一、基于数据驱动的流程工业性能监控与故障诊断研究(论文文献综述)
王骥[1](2021)在《基于改进主元分析法和多状态贝叶斯网络的化工过程故障诊断》文中进行了进一步梳理化学工业的原料和中间产品大多具有腐蚀性、毒性、易燃、易爆等危险性质。此外,随着化学工业集成化和规模化程度越来越高,各过程变量间的相关关系更加错综复杂,有时一个局部的小故障能引起严重后果。因此及时检测出故障,准确诊断出故障的根原因、传播路径及变化趋势对化学工业是至关重要的。当前仪表系统的进步提供了大量的“数据原料”,而数据信息科学的发展提供了先进的工具,因此数据驱动方法逐渐成为故障诊断领域最具有生机和活力的研究方向。本文提出了一种基于改进主元分析法(Improved Principal Component Analysis,IPCA)和多状态贝叶斯网络(Multi-state Bayesian Network,MBN)的混合故障诊断方法(IPCA-MBN)。故障检测阶段,利用改进主元分析法检测过程故障并利用统计量分解贡献图识别故障变量。改进主元分析法引入了约翰逊转换对过程数据进行了正态变换,很好地缓解了传统主元分析法对正态分布过程数据的苛刻要求。此外,使用斯皮尔曼秩相关系数矩阵代替传统主元分析法的协方差矩阵提升了对非线性过程数据的特征提取。故障诊断阶段,由过程数据训练得到的多状态贝叶斯网络用来接收故障检测阶段识别的故障变量,然后更新网络,识别故障的传播路径和根原因,并得到以概率表示的关键过程变量的变化趋势。多状态贝叶斯网络将变量节点分为五种状态:高型故障,高型正常,正常,低型正常和低型故障。这比传统的贝叶斯网络节点的正常和故障二元分类更加细化,能更加具体地诊断故障的传播路径、根原因及变量的变化趋势。此外,在MBN的建立过程中,节点的状态划分由非参数的核密度估计法进行,节点的条件概率由最大似然估计法得到,一些过程知识难以判断的节点因果连接关系由转移熵计算辅助确定。本方法首先在一个实际的脱丙烷精馏过程上进行了探索和验证,后面又将其应用到故障诊断领域标准测试TE过程中去。结果表明,与传统的主元分析法、核主元分析法以及动态贝叶斯网络方法对比,此方法具有故障检测率高、误诊率低、计算负荷小等优点。此外,除了能诊断故障的根原因、传播路径,它还能准确诊断过程变量的变化趋势。
刘奥[2](2021)在《氢燃料电池安全监测系统设计与故障诊断方法研究》文中认为氢燃料电池安全监测系统作为氢燃料电池电堆的监测模块,承担着采集电堆运行中实时参数的任务,在电堆运行的监测、控制及故障诊断中起着非常关键的作用,故障诊断保证了燃料电池系统故障的及时发现和处理,因此氢燃料电池安全监测系统和故障诊断研究具有十分重要的现实意义。作为典型的多输入输出非线性系统,氢燃料电池动力系统的正常运行和各项子系统的功能实现均依赖于安全监测系统采集的实时数据和故障诊断的反馈结果,为实现系统对监测及诊断的相关需求,以重卡燃料电池动力系统作为研究对象,研究并开发了氢燃料电池安全监测系统,故障诊断方面,对基于机器学习算法的故障诊断方法进行了研究与分析,基于无监督极限学习机(US-ELM)的特征提取能力,K-means的聚类能力及在线序列极限学习机(OS-ELM)的增量学习能力,建立了氢燃料电池的故障诊断系统,实现故障诊断模型的增量学习和在线诊断等功能。氢燃料电池安全监测系统方面,研究分析了质子交换膜燃料电池的基本原理和燃料电池动力系统的结构功能,对氢燃料电池安全监测系统的总体结构进行了设计。以总体结构设计为主干,基于对标电堆的参数及相关的参数计算结果,对氢燃料电池安全监测系统的传感器进行了选型,完成了系统相关模块的原理图设计,分析了串口通讯的相关协议,设计了系统通讯使用的数据帧,实现了氢燃料电池安全监测系统下位机的软硬件设计。在硬件设计的基础上,通过Altium Designer软件对下位机进行优化设计,绘制了相关原理图,设计并制作了下位机PCB。基于Lab VIEW构建了上位机监测系统,实现了参数监测、数据记录及故障诊断等功能。故障诊断方面,在实验采集的氢燃料电池电堆原始数据基础上,为解决故障诊断对于在线诊断、模型更新等方面的需求进行了相关研究。在分析相关诊断文献和算法原理的基础上,构建了满足增量学习和在线故障诊断需求的故障诊断系统,系统通过US-ELM进行基于流形正则的特征提取,OS-ELM实现故障诊断模型的训练与基于增量学习的模型更新,同时引入K-means聚类算法辅助增量学习过程中数据标记问题的解决。基于采集的20维原始数据构建了验证用样本集,将US-ELM与OS-ELM算法同其他同类算法进行对比分析,分析结果证明了US-ELM及OS-ELM在特征提取可视化结果、聚类准确性、故障诊断准确率及诊断用时等方面均具有一定优势,从而验证了诊断系统整体的有效性。
陈晓露[3](2021)在《复杂工业系统的分布式故障诊断方法研究》文中进行了进一步梳理随着现代科技的飞速发展和大数据技术的稳步提升,融合了高科技以及智能化设备的工业系统日趋大规模化、集成化、高速化、自动化甚至于智能化。随之而来的是对工业过程运行的安全性与可靠性的要求不断提高,大数据背景下的过程工业使得现场操作单元数量繁多且采集的数据量庞大,仅依靠定时维修检测和数据报警分析的方式不仅耗费资源而且效率低下,传统的人力操控和异常判定已经远远不能满足现代复杂工业过程的监测需求。同时,由于工业系统的组成部分之间存在很多错综复杂、关联耦合的相互关系。一旦系统出现故障,同一个故障源可能会有不同形式的表现征兆,此时单一的检测理论和方法难以获得准确的诊断效果。因此,有必要结合工业过程的机理知识和历史大数据来研究故障检测和诊断技术以实现系统的视情维修。如果检测到复杂工程系统中的故障甚至追溯到故障的源头,确定故障位置或者范围,就可以综合当前的人员、成本等各种因素制定出最优的维护策略,进而保障复杂工程系统的安全。本文从历史的工业大数据出发,融合过程机理知识,构建分布式过程监测与故障融合诊断的整体架构,解决和突破分布式架构下数据驱动过程监测与故障诊断领域的相关基础理论与关键技术,重点对复杂工程系统的健康状态监测和故障溯源展开了理论研究与实例验证。本文的研究内容包括以下几个方面:(1)针对独立子系统中的异常检测问题,提出一种集中式基于多变量因果分析方法和贝叶斯网络参数学习相结合的过程监测方法,利用系统不完备的工艺机理结合系统运行产生的历史数据库构建用于异常预测分析的贝叶斯网络模型,基于贝叶斯推理对报警状态进行分析和推理,实现了过程变量异常检测和溯源。。(2)针对子系统中的故障监测和溯源问题,提出因果关系分析和非参数概率密度估计结合的图模型建立方法,这种方法克服了传统贝叶斯网络处理时序数据的障碍,可以处理工业过程中的连续变量,适用性更强,并且不需要做传统贝叶斯网络方法下的离散化处理或者分布函数的假设。所提出的因果分析方法用于建立系统的因果结构,非参数估计的核密度估计方法用于建立变量之间的概率连接关系,为了保证概率密度估计的准确性,提出评价概率密度估计准确性的指标,通过合理的优化参数,得到最优条件下的概率估计。