实例分析 |
| 5.4.1 VMD和频带熵的复合故障诊断验证 |
| 5.4.2 增强型自适应共振技术的复合故障诊断验证 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读博士学位期间参与的项目及获得奖励 |
| 附录B 攻读博士学位期间发表与录用的论文 |
| 已发表论文 |
| 在审论文 |
| 附录C 攻读博士学位期间申请及公布的国家专利情况 |
（3）多源信号自适应稀疏表征分离算法及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 盲源分离方法研究现状及其在故障诊断中的应用 |
| 1.3.1 盲源分离方法研究现状 |
| 1.3.2 盲源分离在故障诊断中的应用 |
| 1.4 论文主要研究内容 |
| 1.5 论文结构安排 |
| 第二章 基于改进内禀模态分解的故障特征提取方法 |
| 2.1 引言 |
| 2.2 内禀模态分解理论 |
| 2.2.1 经验模态分解基本原理 |
| 2.2.2 内禀模态分解基本原理 |
| 2.3 基于内禀模态分解的故障特征提取方法 |
| 2.4 改进的内禀模态分解方法 |
| 2.5 本章小结 |
| 第三章 基于盲源分离理论的复合故障诊断方法 |
| 3.1 引言 |
| 3.2 基于改进独立分量分析的复合故障诊断方法 |
| 3.2.1 独立分量分析原理 |
| 3.2.2 基于遗传算法的独立分量分析方法 |
| 3.2.3 算法性能仿真分析 |
| 3.2.4 实验验证与讨论 |
| 3.3 基于改进内禀模态分解与非负矩阵分解的复合故障诊断方法 |
| 3.3.1 非负矩阵分解方法 |
| 3.3.2 局部非负矩阵分解方法 |
| 3.3.3 基于OICD-LNMF的复合故障特征分离方法 |
| 3.3.4 算法性能仿真分析 |
| 3.3.5 实验验证与讨论 |
| 3.4 本章小结 |
| 第四章 基于稀疏盲源分离的复合故障诊断方法 |
| 4.1 引言 |
| 4.2 基于小波模极大值的稀疏分量分析方法 |
| 4.2.1 稀疏分量分析算法原理 |
| 4.2.2 小波模极大值 |
| 4.2.3 基于稀疏促进SCA的分离方法 |
| 4.2.4 实验验证与讨论 |
| 4.3 基于三维势函数的稀疏分量分析算法 |
| 4.3.1 问题的提出 |
| 4.3.2 基于三维势函数的混合矩阵估计方法 |
| 4.3.3 基于空间势函数的方案技术路线 |
| 4.3.4 实验验证与讨论 |
| 4.4 本章小结 |
| 第五章 基于优化稀疏分量分析的复合故障诊断方法 |
| 5.1 引言 |
| 5.2 基于三维势函数下时频域卷积变换的稀疏分量分析方法 |
| 5.2.1 卷积复合信号在三维空间下中的稀疏性 |
| 5.2.2 三维势函数对卷积复合故障的矩阵估计 |
| 5.2.3 基于三维势函数的SCA方法在卷积复合故障诊断中的应用 |
| 5.2.4 仿真实验验证 |
| 5.2.5 单通道复合故障实验验证 |
| 5.3 基于受控极小化和约束SCA的分步式复合故障诊断方法 |
| 5.3.1 受控极小化理论 |
| 5.3.2 构造参考信号 |
| 5.3.3 分步式SCA框架在复合故障分离中的应用 |
| 5.3.4 仿真信号验证 |
| 5.3.5 实验验证 |
| 5.4 基于非凸正则化的稀疏分量分析算法 |
| 5.4.1 凸优化简介 |
| 5.4.2 非凸正则项 |
| 5.4.3 基于非凸正则化的稀疏分量分析算法 |
| 5.4.4 实验验证 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文研究总结 |
| 6.1.1 主要研究内容及结论 |
| 6.1.2 主要特色及创新 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 附件 |
（4）改进的局部波动特征分解方法及其在旋转机械故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源及研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 基于有理样条的LOD方法及其应用 |
| 2.1 引言 |
| 2.2 LOD方法及其缺陷 |
| 2.3 基于有理样条的LOD方法 |
| 2.3.1 基于RS-LOD分解的时频分析方法 |
| 2.3.2 仿真信号分析 |
| 2.3.3 实验信号分析 |
