一、机械故障诊断技术理论综述(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》文中指出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。
肖乾浩[2](2021)在《基于机器学习理论的机械故障诊断方法综述》文中研究指明现代机械设备日趋精密化、智能化,同时工作环境与工况也越来越复杂,一旦零/部件出现故障,不但会对设备本身造成伤害,还有可能造成人员伤亡等事故;因此,及时有效地发现并处理设备故障有着重要的意义。随着人工智能技术的发展,以机器学习为核心的机械故障诊断技术飞速发展。对常用的机器学习理论进行了梳理和总结,主要介绍了基于浅层学习下的人工神经网络、支持向量机及Boosting算法和基于深度学习下的卷积神经网络、自动编码器及深度置信网络这6大类机器学习模型,分析比较了这些模型的优缺点,并总结了各个模型在机械故障诊断领域的应用。最后对机器学习在故障诊断领域未来的发展做出了总结和展望。
尚杰[3](2021)在《基于深度残差网络的旋转机械故障诊断》文中提出旋转机械设备作为重要的工业基础设施之一,广泛应用于各行各业的生产活动中,对促进国民经济的发展起着非常重要的作用,因此对机械设备进行长期的状态监测,以及当机械设备出现故障时,及时地进行诊断是十分有必要和有意义的。随着旋转机械设备日益朝着大型化、精密化、智能化及自动化方向发展,设备健康状态的维护工程也进入了“大数据”时代,如何有效地对机械设备进行状态监测与故障诊断成为一项必不可少的系统工程。传统的基于数据驱动方法的故障诊断技术,无论是基于信号分析技术还是基于机器学习方法,都需要较强的人工经验与较多的人工工程的参与,而面对越来越复杂的机械设备与日益增加的监测数据,传统方法的劣势日渐凸显。针对这些问题,本文将具有“端到端”学习特点的深度学习方法应用于故障诊断领域,以旋转机械的重要组成零部件滚动轴承和齿轮为研究对象,提出了基于深度残差网络模型的智能化故障诊断方法。深度残差网络是一种具有新型网络结构的深度神经网络模型,其在经典卷积神经网络的基础上提出了残差连接结构,网络以残差块为基本组成单元,进而构建深度网络模型,残差网络解决了传统卷积神经网络的两大难题:梯度弥散问题和深层网络训练退化问题。本文将深度残差网络引入到旋转机械故障诊断之中,针对旋转机械常常运行在定转速工况、变转速工况以及强噪声干扰情境下的工作特点,分别开展了如下几点研究:(1)针对定转速工况下的旋转机械设备,提出了一种基于一维深度残差网络模型的轴承故障诊断方法。该方法直接利用轴承故障的一维时域信号进行“端到端”地学习训练,让模型直接从时域信号中学习并进行特征提取,避免了人工特征工程的参与,最后实现不同轴承故障的模式识别与分类诊断,并通过轴承试验数据集对该方法的有效性进行验证。试验结果表明,该方法能够针对不同损伤程度的轴承故障实现精细化的故障分类与识别能力。(2)针对变转速工况下的旋转机械设备,提出了一种结合同步提取变换分析与二维残差网络模型的故障诊断方法。由于变转速工况下的旋转机械振动信号具有强非平稳性特点,而同步提取变换作为一种能有效处理非平稳信号的时频分析方法,将其与深度残差网络模型进行结合,能有效地保证模型在进行故障诊断时的稳定性与泛化性能,同时利用变转速工况下的滚动轴承故障数据集验证了该模型的有效性,实现了高准确率的滚动轴承故障诊断。(3)针对实际工业中机械故障数据缺少标签以及含工业背景噪声的情境,提出了一种基于时序残差降噪自编码网络的无监督学习故障诊断模型。该模型主要分为两个部分:无监督训练模块和分类微调模块,无监督训练模块用来对原始振动信号数据进行编码和解码,通过这种训练获得鲁棒性较高的特征编码器;分类微调阶段利用第一部分训练好的编码器与少量带标签的数据进行模型微调以实现故障分类识别。最后,试验部分采用行星齿轮箱故障实验台采集的数据对模型进行了验证,证明了方法的有效性与可靠性。最后,对本文的研究内容进行总结并对未来的研究方向进行了展望。
刘畅[4](2021)在《非稳态条件下滚动轴承故障诊断及退化识别技术研究》文中提出随着不同领域大型机电装备逐渐向自动化、智能化和高可靠方向发展,对机电装备及其重要零部件运行状态监测分析和高效运维的技术需求不断增长。滚动轴承作为旋转机械的重要组成部分,广泛应用于各个行业大型机电装备中。恶劣的工作条件使轴承性能逐渐退化并产生故障,直接影响设备整体可靠性。传统信号分析及故障诊断方法难以满足需求。因此,开展滚动轴承故障诊断和退化识别研究是提高大型机电装备监测诊断技术水平,保障设备运行安全的重要前提。但是,实际工作条件下滚动轴承常常面临包括不同转速、载荷及变转速在内的非稳态条件影响。此外,矿业和工程机械等领域常出现低速重载工况,具有鲜明的行业特色。这使得滚动轴承的故障诊断和退化识别面临诸多难点。本文以非稳态条件下的滚动轴承作为研究对象,通过对局部故障振动机理、未知变转速故障诊断、单脉冲特征提取、退化识别及尺寸测量等问题开展研究,形成了非稳态条件下滚动轴承故障诊断及退化识别技术,为保障大型机电装备安全运行提供理论基础和技术支持。主要研究内容如下:(1)在归纳总结滚动轴承功能结构及故障特性的基础上,建立了滚动轴承简化动力学模型,分析了故障轴承振动特性。根据研究需要搭建了滚动轴承故障诊断实验装置并进行振动信号采集实验,获取了不同工况条件下多种故障类型和故障状态的滚动轴承振动信号,为后续研究提供理论依据和基础数据。(2)针对滚动轴承局部故障振动机理开展研究,提出一种基于模型的局部故障尺寸测量方法。分析了滚子运动路径和碰撞情况,推导了轴承内圈和外圈故障附加位移和冲击力公式,改进了滚动轴承局部故障振动模型。进一步分析了冲击力和径向载荷对轴承振动信号特征的影响,将已被验证有效的模型仿真结果作为基准条件用于局部故障尺寸测量,简化了数学模型。方法综合考虑转速和径向载荷对双冲击间隔时间的影响,对重载工况下小尺寸局部故障也能取得较高的测量精度。研究结果为后续滚动轴承故障诊断和退化识别技术研究提供了理论依据。(3)针对未知变转速条件对滚动轴承故障诊断造成影响的问题,提出一种基于多曲线提取与选择、Vold-Kalman滤波(Vold-Kalman Filter,VKF)和广义解调(Generalized Demodulation,GD)的故障诊断方法。