系统的异常事件可以通过变量间的概率密度函数变化来检测,故障根源可由贝叶斯逆向推理追溯定位。(3)利用已经建立的独立子系统的建模和故障诊断策略,建立多层分布式系统结构模型,实现分布式对象的通信,解决大规模系统的故障检测与诊断问题。提出面向复杂流程工业的厂级分布式监控三层架构:复杂数据的降维与分解,子系统局部过程监测和全流程全局融合诊断。在策略实施过程中,将采集的过程数据与过程机理知识、模型、结构等相关知识进行融合,提出基于检测性能的过程优化分解策略,保证检测性能的基础上将系统分解为若干个相互连接的子系统,进而对每个子系统建立因果概率图模型,并通过子系统间的共享变量将各操作单元连接为完整的大规模系统,实现了相关的数据处理、故障检测、因果推理与故障诊断问题的理论和仿真实验验证。(4)结合实际工业情况,系统优化分解获得连接子系统的共享变量集合,这些变量构成系统间信息传递的桥梁。考虑子系统间的物理连接和信息交互,在所提出的分布式三层架构之上,提出分布式偏最小二乘算法来克服子系统之间的信息交互问题完成子系统的监测。接下来,在融合中心集成所有子系统的信息设计贝叶斯融合指标进行全局决策诊断。此外,通过与现有的多种相关解决方案进行实验对比验证了其有效性。(5)结合模型和数据驱动方法,考虑模型中系统状态的耦合性,在子系统间的信息交互的同时保证建模和过程监测的准确性,提出大规模互联系统的子空间辨识和残差设计方法来进行故障检测。根据子系统间连接的特性将系统的未知状态耦合转化为已知观测耦合,利用子空间辨识技术和LQ分解求解策略获得系统模型,进而设计用于故障检测残差产生器和阈值,解决系统矩阵耦合情况下的系统辨识和故障检测问题。
王仲[4](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。
洪辉武[5](2021)在《工业机器人远程监控与诊断系统的研究与设计》文中研究表明工业机器人是推进制造强国的关键支撑装备,远程监控和故障诊断是维持其高可靠、高精度运行的重要保障。本论文旨在攻克个体差异显着、工况复杂多变下工业机器人的远程监控与故障诊断问题,并设计一套各大机器人厂商主流设备通用的工业机器人远程监控与诊断系统,系统的设计包括异常监控方法的设计、故障诊断方法的设计以及远程监控平台的设计三个方面。工业机器人的异常监控和故障诊断都是非常宽泛的研究领域,本论文由于篇幅有限不可能涉及到所有的方面,故挑选了机器人的碰撞检测以及机器人滚动轴承的故障诊断这两个十分重要的问题进行了研究,并提出了解决方案:(1)针对工业机器人的碰撞检测问题,首先对机器人进行了动力学模型的研究,然后对机器人的机械碰撞进行了MATLAB仿真。研究和仿真发现机器人的碰撞会造成机器人关节力矩的突变,也会导致关节角加速度以及角速度发生相应的变化。目前常用的一种碰撞检测方法是设定关节力矩阈值,这种方法很容易发生误报和漏报的现象。本文提出了一种基于机器人多维参数异常检测的机器人碰撞检测方法,该方法使用孤立森林算法得到机器人各关节多项参数的异常分数,然后设计了一个判定规则以判断碰撞具体发生在机器人的第几连杆。(2)针对工业机器人滚动轴承的故障诊断问题,对工业机器人滚动轴承的结构以及故障机理进行了研究,研究发现滚动轴承发生故障后最明显的一个表现就是振动加剧,并且滚动轴承不同部位故障的振动频率不同。为了解决工业机器人轴承故障诊断问题,提出了一种基于振动信号分析的滚动轴承故障诊断方法。该方法首先结合使用完备全体经验模态分解法和小波包阈值法对轴承的振动信号进行降噪处理,然后通过小波变换得到轴承振动信号的时频特性图像,最后设计了一个深度卷积神经网络对时频特性图像进行分类。通过以上三步便能实现滚动轴承的故障诊断。为了实现机器人的远程监控,基于B/S(Browser/Server)架构设计了工业机器人远程监控平台,通过该平台用户可以在任何有网络的地方查看机器人的实时运行参数和运行状态。平台开发采用前后端分离的模式:后端基于J2EE(Java 2 Platform Enterprise Edition)平台、SSH(struts spring hibernate)框架开发,部署在Tomcat7服务器;前端基于VUE框架、Element UI库开发。在平台的设计中,主要做了以下工作:为了实现不同型号机器人数据的采集,对主流机器人设备接口进行了调研,并应用工厂模式编写了数据采集程序;为了实现数据的安全传输,在MQTT(Message Queuing Telemetry Transport)协议的基础上设计了一种私有数据加密传输方法;为了保证系统的流畅性和易用性,使用Ajax技术或Web Socket协议实现端与客户端的交互。
张传放[6](2021)在《面向流程工业的统计机器学习过程监测方法研究》文中研究说明随着综合自动化系统的广泛应用和信息技术的迅速发展,钢铁、石化、有色和建材等流程工业正不断向大规模、复杂化、集成化方向发展。其生产流程由众多生产工序构成,从原材料到最终产品形成一个以串联结构为主体的产品加工长流程;在此基础上,定制化生产使其品种及规格呈现多样性,加之原料的不确定性,设备状态、外界环境以及过程工艺等的不同使其生产工况复杂多变;另外,综合自动化系统层级明显,主要包括实时控制层、过程控制层、制造执行层等,各系统层级分工明确且相互协作关联。这样使得流程工业在“三个维度”(全流程、变工况、多层级)呈现复杂性。“三个维度”制造过程使得系统的安全性、稳定性分析更加复杂,无论哪一个维度的异常均会导致故障立体传播并演变演化。尤其在工业转型升级过程中,产品生产安全以及质量把控关乎工业生产的命脉,过程中的微小故障经过“三维”尺度放大极有可能会造成产品质量下降、生命财产损失、生态环境破坏等极其严重的后果。本课题以全面提升流程工业的安全性和可靠性为目的,并按照“全流程一变工况一多层级”的顺序,首先从流程结构出发,其次考虑工况的变化,最后融入多层级概念,重点对流程工业的故障检测和运行工况评估展开了相应的理论研究与仿真/应用验证,力求有效减少或避免故障发生、保证产品质量、提高企业经济效益。本文的创新性成果主要包括以下几个方面:针对流程工业微小故障检测难问题,提出了一种面向流程工业的微小故障检测与辨识策略。首先,将正常样本和故障样本引入支持向量数据描述算法,同时对超球半径进行改进,建立了鲁棒支持向量数据描述监测模型,实现了微小故障检测;然后,通过堆叠受限玻尔兹曼机提取了故障数据信息;最后,利用微小故障信息训练概率神经网络,实现了微小故障辨识。针对流程工业变量众多且耦合关联的问题,提出了一种基于混合相似性度量的全流程自适应过程监控方法。首先,利用最大互信息系数和广义杰卡德系数建立混合相似性度量,实现过程变量子块划分;然后,将间隙度量与支持向量数据描述有机融合建立过程监测模型;最后,利用指数加权移动平均算法,计算超球自适应半径,实现了全流程自适应监测。针对流程工业产品规格频繁变换和有载空载工况切换的问题,提出了面向变工况的共性-个性子空间建模与全工况非线性动态监控策略。首先,改进最小误差最小最大概率机,实现了对不同工况的有效辨识;其次,利用参数化t-分布随机邻域嵌入和质量数据构建共性-个性子空间模型;然后,利用支持向量数据描述对空载工况进行了监测;最后,基于t-分布随机邻域嵌入、慢特性分析和协整分析,实现了有载工况下非线性过程的动静态监测。针对多层级视角下变量耦合关联、样本不平衡以及存在离群点问题,提出了考虑部分通信的全流程多层级全生命周期运行工况评估策略。首先,根据过程知识和通信情况,规整实时控制层的上中下游数据和过程控制层数据;然后,将深度信念网络、混合采样提升、鲁棒偏M估计等算法有机结合,实现运行工况的判别和不同运行工况的有效评估,并对非优原因进行溯源。上述研究成果是针对流程工业“故障检测与辨识”和“过程运行工况评估”进行的系统研究,并制定了相应的解决思路和技术方案。利用田纳西-伊斯曼过程和带钢热轧过程数据对上述方法进行了仿真或应用验证,并与传统方法进行对比分析,实验结果表明了算法的有效性和实用性。