| 2.4 本章小结 |
| 第三章 基于RS-LOD和IEE的多分量信号解调方法及其应用 |
| 3.1 引言 |
| 3.2 经验包络法及其缺陷 |
| 3.3 基于RS-LOD和IEE的多分量信号解调方法 |
| 3.3.1 基于EOE改进的经验包络法 |
| 3.3.2 改进经验包络的MOC分量解调 |
| 3.3.3 仿真信号分析 |
| 3.3.4 实验信号分析 |
| 3.4 本章小结 |
| 第四章 基于RS-LOD和WDDTW的时频分析方法及其应用 |
| 4.1 引言 |
| 4.2 加权导数动态时间规整算法 |
| 4.2.1 动态时间规整算法 |
| 4.2.2 加权导数动态时间规整算法 |
| 4.2.3 时间重采样技术 |
| 4.3 实验验证 |
| 4.3.1 实验准备及初始分析 |
| 4.3.2 实验信号RS-LOD分解 |
| 4.3.3 MOC分量的选择 |
| 4.3.4 WDDTW算法处理和信号重采样 |
| 4.3.5 实验结果和分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于自适应时变滤波分析的风电传动齿轮箱故障特征提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 历史发展及国内外研究现状 |
| 1.2.1 历史发展及方法简介 |
| 1.2.2 国内研究现状与水平 |
| 1.2.3 国外研究现状与水平 |
| 1.3 本课题研究内容 |
| 1.4 本文的主要工作和组织结构 |
| 第二章 风电机组平行齿轮箱故障振动模型和故障特征 |
| 2.1 引言 |
| 2.2 风电机组传动齿轮箱的结构 |
| 2.3 风电传动齿轮箱故障类型 |
| 2.4 齿轮的简化振动模型及其振动信号特征 |
| 2.4.1 齿轮的简化振动模型 |
| 2.4.2 正常齿轮的振动信号特征 |
| 2.4.3 故障齿轮的振动信号特征 |
| 2.5 变转速工况下齿轮的振动信号特征及其提取 |
| 2.5.1 变转速工况下齿轮振动信号特征 |
| 2.5.2 变转速工况下齿轮振动信号特征的提取 |
| 2.6 风电齿轮箱齿轮振动信号特征提取的难点 |
| 2.7 本章小结 |
| 第三章 自适应时变滤波分析方法及其应用 |
| 3.1 引言 |
| 3.2 自适应时变滤波分析简介 |
| 3.2.1 自适应时变滤波分析原理 |
| 3.2.2 瞬时频率估计算法的选取 |
| 3.2.3 自适应时变滤波器的设计 |
| 3.2.4 ATFA方法流程 |
| 3.3 ATFA应用实例 |
| 3.3.1 齿轮局部故障振动信号算法仿真分析 |
| 3.3.2 实测齿轮断齿故障振动信号分析 |
| 3.4 本章小结 |
| 第四章 基于通带降噪的ATFA方法 |
| 4.1 引言 |
| 4.2 滤波后降噪的原理 |
| 4.3 基于时域同步平均降噪的ATFA方法 |
| 4.3.1 时域同步平均原理 |
| 4.3.2 齿轮局部故障振动信号算法仿真分析 |
| 4.3.3 实测齿轮断齿故障振动信号分析 |
| 4.4 基于自相关去噪的自适应时变滤波方法 |
| 4.4.1 自相关降噪原理 |
| 4.4.2 齿轮局部故障振动信号算法仿真分析 |
| 4.4.3 实测齿轮断齿故障振动信号分析 |
| 4.5 本章小结 |
| 第五章 基于ATFA的变转速齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变转速工况下复合故障振动信号模型 |
| 5.3 变转速工况下复合故障振动信号分离原理 |
| 5.4 齿轮箱复合故障振动信号算法仿真分析 |
| 5.5 实测齿轮箱复合故障振动信号分析 |
| 5.6 与EEMD方法对比分析 |
| 5.6.1 仿真信号对比分析 |
| 5.6.2 实际试验对比分析 |
| 5.7 本章小结 |
| 第六章 基于自适应带宽选择的ATFA方法 |
| 6.1 引言 |
| 6.2 自适应带宽选择的原理 |
| 6.3 自适应带宽选取步骤 |
| 6.4 齿轮局部故障振动信号算法仿真分析 |
| 6.5 实测齿轮断齿故障振动信号分析 |
| 6.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读工学硕士期间参与的科研项目与论文发表情况 |
（6）液压系统状态监测与故障诊断方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 国内外研究概况及其趋势 |