利用曲线提取算法从轴承信号及其包络的时频表示(Time-Frequency Representation,TFR)中迭代提取不同成分的多时频曲线,根据相对阶次判断曲线归属成分,选择并计算高精度瞬时轴转频率(Instantaneous Shaft Rotation Frequency,ISRF)曲线和故障时频曲线,通过判断曲线间实时比值与故障特征系数(Fault Characteristic Coefficient,FCC)的偏差,确定滚动轴承当前故障类型。针对早期微弱故障时频特征在变转速条件下分散且不明显的问题,结合VKF和GD对故障脉冲成分进行提取和解调,构建重构解调谱将分散特征集中形成特征峰值,实现对滚动轴承早期微弱故障类型的诊断。方法在未知变转速条件下能够准确诊断轴承故障类型,在信号解调后能够识别微弱故障。(4)针对非平稳低转速条件下滚动轴承故障特征信息有效提取的问题,提出了一种基于相位扫描的单脉冲特征提取方法。利用ISRF信号构建故障相位函数和键相函数,划分多故障周期并对轴承振动包络信号进行相位扫描。通过总体平均消除噪声和细节特征丢失的影响,获得平滑的单脉冲波形特征。使用单脉冲波形峰值作为评价指标对多故障周期进行迭代校准,并对特征幅值标准化,从而消除工况影响。方法能够有效提取滚动轴承内圈和外圈故障单脉冲特征,提取的单脉冲特征对局部故障退化状态敏感程度较高,并且能够克服不同转速载荷及非稳态条件的影响。(5)针对滚动轴承故障类型及故障程度识别困难的问题,开展了基于单脉冲特征的滚动轴承退化识别方法研究。使用单脉冲特征向量构建携带滚动轴承故障信息的特征矩阵,基于卷积神经网络(Convolutional Neural Network,CNN)构建深度学习网络对滚动轴承故障类型进行准确诊断。针对直接使用单个网络同时识别轴承故障类型和退化状态时,样本数据存在冗余信息、小尺寸故障容易出现误诊等问题,研究了多网络分别处理不同故障类型数据的退化识别方法,根据轴承故障类型选择单脉冲特征向量,并调用对应网络进行分析。方法能够在不同工况及非稳态条件下对滚动轴承内、外圈故障类型及其退化状态进行准确识别,并对局部故障尺寸进行精确测量。该论文有图73幅,表9个,参考文献167篇。
赫修智[5](2021)在《齿轮箱关键部件故障振动特征提取与分析》文中研究说明齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:(1)结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。(2)研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。(3)针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解(AVMD)方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数(SII),在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。(4)针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram)。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。(5)针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除(MSANC)的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
曹丰[6](2021)在《基于CNN和GMM的旋转机械故障诊断方法》文中研究指明旋转机械在当今时代被广泛使用于世界各地,并在化工、电力、石油、航空航天等领域中扮演着重要的角色。当旋转机械发生故障时,轻则造成巨大的经济损失,重则造成严重的人员伤亡。对旋转机械进行故障诊断可以提前发现机械故障并采取相应的措施,在工业生产中具有重要的意义。旋转机械逐渐向自动化与智能化方向发展,其结构也变得越来越复杂。传统故障诊断方法已不适用于复杂的旋转机械。为保证复杂的旋转机械更好的运转,亟待提出有效的智能化的故障诊断方法。本文以旋转机械的关键部件滚动轴承的振动信号作为研究对象,结合卷积神经网络(Convolutional Neural Network,CNN)、Transformer、高斯混合模型(Gaussian Mixture Model,GMM)和张量分解等相关手段,针对单通道数据和双通道数据提出了两种故障诊断方法。论文的主要研究工作如下:1.首先对旋转机械故障诊断领域的研究背景及意义展开研究、并对旋转机械故障诊断各个阶段的研究方法进行了分析讨论,总结了传统方法、机器学习方法和深度学习方法在旋转机械故障诊断领域的重要应用。并对基于机器学习和深度学习相关方法进行了深入探讨,提出本文的研究框架。2.针对采集数据为单通道振动数据,提出了一种CNN、Transformer和GMM相结合的故障诊断方法。在训练阶段,首先利用大量振动数据进行训练,得到一个CNN和Transformer模型;然后将数据输入到此模型中进行特征提取,最后再利用所得特征为每类故障分别训练一个GMM模型。在故障诊断阶段,待诊断数据经过特征提取后,对应GMM模型进行故障分类,实现故障识别及诊断。3.针对目标故障训练数据量少的问题,提出了一种基于高斯混合-通用背景模型(Universal Background Model,UBM)的故障诊断方法。该方法首先利用大量数据训练一个通用背景模型,再结合目标故障数据和最大后验概率(Maximum a posteriori,MAP)来训练各个故障模式的GMM。该方法的优势在于降低了待诊断数据参数调整和训练的时间,同时解决了待诊断数据数量少而导致训练模型不理想的问题。4.对于从同一测点中采集到的双通道振动数据,提出了一种针对旋转机械双通道数据进行故障诊断的方法。该方法首先选取双通道数据均值作为第三通道数据,之后利用训练好的CNN模型分别对三个通道的数据进行特征提取。将特征提取后的三通道数据特征进行融合,构建新的特征矩阵。利用张量分解技术将该特征矩阵降维成一维特征向量。最终使用GMM对其进行建模,得到各个类别的故障诊断模型。该方法充分地利用了旋转机械多通道的数据特征,更好地刻画了旋转机械的运行状态,实现了故障诊断。本文提出的方法针对单通道和双通道数据进行了故障诊断,并在Data Castle轴承故障检测训练赛、凯斯西储大学(Case Western Reserve University,CWRU)和辛辛那提大学(University of Cincinnati,UC)的轴承数据集上进行了实验。实验结果表明本文提出的方法诊断准确率相比于其他传统方法更高。
