一、基于模型的故障诊断方法的应用研究（论文文献综述）
闫斌斌[1]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中研究指明叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
赵孝礼[2]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中认为滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
孙振宇,王震坡,刘鹏,张照生,陈勇,曲昌辉[3]（2021）在《新能源汽车动力电池系统故障诊断研究综述》文中研究说明随着新能源汽车保有量的增加,新能源汽车安全问题日益突出,严重威胁着驾乘人员的生命财产安全,制约了新能源汽车产业发展。动力电池问题是新能源汽车着火事故发生的主要原因（占着火事故60%以上）,发展先进的动力电池系统故障诊断技术已成为新能源汽车安全防护领域的热点。为填补该领域最新中文综述的空白,基于动力电池系统故障发生位置的差异,将故障分类为内部故障和外部故障,描述过充电、过放电、外部短路、内部短路、过热、热失控、传感器故障、连接件故障、冷却系统故障的失效机理。从内部故障和外部故障两个角度出发,总结锂离子动力电池的基于知识、模型、数据驱动三类故障诊断方法的研究现状与最新进展。讨论当前动力电池系统故障诊断技术研究中存在的主要问题,提出电池故障诊断技术的未来发展趋势,以期实现动力电池系统故障的准确诊断和早期防控,提高新能源汽车安全性,保障驾乘人员生命财产安全,推动新能源汽车产业进一步发展。
魏苏杰[4]（2021）在《随车起重机变幅液压系统故障诊断研究》文中认为科学技术的不断发展促进包括工程机械在内的重大装备趋于智能化,为保证其可靠性,设备的健康检测成为研究热点。液压系统作为工程机械的主要组成部分,保证其在运行过程中的可靠性显得尤为重要。目前,对于液压健康检测的研究,主要有基于知识、数据驱动、基于物理模型的三种常用方法,基于知识的健康检测方法适合定性推理,要求有较高的经验及知识储备,基于数据驱动的健康检测方法要求有大量的故障或全寿命周期数据。鉴于两种方法的局限性,基于模型的液压系统的健康检测方法有明显优势,利用获得的系统精确的数学模型,进行系统的健康检测。本文以随车起重机变幅液压系统为研究对象,首先分析变幅液压系统的故障特征,提出典型故障的模拟与注入方案,通过仿真验证所提方案的可行性;其次分析功率键合图和解析冗余关系理论,提出键合图与解析冗余关系相结合的基于模型的故障诊断方法,为验证方法的可行性,进一步搭建基于Simulink的故障诊断仿真模型,验证所提故障诊断方法的合理性。论文的主要研究如下:（1）分析随车起重机结构组成和液压系统工作原理,对变幅液压系统典型故障的机理进行研究,制定各故障的模拟与注入方案,利用AMESim软件建立故障仿真模型,从而验证所提出的故障模拟方案的可行性;（2）采用功率键合图建模方法,根据液压原理和各故障模拟方案,建立变幅液压系统有无故障的键合图模型,并建立各结点本构关系方程;（3）基于解析冗余理论的基本原理,提出与键合图相结合的基于模型的故障诊断方法,主要包括:残差生成、残差估计及故障诊断三个环节;（4）将基于模型的故障诊断方法应用到变幅液压系统换向阀卡死的故障诊断中。在Simulink中搭建故障诊断仿真模型,通过控制部分注入故障信息,故障诊断结果与注入信息的一致性,来验证故障诊断方法的合理性;（5）在随车起重机实验台上设计换向阀卡死故障实验,通过实验曲线与仿真曲线对比,验证故障诊断仿真模型的合理性,进一步验证故障诊断结果的可信度。
闫丽萍[5]（2021）在《三轴式燃气轮机气路故障诊断方法研究》文中研究说明燃气轮机气路故障诊断可以提供早期故障预警,合理安排维修计划,以保障燃气轮机安全高效运行。三轴式燃气轮机结构复杂,非线性特性显着,对其进行气路故障诊断极具挑战性。目前,燃气轮机气路故障诊断方法的识别准确率受限,同时对于气路与传感器耦合故障诊断还没有行之有效的技术途径。本文针对三轴式燃气轮机,重点开展气路故障识别、气路故障程度评估、气路与传感器耦合故障诊断等研究工作,提升气路故障诊断的准确性,稳定性与容错性。本文主要研究内容包括:（1）基于三轴式燃气轮机部件模型的典型气路故障仿真研究。基于部件法建立的三轴式燃气轮机仿真模型,研究结垢和侵蚀两大典型气路故障对燃气轮机性能影响。研究发现,气路故障会降低燃气轮机热效率,各热力参数随故障严重程度变化大体呈线性关系。（2）优化基于数据驱动的气路故障诊断方法。a)针对浅层学习算法——核极限学习机KELM未考虑特征对故障分类贡献差异导致诊断性能不佳问题,提出基于改进核极限学习机算法FWKELM-RF,故障仿真实验验证表明,与其他传统的KELM算法相比,在四个不同工况下均具有更优的故障识别准确性和稳定性。b)针对深度学习算法——深度置信网络DBN中大量初始参数影响诊断准确性问题,本文提出基于遗传算法优化DBN的气路故障诊断方法。