| 1.2.1 主观经验判断 |
| 1.2.2 基于模型的方法 |
| 1.2.3 基于信号分析的方法 |
| 1.2.4 智能诊断方法与信息融合技术 |
| 1.3 论文的主要研究思路与内容 |
| 1.3.1 课题来源 |
| 1.3.2 论文研究内容和结构安排 |
| 第二章 高通滤波增强EEMD方法研究及其应用 |
| 2.1 背景理论与所提方法 |
| 2.1.1 背景理论 |
| 2.1.2 高通滤波增强EEMD方法 |
| 2.2 高频液压系统 |
| 2.2.1 改进的二维转阀 |
| 2.2.2 系统数学描述 |
| 2.3 实验研究 |
| 2.3.1 实验系统 |
| 2.3.2 状态监测与结果讨论 |
| 2.4 本章小结 |
| 第三章 基于DSm理论的混合智能故障诊断方法研究 |
| 3.1 本文研究理论基础 |
| 3.1.1 模式识别方法 |
| 3.1.2 信息融合—DSm理论 |
| 3.2 基于DSm理论的混合智能识别方法 |
| 3.3 本章小结 |
| 第四章 基于DSm理论的混合智能故障诊断方法实验研究 |
| 4.1 实验阀与故障描述 |
| 4.2 实验系统设计 |
| 4.3 信号采集与分析 |
| 4.3.1 信号采集 |
| 4.3.2 信号分析 |
| 4.4 实验系统设计 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要研究成果 |
（7）ADMOW模式识别方法及其在滚动轴承故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 滚动轴承故障诊断技术的发展 |
| 1.2.1 发展历史 |
| 1.2.2 研究现状与发展趋势 |
| 1.3 智能诊断技术的研究现状 |
| 1.3.1 基于聚类分析的智能诊断技术 |
| 1.3.2 基于人工神经网络的智能诊断技术 |
| 1.3.3 基于支持向量机的智能诊断技术 |
| 1.3.4 基于变量预测模型的智能诊断技术 |
| 1.4 本文的主要研究内容及结构安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的结构安排 |
| 第二章 基于优化加权的代理判别模型 |
| 2.1 概述 |
| 2.2 异常值定义 |
| 2.3 Kriging代理判别模型 |
| 2.4 ADMOW模型 |
| 2.4.1 ADMOW模型的建立 |
| 2.4.2 ADMOW模型的训练 |
| 2.4.3 ADMOW模型的分类测试 |
| 2.5 本章小结 |
| 第三章 特征加权方法及其在代理判别模型中的应用 |
| 3.1 概述 |
| 3.2 局部特征尺度分解方法 |
| 3.3 基于特征评价的特征加权方法 |
| 3.3.1 特征评价原理 |
| 3.3.2 基于特征评价的加权代理判别模型在滚动轴承故障诊断中的应用 |
| 3.4 基于熵权法的特征加权方法 |
| 3.4.1 熵权法原理 |
| 3.4.2 基于熵权法的加权代理判别模型在滚动轴承故障诊断中的应用 |
| 3.5 本章小结 |
| 第四章 基于PSO的 ADMOW方法及其应用 |
| 4.1 概述 |
| 4.2 PSO算法 |
| 4.2.1 PSO算法原理 |
| 4.2.2 粒子搜索空间的维数选择 |
| 4.2.3 粒子的适应度函数选择 |
| 4.2.4 其他参数的设定 |
| 4.3 基于PSO的 ADMOW方法在滚动轴承故障诊断中的应用 |
| 4.3.1 结合特征评价和PSO算法的ADMOW方法 |
| 4.3.2 结合熵权法和PSO算法的ADMOW方法 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间参与项目及学术成果 |
| 致谢 |
（8）数据驱动的传动旋转部件智能故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械故障诊断技术发展概述 |
| 1.2.2 智能故障诊断技术的研究现状 |
| 1.2.3 智能故障诊断技术存在的问题 |
| 1.3 课题研究思路的提出 |
| 1.4 本文章节安排 |
| 第二章 基于叠加自动编码器的轴承智能故障诊断方法 |
| 2.1 引言 |
| 2.2 传统神经网络模型 |
| 2.2.1 人工神经网络 |
| 2.2.2 反向传播算法 |
| 2.3 DNN模型建立 |
| 2.3.1 自动编码器 |
| 2.3.2 softmax回归 |
