一、基于粗糙神经网络的故障诊断方法研究与应用（论文文献综述）
张智恒[1]（2021）在《基于智能算法优化的概率神经网络变压器故障诊断研究》文中研究表明变压器作为电网中各电压等级联结的枢纽型节点设备,其稳定健康的运行对于电力系统的发展起着至关重要的作用。随着国家综合性能源电网建设的落实,电力变压器因时代发展的需求向着更高的电压等级与容量更替,倘若变压器出现故障将会直接影响电网及用户造成不利影响。因此,研究变压器的自动检测与故障诊断技术,提升运行维护的水平,对于整个电网而言有实用价值和现实意义。变压器的结构及工作原理较为复杂,利用油中溶解气体分析是进行故障诊断和潜伏性故障监测的可靠方法,首先通过分析油中溶解气体故障诊断的机理及特点,为弱化极端数据对诊断结果的判断,利用改良IEC法与概率神经网络的特点并将二者结合,建立结构为3-40-9-9型的概率神经网络故障诊断网络模型。优化分为两个方面,从模型端考虑,提出遗传算法优化系统概率密度函数中参数值,提炼出反应整个样本空间的平滑参数,使模型诊断的准确度提升,优化前后的训练结果表明,诊断正确率由80%提升至92.5%。从数据端的角度考虑,为消除故障特征与故障类型的模糊性,对油中溶解气体比值进行扩充,增加故障判据,运用粗糙集理论约简特性保留与故障类型关系紧密的核心属性作为新的输入特征量,建立结构为8-40-5-5型的概率神经网络故障诊断模型,去除冗余、关联度不大的属性信息,保证精度的同时缩短故障判断的学习时间,对同一组故障数据进行训练和测试仿真,训练结果显示故障诊断的正确率提升至97.5%,提升了诊断的正确率,具有可行性及良好的应用前景。
周晓勇[2]（2021）在《地铁车载ATC设备故障诊断与预警系统研究》文中认为地铁列车车载ATC设备是保障地铁列车安全高效运行的重要设备。当车载ATC设备发生故障时,可能导致列车运行晚点、列车回库检修等情况,给列车的运营造成损失。对地铁列车车载ATC设备的故障进行归纳分析,进而实现故障的自动化诊断和预警,是提高列车运行效率的必要手段。目前,地铁列车车载ATC设备信息记录不规范、监测信号不全面、预警手段欠缺等都是亟待解决的问题。本文针对这些问题,首先,设计开发信号检测单元的软件模块。其次,利用历史故障记录表,分析故障类型与故障特征,构建故障数据集,采用GA-PSO算法优化SVM模型,分别建立故障诊断与预警模型。最后,编写故障诊断预警软件平台。论文的具体工作包括:（1）针对监测信号不全面的问题,开发信号检测单元软件模块,实现信号采集、通信、日志存储、异常信号检测、远程登录以及看门狗等功能。同时,通过实验室测试和工程专业测试,验证软件程序的实际可用性。（2）针对信息记录不规范的问题,采用结巴分词分析文本信息,建立词汇库。提出以特征词汇的词语逆频率计算权值的方法,获取权值决策表,离散化后获得原数据集,以粗糙集理论中的简单数据分析法约简原数据集。利用原数据集和约简数据集对模型进行训练测试,结果表明,约简后的数据集减少5个特征项,节约20%左右的训练测试时间,对模型性能稍有提升。（3）针对预警手段欠缺的问题,提出一种GA-PSO算法对SVM进行参数寻优的方法,从而建立故障诊断与预警模型。以SVM中的分类模型SVC实现故障诊断,以回归模型SVR进行预测。基于故障数据集,通过对SVM、PSO-SVM、GA-SVM和GA-PSO-SVM模型训练测试,利用F1-Score和ROC曲线对分类结果进行对比评估,利用MSE值对预测结果进行对比评估,验证在分类和预测模型上,GA-PSO算法实现了对SVM模型的优化,并且比单一算法的优化效果更好,证明模型的可用性与稳定性。（4）编写故障诊断与预警模型软件平台。利用MATLAB软件编译器将模型转化为C++代码,封装成动态链接库。使用C++MFC框架设计实现了软件的界面编程,通过引用创建的动态链接库,实现故障诊断与预警软件的功能。本文提出一种基于GA-PSO-SVM模型的方法,分别利用模型中的分类与回归工具,实现车载ATC设备的故障诊断与预警,为地铁列车车载ATC设备的故障诊断与预警提供了新的思路。图45幅,表14个,参考文献67篇。