通过仿真实验验证表明,GA-DBN与其他诊断算法相比,故障识别准确率更高（可达98.4%）,且遗传算法优化相比于粒子群优化和模拟退火优化,具有更强的全局搜索性能。（3）建立基于模型的气路故障诊断方法。为进一步估计气路故障的衰退程度,将无迹卡尔曼滤波器UKF应用于燃气轮机系统模型中,建立气路故障诊断方法;采用能观度分析方法选择具有较高估计精度的测量参数组合;通过仿真实验验证表明,该诊断方法对三轴式燃气轮机气路故障具有较高的估计精度。（4）提出基于无迹卡尔曼滤波器的气路与传感器耦合故障诊断方法。针对气路与传感器耦合故障下单一故障诊断方法性能差的问题,本文建立传感器故障诊断系统,通过仿真实验验证方法的可靠性。在此基础上,通过多工况条件下的运行数据消除传感器故障影响,提出一种气路与传感器故障并存的诊断方法;通过建立气路和传感器故障识别模块,并自适应更新诊断系统参数,提出一种考虑气路与传感器故障时序的诊断方法。最后,通过仿真实验验证两个方法对耦合故障的诊断能力。
罗贤缙[6]（2021）在《基于深度学习的风电机组传动系统故障诊断方法研究》文中指出能源结构调整对实现“碳达峰”、“碳中和”中长期目标至关重要,风力发电作为绿色清洁能源发展迅速。但随着风电机组长时间运行,设备各部件会不可避免地出现各种故障,如不及时发现和处理将会对风电企业造成巨大损失。因此,风电机组故障诊断逐渐成为热门研究方向。本文基于风电机组传动系统中的滚动轴承和齿轮箱振动信号开展研究,从基于变分模态分解的信号处理入手,分析振动信号特征,并将其作为卷积神经网络的输入,智能化地对故障特征进行提取与诊断。针对风电机组在实际运行过程中的噪声、复合故障以及变工况对诊断结果的不利影响,提出了三种不同的诊断方法,并对卷积神经网络中的各模块进行了优化和验证。主要内容如下:1.针对局部均值分解和经验模态分解存在的端点效应和模态混叠问题,引入了变分模态分解,提出了一种基于相关系数确定模态数的方法,通过仿真信号、恒定工况下的数据和风电机组实际运行数据验证了该方法的有效性。研究表明,变分模态分解表现出带通滤波特性,可以检测出轴承不平衡故障和滚动轴承故障。2.针对传统故障诊断方法需要大量专业背景知识和经验的问题,提出了基于卷积神经网络的故障诊断方法。通过分析经典的LeNet-5网络结构中网络深度和各种优化技术对诊断结果的影响,设计了多个基于Inception模块的网络模型,并将变分模态分解得到的各模态以不同策略输入网络,通过实验对比验证了模型的有效性。研究表明,所提出的网络模型对故障诊断的准确率可以达到99%左右,而且整个过程不需要人为干预,实现了故障诊断智能化。3.针对风电机组实际运行过程中噪声和复合故障对诊断结果影响较大的问题,提出了基于深度残差网络和注意力模型的故障诊断方法。首先,通过实验对比发现,已有的网络模型在添加不同程度的噪声以及存在复合故障时诊断准确率下降;其次,对残差网络模块和注意力模块进行改进;最后,在原有网络模型基础上进行模块扩充并提出了基于深度残差网络模型。研究表明,残差网络可以有效地加深网络,避免梯度爆炸和梯度消失;注意力模型利用误差反向传播算法优化权值,可以有效地降低噪声对诊断结果的影响;基于变分模态分解的处理方法可以有效地解耦复合故障,将分解后得到的模态作为网络输入可以提高诊断准确率。4.针对风电机组工况多变对诊断结果的影响,提出了基于深度迁移学习的故障诊断方法。通过对已有网络模型对不同负载相同工况、相同负载不同工况以及不同负载不同工况下预测的准确率分析,可以发现网络模型具备一定的泛化能力且所使用数据具备迁移学习的前提条件。在此基础上,提出了基于模型参数迁移和特征映射的故障诊断方法以及若干迁移方案,并通过实验对比确定了迁移方案,验证了方法的有效性。论文最后给出了研究的主要工作和结论,并对下一步的研究方向进行了展望。
刘奥[7]（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。
董健[8]（2021）在《风电机组关键部件故障预警与寿命评估方法及其应用研究》文中指出2020年9月我国正式提出“2030年碳达峰,2060年碳中和”的减排目标,这为我国能源清洁低碳转型指明了方向、擘画了具体路线图,展现了中国应对气候变化的坚定决心和重信守诺的责任担当。风力发电作为清洁能源的主要利用方式之一,在未来必将更快速度、更大规模、更高质量的发展,这对风电装备设计制造及运维技术水平提出更高的要求。我国在大规模风力发电建设初期存在风电机组设备故障率高和运维成本高的突出问题,特别是关键大部件（齿轮箱、发电机及主轴承等）故障率偏高,严重影响发电量,增加风电场的后期运维和检修成本,给风电场运营带来较大的经济损失。随着风力发电行业逐步朝着大型化和海上化的发展趋势,这就对风电机组运行安全可靠性和经济性提出了更高要求。因此,不断提升风电机组关键部件状态监测及故障诊断技术水平,使部件监测范围更宽、故障预警更及时、故障诊断更准确,必将成为风电全行业的共识。本文的研究结果可为风电场关键部件的检修时机提供科学合理的依据,也可为风电场的安全经济运行提供重要的技术支持。