唐鹏[7](2021)在《数据驱动的流程工业非线性过程监测与故障诊断》文中指出现代流程工业日趋规模化、复杂化和集成化。工业过程长期安全、稳定、高效运行是企业实现经济效益的关键。流程工业中绝大部分被控过程具有非线性特性,传统的线性方法通常假设工业过程运行在某一稳定工作点附近,并且变量之间相关性关系在窄窗口内近似为线性的。面向流程工业非线性过程监测与故障诊断方法的研究是自动控制领域中一个十分重要的课题。近二十年来,非线性过程监测主要有基于核方法、局部模型和神经网络等解决途径,但面向系统规模庞大、测量变量与操作工序众多、变量关联关系复杂的流程工业过程,传统的方法较难获取完备的监测与诊断效果。本文主要研究内容包括以下几个方面:(1)针对流程工业非线性过程建模复杂、故障变量辨识难的问题,提出了基于变分自编码器的过程监测与故障隔离一体化解决方案。首先,利用变分自编码器构建非线性过程概率模型,将复杂分布的过程数据映射到潜变量空间,使其服从高斯分布;其次,基于变分自编码器模型设计了基于边缘联合概率密度的监测统计量,实现了非线性过程监测;然后,采用缺失值重构思想,基于重构贡献分析实现了非线性过程故障隔离,并针对多个故障相关变量影响导致的拖尾效应问题,采用分支定界技术实现故障相关变量集的快速搜索,提升非线性过程故障隔离性能。最后,使用TE过程和带钢热连轧过程数据对所提算法的监测与诊断性能进行了验证。(2)针对流程工业多操作工况导致的非线性问题,提出了基于高斯混合变分自编码器的多工况过程监测方法。首先,变分自编码器中引入高斯混合模型,构建一个高斯混合变分自编码器,将多工况的非线性过程数据映射到潜变量空间,使其每个工况的潜变量投影均近似服从高斯分布;然后,利用潜变量投影在每个高斯分量的偏离程度,以及模型提供的重构概率分布构建监测统计量,实现多工况过程的非线性过程监测。最后,通过TE过程和带钢热连轧过程数据验证了该算法的有效性。(3)针对流程工业非线性过程质量监测问题,提出了联合深度变分信息瓶颈和变分自编码器的质量监测方法。首先,通过构建深度变分信息瓶颈和变分自编码器的联合模型,实现质量相关和无关的潜变量分解,并采用理论分析证明了上述联合模型分解的有效性;然后,利用联合模型提供的潜变量分布和重构概率分布建立了监测统计量,从而实现质量相关故障的检测;最后,通过数值仿真案例和带钢热连轧案例验证了所提算法的有效性。(4)针对流程工业全流程非线性建模和过程监测问题,提出了基于条件变分自编码器的全流程过程监测方法。首先,以流程工业中常见的串联型过程为研究对象,构建分布式变分循环自编码器模型,以提取工序间和工序内的时空特征;其次,使用深度支持向量数据描述方法对局部特征信息进行融合,提取全局特征信息;然后,基于构建的分布式模型设计局部监测统计量,并用融合的特征构建全局监测统计量,从而实现全流程的全局-局部的过程监测方法;最后,利用带钢热连轧实际工程案例对所提算法进行了验证。(5)针对流程工业非线性过程监测、故障隔离、故障辨识一体化解决难的问题,提出了一个深度因果图建模方法及其一体化过程监测与故障诊断方案。首先,提出了一种深度因果图建模方法,构建描述变量间因果关系的有向图结构;然后,利用深度因果图模型提供的变量条件概率构建监测统计量和贡献度指标,实现故障的检测和隔离,并使用因果有向图结构辨识故障的根源和传播路径;最后,通过TE过程验证所提算法的可行性和有效性。
周云风[8](2021)在《基于卷积神经网络的局域网故障诊断技术研究》文中研究表明随着以太网的日益发展,局域网的复杂程度也随着用户数和网络终端的增多而越发提高。为了保证局域网运行环境的健康稳定,在局域网的故障管理过程中,网络管理员需要对网络的整体运行状态把控和对网络故障进行成因分析和经验式诊断。但由于局域网往往承载着特殊业务,传统方法非常耗时耗力,于是现阶段对故障诊断的响应以及智能程度提出了新的要求。因此,本文从深度学习角度出发,研究了基于卷积神经网络模型的网络故障诊断方法。本论文的主要工作如下:论文首先介绍了网络故障诊断的研究现状,以及故障诊断过程将面对的两大核心问题:网络故障信息的采集和分析、网络故障问题的发现和检测。最后,给出本文的主要研究内容。论文第二部分,对局域网网络故障进行了物理侧分层结构以及业务侧分服体系的故障成因理论分析,并对现有网络故障诊断技术按照定性经验和数据驱动的类别对专家系统、图搜索模型、支持向量机、软件定义网络等四类典型网络故障诊断技术进行了详细的阐释,为后文的章节做铺垫。论文第三部分,基于KDD99数据集[48],对卷积神经网络进行研究,提出灰度矩阵化原始数据的数据转换操作,并根据数据特征规模进行卷积神经网络结构设计,并以此为基础开展了一系列的包括丢弃学习、梯度优化算法、数据增强在内的优化研究,完成整个故障诊断的模型建立。论文第四部分,分析了现存数据采集方法的优劣,提出了一种不新增网内流量、不改变网络结构的旁路被动分布式数据采集方法,并进行了旁路采集板卡的原型设计。同时,提出了基于特征工程的数据集构建方法,提出了分层结构下较为完备的数据字典,为故障诊断的故障多样化做原始数据维度支撑。论文最后,设计并模拟了真实局域网故障场景,完成数据采集、数据集构建。并在KDD99数据集[48]和自建数据集上进行模型验证。通过对模型不同激活函数、学习率、数据增强的测试下,提高模型泛化能力,最终结果表明,该模型在KDD99数据集[48]上进行训练测试,准确率达96.8%,在自建数据集上,训练测试准确率可达88.3%。综合实验表明,基于卷积神经网络的故障诊断具备良好的诊断效率且具备可完整落地的潜质。