王忻[7](2021)在《自愈控制及其在网络控制系统中的应用》文中进行了进一步梳理近年来,随着科学和信息技术的飞速发展,各类系统的设计复杂度和各部件之间的耦合度也随之增加,系统的脆弱性问题逐渐显现,故障对系统的正常和安全运行造成不可忽视的威胁。为了提高系统对自身故障情况的监测和应对能力,学者们提出了自愈控制的思想。目前自愈控制仍然处于初级发展阶段,并没有学者给出自愈控制的明确定义和研究范畴等基本概念。在学术界对自愈控制理论的研究才刚刚起步,自愈控制理论的研究是滞后于自愈控制的工程应用的。本文主要对自愈控制的理论进行初步的研究,并且首次给出了自愈控制的定义、基本架构和研究范畴等基本概念。本文采用自愈控制的方法来处理网络控制系统面对的多元不确定性问题,同时对提出的自愈控制的理论进行验证,主要的工作内容如下:首先,通过梳理智能电网的自愈控制、飞行控制系统的自愈控制和机械故障的自愈调控系统的相关研究成果,明确了自愈控制的特征和功能并给出了其定义;讨论了自愈控制与自愈系统以及容错控制的联系与区别;总结了研究自愈控制的意义并分析了其发展趋势。其次,提出了一种基于状态观测器的自愈控制方法,该方法由故障诊断的状态观测器方法和故障处理机制组成,设计的故障诊断方法包括故障估计、故障检测和故障定位三个部分,故障估计可以获得系统发生的加性故障的幅值信息,改进的故障检测和故障定位方法,提高了故障检测和隔离的实时性。结合故障诊断实时获得的故障信息在控制器中设计了故障处理机制,实时消除了故障对系统的影响。再次,设计了一种基于两阶段卡尔曼滤波的自愈控制方法。针对执行器发生的部分失效故障,利用两阶段卡尔曼滤波器对执行器部分失效故障进行诊断,获得的故障信息的精确度高,但是实时性较差,为了提高故障诊断的实时性,提出了两阶段卡尔曼滤波和BP(Back Propagation)神经网络相协同的故障诊断方法,并结合在线进行控制律重构/控制律切换方法,消除/抑制故障对系统的影响;同时,对于系统中发生的未知故障或者执行器完全失效故障,提出了基于故障隔离的自愈控制方法,抑制故障对系统的持续影响。最后,设计了一种基于网络切换的自愈控制方案。针对系统中发生故障或拒绝服务攻击的随机性,在卡方检测的基础上设计了系统异常检测方法,改进了异常检测阈值的选择方法,降低了检测阈值选择的难度;然后,采用基于支持向量机的异常诊断方法,对异常状态进行分类;对于系统中发生拒绝服务攻击的情况,结合异常检测和诊断的结果,设计了一种基于网络切换的自愈策略,使得网络控制系统在发生拒绝服务攻击的情况下可以自愈,并且系统性能保持在可接受水平。本文为了验证所提出的自愈控制方法的有效性,利用MATLAB工具箱True Time搭建了网络控制系统进行数值仿真。最后,总结了全文的工作,并对需要进一步研究的工作进行了展望。
盖曜麟[8](2021)在《基于改进SVM算法的高压断路器故障诊断》文中认为高压断路器作为电力系统中重要的保护和控制设备,其运行状态稳定与否对电力系统的正常运行至关重要。高压断路器的分合闸动作由操动机构衔接控制回路完成,由于断路器各部件布置紧密复杂,易出现各类电气、机械故障。高压断路器的开断运作伴随着各类信号的变化,即各类伴随信号可以反映断路器的运行状态,从而通过监测和处理各类伴随信号,建立故障诊断模型对断路器的主要故障进行及时的识别、排查和诊断是实现其状态检修和保障电网安全运行的关键。在此背景下,本文从分合闸线圈电流信号和动触头位移信号的采集、特征提取出发,结合改进的SVM算法对高压断路器的电气、机械故障进行故障诊断。详细研究内容如下:(1)本文以分合闸线圈电流信号和动触头位移信号为研究对象,分析了两种信号的相关理论及可以反映的故障类型。然后提取分合闸电流信号中峰谷电流值、峰值电流时刻、谷值电流时刻等7维特征及动触头位移信号中的3维特征作为故障诊断的重要判据并融合为10维多源特征量。(2)针对所提取的高维数据特征量,本文选择PCA算法(Principal Component Analysis,主成分分析)对10维多源特征进行数据降维,以累积贡献率K(m)为评判指标,取K(m)≥95%时的特征量代表原始数据,确定最终特征集。(3)针对高压断路器此类小故障样本的数据特征,本文选择SVM算法(Support Vector Machine,支持向量机)作为诊断的基础算法,为进一步提高诊断精度和效率,本文提出了基于APSO-PCA-SVM算法的高压断路器故障诊断模型,并采用Griewank评价函数测试并验证了其相较于PSO-SVM和GA-SVM算法的优越性,最终采用APSO(Adaptive Particle Swarm Optimization,自适应粒子群)算法对SVM惩罚因子及核参数寻优,建立了APSO-PCA-SVM故障诊断模型。(4)以ZW10-40.5kV VD4真空断路器作为研究对象,本文模拟了除正常状态外的四种常见电气和机械故障状态:控制回路电压低、传动机构松动、铁芯空行程偏大、电磁铁卡涩。通过选择适配传感器分别采集五种状态下的分合闸电流信号和动触头位移信号作为故障诊断的数据支撑,实例分析结果表明,该方法能够最大程度去除冗余信息,简化了诊断模型的同时提高了诊断精度和效率,诊断准确率可达96.67%,在故障样本较少时采用有限特征量即可较为全面准确的实现对高压断路器此类小样本设备的高效故障诊断。