本文针对风电机组关键部件故障诊断及寿命评估的关键技术问题,依托2015年度国家科技支撑计划项目“大型风电场智能化运行维护关键技术研究及示范（2015BAA06B03）”开展深入研究,主要的研究内容及结论如下。（1）基于振动信号复合分解结合特征降维的故障诊断方法:风电机组传动链结构复杂、故障模式多,振动监测信号存在多源耦合调制的特点,这就给快速全面提取微弱故障特征信息造成困难,针对这一关键问题,本文研究并提出一种振动信号复合分解结合主分量分析的降维处理方法。首先采用先进的集合经验模态分析方法（Ensemble Empirical Mode Decomposition,简称 EEMD）和局部均值分解方法（Local Mean Decomposition,简称LMD）对振动监测信号进行复合分解,以全面揭示隐含在振动监测信号中造成状态变化的微弱故障信息;其次选择分解出的高频分量进行特征提取,将两种分解方法得到的各个分量特征值进行融合,构成高维特征向量;最后采用主分量分析（Principal Component Analysis,简称PCA）进行降维处理,采用欧几里得距离或平方预测误差（Squared Prediction Error,简称SPE）指标作为反映状态变化的量化评价指标。通过风电机组实际故障信号分析实例,将该方法的分析效果与其它几种基于不同信号分析方法的特征提取及降维方法进行对比,结果表明,所提出的“复合分解结合主分量分析”的方法既满足特征提取精度要求又可提高特征识别效率。（2）基于盲解卷积结合稀疏分解的微弱故障特征提取方法:针对风电机组振动监测信号的干扰噪声强、故障信息分布频率范围宽、具有强非平稳性等特点,本文研究并提出一种将盲解卷积和稀疏分解相结合的振动信号分析方法。首先采用基于最小熵解卷积（MED）方法对振动监测信号进行预处理,从而抑制监测信号中的随机噪声成分,增强信号中的故障冲击成分;其次对经预处理的振动信号进行稀疏分解,根据风电机组传动链故障周期性冲击成分出现的最小间隔,对振动监测信号进行分段处理,采用匹配追踪算法对每一段信号分解,提取故障成分,再将得到的故障冲击成分按照顺序重构信号。通过对风电机组实际运行监测信号的分析对比,结果表明,该方法可以同时实现微弱故障信息增强和提取的目的,选择合适的解卷积滤波器参数,可以获得明显的振动信号提取效果。（3）基于运行监控数据分类识别的故障预警方法:风电机组运行监控系统（Supervisory Control And Data Acquisition,简称 SC ADA）中拥有海量的大数据,其中数据间各种逻辑关系复杂,干扰数据繁多,这就对快速准确的构建目标模型从而高效诊断和预测各类典型故障带来不小的困难,针对这一难点,本文利用SCADA系统中各类数据的属性构建了分类识别的建模方法。首先针对SCADA系统中同类监控指标的数据（齿轮箱油温）提出一种工况细化的故障预警方法,该方法针对风电机组并网段的不同叶轮转速分仓,建立齿轮箱油温正常行为模型并划定油温分布和变化率异常限值,采用定时执行、定量分析、定窗评估的手段实现齿轮箱油温异常检测和故障预警的功能;最后针对SCADA数据之间关联性较为直接且可以快速识别关联性的部件（叶片结冰故障）,采用BPAdaboost故障检测强分类器构建模型,其精度优于单一 BP神经网络构建的风电机组叶片结冰故障检测模型。（4）基于疲劳累计损伤理论的风电机组寿命评估系统:由于风电机组的结构、运行工况及环境条件具有复杂多变特点,国内对于处于设计寿命中后期的风电机组,针对整机及特殊关键结构部件寿命评估技术的研究基础相对薄弱,针对这一瓶颈问题,本文开发了一套风电机组关键部件疲劳载荷及寿命评估系统。首先构建了风电机组载荷数据库（包含空气密度、湍流强度和计算风速工况）;其次基于Miner疲劳累计损伤理论,开发出风电机组关键部件寿命评估系统。通过对两个风电场的关键部件剩余寿命预测作为算例进行验证,结果表明,该系统可实现对限电风电场的优化配置及预测会发生疲劳破坏的部位等功能。
陈涛[9]（2021）在《三相电压源逆变器功率管开路故障诊断方法研究》文中研究说明三相电压源逆变器在轨道交通、电力系统、航空航天、机器人、电动汽车及工业通用变频器等领域被广泛应用,其可靠性能已经成为保证系统安全运行的关键技术。三相电压源逆变器的故障表现主要分为开路故障和短路故障,现阶段针对短路故障一般采用成熟的硬件电路进行处理,而开路故障诊断技术尚处于研究和发展之中。本文针对三相电压源逆变器功率管开路故障问题,从多个角度对故障特征分析、故障影响机理、故障检测和定位技术等方面进行了深入研究,提出了四种不同的故障诊断方法,主要研究内容和研究成果如下:（1）提出了基于电流矢量相位的三相电压源逆变器功率管开路故障诊断方法。详细分析三相电压源逆变器健康状态、单管故障、单相故障、异相同侧双管故障、异相异侧双管故障下的电流矢量相位变化特征,归纳电流矢量相位在不同故障下的变化规律,为利用电流矢量相位进行故障诊断提供依据。设计基于电流矢量相位标准差的故障检测算法和基于电流矢量相位特征值的故障定位算法,实现仅利用电流矢量相位信息完成功率器件开路故障的在线快速检测和定位。