刘军伟[9](2021)在《轻型电动货车分布式电池管理系统设计与实现》文中研究说明随着电商、快递行业的快速发展,电动货车因噪声小、无污染、运营成本低得到了广泛应用。在长续航里程、高载货量、长使用寿命的要求下,电动货车一般采用高能量密度、高功率密度、长服务寿命的锂离子电池作为动力来源。锂离子电池性能容易受到温度、充放电电流等影响,严重情况下甚至起火、爆炸,为保证锂离子电池性能和车辆安全,电动货车应装备电池管理系统(Battery Management System,BMS)。本文以轻型电动货车锂离子电池包为对象,研究分布式BMS的设计与实现。首先,设计了基于菊花链的分布式BMS结构。通过简要分析轻型电动货车电气系统,确定BMS的拓扑结构和功能。针对轻型电动货车一体式电池包结构,BMS采用基于菊花链的分布式结构。为保证轻型电动货车的运行安全,BMS应具备对锂离子电池状态监控、状态分析、安全保护、能量控制与信息管理的功能。其次,研制了 BMS软硬件系统。硬件电路主要包括微控制器最小系统、电源、信号输入电路、驱动、继电器粘连检测模块、绝缘检测模块、CAN(Controller Area Network,控制器局域网络)通信模块、隔离收发器、电池电子部件等。除功能电路外,BMS电路设计还注重防反接、过流保护、静电保护和浪涌抑制等。在硬件基础上利用面向对象的思想设计软件,根据轻型电动货车控制需求,将BMS、继电器、直流充电机、交流充电机和整车控制器等设备封装为对象。各对象在自己内部进行信息更新、故障诊断与状态跳转,其中CAN信息更新采用哈希表实现;故障诊断采用3级分级诊断完成;轻型电动货车上/下电,交、直流充电由状态跳转完成。第三,提出了改进的安时积分荷电状态估计方法。对锂离子电池进行容量、电压和充电特性测试,根据锂离子电池特性并结合实际应用场景,提出了一种改进的安时积分荷电状态(State of Charge,SOC)估计方法。该方法从导致安时积分估计误差的原因出发,采用最小二乘法校准电流传感器,根据温度和实际容量的关系估计电池包容量,最后利用电池包充电过程中的电量增量(Incremental Capacity,IC)曲线修正SOC估计。最后,完成搭载本BMS的轻型电动货车道路测试。在完成实验室内硬件、软件验证的基础上进行实车试验。实车道路测试中,轻型电动货车运行正常,表明该BMS具有良好的可靠性。
吕艺伟[10](2021)在《基于云平台的电动汽车充电设备监控系统开发与研究》文中认为随着电动汽车的广泛应用,其充电设备作为必要配套设施也逐渐普及。电动汽车充电设备主要由充电机、充电桩、通信设备以及人机交互设备等组成,结构复杂,工作环境恶劣,易发生故障。由于充电设备在地理位置上分布非常广泛并且分散,这给充电设备的管理、维护等带来很大问题。本文针对电动汽车充电设备的特点,基于.NET平台开发了一套充电设备远程监控系统。该系统可实时监测电动汽车充电设备的工作状态和充电数据,能够及时发现故障并报警,可对故障信息进行分析并给出故障诊断结果和维修建议,对于电动汽车充电设备的推广应用具有重要意义。首先,介绍了电动汽车充电设备的研究背景、意义、国内外现状等,根据目前国内充电设备的实际情况以及实际需求设计了监控系统的功能模块,包括状态监测、故障处理和账户管理三大模块,并给出了系统四层结构的整体设计方案,四层结构分别是设备层、通信层、云平台层和应用层。其次,对充电设备的硬件结构、工作原理以及工作状态进行了深入分析,在此基础上对大功率充电机和直流充电桩的常见故障进行归纳整理,为故障诊断奠定了基础。对系统的通信分别进行了设计,包括直流充电桩与电动汽车、直流充电桩与大功率充电机、大功率充电机与工控机、工控机与云平台四个部分的通信设计。然后,根据充电设备的特点选择合适的故障诊断方法,研究了适用于充电设备的故障诊断算法,设计了包括故障诊断、故障处理、故障追踪在内的一套故障处理流程。建立了充电设备的故障树,基于模糊故障树分析方法对故障树进行定量故障分析,进而对充电设备进行故障诊断并给出维修建议。对设备的故障信息以工单的形式进行派单处理,对于故障处理过程能够进行追踪。最后,进行数据库选型,以系统功能需求为基础对数据表进行了设计,系统基于.Net平台,利用HTML、JS等前端语言进行前台页面的搭建,利用C#等后端语言对监控系统的后端进行开发,最终部署并发布到远程服务器,实现了对电动汽车充电设备的远程监控。
二、基于数据驱动的流程工业性能监控与故障诊断研究(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、基于数据驱动的流程工业性能监控与故障诊断研究(论文提纲范文)
(1)基于改进主元分析法和多状态贝叶斯网络的化工过程故障诊断(论文提纲范文)
摘要 |
abstract |
符号说明 |
1 绪论 |
1.1 化工行业安全生产的重要性 |
1.2 化工过程故障诊断的意义 |
1.3 过程故障诊断方法综述 |
1.3.1 解析模型方法综述 |
1.3.2 基于知识的方法研究现状 |
1.3.3 基于数据驱动的方法研究现状 |
1.4 混合方法综述 |
1.4.1 混合方法研究现状 |
1.4.2 贝叶斯网络故障诊断方法研究现状 |
1.4.3 主元分析法研究现状 |
1.5 论文研究意义及内容 |
2 IPCA-MBN方法思路简介及实例介绍 |
2.1 方法思路简介 |
2.1.1 基于IPCA的故障检测和故障变量识别 |
2.1.2 基于MBN的过程变量状态预测和故障传播路径识别 |
2.2 实例介绍一——脱丙烷精馏过程 |
2.3 实例介绍二——TE过程 |
3 基于IPCA的故障检测和故障变量识别 |
3.1 约翰逊转换步骤 |
3.2 斯皮尔曼秩相关系数与皮尔逊相关系数 |
3.3 IPCA建模 |
3.3.1 IPCA特征空间建模 |
3.3.2 故障检测及故障变量识别指标 |
3.3.3 IPCA算法步骤总结 |
3.4 脱丙烷精馏过程案例应用分析 |
3.4.1 约翰逊转换的参数选择 |
3.4.2 IPCA故障检测 |
3.4.3 IPCA故障变量识别 |
3.5 本章小结 |
4 基于MBN的状态预测及故障传播路径和根原因诊断 |
4.1 贝叶斯网络 |
4.2 MBN建模方法 |
4.2.1 转移熵 |
4.2.2 化工过程变量状态分割——基于核密度估计 |
4.2.3 最大似然估计 |
4.3 MBN在脱丙烷精馏过程案例的应用分析 |
4.3.1 MBN建模 |
4.3.2 MBN变量状态预测及故障传播路径和根原因诊断 |
4.4 本章小结 |
5 TE过程案例研究 |
5.1 基于IPCA的故障检测及故障变量识别 |
5.1.1 故障检测 |
5.1.2 故障变量识别 |
5.2 基于MBN的变量状态预测及故障传播路径和根原因诊断 |
5.2.1 TE过程MBN建模 |
5.2.2 用于化工过程故障诊断的二元状态贝叶斯网络 |
5.2.3 基于MBN的变量状态预测和故障根原因及传播路径诊断 |
5.3 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(2)氢燃料电池安全监测系统设计与故障诊断方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 燃料电池参数监测研究现状 |
1.2.2 燃料电池故障检测研究现状 |
1.3 本文主要研究内容 |
第2章 氢燃料电池安全监测系统总体设计 |