张志成[9](2021)在《面向无标签数据的旋转机械故障诊断方法研究》文中研究说明旋转机械作为绝大多数机械设备的核心部件,在工业化生产中有着广泛的应用,其一旦发生故障,往往会造成重大的经济损失甚至人员伤亡等严重后果。因此为了提升旋转机械运行期间的安全性和可靠性,避免重大事故的发生,需要对旋转机械故障诊断技术进行大量的研究。针对已有大多数故障诊断算法是基于有监督的思想,需要借助数据先验信息,即面向有标签的数据,且所涉及算法的参数大多需要人为指定,实际可操作性不强的不足,本文提出了一种面向无标签数据的无监督、参数自适应化的旋转机械故障诊断算法(Sm-DLLOF-AFCM),可以对没有任何先验信息(标签)的样本集自适应的完成故障诊断工作,具有良好的准确性和较强适用性等实际意义。主要工作概括如下:1.对旋转机械故障的典型故障进行一定的分析。对旋转机械状态监测数据的采集和预处理技术开展了一定的研究。最后确定了基于Labview的数据采集方案,和小波阈值降噪的预处理方式。2.对特征提取和特征选择技术进行了研究。在进行旋转机械振动信号的特征提取工作中,采用基于尺度空间理论的改进经验小波变换算法(SEWT)。SEWT算法解决了传统的经验小波变换(EWT)算法需要人为指定频带分割数目的问题,可以自适应的确定频带分割数目并确定保留的模态分量(IMF)。在进行特征选择工作中,采用基于m RMR思想的改进的拉普拉斯分值算法(m RMR-LS)。m RMR-LS算法综合考虑了特征之间的相关性和冗余性,可以自适应的采用无监督的方式完成特征选择工作。3.对模式识别方法进行了研究,采用了异常识别加聚类的无监督模式识别方法。首先在异常识别工作中,采用了二次识别的方式来提升识别的准确性和效率,其中初次识别采用基于核密度估计方法的改进DBSCAN算法(KDBSCAN),KDBSCAN算法可以自适应的确定传统的DBSCAN算法中的两个参数Eps、Minpts,输出噪声点和少类簇样本作为初次识别的异常样本。二次识别采用基于自然最近邻居搜索方法的改进局部离群因子算法(LLOF),可以自适应的确定LOF算法中的邻域参数k,输出二次识别的异常样本和其异常得分值(LOF)。然后通过真实数据集验证了两种算法的优越性。最后针对经过异常识别算法得到的异常样本和其得分值,采用了自适应的模糊C均值聚类算法(AFCM),将异常样本进行分类。4.确定了最终的故障诊断方案并进行验证。首先提出Sm-DLLOF-AFCM旋转机械故障诊断算法,并给出其一般流程。然后利用实验室的电主轴状态监测试验系统和搭建的电主轴综合试验软件平台,通过人工模拟故障的方式得到了转子数据集。最后将Sm-DLLOF-AFCM算法应用到实验室的转子数据集和公开的轴承和齿轮数据集中进行验证,结果表明,Sm-DLLOF-AFCM算法在三个数据集上均取得了良好的效果,在保证效率的同时,能成功的将绝大多数异常(故障)样本找出并进行聚类。
陈晶城[10](2021)在《基于深度学习的旋转机械智能故障诊断算法研究》文中研究指明随着工业大数据时代的到来,故障预测与健康管理(PHM)技术得到迅速发展,故障诊断技术作为PHM的核心理念之一,在机械设备智能维修中占据重要的位置。旋转机械是最常见工业机械设备,准确可靠地对其作出监测诊断,对于保障设备运行安全、提高生产效率及节省维修成本具有重要意义。本文以旋转机械中的滚动轴承和齿轮作为核心研究对象,以深度学习技术作为核心研究方法,基于现有方法的不足,从卷积神经网络、全卷积降噪自编码器以及多信号源融合三个方面深入研究了基于深度学习的旋转机械智能故障诊断算法。论文首先详细介绍了基于特征工程、机器学习和深度学习三个故障诊断研究分支的国内外现状,指出基于深度学习的诊断方法是工业大数据时代的研究趋势。研究了滚动轴承和齿轮两种典型旋转机械核心零部件的振动机理,分别探讨了两种元件的基本结构、失效形式、失效特点及原因,并进一步分析了其振动机理和故障特征频率,为后面的智能诊断算法奠定基础。针对传统信号处理结合人工分析方法以及特征提取结合模式识别的方法的不足,构建了基于一维深度卷积神经网络(1D-CNN)的故障诊断算法模型,在给出其基本理论后,基于实验采集的旋转机械故障数据集,探讨了样本长度、批大小、优化算法等对网络的影响,并与传统算法的进行了对比实验,验证了深度学习算法的诊断优越性。针对噪声覆盖故障特征使得许多诊断方法的性能恶化以及现有深度学习方法无法很好地兼顾强弱故障特征两种不足,提出一种基于残差空洞金字塔网络和全卷积降噪自编码器(RDPN-FCDAE)的旋转机械智能故障诊断算法。该方法构建了一个深度二阶RDPN-FCDAE模型,分为编码、解码和分类网络三个部分。为了有效表达编码网络的数据去噪特征,将小波时频图像输入编解码网络进行无监督预训练,然后将预训练好的编码网络和分类网络相结合,进行参数微调。将该方法应用于实验台采集的数据集进行验证,通过与其它方法进行比较,结果表明,该算法在诊断精度、噪声鲁棒性和特征分割能力等方面均优于其他方法。针对单一信号源故障诊断精度较低且可靠度低的问题,提出了一种基于多信号源信息流重组和特征序列注意力融合的故障诊断网络模型(IFR-FSAFNet)。首先,提出了多信号源信息流重组(IFR)机制,有效解决了网络分支之间的信息通信问题。其次,设计了特征序列注意力融合(FSAF)方案,该方案自适应融合了与多个特征序列信息。基于实验台采集的两个旋转机械数据集,验证了该方法在较少参数的情况下诊断结果更准确可靠,将该方法与其它几种文献方法进行了对比,表现出更大的诊断优势,并且该模型在跨噪声适应能力方面更具竞争力。本文提出的方法不仅适用于滚动轴承和齿轮的故障诊断任务,也可以应用于其它旋转机械零部件设备的故障诊断任务。
二、机械故障诊断技术理论综述(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、机械故障诊断技术理论综述(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)基于机器学习理论的机械故障诊断方法综述(论文提纲范文)
0 引言 |
1 基于浅层学习的机械故障诊断方法 |
1.1 基于人工神经网络的机械故障诊断方法 |
1.1.1 基于BP神经网络的机械故障诊断方法 |
1.1.2 基于RBF神经网络的机械故障诊断方法 |
1.1.3 基于SC神经网络的机械故障诊断方法 |