（2）提出了基于故障在线模拟的三相电压源逆变器功率管开路故障诊断方法。剖析电力电子电路的混杂动态特性,归纳基于混杂自动机的电力电子电路一般建模步骤及分析三相电压源逆变器-电机系统运行机理,并在此基础上利用混杂自动机建立逆变器-电机系统的混杂模型。利用健康混杂模型构建电流估计器实现故障检测,有效消除转速和负载突变的影响及提高对误警报的抗扰度;利用电流矢量相位信息实现故障类判断以减小计算负担及提高诊断可靠度;提出基于故障在线模拟技术的故障定位方法,利用混杂模型在线模拟可能发生的故障,再根据模拟电流残差完成故障定位,并将电流矢量相位特征应用于逆变器故障类判断,有效地提高诊断速度和可靠性。（3）提出了基于输出线电压残差分析的三相电压源逆变器功率管开路故障诊断方法。建立单相和双相开路故障下输出线电压残差的数学描述,并分析不同开路故障条件下输出线电压残差的特性规律。推导线电流残差与相应输出线电压残差正负极性的一致性关系,从而通过对输出线电压残差分析实现基于线电流残差信息的故障检测和定位方法,在避免使用额外的传感器的同时提高了故障诊断速度。（4）提出了基于卷积神经网络的三相电压源逆变器功率管开路故障诊断方法。选取电流矢量相位作为故障特征量以降低故障数据维度,并建立逆变器22种功率管故障类型（含健康状态）的数据集。通过引入大卷积核的第一层卷积构建适用于一维信号特征提取的ConvNet模型,从而提高网络诊断准确率,基于该模型实现逆变器开路故障的分类诊断,并进行可视化分析和验证。通过在改进版残差块中增加最大池化层构建的ResNet模型实现网络运算加快和特征信息筛选强化,基于该模型实现扰动下逆变器开路故障诊断,并将其与ConvNet、VGGNet模型进行对比分析,说明了 ResNet模型在实际中应用的可行性和有效性。本文从不同的角度深入探究了三相电压源逆变器功率器件单管、单相和双管开路的故障特征和影响机理,为三相电压源逆变器功率管状态监测和开路故障诊断提供了新的解决方案和技术支撑。
韩庆阳[10]（2021）在《基于多生成器辅助分类器生成对抗网络的故障诊断算法研究》文中指出随着工业生产日趋集成化和智能化,现代机械设备的运行状况和工作环境更加多变,大大提高工业生产效率的同时,也增加了机械设备及其零部件发生故障的概率。在生产过程中,一旦机械设备及其零部件产生故障,将造成严重的经济损失和人员伤亡事故,因此有效准确的故障诊断方法的研究成为目前研究热点之一。传感器技术的发展使得获取海量数据成为可能,同时计算机技术的发展推动了基于数据驱动的故障诊断方法的快速发展和广泛应用,而作为数据驱动方法新崛起的分支,深度学习可以处理复杂的非线性数据并且对特征具有更强的提取能力,因此深度学习被广泛应用于图像处理、语音识别以及故障诊断等领域。由于设备工作环境复杂,能够采集到的故障数据较少,导致缺乏带标签的故障数据,现有的故障诊断方法难以实现高精度的故障诊断,本文将生成对抗网络（Generative adversarial network,GAN）应用于故障诊断中,通过其生成器生成新样本来扩充故障数据集。本文从基于深度学习的故障诊断这一背景出发,以生成对抗网络模型为基础,针对GAN应用于故障诊断过程中存在的模式崩溃和输入噪声单一的问题,对基于GAN的故障诊断方法进行了改进和研究。1)针对GAN应用于故障诊断时存在的模式崩溃问题,提出了一种基于多生成器的辅助分类器生成对抗网络（Auxiliary Classifier Generative Adversarial Network,ACGAN）的故障诊断方法。首先依照实际工况下故障类型的数量选择生成器的数量,保证每个生成器可以生成一种类型的故障数据。然后将原本的单一生成器结构替换为多生成器结构,利用不同的生成器捕获不同的高概率模态。最后在新模型的生成器和判别器交替训练时,通过给不同的生成器指定相应的类标签来鼓励其生成相应类型的生成样本。该方法提高了模型的特征提取能力和泛化能力,解决了模式崩溃的问题。实验表明,提出的新模型可以捕获更多高概率模态并且生成高质量的样本,并且面对不同工况下故障数据具有较好的泛化能力和较高的诊断精度。2)针对故障诊断过程中生成对抗网络存在的输入噪声单一的问题,研究了一种噪声预处理的方法。根据均值和方差的不同,首先对随机噪声进行分类和处理,经过处理之后得到了不同均值和方差的噪声。然后,从处理后的噪声中选取不同均值和方差的随机噪声输入到生成器中,将生成器原本单一的噪声输入替换为多高斯噪声输入,多高斯噪声可以包含更多的有效特征,提高了样本的多样性,解决了输入噪声单一的问题。最后通过类标签指导每个生成器生成不同类型的故障数据。实验结果表明,所提出的噪声预处理的方法可以携带更多的信息,扩大搜索的空间,增加了样本的随机性和多样性,进而提高了模型的诊断精度。
二、基于模型的故障诊断方法的应用研究（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、基于模型的故障诊断方法的应用研究（论文提纲范文）