孙昂[3]（2021）在《航空发动机故障诊断专家系统的研究与实现》文中提出航空发动机作为一种高精度的复杂机械热力系统,常常工作于高温、高压、高振等恶劣的条件下,而长期工作于此类环境下极易造成零部件的寿命的缩减或损毁,进而导致航空事故的发生。因此,开展航空发动机的健康状态监测与管理的相关研究,对我国航空事业发展的经济性、稳定性与安全性具有重大意义。本文依托于与中航工业沈阳发动机设计研究所合作研究的“航空发动机数据综合管理、性能评估与故障诊断软件系统”项目,针对传统专家系统的特点,设计并实现了结合相关数据驱动算法的航空发动机故障诊断专家系统,文中对项目实施过程中所面对的航空发动机数据预处理、专家知识库知识储备、飞参参数预测与软件平台实现等细节问题展开了研究:针对航空发动机飞参数据中存在异常数据与噪声的问题,采用了启发式临界阈值的Garrote小波阈值去噪的数据预处理方法。首先对航空发动机数据的特点进行分析,根据预处理的需求,在小波阈值去噪原理的基础上,针对小波基选择、小波阈值函数选择、小波临界阈值选择等问题进行详细的阐述,最后通过对比仿真实验验证其有效性。针对传统专家系统知识库知识获取困难的问题,采用了一种基于粗糙集理论的知识半自动获取方式。通过分析航空发动机知识特点及知识表示形式,讨论了适合本系统的知识库架构;其后描述了利用粗糙集原理从故障数据提取知识并进行约简的过程,最后结合软件实现过程,阐述了知识半自动提取的流程。针对航空发动机预防性维护中气路参数预测问题,本文采用了基于LSTM神经网络的方法,并利用Tensor Flow框架进行了预测模型网络的搭建与仿真验证,结果证明,LSTM神经网络可以较好的预测航空发动机飞参参数,为预防性故障诊断奠定良好的基础。最后,结合上述理论与项目需求,进行了相关软件与数据库架构的设计。文中对选用的主要技术做出了详细的描述,并将其与其他主流技术对比以说明其优越性;最后,在Visual Studio 2015开发平台上,采用C++语言完成了航空发动机故障诊断专家系统的搭建。文中展示了软件系统的实现过程、结果及测试成果。
吴耀春[4]（2021）在《数据驱动的旋转机械智能故障辨识方法》文中进行了进一步梳理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。
李蒙[5]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中指出近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
黄玮[6]（2020）在《基于FA优化SOM-BP神经网络的混合动力汽车故障诊断》文中指出全球汽车产业的迅速发展带来了大气污染和能源消耗等问题,混合动力汽车成为解决该问题的有效方法之一。混合动力汽车的安全性和可靠性是保证驾乘人员人生安全和财产安全的重要因素,故障诊断技术通过分析混合动力汽车参数判断是否有故障发生。因此,有必要对混合动力汽车故障诊断技术进行深入研究。本文通过对混合动力汽车系统组成、故障类型和故障原因进行分析,并将智能算法应用到混合动力汽车故障诊断中,具体研究内容如下:（1）首先,简单介绍了混合动力汽车结构组成,并对常见故障及原因进行总结。研究了传统故障诊断方法与基于智能算法的故障诊断方法的优点和局限性。（2）针对混合动力汽车信息的冗余性,使用PCA（主成分分析法）对原始信息进行降维;针对汽车传统故障诊断方法的局限性以及混合动力汽车故障信息与类型的非线性映射问题,使用非线性处理能力强的神经网络进行故障诊断。阐述了基于SOM-BP（SOM神经网络与BP神经网络串联网络）神经网络进行故障诊断的算法流程,通过仿真验证方法的可行性。（3）针对SOM-BP神经网络的网络性能受到连接权值和阈值影响的问题,本文提出使用FA（萤火虫算法）对SOM-BP神经网络进行优化;分析了FA的基本思想和算法流程,构建基于FA优化SOM-BP神经网络的混合动力汽车故障诊断模型,并进行仿真,仿真结果验证该方法具有更高的准确度和快速收敛性。
薛志威[7]（2020）在《基于神经网络的多传感器数据融合的研究》文中提出近年来,随着科学技术的飞速发展,对数据处理技术提出了全新的、更高的要求。在多传感器系统中,由于传感器的测试精度、数据的采集成本、系统组成的多种环节以及外部环境等因素的影响,会导致多传感器系统中数据出现不确定性、不完善性以及相关性的问题。传统的数据处理方法,不能满足工程应用中系统对数据处理的快速性和高精度的要求。针对此现状,本文进行了基于神经网络的多传感器数据融合的研究,具体的研究内容如下:（1）在研究BP神经网络处理多传感器数据的问题时,本文使用了基于RS-BPNN模型。首先通过粗糙集（RS）的属性约简算法对系统中的数据进行特征挖掘处理,在不影响融合效果的前提下,减少了系统的数据维度;然后利用BP神经网络对属性约简之后的最小约简进行融合;最后,通过水质等级评价的案例验证了该模型的快速性和准确性。（2）在研究RBF神经网络处理多传感器数据融合问题时,本文使用了PSO-RBFNN模型。利用粒子群优化算法（PSO）寻找最优的RBF神经网络的参数,通过参数优化来提高网络参数的更新速度和精度,建立基于PSO算法的径向基神经网络模型。最后,在空气质量指数案例中验证了该方法的有效性。（3）利用神经网络进行多传感器数据融合,然后利用神经网络融合模型进行传感器故障诊断。利用神经网络的非线性拟合能力,通过多传感器系统中传感器之间的数据相关性性质,利用准确的预测值诊断出传感器的是否出现故障以及故障定位,并对故障传感器的数据进行修复。最后,在发动机实测案例中验证了该方法的有效性。