1.1.4 基于Hopfield神经网络的机械故障诊断方法 |
1.1.5 基于Elman神经网络的机械故障诊断方法 |
1.2 基于SVM的机械故障诊断方法 |
1.3 基于Boosting算法的机械故障诊断方法 |
2 基于深度学习的机械故障诊断方法 |
2.1 基于CNN的机械故障诊断方法 |
2.2 基于AE的机械故障诊断方法 |
2.3 基于DBN的机械故障诊断方法 |
3 总结与展望 |
(3)基于深度残差网络的旋转机械故障诊断(论文提纲范文)
摘要 |
Abstract |
缩略语表 |
第1章 绪论 |
1.1 课题的研究背景及意义 |
1.2 国内外研究应用现状 |
1.2.1 基于振动信号分析理论的故障诊断技术研究 |
1.2.2 基于传统机器学习方法的故障诊断技术研究现状 |
1.2.3 基于深度学习方法的故障诊断技术研究现状 |
1.3 现有故障诊断算法亟需解决的难题 |
1.4 本文主要研究内容及各章节安排 |
第2章 基于一维深度残差网络的定转速滚动轴承故障诊断 |
2.1 引言 |
2.2 深度残差网络的基本理论知识 |
2.2.1 深度残差网络的发展脉络 |
2.2.2 卷积层 |
2.2.3 非线性激活函数 |
2.2.4 池化层 |
2.2.5 批标准化层 |
2.2.6 残差连接模块 |
2.2.7 全连接层和归一化指数函数 |
2.2.8 分类交叉熵损失函数 |
2.2.9 残差网络的反向传播算法 |
2.3 一维深度残差网络模型及故障诊断流程 |
2.3.1 一维深度残差网络模型 |
2.3.2 故障诊断流程 |
2.4 轴承故障数据来源 |
2.4.1 CWRU滚动轴承故障数据集简介 |
2.4.2 轴承故障数据预处理和数据集划分 |
2.5 实验验证与结果分析 |
2.5.1 交叉验证及模型的超参数设置 |
2.5.2 模型在数据集上的训练结果展示 |
2.5.3 一维残差网络模型与其他模型方法对比 |
2.5.4 模型特征可视化分析 |
2.6 本章小结 |
第3章 基于同步提取变换和二维残差网络的变转速滚动轴承故障诊断 |
3.1 变转速工况下故障诊断方法简介 |
3.1.1 时频分析方法简介 |
3.1.2 同步提取变换理论背景 |
3.2 同步提取变换+二维残差网络模型及故障诊断流程 |
3.2.1 深度残差网络模型结构示意图 |
3.2.2 故障诊断流程示意图 |
3.3 实验验证与结果分析 |
3.3.1 轴承故障模拟实验台及数据采集 |
3.3.2 振动信号预处理和数据集制作及划分 |
3.3.3 模型的超参数设置及训练结果 |
3.3.4 SET-DRN模型与其他模型方法对比 |
3.3.5 模型特征可视化分析 |
3.3.6 强噪声环境下模型泛化性能验证及对比 |
3.4 本章小结 |
第4章 基于一维时序残差降噪自编码器的无监督齿轮箱故障诊断方法 |
4.1 引言 |
4.2 时序残差降噪自编码器基础理论 |
4.2.1 降噪自编码器 |
4.2.2 时序残差连接模块 |
4.3 时序残差降噪自编码器模型结构及算法流程 |
4.3.1 网络模型结构示意图 |
4.3.2 故障诊断算法流程 |
4.4 实验验证与结果分析 |
4.4.1 齿轮箱故障模拟实验台与数据采集 |
4.4.2 数据预处理及数据集构建 |
4.4.3 故障诊断结果及模型可视化分析 |
4.4.4 强噪声数据集上模型诊断结果及方法对比 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 全文总结 |
5.2 未来展望 |
参考文献 |
攻读硕士学位期间发表的学术论文及科研工作 |
致谢 |
(4)非稳态条件下滚动轴承故障诊断及退化识别技术研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题来源 |
1.2 选题背景及意义 |
1.3 国内外研究现状 |
1.4 研究内容及技术路线 |
1.5 本章小结 |
2 滚动轴承特性分析及实验平台搭建 |
2.1 引言 |
2.2 滚动轴承故障机理分析 |
2.3 滚动轴承振动特性分析 |
2.4 滚动轴承振动信号采集实验 |
2.5 本章小结 |
3 滚动轴承局部故障振动机理及尺寸测量研究 |
3.1 引言 |
3.2 局部故障振动机理 |
3.3 实验分析 |
3.4 局部故障尺寸测量 |
3.5 实验分析 |
3.6 本章小结 |
4 基于多曲线提取的未知变转速故障诊断研究 |
4.1 引言 |
4.2 多曲线提取与选择 |
4.3 故障成分提取与解调 |
4.4 未知变转速滚动轴承故障诊断 |
4.5 实验分析 |
4.6 本章小结 |
5 滚动轴承单脉冲特征提取研究 |
5.1 引言 |
5.2 多故障周期相位扫描 |
5.3 单脉冲特征提取与校准 |
5.4 实验分析 |
5.5 本章小结 |
6 基于单脉冲特征的退化识别研究 |
6.1 引言 |
6.2 基于CNN的深度学习算法 |
6.3 基于单脉冲特征的退化识别 |
6.4 实验分析 |
6.5 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(5)齿轮箱关键部件故障振动特征提取与分析(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 国内外研究现状 |
1.2.1 基于振动信号处理技术的故障特征提取方法概述 |
1.2.2 自适应信号分解在故障特征提取中的研究现状 |
1.2.3 信号解调分析在故障特征提取中的研究现状 |
1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
1.3 主要研究内容 |
1.3.1 拟解决的关键问题 |
1.3.2 主要研究内容及章节安排 |
第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
2.1 引言 |
2.2 齿轮啮合振动的产生机理 |
2.3 齿轮故障振动建模与特征分析 |
2.3.1 齿轮的典型故障形式 |
2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