（1）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（4）随车起重机变幅液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 随车起重机技术与发展 |
| 1.1.1 随车起重机简介 |
| 1.1.2 随车起重机发展状况 |
| 1.2 故障诊断技术的发展 |
| 1.2.1 故障诊断方法 |
| 1.2.2 故障诊断方法研究现状 |
| 1.3 本文研究工作主要内容 |
| 1.3.1 选题背景与意义 |
| 1.3.2 工作内容 |
| 1.4 本文组织结构 |
| 2 变幅液压系统故障分析与故障模拟 |
| 2.1 随车起重机液压系统介绍 |
| 2.1.1 随车起重机介绍 |
| 2.1.2 液压系统工作原理 |
| 2.2 液压系统故障分类与特点 |
| 2.3 变幅液压系统故障分析与模拟 |
| 2.3.1 液压缸的故障分析及模拟 |
| 2.3.2 液压泵的故障分析及模拟 |
| 2.3.3 换向阀的故障分析及模拟 |
| 2.3.4 溢流阀与过滤器的故障分析及模拟 |
| 2.4 基于AMESim的液压系统故障仿真 |
| 2.4.1 AMESim液压系统建模 |
| 2.4.2 液压系统故障注入与模拟 |
| 2.4.3 仿真结果分析 |
| 2.5 本章小结 |
| 3 基于功率键合图的液压系统建模 |
| 3.1 功率键合图建模方法 |
| 3.2 液压元件功率键合图 |
| 3.3 变幅液压系统功率键合图模型 |
| 3.3.1 系统无故障建模 |
| 3.3.2 系统多故障建模 |
| 3.4 变幅液压系统多模式故障 |
| 3.5 本章小结 |
| 4 基于模型的液压系统故障诊断方法 |
| 4.1 解析冗余关系理论 |
| 4.2 残差与阀值计算 |
| 4.2.1 残差计算 |
| 4.2.2 阀值计算 |
| 4.2.3 故障隔离与故障特征矩阵 |
| 4.3 故障诊断 |
| 4.4 本章小结 |
| 5 案例分析与实验验证 |
| 5.1 换向阀卡死故障诊断 |
| 5.2 实验验证 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）三轴式燃气轮机气路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 基于数据驱动的气路故障诊断方法研究进展 |
| 1.2.2 基于模型的气路故障诊断方法研究进展 |
| 1.2.3 发展趋势及存在的问题 |
| 1.3 本文主要研究内容 |
| 第2章 基于仿真模型的典型气路故障影响研究 |
| 2.1 引言 |
| 2.2 三轴式燃气轮机仿真模型 |
| 2.2.1 建模方法 |
| 2.2.2 仿真模型实验验证 |
| 2.3 气路故障类型与诊断原理 |
| 2.3.1 常见气路故障类型 |
| 2.3.2 气路故障诊断原理 |
| 2.4 典型气路故障对燃气轮机的性能影响分析 |
| 2.5 本章小结 |
| 第3章 基于数据驱动的气路故障诊断方法研究 |
| 3.1 引言 |
| 3.2 数据预处理 |
| 3.3 基于改进核极限学习机的气路故障诊断方法 |
| 3.3.1 改进核极限学习机算法 |
| 3.3.2 UCI标准测试集验证 |
| 3.3.3 燃气轮机气路故障数据集验证 |
| 3.4 基于优化深度置信网络的气路故障诊断方法 |
| 3.4.1 优化深度置信网络的气路故障诊断方法 |
| 3.4.2 仿真验证 |
| 3.4.3 实验验证 |
| 3.5 本章小结 |
| 第4章 基于模型的气路故障诊断方法研究 |
| 4.1 引言 |
| 4.2 基于无迹卡尔曼滤波器的气路故障诊断方法 |
| 4.2.1 无迹卡尔曼滤波算法 |
| 4.2.2 基于无迹卡尔曼滤波器的气路故障诊断方法 |
| 4.3 基于无迹卡尔曼滤波器的气路故障诊断性能研究 |
| 4.3.1 测量参数优化选择 |
| 4.3.2 噪声协方差影响分析 |
| 4.3.3 气路突变故障诊断性能研究 |
| 4.3.4 气路渐变故障诊断性能研究 |
| 4.4 本章小结 |
| 第5章 气路与传感器耦合故障诊断方法研究 |
| 5.1 引言 |
| 5.2 基于无迹卡尔曼滤波器的传感器故障诊断方法 |
| 5.2.1 单传感器故障诊断方法 |
| 5.2.2 多传感器故障诊断方法 |
| 5.3 气路与传感器耦合故障诊断方法 |
| 5.3.1 气路与传感器故障并存的诊断方法 |
| 5.3.2 考虑气路与传感器故障时序的诊断方法 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）基于深度学习的风电机组传动系统故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 风电机组基本组成及典型故障 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断技术研究现状 |