郭子钰[8]（2020）在《基于改进CS算法的车载数据传输设备故障诊断方法研究》文中研究说明随着中国高速铁路的不断发展,列车运行效率的重要性逐步攀升。列控车载设备是保障列车运行效率,行驶安全、舒适的关键系统之一。列控车载设备一旦出现异常,将影响行车效率,严重的时候可能会导致安全事故,危及乘客生命安全。目前列控车载设备故障诊断主要是依靠专家知识达到诊断故障的目的,并且故障数据现象的记录与分析也是依靠技术人员人工完成。随着机械复杂精密化的不断提高,列控车载设备结构愈加复杂,依靠人工技术和经验的传统故障智能诊断方法已远远无法完全满足其现有的技术要求。因此我们需要建立一套能安全、快速、准确地发现并及时排除故障的列控车载智能诊断系统。本文以CTCS3-300T列车控制系统车载设备为研究对象,根据列控车载设备具备的功能,将具有数据传输功能的单元统一称为车载数据传输设备。针对故障数据特点,建立故障特征与故障类型间的对应关系,利用基于差别矩阵的粗糙集理论方法,对故障特征与故障类型间的对应关系进行约简,建立故障决策表。本文在深入研究布谷鸟搜索算法的基础上,针对布谷鸟搜索算法缺陷,提出一种基于高斯扰动和帕累托法则的布谷鸟搜索算法。利用改进后的布谷鸟搜索算法与神经网络算法、故障决策表相结合,提出一种基于改进布谷鸟搜索算法的车载数据传输设备故障诊断方法。论文的主要研究内容如下:（1）故障决策表的建立:本文针对AElog文件以及SDP log文件中车载数据传输设备的故障数据特点进行深入分析。针对这些故障数据的特点,分析整理数据,归纳总结车载数据传输设备的故障特征和故障类型,根据实际案例总结出车载数据传输设备的故障决策表。利用基于差别矩阵的粗糙集（RS）理论,对总结出的车载数据传输设备故障决策表进行离散化和降维处理,为后续的实验验证部分提供数据基础。（2）算法模型的建立:通过对布谷鸟搜索算法的深度学习和研究,针对布谷鸟搜索算法后期的搜索执行速度慢,易使搜索陷入局部最优的缺点,利用自适应控制策略、高斯扰动和帕累托法则对传统布谷鸟搜索算法进行改进。通过7个基准测试函数验证改进的有效性。利用改进后的布谷鸟搜索算法对神经网络算法的权值和阈值进行优化,建立基于改进布谷鸟算法的神经网络算法模型。结合约简后的故障决策表,建立针对车载数据传输设备的RS-GPICS-BP网络模型。（3）实验验证及分析:在MATLAB和VB的混合编程环境下,通过数据训练和数据测试,在同等条件下对RS-GPICS-BP、GPICS-BP、CS-BP等网络模型的诊断准确率、算法训练速度和效率等评估指标进行对比结果分析,用于验证RS-GPICS-BP网络模型的可行性和准确性。
张晓岚[9]（2020）在《基于列车数据分析的故障预警技术研究》文中研究说明列车运行控制系统是高速列车控制系统的“神经中枢”,是铁路运输的基础设施。其中,车载子系统是列控系统的核心部分,是保证行车安全、提高运行效率的关键。列车在运行过程中受各种因素影响,车载设备故障时有发生,如今车载子系统的故障处理方式仍以维修人员的经验为主,缺乏安全趋势预测和风险评估预警等方面的研究,影响列车的行车安全及效率。因此,如何提高车载设备故障预警能力以及制定恰当的辅助维护方法,提高列车安全可靠性是铁路运营部门急需解决的问题。本文以300T型车载设备为研究对象,从系统的故障诊断、可靠性评估以及设备维护等方面开展分析,建立基于列车数据分析的车载设备故障预警系统。论文主要的研究工作与研究成果如下:（1）在故障诊断方面,本文针对车载设备文本故障数据结构复杂且冗余度高的特点,提出了一种基于文本挖掘技术的故障特征提取方法,将IDF-TF算法与粗糙集理论相结合,得出有效故障特征集。通过建立BP神经网络模型,验证该方法可剔除冗余不相关特征,简化了诊断模型,提高了诊断精度,改善了诊断模型对数据质量依赖的缺陷。该模型不同于以往基于信号的故障诊断模式,为列车的故障诊断提供了新的处理思路。（2）在可靠性评估方面,本文从设备故障危害度方面出发,提出了基于BN改进的FMECA模型,对车载设备进行客观定量的风险评估,解决了原始FMECA对预警造成的主观随意性问题;从系统功能角度出发,利用AHP方法对车载设备进行安全可靠性权重排序。最终综合考虑设备的危害度和权重,利用组合赋权法对系统进行综合预警评估,改变了传统的从单一因素评价故障的方式。（3）在设备维护方面,本文依据统计数据,对车载设备的更换趋势进行了多项式拟合预测,方便工作人员制定下一阶段的工作任务;依据设备的预警评估结果制定针对性维修策略,提高了列车安全可靠性,降低了维修成本,为高速铁路向智能化发展提供了一种由“定期修”向“视情修”转变的新的维修方案。（4）利用MATLAB与C#混合编程技术设计了车载设备安全分析预警系统的各功能模块,实现了车载设备故障诊断的智能化分析,达到故障预警的可视化管理目的。