2.4 滚动轴承的振动产生机理 |
2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
2.5.1 滚动轴承的典型故障形式 |
2.5.2 滚动轴承的典型故障振动信号特征 |
2.5.3 滚动轴承局部冲击故障振动的数学模型 |
2.6 本章小结 |
第3章 齿轮箱故障试验系统设计及试验条件 |
3.1 引言 |
3.2 齿轮箱故障试验系统设计 |
3.2.1 试验台架搭建 |
3.2.2 振动数据采集系统 |
3.3 齿轮箱故障试验条件 |
3.3.1 齿轮故障设置 |
3.3.2 测点布置与试验工况 |
3.4 现有齿轮与滚动轴承故障试验台 |
3.4.1 CWRU滚动轴承故障模拟试验台 |
3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
3.5 本章小结 |
第4章 滚动轴承故障振动信号自适应分解与特征提取 |
4.1 引言 |
4.2 变分模态分解的基本原理 |
4.2.1 模态的定义 |
4.2.2 变分模态分解的实现过程 |
4.2.3 变分模态分解的主要影响参数及局限性 |
4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
4.3.1 人工蜂群优化算法概述 |
4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
4.4 滚动轴承故障仿真验证 |
4.4.1 滚动轴承局部冲击故障振动信号模型 |
4.4.2 AVMD与现有方法的对比分析 |
4.5 滚动轴承故障试验验证 |
4.5.1 滚动轴承故障模拟试验验证 |
4.5.2 滚动轴承加速寿命试验验证 |
4.6 本章小结 |
第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
5.1 引言 |
5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
5.2.2 盲识别谱图类解调频带选取方法的局限性 |
5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
5.3.1 LEASgram的基本原理 |
5.3.2 LEASgram的实现步骤 |
5.4 齿轮故障仿真验证 |
5.4.1 齿轮故障振动信号模型 |
5.4.2 相同共振频率激励的齿轮故障仿真验证 |
5.4.3 不同共振频率激励的齿轮故障仿真验证 |
5.5 齿轮箱齿轮故障试验验证 |
5.5.1 单级齿轮箱齿轮故障试验验证 |
5.5.2 二级齿轮箱齿轮故障试验验证 |
5.6 本章小结 |
第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
6.1 引言 |
6.2 自参考自适应噪声消除 |
6.2.1 自参考自适应噪声消除原理概述 |
6.2.2 最小均方算法 |
6.2.3 归一化最小均方算法 |
6.3 改进自参考自适应噪声消除(MSANC) |
6.3.1 收敛因子的选取 |
6.3.2 滤波器长度和时延长度的选取 |
6.3.3 MSANC的实现步骤小结 |
6.3.4 MSANC与现有方法的有效性对比 |
6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
6.4.1 快速谱相关 |
6.4.2 多点最优最小熵解卷积 |
6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
6.5 齿根裂纹故障仿真验证 |
6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
6.5.2 仿真验证结果分析 |
6.6 二级齿轮箱齿轮故障试验验证 |
6.6.1 齿轮齿根裂纹故障试验验证 |
6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
6.7 本章小结 |
第7章 总结与展望 |
7.1 工作总结与结论 |
7.2 主要创新点 |
7.3 展望 |
参考文献 |
攻读博士学位期间所取得的科研成果 |
致谢 |
(6)基于CNN和GMM的旋转机械故障诊断方法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状 |
1.2.1 旋转机械故障诊断的研究现状 |
1.2.2 传统的旋转机械故障诊断方法 |
1.2.3 基于机器学习的旋转机械故障诊断方法 |
1.2.4 基于深度学习和高斯混合模型的旋转机械故障诊断方法 |
1.3 课题的来源及研究内容 |
1.3.1 课题来源 |
1.3.2 课题的主要研究内容 |
第2章 相关技术概述 |
2.1 引言 |
2.2 KNN算法和SVM算法 |
2.2.1 KNN算法 |
2.2.2 SVM算法 |
2.3 LSTM算法和CNN算法 |
2.3.1 LSTM算法 |
2.3.2 CNN算法 |
2.4 基于MFCC和 GMM的故障诊断模型 |
2.4.1 MFCC特征提取 |
2.4.2 GMM训练 |
2.4.3 MFCC和 GMM故障诊断框架 |
2.5 本章小结 |
第3章 针对单通道数据的1DCNN和 GMM融合的方法 |
3.1 基于1DCNN和 GMM的故障诊断模型 |
3.1.1 1DCNN介绍及网络模型设计 |
3.1.2 1DCNN-GMM方法实现步骤 |
3.2 Transformer网络模型 |
3.3 GMM-UBM模式的故障诊断模型 |
3.4 实验分析及验证 |
3.4.1 数据介绍 |
3.4.2 实验结果及分析 |
3.5 本章小结 |
第4章 针对双通道数据的故障诊断方法 |
4.1 基于通道特征融合和CNN的故障诊断方法 |
4.1.1 方法实现步骤 |
4.1.2 模型网络结构设计 |
4.2 基于张量分解和GMM的故障诊断方法 |
4.2.1 张量分解模型 |
4.2.2 方法流程 |
4.3 实验分析与验证 |