2.1 燃料电池简介 |
2.1.1 燃料电池及分类 |
2.1.2 燃料电池的优点 |
2.2 PEMFC电池原理及系统结构 |
2.2.1 PEMFC工作原理 |
2.2.2 PEMFC动力系统总体结构 |
2.3 氢燃料电池安全监测系统总体方案 |
2.3.1 氢燃料电池安全监测系统的意义 |
2.3.2 氢燃料电池安全监测系统的需求分析 |
2.3.3 氢燃料电池安全监测系统的总体设计 |
2.4 本章小结 |
第3章 氢燃料电池安全监测系统下位机设计 |
3.1 氢燃料电池安全监测系统的相关计算及传感器选型 |
3.1.1 氢燃料电池的相关参数计算 |
3.1.2 传感器的选型 |
3.2 氢燃料电池安全监测系统硬件设计 |
3.2.1 嵌入式系统总体框架 |
3.2.2 嵌入式系统芯片 |
3.2.3 嵌入式系统模块 |
3.3 嵌入式系统的软件设计 |
3.3.1 嵌入式系统软件总体流程 |
3.3.2 嵌入式系统通讯设计 |
3.3.3 嵌入式系统的通信协议设计 |
3.4 监测系统下位机的硬件优化 |
3.4.1 下位机硬件功能模块需求 |
3.4.2 精简方案的PCB设计实现 |
3.5 本章小结 |
第4章 基于Lab VIEW的上位机设计 |
4.1 上位机系统总体结构设计 |
4.2 虚拟仪器开发的相关介绍 |
4.2.1 Lab VIEW介绍 |
4.2.2 VISA功能模块介绍 |
4.3 上位机主要模块设计 |
4.3.1 串口通信模块 |
4.3.2 数据记录模块 |
4.3.3 故障诊断模块 |
4.4 安全监测系统虚拟仪器面板设计 |
4.5 本章小结 |
第5章 基于数据驱动的PEMFC故障诊断方法 |
5.1 常见的故障诊断方法 |
5.1.1 基于模型的诊断方法 |
5.1.2 基于数据驱动的诊断方法 |
5.2 故障诊断系统的算法原理 |
5.2.1 极限学习机相关算法 |
5.2.2 K-means聚类算法 |
5.3 PEMFC故障诊断系统流程 |
5.4 PEMFC 故障诊断系统验证 |
5.5 本章小结 |
第6章 诊断算法的对比分析 |
6.1 PEMFC数据选取 |
6.2 PEMFC故障特征提取的对比与分析 |
6.2.1 基于US-ELM的故障特征提取 |
6.2.2 基于PCA的故障特征提取 |
6.2.3 基于LDA的故障特征提取 |
6.2.4 不同特征提取方法的对比分析 |
6.3 PEMFC电堆故障诊断对比与分析 |
6.3.1 基于OS-ELM的电堆故障诊断 |
6.3.2 基于SVM的电堆故障诊断 |
6.3.3 基于BP的电堆故障诊断 |
6.3.4 故障诊断结果对比与分析 |
6.4 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(3)复杂工业系统的分布式故障诊断方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 故障诊断技术的研究 |
1.2.1 基本的故障诊断方法 |
1.2.2 分布式系统故障诊断 |
1.3 国内外研究现状及发展动态分析 |
1.4 分布式故障诊断研究存在的问题 |
1.5 论文的结构和主要研究内容 |
第二章 基于多元因果分析和证据推理的报警预测 |
2.1 引言 |
2.2 基本理论 |
2.2.1 贝叶斯定理 |
2.2.2 贝叶斯网络 |
2.3 基于多元因果分析和证据推理的方法设计 |
2.3.1 多元因果分析建模 |
2.3.2 因果网络参数学习 |
2.3.3 基于因果模型的推理预测 |
2.4 实验验证 |
2.4.1 公开数据集案例 |
2.4.2 TE过程的报警预测 |
2.5 本章小结 |
第三章 基于概率密度估计和因果分析的故障检测与溯源 |
3.1 引言 |
3.2 基本理论 |
3.2.1 概率密度估计 |
3.2.2 Lasso回归 |
3.3 基于KDE和因果分析的故障检测和溯源方法设计 |
3.3.1 因果网络拓扑构建 |
3.3.2 基于核密度估计的概率关系确定 |
3.3.3 核密度估计质量的评价指标 |
3.3.4 基于FLSA的动态阈值设定 |
3.3.5 故障检测和溯源的实施框架 |
3.4 实验验证 |
3.4.1 TE过程故障检测 |
3.4.2 TE过程的故障溯源 |
3.5 本章小结 |
第四章 基于概率图模型的分布式过程监测和故障溯源 |
4.1.引言 |
4.2.基于概率图模型的分布式监测和故障溯源设计 |
4.2.1.数据与机理融合的监测变量优化筛选与分解 |
4.2.2.基于非参数概率图模型的故障传播定量分析 |
4.2.3.多单元流程系统的故障因果推理与融合诊断 |
4.3.TE过程仿真验证 |
4.4 本章小结 |
第五章 基于分布式偏最小二乘算法的故障检测 |
5.1 引言 |
5.2 基本理论 |
5.2.1 偏最小二乘算法(PLS) |
5.2.2 PLS基本思想与性质 |
5.2.3 PLS在系统监测中的实施理论 |
5.3 基于分布式PLS的故障监测设计 |
5.3.1 基于分布式PLS的故障检测 |
5.3.2 贝叶斯融合统计指标 |
5.4 实验验证 |
5.4.1 TE过程的故障检测 |
5.4.2 多种分布式算法的实验对比 |
5.5 本章小结 |
第六章 互联系统的子空间辨识与过程监测 |
6.1 引言 |
6.2 系统状态空间描述 |
6.3 基于子空间辨识的故障检测设计 |
6.3.1 基于LQ分解的子空间辨识 |
6.3.2 故障诊断设计 |
6.4 数值仿真验证 |
6.5 本章小结 |
第七章 总结及展望 |
7.1 研究工作总结 |
7.2 未来研究展望 |
参考文献 |
致谢 |
研究成果及发表的学术论文 |
作者及导师简介 |
附件 |
(4)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 |
(5)工业机器人远程监控与诊断系统的研究与设计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 工业机器人远程监控系统的研究现状 |
1.2.2 工业机器人故障诊断技术的研究现状 |
1.3 本文的主要研究内容 |
第二章 基于孤立森林算法的工业机器人碰撞检测 |
2.1 引言 |
2.2 工业机器人动力学分析 |
2.2.1 动力学建模方法 |
2.2.2 正运动学递推 |
2.2.3 逆动力学递推 |
2.3 工业机器人机械碰撞仿真 |
2.3.1 仿真模型搭建 |
2.3.2 机械碰撞仿真 |
2.4 异常检测算法的研究 |
2.4.1 PCA算法 |
2.4.2 LOF算法 |
2.4.3 HBOS算法 |
2.4.4 iForest算法 |
2.4.5 算法实验分析 |
2.5 基于iForest的机器人碰撞检测方法 |
2.5.1 多维特征的选择 |
2.5.2 机器人碰撞检测过程 |