何永盛[10]（2020）在《基于贝叶斯网络的变频器主电路故障诊断方法研究》文中认为随着变频技术和微电子技术的蓬勃发展,变频器以其卓越的控制能力和节能能力在矿井提升领域得到了广泛的应用。变频器是矿井提升系统中的关键设备,承担着电气能量变换的重要作用。变频器主电路的组成结构复杂,其中的元件通常工作在高压高频的环境下,易出现故障导致变频器无法正常工作。提升机变频器的正常运行与否直接影响到了设备与人员的安全,也关系着矿山的生产收益。因此研究变频器主电路的故障诊断问题,具有非常重要的应用价值,本文研究了基于贝叶斯网络的变频器主电路故障诊断方法。首先,本文以ABB公司的ACS800型变频器为研究对象,将变频器主电路划分为三个环节:整流环节、直流环节和逆变环节,在研究这三个环节的结构和工作原理上,分析各环节常见故障。根据实验平台对这三个环节分别建立仿真模型,分析发生各种故障时的输出波形,提取出相应的故障特征。其次,对变频器主电路三个环节建立贝叶斯故障诊断模型。对整流环节采用数据驱动的方法建立贝叶斯故障诊断模型。根据提取的故障特征建立贝叶斯诊断模型结构,利用EM算法学习网络的参数。由于模型的参数学习和验证需要大量的数据,本文在仿真模型中设置不同的故障模式以获取样本数据。利用测试数据对模型进行了验证,结果表明模型具有较高的故障诊断精度。提出一种小样本条件下贝叶斯模型建立方法应用于故障数据集较小的直流环节模型构建。对直流环节贝叶斯模型结构,采用历史运行数据矫正基础概率法获取根节点的先验概率,用先验Beta分布法获取非根节点的条件概率。该方法可充分结合专家先验知识和已有样本数据,利用测试数据对建立的模型进行验证,结果表明该模型具有较好的效果。提出一种优化的贝叶斯模型建立方法应用于逆变环节的故障诊断。考虑到变频器故障诊断中存在的属性冗余问题,提出将粗糙集遗传算法和贝叶斯网络相结合的故障诊断模型建立方法,利用粗糙集遗传算法降低属性复杂度,由于约简结果不唯一,提出基于精度和时间的模型性能评价算法选择建立最优模型。利用测试数据对建立的优化模型进行验证,结果表明该模型比模糊神经网络模型具有更高的诊断精度,验证了所提方法的有效性。最后,基于Matlab中的GUI模块完成了变频器主电路故障诊断系统的设计,实现了对变频器主电路三个环节故障的诊断与定位。所建立的故障诊断系统具有较好的人机交互能力和较强的数据处理能力,能够实现波形数据的预处理,故障诊断,模型自学习等。通过实例验证了故障诊断系统各模块的功能。
二、基于粗糙神经网络的故障诊断方法研究与应用（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、基于粗糙神经网络的故障诊断方法研究与应用（论文提纲范文）
（1）基于智能算法优化的概率神经网络变压器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 故障诊断的国内外研究现状 |
| 1.2.1 传统方式的变压器故障诊断方法 |
| 1.2.2 智能方式的变压器故障诊断方法 |
| 1.3 变压器故障诊断的分析 |
| 1.4 课题研究主要内容 |
| 2 电力变压器常见故障的机理分析及诊断方法 |
| 2.1 变压器类型及常见故障分析 |
| 2.1.1 电力变压器类型 |
| 2.1.2 电力变压器故障原因分析 |
| 2.2 变压器油中气体的相关机理 |
| 2.2.1 油中溶解气体的产生源头 |
| 2.2.2 油中特征气体的产生原理 |
| 2.2.3 油中气体的溶解过程分析 |
| 2.3 变压器内部故障与特征气体的关系 |
| 2.4 基于油中溶解气体分析的故障诊断方法 |
| 2.5 本章小结 |
| 3 基于神经网络的变压器故障诊断方法 |
| 3.1 概率神经网络模型及和拓扑结构分析 |
| 3.1.1 概率神经网络的理论分析 |
| 3.1.2 网络的数学论述及故障诊断模型拓扑结构建立 |
| 3.1.3 概率神经网络的变压器故障识别 |