4.3.1 数据介绍 |
4.3.2 实验方法及分析 |
4.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的学术论文 |
致谢 |
(7)自愈控制及其在网络控制系统中的应用(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 自愈控制 |
1.3 网络控制系统的研究现状 |
1.3.1 NCS的基本问题的研究现状 |
1.3.2 NCS的故障诊断的研究现状 |
1.3.3 NCS的容错控制的研究现状 |
1.3.4 NCS的安全问题研究现状 |
1.4 本文的主要工作及章节安排 |
1.5 本章小结 |
2 自愈控制的综述与分析 |
2.1 引言 |
2.2 自愈控制的应用领域 |
2.2.1 智能电网领域的自愈控制 |
2.2.2 飞行控制系统领域的自愈控制 |
2.2.3 机械系统领域的自愈控制 |
2.2.4 自愈控制应用领域的总结 |
2.3 自愈控制的特征、功能及定义 |
2.4 自愈系统、容错控制与自愈控制的关系 |
2.4.1 自愈系统与自愈控制 |
2.4.2 容错控制与自愈控制 |
2.5 自愈控制的架构及研究范畴 |
2.6 本章小结 |
3 基于状态观测器的网络控制系统的自愈控制 |
3.1 引言 |
3.2 基于状态观测器的网络控制系统的故障估计方法 |
3.2.1 基于状态观测器的故障估计方法 |
3.2.2 执行器故障估计辅助信号的设计 |
3.3 故障检测和故障定位方法 |
3.3.1 基于状态观测器的故障检测 |
3.3.2 基于状态观测器的故障定位 |
3.4 基于控制律重构的主动容错控制 |
3.5 仿真验证 |
3.5.1 基于状态观测器的故障估计的仿真验证 |
3.5.2 故障检测与故障定位的仿真验证 |
3.5.3 控制律重构方法的仿真验证 |
3.6 本章小结 |
4 基于卡尔曼滤波器的网络控制系统的自愈控制 |
4.1 引言 |
4.2 基于两阶段卡尔曼滤波的故障诊断方法 |
4.2.1 执行器部分失效故障建模 |
4.2.2 故障诊断方法的设计 |
4.3 基于BP神经网络的自愈控制方法研究 |
4.3.1 BP神经网络的介绍与应用 |
4.3.2 基于BP神经网络的执行器故障程度辨识 |
4.3.3 基于控制律切换的主动容错控制方法 |
4.4 仿真验证 |
4.4.1 故障诊断仿真验证 |
4.4.2 控制律切换方法的仿真验证 |
4.5 本章小结 |
5 拒绝服务攻击下的网络控制系统的自愈控制研究 |
5.1 引言 |
5.1.1 关于网络控制系统的多元不确定性的概述 |
5.1.2 关于拒绝服务攻击的模拟 |
5.2 具有多元不确定性的网络控制系统的异常检测方法 |
5.2.1 卡尔曼滤波方法 |
5.2.2 异常检测方法的设计 |
5.3 针对具有多元不确定性的网络控制系统的异常诊断方法 |
5.3.1 支持向量机 |
5.3.2 基于支持向量机的异常诊断方法研究 |
5.3.3 针对拒绝服务攻击的自愈策略 |
5.4 仿真验证 |
5.4.1 异常检测及诊断方法的仿真验证 |
5.4.2 基于网络切换的自愈策略的仿真验证 |
5.5 本章小结 |
6 结论与展望 |
6.1 本文结论 |
6.2 对未来工作的展望 |
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 |
(8)基于改进SVM算法的高压断路器故障诊断(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 高压断路器故障诊断研究现状 |
1.2.1 高压断路器的状态特征信号研究 |
1.2.2 高压断路器故障状态识别方法研究 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
2 高压断路器的工作机理及典型故障 |
2.1 高压断路器的基本结构 |
2.2 高压断路器常见故障 |
2.3 高压断路器信号处理 |
2.3.1 分合闸线圈电流信号分析与采集 |
2.3.2 动触头位移信号分析与采集 |
2.3.3 多源特征信号融合 |
2.4 本章小结 |
3 高压断路器特征信号降维算法研究 |
3.1 数据降维的意义 |
3.2 主成分分析法 |
3.2.1 主成分分析法的理论基础 |
3.2.2 主成分分析法的基本原理 |
3.2.3 主成分的求解步骤 |
3.3 主成分分析在高压断路器故障数据特征中的应用 |
3.4 本章小结 |
4 改进支持向量机的算法研究 |
4.1 支持向量机算法 |
4.1.1 支持向量机简介 |
4.1.2 支持向量机的基本原理 |
4.2 粒子群算法 |
4.2.1 优化算法 |
4.2.2 粒子群算法基本原理 |
4.3 改进粒子群算法的分析与研究 |
4.3.1 自适应粒子群算法的基本原理 |
4.3.2 APSO-SVM算法模型的建立 |
4.4 Griewank评价函数性能测试 |
4.5 本章小结 |
5 高压断路器故障诊断仿真与分析 |
5.1 高压断路器故障诊断总体方案设计 |
5.2 基于PCA优化多源特征量的故障诊断 |
5.2.1 基于PCA的多源特征优化 |
5.2.2 基于PCA-SVM的高压断路器故障诊断 |
5.3 基于PSO-PCA-SVM的高压断路器故断诊断 |
5.4 基于APSO-PCA-SVM的高压断路器故障诊断 |
5.5 不同算法故障分类性能比较 |
5.6 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(9)面向无标签数据的旋转机械故障诊断方法研究(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 国内外研究现状 |
1.2.1 旋转机械故障诊断研究现状 |
1.2.2 异常识别算法研究现状 |
1.3 本文主要研究内容 |
第2章 旋转机械典型故障分析及状态监测数据的采集和预处理 |
2.1 引言 |
2.2 旋转机械典型故障分析 |
2.2.1 轴承故障 |
2.2.2 转子系统故障 |