| 2.3.3 基于叠加自动编码器的DNN |
| 2.4 试验验证 |
| 2.4.1 试验装置与数据介绍 |
| 2.4.2 诊断结果 |
| 2.4.3 网络特征学习过程 |
| 2.5 本章小结 |
| 第三章 批标准化的DNN在轴承齿轮快速智能故障诊断中的研究 |
| 3.1 引言 |
| 3.2 内部协变量转移 |
| 3.3 批标准化 |
| 3.4 批标准化的DNN |
| 3.5 试验验证 |
| 3.5.1 滚动轴承故障数据验证 |
| 3.5.1.1 试验装置与数据介绍 |
| 3.5.1.2 参数选择 |
| 3.5.1.3 诊断结果 |
| 3.5.2 齿轮故障数据验证 |
| 3.5.2.1 试验装置与数据介绍 |
| 3.5.2.2 诊断结果 |
| 3.6 本章小结 |
| 第四章 批标准化的DNN在转速大波动下轴承故障诊断中的研究 |
| 4.1 引言 |
| 4.2 转速大波动机械信号 |
| 4.3 试验验证 |
| 4.3.1 试验装置与数据介绍 |
| 4.3.2 匀加减转速大波动轴承试验 |
| 4.3.3 无规律转速大波动轴承试验 |
| 4.3.4 交叉验证试验 |
| 4.4 本章小结 |
| 第五章 基于无监督学习的轴承智能故障诊断方法 |
| 5.1 引言 |
| 5.2 无监督学习 |
| 5.3 稀疏滤波理论介绍 |
| 5.4 无监督学习方法流程 |
| 5.5 试验验证 |
| 5.5.1 试验装置与数据介绍 |
| 5.5.2 参数选择 |
| 5.5.3 诊断结果 |
| 5.6 稀疏特征表示 |
| 5.7 本章小结 |
| 第六章 正则化稀疏滤波在转速大波动下齿轮故障诊断中的研究 |
| 6.1 引言 |
| 6.2 深度学习中的正则化 |
| 6.3 正则化稀疏滤波方法流程 |
| 6.4 试验验证 |
| 6.4.1 试验装置与数据介绍 |
| 6.4.2 诊断结果 |
| 6.5 本章小结 |
| 第七章 样本不平衡下齿轮和轴的智能故障诊断方法研究 |
| 7.1 引言 |
| 7.2 生成对抗神经网络 |
| 7.3 样本不平衡诊断方法流程 |
| 7.3.1 数据生成模块 |
| 7.3.2 故障分类模块 |
| 7.4 试验验证 |
| 7.4.1 行星齿轮箱故障试验 |
| 7.4.1.1 数据描述 |
| 7.4.1.2 诊断结果 |
| 7.4.1.3 特征学习过程 |
| 7.4.2 轴故障试验 |
| 7.4.1.1 数据描述 |
| 7.4.1.2 诊断结果 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 主要工作与创新点 |
| 8.1.1 本文主要工作总结 |
| 8.1.2 本文创新点 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）面向不平衡数据的马田系统分类方法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关研究述评 |
| 1.2.1 不平衡数据研究现状及评述 |
| 1.2.2 MTS的研究现状及评述 |
| 1.3 研究内容及创新之处 |
| 1.3.1 研究内容 |
| 1.3.2 创新之处 |
| 1.4 本文的研究方法和技术路线 |
| 1.5 本文的章节结构安排 |
| 2 分类问题及马田系统概述 |
| 2.1 分类问题 |
| 2.1.1 分类问题描述 |
| 2.1.2 常用分类方法 |
| 2.1.3 不平衡数据分类问题及评价指标 |
| 2.2 马田系统 |
| 2.2.1 关键技术 |
| 2.2.2 MTS的实施步骤 |
| 2.2.3 MTS的其他形式 |
| 2.3 面向不平衡数据的马田系统分类方法难点分析 |
| 2.4 本章小结 |
| 3 面向不平衡数据的MTS基准空间样本优化研究 |
| 3.1 多变量控制图概述 |
| 3.1.1 控制图简介 |
| 3.1.2 研究多变量控制图的必要性及其分类 |
| 3.1.3 多变量T~2控制图 |
| 3.2 基于多变量控制图的样本优化可行性分析 |
| 3.2.1 Seeds数据集基本信息及其多变量控制图特性 |
| 3.2.2 多变量控制图对异常点的可识别性 |
| 3.2.3 异常点占比对多变量控制图识别正确率的影响 |
| 3.3 面向不平衡数据时基于多变量控制图的MTS分类研究 |
| 3.3.1 实施流程图 |
| 3.3.2 MTS阈值确定方法及分类评价指标 |
| 3.3.3 算例研究 |