| 3.1.4 变压器故障诊断实例仿真 |
| 3.2 遗传算法的理论分析 |
| 3.2.1 基本思想 |
| 3.2.2 算法的实现方法 |
| 3.2.3 算法的特点 |
| 3.2.4 遗传算法优化平滑参数 |
| 3.3 基于遗传算法和概率神经网络的变压器故障诊断 |
| 3.3.1 诊断策略 |
| 3.3.2 仿真及结果分析 |
| 3.4 本章小结 |
| 4 基于粗糙集和概率神经网络的变压器故障诊断方法 |
| 4.1 粗糙集理论基础 |
| 4.1.1 粗糙集的理论 |
| 4.1.2 粗糙集的约简及规则 |
| 4.2 结合粗糙集理论与神经网络实现故障诊断 |
| 4.2.1 故障数据的选择 |
| 4.2.2 数据初始处理决策表建立 |
| 4.3 仿真及结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 附录 |
（2）地铁车载ATC设备故障诊断与预警系统研究（论文提纲范文）
| 致谢 |
| 缩略词注释表 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断预警技术综述 |
| 1.2.2 车载设备故障预警现状 |
| 1.3 论文研究内容 |
| 2 支持向量机原理 |
| 2.1 支持向量机分类(SVC) |
| 2.2 支持向量机回归(SVR) |
| 2.3 支持向量机核函数 |
| 2.4 本章小结 |
| 3 车载ATC设备及数据挖掘方法 |
| 3.1 列车车载ATC设备结构及功能 |
| 3.1.1 车载ATC设备结构 |
| 3.1.2 车载ATC设备功能 |
| 3.2 车载ATC故障数据分析及特征 |
| 3.2.1 信号专业运营故障记录表 |
| 3.2.2 故障数据统计分析 |
| 3.3 基于粗糙集的数据约简与数据集构建 |
| 3.3.1 粗糙集理论 |
| 3.3.2 故障决策属性表 |
| 3.3.3 基于粗糙集的数据约简 |
| 3.4 小结 |
| 4 基于GA-PSO-SVM的车载ATC设备的故障诊断与预警 |
| 4.1 PSO算法 |
| 4.2 GA算法 |
| 4.3 GA-PSO嵌入式混合算法模型 |
| 4.4 基于SVM的车载ATC设备故障诊断与预警 |
| 4.4.1 粒子设计与验证 |
| 4.4.2 适应度函数的确认 |
| 4.4.3 模型建立过程 |
| 4.4.4 模型评价指标 |
| 4.4.5 基于SVC的故障诊断模型仿真实现 |
| 4.4.6 基于SVR的故障预测模型仿真实现 |
| 4.5 小结 |
| 5 信号检测单元及故障诊断预警软件平台 |
| 5.1 信号检测单元 |
| 5.1.1 信号检测单元模块组成 |
| 5.1.2 信号检测单元软件开发 |
| 5.1.3 信号检测单元实际测试 |
| 5.2 故障诊断预警软件平台 |
| 5.2.1 软件功能需求 |
| 5.2.2 软件设计 |
| 5.2.3 软件实现 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（3）航空发动机故障诊断专家系统的研究与实现（论文提纲范文）
| 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 故障诊断研究现状 |
| 1.2.2 数据预处理研究现状 |
| 1.2.3 航空发动机参数预测研究现状 |
| 1.3 本文主要工作 |
| 2 航空发动机飞行参数数据预处理 |
| 2.1 引言 |
| 2.2 发动机气路性能数据特点及其预处理方法选择 |
| 2.3 基于小波变换的阈值去噪方法 |
| 2.4 仿真实验及结果分析 |
| 2.5 本章小结 |
| 3 航空发动机传统专家系统知识库知识获取 |
| 3.1 引言 |
| 3.2 航空发动机知识特点及知识获取方法 |
| 3.3 粗糙集理论及其属性约简 |
| 3.4 软件实现及知识半自动获取流程 |
| 3.5 本章小结 |
| 4 基于长短期记忆神经网络的发动机气路参数预测 |
| 4.1 引言 |
| 4.2 时间序列预测问题 |
| 4.3 长短期记忆神经网络(LSTM) |
| 4.3.1 LSTM简介及其神经元结构 |
| 4.3.2 LSTM神经网络训练算法及其变体 |
| 4.4 仿真实验及结果分析 |
| 4.5 本章小结 |
| 5 航空发动机专家系统实现与应用 |
| 5.1 引言 |
| 5.2 需求及总体设计 |
| 5.2.1 需求分析 |