| 1.3.2 深度学习技术研究现状 |
| 1.4 故障诊断面临的主要问题 |
| 1.5 论文主要工作及章节安排 |
| 第2章 基于变分模态分解的风电机组信号处理 |
| 2.1 引言 |
| 2.2 传动系统振动信号特点 |
| 2.2.1 滚动轴承 |
| 2.2.2 齿轮箱 |
| 2.2.3 论文中使用的数据集 |
| 2.3 变分模态分解 |
| 2.3.1 LMD和EMD |
| 2.3.2 VMD基本原理 |
| 2.3.3 仿真实例 |
| 2.4 VMD关键参数确定方法 |
| 2.4.1 相关系数 |
| 2.4.2 算法流程 |
| 2.5 实验验证 |
| 2.5.1 实验一 仿真信号 |
| 2.5.2 实验二 恒定工况下滚动轴承信号 |
| 2.5.3 实验三 风电机组齿轮箱信号 |
| 2.6 本章小结 |
| 第3章 基于卷积神经网络的故障诊断研究 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 传统结构 |
| 3.2.2 卷积层 |
| 3.2.3 池化层 |
| 3.2.4 激活函数 |
| 3.2.5 全连接层 |
| 3.2.6 实验对比 |
| 3.3 优化技术 |
| 3.3.1 批量归一化 |
| 3.3.2 Dropout |
| 3.3.3 自适应矩估计 |
| 3.3.4 实验对比 |
| 3.4 基于多尺度卷积的故障诊断方法 |
| 3.4.1 GoogLeNet |
| 3.4.2 模块改进 |
| 3.4.3 实验对比 |
| 3.5 网络模型与输入的影响 |
| 3.5.1 网络模型 |
| 3.5.2 诊断流程 |
| 3.5.3 实验对比 |
| 3.6 本章小结 |
| 第4章 基于深度残差网络的风电机组故障诊断研究 |
| 4.1 引言 |
| 4.2 各种因素对诊断结果的影响 |
| 4.2.1 噪声的影响 |
| 4.2.2 复合故障的影响 |
| 4.3 残差网络 |
| 4.3.1 网络退化问题 |
| 4.3.2 ResNet |
| 4.4 注意力模型 |
| 4.4.1 SENet |
| 4.4.2 卷积块注意力模块 |
| 4.5 基于深度残差网络和注意力模型的故障诊断方法 |
| 4.5.1 模块改进 |
| 4.5.2 网络模型 |
| 4.6 实验对比 |
| 4.6.1 实验一 模拟噪声数据 |
| 4.6.2 实验二 复合故障数据 |
| 4.6.3 实验三 风电机组数据 |
| 4.7 本章小结 |
| 第5章 基于深度迁移学习的风电机组故障诊断研究 |
| 5.1 引言 |
| 5.2 面临的问题 |
| 5.2.1 网络自身的问题 |
| 5.2.2 工况差异性问题 |
| 5.2.3 实验分析 |
| 5.3 深度迁移学习 |
| 5.3.1 迁移学习 |
| 5.3.2 深度迁移学习 |
| 5.4 基于模型参数迁移和特征映射的故障诊断方法 |
| 5.4.1 迁移方案 |
| 5.4.2 网络模型 |
| 5.5 实验对比 |
| 5.5.1 实验一 风电机组变工况迁移 |
| 5.5.2 实验二 跨设备迁移 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文主要工作 |
| 6.2 下一步研究重点 |
| 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 |
（7）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 |
（8）风电机组关键部件故障预警与寿命评估方法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于解析模型的故障诊断预警方法 |
| 1.2.2 基于振动监测信号特征的关键部件故障诊断预警研究现状 |
| 1.2.3 基于运行监控数据的关键部件故障诊断预警研究现状 |
| 1.2.4 风电机组关键部件疲劳寿命评估研究现状 |
| 1.3 研究目的和主要内容 |
| 1.3.1 任务来源和研究目标 |
| 1.3.2 研究内容 |
| 第2章 风电机组关键部件失效机理及监测技术 |
| 2.1 引言 |
| 2.2 风电机组基本结构 |
| 2.3 风电机组故障模式及关键部件失效机理 |
| 2.3.1 风电机组故障模式 |
| 2.3.2 齿轮箱失效机理 |
| 2.3.3 主轴及轴承失效机理 |
| 2.3.4 发电机失效机理 |
| 2.3.5 叶片失效机理 |
| 2.4 风电机组关键部件状态监测技术与系统 |
| 第3章 振动信号复合分解结合特征降维的故障诊断方法 |
| 3.1 引言 |
| 3.2 风电机组传动链故障振动信号特征 |
| 3.2.1 轴承故障振动信号特征 |
| 3.2.2 故障齿轮啮合副的振动信号特征 |