2.5.3 机器人碰撞判定规则 |
2.5.4 碰撞检测模型的参数选择 |
2.5.5 碰撞检测模型的性能验证 |
2.6 本章小结 |
第三章 基于振动信号分析的工业机器人滚动轴承故障诊断 |
3.1 引言 |
3.2 滚动轴承概述 |
3.2.1 滚动轴承的结构 |
3.2.2 滚动轴承主要失效形式 |
3.2.3 滚动轴承的振动机理 |
3.2.4 滚动轴承的故障特征频率 |
3.3 振动信号降噪方法研究 |
3.3.1 CEEMDAN算法降噪 |
3.3.2 小波包阈值降噪方法 |
3.3.3 CEEMDAN和小波包阈值结合降噪方法 |
3.3.4 降噪仿真分析 |
3.3.5 滚动轴承振动信号降噪实验分析 |
3.4 滚动轴承振动信号的时频分析 |
3.4.1 短时傅里叶变换时频分析 |
3.4.2 小波变换时频分析 |
3.5 基于深度卷积神经网络的时频图像分类 |
3.5.1 卷积神经网络的研究 |
3.5.2 深度卷积神经网络的设计 |
3.5.3 SE-inception v2 时频特征图像的分类实验 |
3.6 本章小结 |
第四章 工业机器人监控平台设计与故障诊断模型验证 |
4.1 工业机器人远程监控平台的设计 |
4.1.1 系统整体架构 |
4.1.2 数据采集方法设计 |
4.1.3 数据加密传输协议设计 |
4.1.4 机器人远程监控页面设计 |
4.2 工业机器人碰撞检测实验 |
4.2.1 实验环境 |
4.2.2 实验数据获取 |
4.2.3 评估参数设置 |
4.2.4 阈值的选取 |
4.2.5 碰撞检测实验 |
4.3 工业机器人轴承故障诊断实验 |
4.3.1 实验数据 |
4.3.2 对比实验 |
4.3.3 模型泛化能力验证 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
(6)面向流程工业的统计机器学习过程监测方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 过程监测概述 |
1.2.1 过程监测的研究内容 |
1.2.2 过程监测的研究方法 |
1.3 基于统计机器学习的过程监测现状分析 |
1.3.1 非线性过程监测方法 |
1.3.2 动态过程监测方法 |
1.3.3 全流程过程监测方法 |
1.3.4 多工况过程监测方法 |
1.3.5 现有方法存在的问题与挑战 |
1.4 论文的工作及研究内容安排 |
2 流程工业过程微小故障检测与辨识 |
2.1 引言 |
2.2 基本理论 |
2.2.1 支持向量数据描述 |
2.2.2 受限玻尔兹曼机 |
2.2.3 概率神经网络 |
2.3 基于RSVDD的微小故障检测方法 |
2.4 基于RBM-PNN的故障辨识方法 |
2.5 实验验证 |
2.5.1 田纳西-伊斯曼过程 |
2.5.2 故障检测结果 |
2.5.3 故障辨识结果 |
2.6 本章小结 |
3 基于混合相似性度量的全流程自适应过程监测 |
3.1 引言 |
3.2 基本理论 |
3.2.1 间隙测度 |
3.2.2 指数加权移动平均 |
3.3 具有自适应半径的Gap-SVDD全流程监测方法 |
3.3.1 基于混合相似性度量的子块划分 |
3.3.2 各子块的Gap-SVDD模型 |
3.3.3 Gap-SVDD的自适应半径策略 |
3.4 实验验证 |
3.4.1 修正田纳西-伊斯曼过程 |
3.4.2 实验结果 |
3.5 本章小结 |
4 共性-个性子空间分离的工况辨识与质量相关故障检测 |
4.1 引言 |
4.2 基本理论 |
4.2.1 t分布随机邻域嵌入 |
4.2.2 最小误差最小最大概率机 |
4.3 基于改进型MEMPM的多工况辨识方法 |
4.4 基于P-t-SNE的质量相关故障检测方法 |
4.4.1 基于ELM核函数的参数化J-SNE |
4.4.2 基于P-t-SNE和质量变量的子空间分离 |
4.5 实验验证 |
4.5.1 带钢热轧过程 |
4.5.2 实验结果 |
4.6 本章小结 |
5 面向流程工业全工况的非线性动态过程监测 |
5.1 引言 |
5.2 基本理论 |
5.2.1 协整分析 |
5.2.2 慢特性分析 |
5.3 面向带钢热轧过程的全工况非线性动态过程监测方法 |
5.3.1 基于差异度指数的有载空载工况识别 |
5.3.2 空载工况下基于SVDD的过程监测 |
5.3.3 基于NCA的长期动态均衡关系分析 |
5.3.4 基于NSFA的时变动态性和静态变化分析 |
5.4 实验验证 |
5.5 本章小结 |
6 考虑部分通信的全流程多层级运行工况评估 |
6.1 引言 |
6.2 基本理论 |
6.2.1 深度信念网络 |
6.2.2 AdaBoost |
6.2.3 Softmax回归模型 |
6.3 基于DBN-HSBoost的全流程多层级运行工况评估 |
6.3.1 考虑部分通信的全流程变量子块划分 |
6.3.2 基于DBN-HSBoost的运行工况评估模型 |
6.3.3 运行工况的在线评估与非优追溯 |
6.4 实验验证 |
6.5 本章小结 |
7 带钢热轧过程全生命周期运行工况评估 |
7.1 引言 |
7.2 基本理论 |
7.2.1 典型变量分析 |
7.2.2 鲁棒偏M估计 |
7.3 基于RKCVA的全生命周期运行工况评估 |
7.3.1 鲁棒核典型变量分析 |
7.3.2 面向带钢热轧过程的两层三游策略 |
7.3.3 基于RKCVA的故障程度评估 |
7.3.4 基于RKCVA的正常运行工况评估 |
7.4 实验验证 |
7.4.1 故障程度评估结果 |
7.4.2 正常运行工况评估结果 |
7.5 本章小结 |
8 结论与展望 |
8.1 研究工作总结 |
8.2 未来研究展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(7)数据驱动的流程工业非线性过程监测与故障诊断(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 过程监测与故障诊断的研究内容与方法 |
1.2.1 过程监测与故障诊断的基本概念 |
1.2.2 过程监测与故障诊断研究方法 |
1.3 数据驱动的过程监测与故障诊断现状分析 |
1.3.1 基于多元统计的过程监测研究现状 |
1.3.2 数据驱动的故障诊断研究现状 |
1.4 非线性过程监测与故障诊断研究现状 |
1.4.1 基于核方法的非线性过程监测 |
1.4.2 基于局部模型的非线性过程监测 |
1.4.3 基于深度学习的非线性过程监测 |
1.4.4 非线性故障诊断研究现状 |
1.5 本文的研究内容 |
2 基于变分自编码器的非线性过程监测与故障隔离 |
2.1 引言 |
2.2 变分自动编码器 |
2.3 分支定界算法 |
2.4 基于VAE的非线性过程监测 |
2.4.1 基于联合概率密度的监测统计量设计 |