| 5.2.2 软件结构设计 |
| 5.2.3 数据库结构设计 |
| 5.3 系统实现与应用 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 软件测评证书 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）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 |
（5）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 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 |
（6）基于FA优化SOM-BP神经网络的混合动力汽车故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 汽车故障诊断发展与研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 汽车常见故障诊断方法 |
| 1.3.1 传统故障诊断技术 |
| 1.3.2 基于智能算法的故障诊断技术 |
| 1.4 本文主要研究内容 |
| 第二章 混合动力汽车故障诊断方法研究 |
| 2.1 混合动力汽车故障分析 |
| 2.1.1 混合动力汽车故障类型 |
| 2.1.2 混合动力汽车故障产生原因 |
| 2.2 智能算法 |
| 2.2.1 BP神经网络基本理论 |
| 2.2.2 SOM神经网络基本理论 |
| 2.2.3 仿生群智能算法 |
| 2.3 故障数据采集 |
| 2.4 本章小结 |
| 第三章 基于SOM-BP神经网络的混合动力汽车故障诊断 |
| 3.1 基于主成分分析法的故障数据处理 |
| 3.1.1 主成分分析法的基本思想 |
| 3.1.2 基于主成分分析法的故障数据处理 |
| 3.2 基于SOM-BP神经网络的混合动力汽车故障诊断方法 |
| 3.2.1 SOM-BP神经网络基本思想 |
| 3.2.2 基于SOM-BP神经网络的混合动力汽车故障诊断模型 |
| 3.3 基于SOM-BP神经网络的混合动力汽车故障诊断仿真分析 |
| 3.3.1 SOM-BP神经网络初始参数设置 |
| 3.3.2 仿真分析 |
| 3.4 本章小结 |
| 第四章 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断 |
| 4.1 FA算法简介 |
| 4.1.1 FA算法基本理论 |
| 4.1.2 FA算法流程 |
| 4.1.3 FA算法主要参数 |
| 4.2 FA算法优化SOM-BP神经网络 |
| 4.3 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断模型设计 |
| 4.3.1 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断流程 |
| 4.3.2 参数选择 |
| 4.4 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断仿真 |
| 4.5 网络性能对比 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）基于神经网络的多传感器数据融合的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 研究现状 |
| 1.3 论文的主要内容和结构安排 |
| 第二章 神经网络概述 |
| 2.1 BP神经网络 |
| 2.2 RBF神经网络 |
| 2.3 本章小结 |
| 第三章 基于RS-BPNN的多传感器数据融合模型 |
| 3.1 RS-BPNN多传感器数据融合混合方法的提出 |
| 3.1.1 多传感器数据融合的数据问题分析 |
| 3.1.2 基于RS-BPNN混合模型的提出 |
| 3.1.3 RS-BPNN模型的理论依据 |
| 3.2 实例分析 |
| 3.2.1 实验地点简介 |
| 3.2.2 数据的采集 |
| 3.2.3 数据的预处理 |
| 3.2.4 粗糙集对数据的特征约简 |
| 3.2.5 BP神经网络对数据的融合 |
| 3.2.6 传统BP与 RS-BP神经网络模型的对比 |
| 3.3 本章小结 |
| 第四章 基于PSO-RBFNN的多传感器数据融合的研究 |
| 4.1 PSO-RBF多传感器数据融合模型 |