| 3.2.3 风电机组故障振动信号实例 |
| 3.3 基于集合经验模态分解(EEMD)的故障特征提取 |
| 3.3.1 经验模态分解(EMD)方法 |
| 3.3.2 集合经验模态分解(EEMD)方法 |
| 3.3.3 双馈机组分析案例 |
| 3.3.4 直驱机组分析案例 |
| 3.4 基于局部均值分解(LMD)的故障特征提取 |
| 3.4.1 局部均值分解(LMD)方法 |
| 3.4.2 双馈机组分析案例 |
| 3.4.3 直驱机组分析案例 |
| 3.5 基于复合分解+PCA的特征提取方法 |
| 3.5.1 主分量分析(PCA) |
| 3.5.2 基于复合分解+PCA的特征提取方法 |
| 3.5.3 分析实例:设备状态分类 |
| 3.5.4 分析实例:故障趋势 |
| 3.6 本章小结 |
| 第4章 基于解卷积降噪与稀疏分解的故障特征提取 |
| 4.1 引言 |
| 4.2 盲解卷积方法 |
| 4.2.1 最小熵解卷积原理 |
| 4.2.2 最大相关峭度(MCKD)解卷积原理 |
| 4.3 稀疏分解方法原理 |
| 4.4 直驱风电机组振动信号分析实例 |
| 4.4.1 MED滤波 |
| 4.4.2 MCKD滤波 |
| 4.4.3 稀疏分解 |
| 4.4.4 MED结合稀疏分解 |
| 4.5 本章小结 |
| 第5章 基于运行监控数据分类识别的故障预警方法 |
| 5.1 引言 |
| 5.2 SCADA数据预处理 |
| 5.2.1 数据清洗 |
| 5.2.2 数据预处理 |
| 5.3 基于工况细化条件下数据统计分析的齿轮箱油温故障预警 |
| 5.3.1 齿轮箱油温SCADA数据源 |
| 5.3.2 齿轮箱油温故障预警建模 |
| 5.3.3 实例应用 |
| 5.4 基于BP_ADABOOST算法的叶片结冰故障检测方法 |
| 5.4.1 基于BP_Adaboost算法的叶片结冰故障检测原理 |
| 5.4.2 实例应用 |
| 5.5 本章小结 |
| 第6章 基于疲劳累计损伤理论的风电机组寿命评估系统 |
| 6.1 引言 |
| 6.2 风电机组关键部件疲劳寿命在线评估方法 |
| 6.2.1 疲劳寿命理论 |
| 6.2.2 关键部件疲劳寿命评估系统架构 |
| 6.2.3 数据读入 |
| 6.2.4 载荷数据库建立 |
| 6.2.5 风频分布计算 |
| 6.2.6 等效疲劳载荷的计算方法 |
| 6.3 风电机组关键部件疲劳寿命监测预警系统研发及应用 |
| 6.3.1 系统图形界面设计 |
| 6.3.2 输入输出信息 |
| 6.3.3 系统计算结果 |
| 6.3.4 系统精度控制 |
| 6.4 实例应用 |
| 6.4.1 甘肃某风电场在役风电机组寿命预测 |
| 6.4.2 山东某风电场在役风电机组寿命预测 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 展望 |
| 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 |
（9）三相电压源逆变器功率管开路故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 逆变器拓扑结构及故障分析 |
| 1.3 逆变器开路故障诊断研究现状 |
| 1.3.1 基于信号的方法 |
| 1.3.2 基于模型的方法 |
| 1.3.3 基于数据驱动的方法 |
| 1.3.4 诊断方法比较与总结 |
| 1.4 本文的主要内容及结构安排 |
| 2 基于电流矢量相位的故障诊断方法 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.3 电流矢量相位特征分析 |
| 2.3.1 健康状态 |
| 2.3.2 单管故障 |
| 2.3.3 单相故障 |
| 2.3.4 异相同侧双管故障 |
| 2.3.5 异相异侧双管故障 |
| 2.4 故障诊断方案 |
| 2.4.1 故障检测 |
| 2.4.2 故障定位 |
| 2.5 实验验证 |
| 2.5.1 多类型故障诊断 |
| 2.5.2 瞬态抗扰性分析 |
| 2.5.3 故障诊断的时间 |
| 2.5.4 与同类算法比较 |
| 2.6 本章小结 |
| 3 基于故障在线模拟的故障诊断方法 |
| 3.1 引言 |
| 3.2 混杂系统一般理论概述 |
| 3.2.1 混杂系统基本概念及特点 |
| 3.2.2 混杂系统建模方法与比较 |
| 3.3 基于混杂系统理论的三相电压源逆变器-电机系统建模 |
| 3.3.1 基于混杂自动机的电力电子电路一般建模步骤 |
| 3.3.2 三相电压源逆变器-电机系统运行机理 |
| 3.3.3 逆变器-电机系统的混杂模型 |
| 3.4 逆变器故障在线模拟诊断方法 |
| 3.4.1 故障检测 |
| 3.4.2 故障定位 |
| 3.5 仿真与实验验证 |