2.4.2 基于数据生成的控制限确定 |
2.5 基于VAE的非线性过程故障隔离 |
2.5.1 基于重构贡献分析的故障隔离方法 |
2.5.2 基于分支定界算法的故障隔离方法 |
2.6 实验验证 |
2.6.1 TE过程验证 |
2.6.2 带钢热连轧过程验证 |
2.7 本章小结 |
3 基于高斯混合变分自编码器的多工况过程监测 |
3.1 引言 |
3.2 高斯混合模型 |
3.3 高斯混合变分自编码器 |
3.4 基于混合高斯VAE的多工况过程监测 |
3.4.1 改进的GMVAE模型 |
3.4.2 基于GMVAE的过程监测 |
3.5 实验验证 |
3.5.1 TE过程验证 |
3.5.2 带钢热连轧过程验证 |
3.6 本章小结 |
4 基于深度变分信息瓶颈和变分自编码器的质量监测 |
4.1 引言 |
4.2 信息瓶颈 |
4.3 深度变分信息瓶颈 |
4.4 基于Deep VIB-VAE的非线性过程质量异常过程建模 |
4.4.1 Deep VIB-VAE建模 |
4.4.2 基于质量相关和无关特征分解的质量监测 |
4.5 实验验证 |
4.5.1 数值仿真案例验证 |
4.5.2 带钢热连轧过程验证 |
4.6 本章小结 |
5 基于条件变分自编码器的全流程过程监测 |
5.0 引言 |
5.1 理论基础 |
5.1.1 长短期记忆网络 |
5.1.2 条件变分自编码器 |
5.1.3 深度支持向量数据描述 |
5.2 基于CVRAE的全流程过程监测 |
5.2.1 系统描述 |
5.2.2 分布式条件变分循环自编码器 |
5.2.3 基于分布式CVRAE的分层过程监测框架 |
5.3 实验验证 |
5.3.1 带钢热连轧数据集 |
5.3.2 实验结果 |
5.4 本章小结 |
6 深度因果图建模及其过程监测与故障诊断 |
6.1 引言 |
6.2 深度因果图建模方法 |
6.2.1 图结构已知的因果关系建模方法 |
6.2.2 图结构未知的因果关系建模方法 |
6.3 基于深度因果模型的过程监测与故障诊断 |
6.3.1 过程监测 |
6.3.2 故障诊断 |
6.4 实验验证 |
6.5 本章小结 |
7 结论与展望 |
7.1 研究工作总结 |
7.2 未来研究展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(8)基于卷积神经网络的局域网故障诊断技术研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
数学符号表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.3 本文的主要内容与创新 |
1.4 本论文的结构与安排 |
第二章 网络故障诊断相关概述 |
2.1 局域网的复杂环境网络故障诊断 |
2.1.1 网络故障物理侧层级分析 |
2.1.2 网络故障业务侧服务分析 |
2.2 基于定性经验的网络故障诊断技术 |
2.2.1 网络故障专家系统 |
2.2.2 图搜索模型 |
2.3 基于数据驱动的网络故障诊断技术 |
2.3.1 支持向量机 |
2.3.2 软件定义网络 |
第三章 基于卷积神经网络的网络故障诊断 |
3.1 网络故障场景分析 |
3.2 故障的卷积神经网络检测实现 |
3.2.1 卷积神经网络实现原理 |
3.2.2 基于卷积神经网络的网络故障检测设计 |
3.2.3 基于卷积神经网络的网络故障检测模型 |
3.3 卷积神经网络检测模型优化 |
3.3.1 丢弃学习优化 |
3.3.2 Adam梯度优化 |
3.3.3 数据集均衡化 |
第四章 局域网数据捕获与故障数据集构建 |
4.1 局域网网络数据采集与分析 |
4.1.1 局域网故障问题描述与解决 |
4.1.2 局域网数据采集方法分析 |
4.1.3 局域网数据分布式被动采集 |
4.2 基于LibPcap的数据采集板卡原型设计 |
4.2.1 LibPcap组成架构 |
4.2.2 LibPcap板卡原型实现 |
4.3 基于特征工程的数据集构建 |
4.3.1 数据字典化清洗 |
4.3.2 数据特征提取 |
第五章 实验与结果分析 |
5.1 评价指标 |
5.2 实验环境 |
5.3 基于KDD99 数据集的网络故障诊断实验 |
5.3.1 实验数据集分析 |
5.3.2 网络故障诊断过程结果与分析 |
5.4 基于本地局域网的网络故障诊断实验 |
5.4.1 实验环境与数据收集 |
5.4.2 本地局域网数据集分析 |
5.4.3 本地局域网故障诊断实验结果与分析 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
附录1 数据集特征位表 |
个人简历 |
(9)轻型电动货车分布式电池管理系统设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 电动货车发展现状与发展趋势 |
1.1.1 电动货车发展现状 |
1.1.2 电动货车发展趋势 |
1.2 锂离子动力电池发展现状与发展趋势 |
1.2.1 锂离子动力电池发展现状 |
1.2.2 锂离子动力电池发展趋势 |
1.3 电动汽车电池管理系统发展现状与发展趋势 |
1.3.1 电动汽车电池管理系统发展现状 |
1.3.2 电动汽车电池管理系统发展趋势 |
1.4 本文主要研究内容与章节安排 |
第2章 轻型电动货车电气系统 |
2.1 轻型电动货车电气系统 |
2.1.1 高压电气系统 |
2.1.2 低压电气系统 |
2.1.3 整车通信网络 |
2.2 轻型电动货车电池管理系统 |
2.2.1 轻型电动货车电池管理系统拓扑结构 |
2.2.2 轻型电动货车电池管理系统功能 |
2.3 本章小结 |
第3章 轻型电动货车电池管理系统硬件设计 |
3.1 电池管理系统硬件需求分析与总体方案 |
3.1.1 电池管理系统硬件需求分析 |
3.1.2 电池管理系统硬件总体方案 |
3.2 微控制器最小系统 |
3.3 电源 |
3.3.1 电源保护 |
3.3.2 电源系统 |
3.4 信号输入电路 |
3.4.1 数字输入电路 |
3.4.2 模拟输入电路 |
3.4.3 脉冲输入电路 |
3.5 驱动 |
3.5.1 高边驱动 |
3.5.2 低边驱动 |
3.5.3 H桥驱动 |
3.6 继电器粘连检测模块 |
3.7 绝缘检测模块 |
3.8 CAN通信模块 |
3.9 隔离收发器 |
3.10 电池电子部件 |
3.10.1 电压采集和均衡模块 |
3.10.2 电流测量模块 |
3.10.3 温度测量模块 |
3.10.4 通信模块 |
3.11 印刷电路板 |
3.12 本章小结 |
第4章 轻型电动货车电池管理系统软件设计 |
4.1 电池管理系统软件需求分析和总体方案 |
4.1.1 电池管理系统软件需求分析 |
4.1.2 电池管理系统软件总体方案 |