| 4.1.1 PSO-RBFNN模型的提出 |
| 4.1.2 粒子群算法 |
| 4.1.3 基于PSO-RBFNN模型的建立 |
| 4.2 PSO-RBFNN模型在北京空气质量指数测定中的应用 |
| 4.2.1 北京市空气质量指数 |
| 4.2.2 数据的采集 |
| 4.2.3 数据的预处理 |
| 4.2.4 基于PSO-RBFNN模型的北京市AQI融合应用 |
| 4.3 PSO-RBF模型实用性证明 |
| 4.3.1 仿真结果对比 |
| 4.3.2 实用性证明结论 |
| 4.4 本章小结 |
| 第五章 基于神经网络数据融合的传感器故障诊断研究 |
| 5.1 神经网络数据融合诊断结构 |
| 5.1.1 故障检测网络模型的建立 |
| 5.1.2 故障诊断 |
| 5.2 仿真实验 |
| 5.2.1 故障检测网络模型 |
| 5.2.2 故障诊断和补救 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）基于改进CS算法的车载数据传输设备故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容及结构安排 |
| 2 车载数据传输设备数据分析与约简 |
| 2.1 车载数据传输设备数据分析 |
| 2.2 基于差别矩阵的粗糙集特征约简 |
| 2.3 车载数据传输设备数据属性约简 |
| 2.3.1 BTM单元属性约简 |
| 2.3.2 TIU单元属性约简 |
| 2.3.3 GSM-R单元属性约简 |
| 2.4 本章小结 |
| 3 基于改进布谷鸟算法优化神经网络的模型建立 |
| 3.1 布谷鸟算法简述 |
| 3.2 基于高斯扰动和帕累托法则的改进布谷鸟搜索算法 |
| 3.2.1 帕累托法则 |
| 3.2.2 高斯扰动 |
| 3.2.3 自适应控制策略 |
| 3.2.4 改进后算法模型 |
| 3.2.5 改进后算法模型验证实验 |
| 3.3 改进布谷鸟算法优化神经网络的模型建立 |
| 3.4 本章小结 |
| 4 实验结果与分析 |
| 4.1 实验准备 |
| 4.2 结果分析 |
| 4.3 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录A 程序说明 |
| 攻读学位期间的研究成果 |
（9）基于列车数据分析的故障预警技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 特征提取技术研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 安全可靠性方法研究现状 |
| 1.3 论文主要内容及结构安排 |
| 第二章 故障预警关键技术分析 |
| 2.1 车载设备结构及功能 |
| 2.2 故障文本数据介绍 |
| 2.3 故障诊断方法分析 |
| 2.3.1 文本挖掘技术分析 |
| 2.3.2 故障诊断模型分析 |
| 2.4 安全可靠性方法分析 |
| 2.4.1 可靠性数据分析 |
| 2.4.2 故障树与贝叶斯基本原理 |
| 2.4.3 故障模式影响及危害性方法分析 |
| 2.4.4 系统综合评估方法研究 |
| 本章小结 |
| 第三章 文本故障诊断模型的建立与仿真 |
| 3.1 故障数据特征提取 |
| 3.1.1 基于TF-IDF的故障特征提取 |
| 3.1.2 故障特征的属性约简 |
| 3.1.3 不平衡数据的特征提取方法 |
| 3.2 模型建立与仿真 |
| 3.2.1 BP神经网络模型 |
| 3.2.2 模型仿真 |
| 本章小结 |
| 第四章 列控车载子系统可靠性分析与评估 |
| 4.1 基于贝叶斯网络的车载子系统可靠性分析 |
| 4.1.1 系统故障致因模型 |
| 4.1.2 FTA向BN的转化 |
| 4.1.3 系统薄弱环节分析 |
| 4.2 基于FMECA的车载子系统可靠性分析 |
| 4.2.1 系统风险分析模型 |
| 4.2.2 改进系统风险评估 |
| 4.3 基于AHP的基本单元权重确立 |
| 4.3.1 层次分析法模型 |
| 4.3.2 基本单元权重确立 |
| 4.4 车载系统故障预警综合分析 |
| 4.4.1 设备故障预测 |
| 4.4.2 综合预警评估 |
| 4.4.3 维修策略分析 |
| 本章小结 |
| 第五章 车载设备安全分析预警系统 |
| 5.1 系统软件方案与功能设计 |
| 5.1.1 系统设计原则 |
| 5.1.2 软件功能设计 |