| 3.4 本章小结 |
| 4 面向不平衡数据的MTS基准空间变量优化研究 |
| 4.1 混沌二进制粒子群算法概述 |
| 4.1.1 二进制粒子群算法 |
| 4.1.2 混沌理论 |
| 4.1.3 CBPSO算法基本思想和流程 |
| 4.2 面向不平衡数据时融合优化算法的MTS |
| 4.2.1 优化目标 |
| 4.2.2 优化模型 |
| 4.3 实验分析 |
| 4.3.1 数据集及研究方法 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 5 面向不平衡数据的MTS测量尺度改进研究 |
| 5.1 相关理论概述 |
| 5.1.1 核函数 |
| 5.1.2 核马氏距离 |
| 5.2 Kernel-MTSO算法 |
| 5.2.1 实施步骤 |
| 5.2.2 实验分析 |
| 5.3 KMTSO算法在抗干扰信号采集设备故障诊断中的应用研究 |
| 5.3.1 问题描述 |
| 5.3.2 实施与分析 |
| 5.4 本章小结 |
| 6 面向不平衡数据的融合AdaBoost集成算法的MTS分类研究 |
| 6.1 集成学习概述 |
| 6.1.1 集成学习理论及其作用 |
| 6.1.2 AdaBoost集成算法 |
| 6.2 MTSO-AdaBoost算法 |
| 6.2.1 实施原理及步骤 |
| 6.2.2 实验分析 |
| 6.3 AdaBoost集成算法在财务危机预测中的应用 |
| 6.3.1 问题描述 |
| 6.3.2 实施与分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于卷积神经网络的医疗设备开关电源故障诊断方法研究（论文提纲范文）
| 缩略词表 |
| 英文摘要 |
| 中文摘要 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于数据驱动的故障诊断技术研究现状 |
| 1.3 深度学习在故障诊断中的应用 |
| 1.4 本文的主要内容及结构安排 |
| 第二章 开关电源故障特征测试点选取 |
| 2.1 开关电源模块划分 |
| 2.2 开关电源故障模拟 |
| 2.3 故障特征测试点选取 |
| 2.4 本章小节 |
| 第三章 基于Lab VIEW的多通道数据采集系统研制 |
| 3.1 Lab VIEW软件平台 |
| 3.2 数据采集系统软硬件设计与开发 |
| 3.3 本章小节 |
| 第四章 基于卷积神经网络的故障诊断模型设计 |
| 4.1 基于BN的卷积神经网络结构设计 |
| 4.2 卷积神经网络训练 |
| 4.3 算法优化 |
| 4.4 本章小节 |
| 第五章 实验验证 |
| 5.1 实验数据 |
| 5.2 模型训练 |
| 5.3 训练参数对故障诊断结果的影响 |
| 5.4 实验结果与可视化分析 |
| 5.5 模型评价与鲁棒性验证 |
| 5.6 本章小节 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 文献综述 基于数据驱动的故障诊断技术研究现状 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
四、设备故障诊断技术及其应用（论文参考文献）
- [1]数据驱动的旋转机械智能故障辨识方法[D]. 吴耀春. 兰州理工大学, 2021(01)
- [2]基于频带熵改进理论的轴承故障诊断算法研究[D]. 李华. 昆明理工大学, 2020
- [3]多源信号自适应稀疏表征分离算法及其应用[D]. 郝彦嵩. 北京化工大学, 2020
- [4]改进的局部波动特征分解方法及其在旋转机械故障诊断中的应用[D]. 牛晓瑞. 长沙理工大学, 2020
- [5]基于自适应时变滤波分析的风电传动齿轮箱故障特征提取方法研究[D]. 黎琦. 长沙理工大学, 2020(07)
- [6]液压系统状态监测与故障诊断方法及其应用研究[D]. 季献铖. 温州大学, 2019
- [7]ADMOW模式识别方法及其在滚动轴承故障诊断中的应用[D]. 张建. 安徽工业大学, 2019
- [8]数据驱动的传动旋转部件智能故障诊断方法研究[D]. 王金瑞. 南京航空航天大学, 2019(09)
- [9]面向不平衡数据的马田系统分类方法及其应用研究[D]. 顾玉萍. 南京理工大学, 2019(06)
- [10]基于卷积神经网络的医疗设备开关电源故障诊断方法研究[D]. 张诗慧. 中国人民解放军陆军军医大学, 2018(01)