2.2.3 齿轮故障 |
2.3 旋转机械状态监测数据采集 |
2.4 旋转机械状态监测数据预处理 |
2.5 本章小结 |
第3章 旋转机械振动信号特征提取和特征选择方法研究 |
3.1 引言 |
3.2 基于尺度空间理论的改进EWT算法(SEWT) |
3.2.1 EWT理论 |
3.2.2 尺度空间理论 |
3.2.3 SEWT算法实例验证 |
3.3 振动信号特征矩阵的构建 |
3.4 基于mRMR算法的改进LS特征选择算法(mRMR-LS)及实例验证 |
3.5 本章小结 |
第4章 模式识别方法研究 |
4.1 引言 |
4.2 基于核密度估计的改进DBSCAN算法(KDBSCAN) |
4.2.1 DBSCAN算法 |
4.2.2 非参数核密度估计方法 |
4.2.3 KDBSCAN算法实例验证 |
4.3 基于自然最近邻居算法搜索思想的改进LOF算法(LLOF) |
4.3.1 局部离群因子(LOF)算法 |
4.3.2 自然最近邻居搜索方法 |
4.3.3 LLOF算法实例验证 |
4.4 自适应模糊C均值聚类算法(AFCM) |
4.5 本章小结 |
第5章 面向无标签数据的旋转机械故障诊断算法试验验证 |
5.1 引言 |
5.2 Sm-DLLOF-AFCM算法一般流程 |
5.3 转子系统故障诊断-电主轴 |
5.3.1 电主轴状态监测试验系统 |
5.3.2 电主轴综合试验软件平台开发 |
5.3.3 转子系统故障诊断 |
5.4 轴承故障诊断 |
5.5 齿轮故障诊断 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简介及硕士期间取得的研究成果 |
致谢 |
(10)基于深度学习的旋转机械智能故障诊断算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 旋转机械故障诊断技术的发展历程 |
1.2.2 基于特征工程方法的故障诊断研究现状 |
1.2.3 基于深度学习方法的故障诊断技术研究现状 |
1.2.4 研究现状总结 |
1.3 论文主要研究内容 |
2 滚动轴承和齿轮故障类型与机理分析 |
2.1 滚动轴承故障类型与机理分析 |
2.1.1 滚动轴承基本结构 |
2.1.2 滚动轴承的失效形式 |
2.1.3 滚动轴承的振动机理分析 |
2.1.4 滚动轴承的故障特征频率 |
2.2 齿轮故障类型与机理分析 |
2.2.1 行星齿轮箱基本结构 |
2.2.2 齿轮的失效形式 |
2.2.3 齿轮的振动机理 |
2.2.4 齿轮的故障特征频率 |
2.3 本章小结 |
3 基于卷积神经网络的故障诊断方法 |
3.1 卷积神经网络简介 |
3.2 卷积神经网络结构 |
3.2.1 卷积层 |
3.2.2 池化层 |
3.2.3 全连接和分类层 |
3.2.4 卷积神经网络整体结构 |
3.3 卷积神经网络反向传播算法 |
3.4 优化算法 |
3.4.1 小批量梯度下降 |
3.4.2 AdaGrad算法 |
3.4.3 RMSprop算法 |
3.4.4 Adam算法 |
3.5 基于卷积神经网络的旋转机械故障诊断 |
3.5.1 实验装置和数据获取 |
3.5.2 卷积神经网络模型结构 |
3.5.3 模型验证与评价 |
3.6 本章小结 |
4 基于RDPN-FCDAE算法的旋转机械故障诊断 |
4.1 基础理论 |
4.1.1 小波时频图像 |
4.1.2 空洞卷积 |
4.1.3 残差学习 |
4.1.4 卷积去噪自编码器 |
4.2 基于RDPN-FCDAE的故障诊断模型 |
4.2.1 空洞金字塔网络结构 |
4.2.2 RDPN-FCDAE模型结构 |
4.2.3 RDPN-FCDAE模型训练方法 |
4.2.4 RDPN-FCDAE模型诊断流程 |
4.3 RDPN-FCDAE算法实验评估 |
4.3.1 实验装置和数据预处理 |
4.3.2 故障诊断结果和分析 |
4.3.3 消融实验研究 |
4.3.4 算法性能对比 |
4.4 本章小结 |
5 基于IFR-FSAFNet算法的旋转机械故障诊断 |
5.1 基础理论 |
5.1.1 多信号源数据融合 |
5.1.2 注意力机制 |
5.2 基于IFR-FSAFNet的故障诊断模型 |
5.2.1 多信号源信息流重组 |
5.2.2 特征序列注意力融合机制 |
5.2.3 IFR-FSAFNet结构 |
5.2.4 IFR-FSAFNet模型训练方法 |
5.3 模型验证 |
5.3.1 实验台和数据获取 |
5.3.2 多信号源诊断实验研究 |
5.3.3 消融实验研究 |
5.3.4 对比实验研究 |
5.3.5 噪声域适应实验研究 |
5.3.6 网络可视化研究 |
5.4 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
一、作者简历 |
二、发表论文 |
三、参与科研项目 |
学位论文数据集 |
四、机械故障诊断技术理论综述(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]基于机器学习理论的机械故障诊断方法综述[J]. 肖乾浩. 现代制造工程, 2021(07)
- [3]基于深度残差网络的旋转机械故障诊断[D]. 尚杰. 青岛理工大学, 2021(02)
- [4]非稳态条件下滚动轴承故障诊断及退化识别技术研究[D]. 刘畅. 中国矿业大学, 2021
- [5]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [6]基于CNN和GMM的旋转机械故障诊断方法[D]. 曹丰. 哈尔滨理工大学, 2021
- [7]自愈控制及其在网络控制系统中的应用[D]. 王忻. 北京交通大学, 2021(02)
- [8]基于改进SVM算法的高压断路器故障诊断[D]. 盖曜麟. 内蒙古农业大学, 2021(02)
- [9]面向无标签数据的旋转机械故障诊断方法研究[D]. 张志成. 吉林大学, 2021(01)
- [10]基于深度学习的旋转机械智能故障诊断算法研究[D]. 陈晶城. 北京交通大学, 2021(02)