| 5.2 故障预警系统功能实现 |
| 5.2.1 系统管理模块 |
| 5.2.2 系统主界面 |
| 5.2.3 故障数据查询界面 |
| 5.2.4 故障诊断模块 |
| 5.2.5 系统预警模块 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 附录 系统软件部分设计类图 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）基于贝叶斯网络的变频器主电路故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景与研究意义 |
| 1.2 变频器故障诊断国内外研究现状 |
| 1.2.1 基于解析模型的诊断方法 |
| 1.2.2 基于信号处理的诊断方法 |
| 1.2.3 基于知识的诊断方法 |
| 1.3 贝叶斯故障诊断方法研究现状 |
| 1.4 本文主要解决的问题 |
| 1.5 本文主要研究的内容 |
| 1.6 本章小结 |
| 2 变频器主电路结构原理及故障特征提取 |
| 2.1 矿井提升机变频器的结构 |
| 2.2 双PWM变频器及工作原理 |
| 2.2.1 PWM整流电路工作原理 |
| 2.2.2 中间直流电路工作原理 |
| 2.2.3 逆变电路工作原理 |
| 2.2.4 变频器主电路PWM调制原理 |
| 2.3 变频器主电路故障分析与特征提取 |
| 2.3.1 变频器实验平台 |
| 2.3.2 整流环节开路故障分析与特征提取 |
| 2.3.3 直流环节故障分析与特征提取 |
| 2.3.4 逆变环节开路故障分析与特征提取 |
| 2.4 变频器主电路故障诊断存在的问题及解决思路 |
| 2.5 本章小结 |
| 3 基于贝叶斯网络的变频器主电路故障诊断方法研究 |
| 3.1 贝叶斯故障诊断建模理论 |
| 3.1.1 贝叶斯故障推理基础 |
| 3.1.2 贝叶斯故障建模方法 |
| 3.1.3 贝叶斯网络故障推理算法 |
| 3.1.4 贝叶斯网络在故障诊断中的参数学习方法 |
| 3.1.5 基于贝叶斯网络的变频器主电路故障诊断可行性分析 |
| 3.2 基于贝叶斯网络的整流环节故障诊断模型构建与验证 |
| 3.3 基于贝叶斯网络的直流环节故障诊断模型构建与验证 |
| 3.4 本章小结 |
| 4 基于优化贝叶斯网络的逆变环节故障诊断方法研究 |
| 4.1 贝叶斯故障诊断模型优化方法 |
| 4.1.1 基于遗传算法的粗糙集属性约简 |
| 4.1.2 基于时间和精度选择的优化模型建立 |
| 4.2 贝叶斯模型优化方法在逆变环节故障诊断中的应用 |
| 4.2.1 原始贝叶斯模型建立 |
| 4.2.2 故障诊断模型优化 |
| 4.3 故障诊断结果与对比 |
| 4.4 本章小结 |
| 5 变频器主电路故障诊断系统设计 |
| 5.1 变频器主电路故障诊断系统需求分析 |
| 5.2 变频器主电路故障诊断系统实现 |
| 5.2.1 故障诊断系统运行流程 |
| 5.2.2 故障诊断系统功能验证 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
四、基于粗糙神经网络的故障诊断方法研究与应用（论文参考文献）
- [1]基于智能算法优化的概率神经网络变压器故障诊断研究[D]. 张智恒. 西安理工大学, 2021(01)
- [2]地铁车载ATC设备故障诊断与预警系统研究[D]. 周晓勇. 北京交通大学, 2021(02)
- [3]航空发动机故障诊断专家系统的研究与实现[D]. 孙昂. 大连理工大学, 2021(01)
- [4]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)
- [5]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [6]基于FA优化SOM-BP神经网络的混合动力汽车故障诊断[D]. 黄玮. 合肥工业大学, 2020(02)
- [7]基于神经网络的多传感器数据融合的研究[D]. 薛志威. 南京信息工程大学, 2020(02)
- [8]基于改进CS算法的车载数据传输设备故障诊断方法研究[D]. 郭子钰. 兰州交通大学, 2020(01)
- [9]基于列车数据分析的故障预警技术研究[D]. 张晓岚. 大连交通大学, 2020(06)
- [10]基于贝叶斯网络的变频器主电路故障诊断方法研究[D]. 何永盛. 河南理工大学, 2020(01)