4.2 驱动软件 |
4.2.1 系统时钟驱动 |
4.2.2 SPI驱动 |
4.2.3 电源驱动 |
4.2.4 模数转换驱动 |
4.2.5 CAN通信驱动 |
4.2.6 电池电子部件 |
4.3 对象设计 |
4.3.1 电池管理系统对象 |
4.3.2 继电器对象 |
4.3.3 整车控制器对象 |
4.3.4 直流充电机对象 |
4.3.5 交流充电机对象 |
4.3.6 CAN帧对象设计 |
4.4 信息更新和故障诊断 |
4.4.1 信息更新 |
4.4.2 故障诊断 |
4.5 对象状态跳转策略 |
4.5.1 上/下电过程 |
4.5.2 直流充电过程 |
4.5.3 交流充电过程 |
4.5.4 其他控制过程 |
4.6 本章小结 |
第5章 锂离子动力电池包荷电状态估计 |
5.1 锂离子动力电池性能测试 |
5.1.1 电池包容量测试 |
5.1.2 电池包电压性能测试 |
5.1.3 电池充电特性测试 |
5.2 基于电流传感器校准和IC曲线修正的安时积分法 |
5.2.1 安时积分法及其改进方案 |
5.2.2 电流传感器校准 |
5.2.3 试验验证 |
5.2.4 结果分析 |
5.3 本章小结 |
第6章 轻型电动货车电池管理系统功能验证 |
6.1 调试辅助工具 |
6.1.1 桌面监控系统 |
6.1.2 移动监控系统 |
6.2 实验室验证 |
6.2.1 硬件测试 |
6.2.2 软件测试 |
6.3 实车试验 |
6.3.1 实车装配 |
6.3.2 实际道路测试 |
6.4 结果分析 |
6.4.1 实验室验证 |
6.4.2 实车试验 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的其他研究成果 |
(10)基于云平台的电动汽车充电设备监控系统开发与研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 充电设备监控系统研究现状 |
1.2.2 充电设备故障诊断研究现状 |
1.3 课题研究主要内容 |
2 监控系统总体设计 |
2.1 监控系统需求功能分析 |
2.1.1 电动汽车充电设备管理现状 |
2.1.2 监控系统功能需求分析 |
2.1.3 监控系统功能模块设计 |
2.2 监控系统整体方案 |
2.3 充电设备性能指标 |
2.3.1 大功率充电机性能指标 |
2.3.2 直流充电桩性能指标 |
2.4 云平台规划 |
2.4.1 云平台 |
2.4.2 云平台选择及系统部署 |
2.5 本章小结 |
3 监控系统的硬件分析 |
3.1 大功率充电机硬件分析 |
3.1.1 大功率充电机结构分析 |
3.1.2 大功率充电机工作原理 |
3.2 直流充电桩硬件分析 |
3.2.1 直流充电桩结构分析 |
3.2.2 直流充电桩工作原理 |
3.3 充电设备工作状态分析 |
3.3.1 直流充电桩工作状态分析 |
3.3.2 大功率充电机工作状态分析 |
3.4 充电设备常见故障 |
3.4.1 大功率充电机常见故障 |
3.4.2 直流充电桩常见故障 |
3.5 本章小结 |
4 监控系统设备间的通信分析 |
4.1 监控系统整体通信设计 |
4.2 BMS与充电设备通信 |
4.2.1 通信设计 |
4.2.2 BMS与充电设备的通信流程 |
4.2.3 通信报文实例 |
4.3 大功率充电机与工控机通信 |
4.3.1 通信设计 |
4.3.2 通信报文实例 |
4.4 工控机与云服务器通信 |
4.4.1 通信设计 |
4.4.2 通信报文实例 |
4.5 本章小结 |
5 监控系统故障诊断分析 |
5.1 故障树分析法 |
5.1.1 故障树分析法 |
5.1.2 故障树的数学基础 |
5.1.3 故障树的定性分析 |
5.1.4 故障树的定量分析 |
5.2 模糊故障树分析法 |
5.2.1 模糊数 |
5.2.2 模糊算子 |
5.2.3 去模糊化 |
5.2.4 割集重要性分析 |
5.3 充电设备故障树的建立与分析 |
5.3.1 建立大功率充电机故障树 |
5.3.2 大功率充电机故障树定性分析 |
5.3.3 建立直流充电桩故障树 |
5.3.4 直流充电桩故障树定性分析 |
5.4 大功率充电机模糊故障树分析 |
5.4.1 底事件评估模糊数的聚合 |
5.4.2 顶事件模糊数及去模糊化 |
5.4.3 底事件重要性分析 |
5.5 直流充电桩模糊故障树分析 |
5.5.1 底事件评估模糊数的聚合 |
5.5.2 顶事件模糊数及去模糊化 |
5.5.3 底事件重要性分析 |
5.6 故障诊断算法设计 |
5.7 本章小结 |
6 监控系统的开发与实现 |
6.1 云平台开发方案 |
6.1.1 云平台的部署方案 |
6.1.2 对外交互接口设计 |
6.2 数据库设计 |
6.2.1 数据库选型 |
6.2.2 数据表设计 |
6.3 状态监测模块实现 |
6.3.1 主界面 |
6.3.2 充电设备基础信息 |
6.3.3 充电设备实时信息 |
6.3.4 充电设备历史信息 |
6.3.5 充电设备数据统计 |
6.4 故障诊断模块实现 |
6.4.1 故障实时数据 |
6.4.2 故障历史数据 |
6.4.3 故障数据统计 |
6.4.4 故障诊断与处理 |
6.5 账户管理与远程升级模块 |
6.6 系统部署与发布 |
6.7 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
附录 (一) |
附录 (二) |
致谢 |
攻读学位期间发表的学术论文 |
四、基于数据驱动的流程工业性能监控与故障诊断研究(论文参考文献)
- [1]基于改进主元分析法和多状态贝叶斯网络的化工过程故障诊断[D]. 王骥. 青岛科技大学, 2021(01)
- [2]氢燃料电池安全监测系统设计与故障诊断方法研究[D]. 刘奥. 太原理工大学, 2021(01)
- [3]复杂工业系统的分布式故障诊断方法研究[D]. 陈晓露. 北京化工大学, 2021
- [4]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)
- [5]工业机器人远程监控与诊断系统的研究与设计[D]. 洪辉武. 江南大学, 2021(01)
- [6]面向流程工业的统计机器学习过程监测方法研究[D]. 张传放. 北京科技大学, 2021(08)
- [7]数据驱动的流程工业非线性过程监测与故障诊断[D]. 唐鹏. 北京科技大学, 2021(08)
- [8]基于卷积神经网络的局域网故障诊断技术研究[D]. 周云风. 电子科技大学, 2021(01)
- [9]轻型电动货车分布式电池管理系统设计与实现[D]. 刘军伟. 中国科学技术大学, 2021(08)
- [10]基于云平台的电动汽车充电设备监控系统开发与研究[D]. 吕艺伟. 青岛科技大学, 2021(01)