| 3.5.1 仿真结果 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 基于输出线电压残差分析的故障诊断方法 |
| 4.1 引言 |
| 4.2 输出线电压残差分析 |
| 4.3 故障诊断方案 |
| 4.4 仿真与实验验证 |
| 4.4.1 参数变化的影响 |
| 4.4.2 单管和双管故障 |
| 4.4.3 抗负载扰动性能 |
| 4.4.4 故障诊断的时间 |
| 4.4.5 与以往方法比较 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的故障诊断方法 |
| 5.1 引言 |
| 5.2 卷积神经网络的基础理论 |
| 5.2.1 卷积层 |
| 5.2.2 批标准化 |
| 5.2.3 激活层 |
| 5.2.4 池化层 |
| 5.2.5 舍弃层 |
| 5.2.6 全连接层 |
| 5.2.7 损失函数 |
| 5.3 基于ConvNet模型的故障诊断 |
| 5.3.1 故障数据集 |
| 5.3.2 网络的结构 |
| 5.3.3 超参数设置 |
| 5.3.4 验证与分析 |
| 5.4 基于ResNet模型的故障诊断 |
| 5.4.1 高斯白噪声 |
| 5.4.2 基本残差块 |
| 5.4.3 网络的结构 |
| 5.4.4 验证与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（10）基于多生成器辅助分类器生成对抗网络的故障诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 传统的故障诊断方法研究现状 |
| 1.2.2 基于数据驱动的故障诊断方法研究现状 |
| 1.2.3 生成对抗网络的研究现状 |
| 1.2.4 现状总结与问题分析 |
| 1.3 论文研究内容和组织结构 |
| 2 相关理论基础概述 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 激活函数层 |
| 2.1.3 池化层 |
| 2.1.4 全连接层及Softmax函数 |
| 2.1.5 网络训练及优化算法 |
| 2.2 生成对抗网络 |
| 2.2.1 生成对抗网络概述 |
| 2.2.2 生成对抗网络的衍生网络 |
| 2.2.3 基于一维卷积的生成对抗网络 |
| 2.3 数据预处理 |
| 2.4 本章小结 |
| 3 基于多生成器辅助分类器生成对抗网络的故障诊断方法研究 |
| 3.1 辅助分类器生成对抗网络概述 |
| 3.2 模式崩溃概述 |
| 3.3 基于多生成器辅助分类器生成对抗网络的故障诊断模型 |
| 3.3.1 MA-ACGAN模型框架及概述 |
| 3.3.2 MA-ACGAN模型的多生成器结构 |
| 3.3.3 MA-ACGAN模型的噪声预处理方法 |
| 3.3.4 MA-ACGAN生成器及判别器结构 |
| 3.3.5 MA-ACGAN生成器及判别器训练过程 |
| 3.4 本章小结 |
| 4 实验过程及分析 |
| 4.1 数据集准备 |
| 4.2 实验验证 |
| 4.2.1 MA-ACGAN模型诊断准确性对比 |
| 4.2.2 MA-ACGAN模型生成样本质量验证 |
| 4.2.3 MA-ACGAN模型多高斯噪声输入验证 |
| 4.3 模型分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
| 学位论文评阅及答辩情况表 |
四、基于模型的故障诊断方法的应用研究（论文参考文献）
- [1]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021
- [2]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [3]新能源汽车动力电池系统故障诊断研究综述[J]. 孙振宇,王震坡,刘鹏,张照生,陈勇,曲昌辉. 机械工程学报, 2021(14)
- [4]随车起重机变幅液压系统故障诊断研究[D]. 魏苏杰. 大连理工大学, 2021(01)
- [5]三轴式燃气轮机气路故障诊断方法研究[D]. 闫丽萍. 中国科学院大学(中国科学院工程热物理研究所), 2021
- [6]基于深度学习的风电机组传动系统故障诊断方法研究[D]. 罗贤缙. 华北电力大学(北京), 2021
- [7]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)
- [8]风电机组关键部件故障预警与寿命评估方法及其应用研究[D]. 董健. 华北电力大学(北京), 2021(01)
- [9]三相电压源逆变器功率管开路故障诊断方法研究[D]. 陈涛. 北京科技大学, 2021(08)
- [10]基于多生成器辅助分类器生成对抗网络的故障诊断算法研究[D]. 韩庆阳. 山东大学, 2021(12)