导读:本文包含了故障早期诊断论文开题报告文献综述及选题提纲参考文献，主要关键词:缓变故障,早期诊断,深度学习,非线性拟合
故障早期诊断论文文献综述
周福娜,高育林,王佳瑜,文成林[1]（2017）在《基于深度学习的缓变故障早期诊断及寿命预测》一文中研究指出为了克服传统的早期微小故障诊断方法不能区分多个不同时刻发生故障的不足,提出一种将深度学习和PCA相结合的方法实现微小缓变故障早期诊断及寿命预测。对采集的数据进行深度学习实现逐层特征抽取,学习早期微小故障特征,建立微小缓变故障早期诊断模型,结合PCA方法将深度学习所抽取的高维故障特征向量集成为一个故障特征变量,根据历史故障数据特征变量演化规律定义数据驱动的故障演变标尺,并通过指数型非线性拟合方法建立寿命预测模型。选取TE平台数据进行算法有效性检验,并与其他算法对比,从而验证了所提出算法的有效性。(本文来源于《山东大学学报(工学版)》期刊2017年05期）
王佳瑜[2]（2017）在《数据驱动的缓变微小故障早期诊断及剩余寿命预测》一文中研究指出大型复杂系统一旦发生灾难性故障将会造成巨大的经济损失和人员伤亡,相对于计划维修而言,视情维修既能减少不必要的停机停产损失,又能更好地保证系统的安全性。早期故障诊断和剩余寿命预测是视情维修的基础。本文以提升工业安全以及节省大量维修开支为应用背景,以缓变微小故障早期诊断为基础,利用先进的特征抽取理论和预测技术,开展剩余寿命(Residual Useful Life,RUL)预测研究,为工程维护人员制定维修策略提供决策依据。全文以数据驱动的故障特征抽取技术为主线,利用小波滤波(Wavelet Filtering,WF)技术、主元分析(Principal Component Analysis,PCA)、指定元分析(Designated Component Analysis,DCA)、深度学习(Deep Learning,DL)等理论知识,根据可利用的故障数据量、故障征兆知识、观测数据的统计分布和观测数据是否呈非线性等先验信息,分别开展基于统计特征非线性拟合的系统级RUL预测和元部件RUL预测研究、基于深度特征的早期故障诊断和RUL预测研究。论文的主要创新点如下:(1)高斯观测数据情况下,将小波滤波技术与主元分析相结合实现早期微小故障特征抽取,根据所定义的故障演变标尺建立基于指数型非线性拟合方法的实时RUL预测模型,实现系统级的RUL预测。故障征兆知识可用情况下,利用指定元分析提取关键部件的故障特征,开展关键部件实时RUL预测研究。(2)观测数据非线性、观测数据统计分布未知、故障征兆知识未知情况下,利用深度学习抽取观测数据中潜在的微小故障特征,达到缓变微小故障早期诊断的目的。并基于机器学习的方法建立深度神经网络(Deep Neural Network,DNN)所抽取的高维故障特征和实际RUL之间的直接映射关系,开展基于深度故障特征抽取结果的RUL预测方法研究。(本文来源于《河南大学》期刊2017-06-01）
李永波[3]（2017）在《滚动轴承故障特征提取与早期诊断方法研究》一文中研究指出滚动轴承是旋转机械中广泛应用的零部件之一,其安全运行与否对整个设备有至关重要的影响。本文以滚动轴承为研究对象,在总结滚动轴承现有故障诊断技术的基础上,采用现代信号处理技术,对滚动轴承的特征提取、早期故障检测和早期故障位置识别展开研究工作。本文的主要研究内容如下:(1)针对滚动轴承不同故障类型的振动信号所呈现的复杂度不同的特点,提出了基于多尺度符号动力学熵(MSDE)的滚动轴承故障位置特征提取方法。符号动力学熵在符号动力学滤波(SDF)的基础上,构建符号序列的状态模式矩阵和状态迁移矩阵,极大保留振动信号的故障信息。经过四种仿真信号测试,验证了符号动力学熵能够有效辨别信号动力学特性变化,并具有较高的计算效率。结合多尺度分析的概念,提出了MSDE的特征提取方法,使其能够在不同尺度下描述信号的复杂度。同时采用最大相关最小冗余进行特征优选和最小二乘支持向量机进行模式识别,经实验数据测试,基于MSDE的特征提取方法具有较高的识别精度和计算效率,实现了滚动轴承不同故障位置的准确区分。(2)针对多尺度模糊熵(MFE)对滚动轴承故障损伤程度特征提取能力不足的问题,提出了基于层次模糊熵(HFE)的特征提取方法。针对MFE中多尺度分析的缺点,提出了基于HFE的滚动轴承特征提取方法。层次分析能够同时提取信号中低频部分和高频部分隐藏的故障信息。通过白噪声和粉红噪声的测试,HFE能够更准确、全面描述时间序列复杂度的变化,且具有更好的稳定性。然后采用拉普拉斯分值对特征进行优选,并结合二叉树支持向量机实现滚动轴承不同故障程度的识别。同MFE方法进行对比分析表明基于HFE所提取的特征向量具有良好的可分性,实现了滚动轴承不同故障程度的准确区分。(3)为实现滚动轴承的早期故障检测,提出了基于SDF的性能监测指标M。监测指标M的计算过程不依赖于轴承的故障样本数据,且与有效值和峭度因子相比,监测指标M对轴承早期故障具有较高的敏感性和稳定性。将监测指标M与累积和相结合来完成轴承早期故障的报警,经两次轴承加速全寿命实验的测试,该方法能够有效地检测出轴承的早期故障。(4)针对滚动轴承早期故障特征极其微弱的问题,提出了基于内禀特征尺度分解(ICD)与优化品质因子的共振稀疏分解(ORSSD)的滚动轴承早期故障诊断方法。为了降低噪声的干扰,在总结局部均值分解(LMD)方法和本征时间尺度分解(ITD)方法优势的基础上,提出了ICD分解方法。以仿真信号为例,比较了ICD和LMD的分解性能。分析结果表明ICD具有更高的分解精度和计算效率,更加适合于分解滚动轴承的振动信号。针对共振稀疏分解中品质因子Q难以确定的问题,引入了特征频率比(CFR)进行品质因子Q的优选,根据最大的CFR值找出最优的高品质因子QH和低品质因子QL。将ICD与ORSSD相结合,提出了一种基于ICD和ORSSD的滚动轴承早期故障位置的识别方法。经仿真与实验信号测试,该方法能够有效提取早期故障特征,完成滚动轴承的早期故障诊断。(本文来源于《哈尔滨工业大学》期刊2017-03-01）
宋洋[4]（2016）在《基于数据特征抽取技术的缓变微小故障早期诊断方法》一文中研究指出当今,随着现代工业技术的快速发展,控制系统结构愈加复杂。如果这类系统一旦发生一些缓慢变化的微小故障,日积月累便会造成严重的安全事故。传统的微小故障诊断方法多采用降低噪声能量或累加故障幅值的方式,来提高故障信号的信噪比,以达到微小故障检测的目的。本文以主元分析(Principal Component Analysis,PCA)和指定元分析(Designated Component Analysis,DCA)为多变量统计特征抽取工具,研究多变量数据特征抽取新方法,提出了基于累加和平均(Average Accumulative,AA)的早期故障诊断方法,并将其与累加和(Cumulative Sum,CUSUM)的方法相结合以更好地实现缓变故障趋势的早期检测。具体工作如下:(1)在中值滤波(Median Filter,MF)和CUSUM的方法基础上提出一种MF和CUSUM相结合的缓变微小故障早期检测的方法。通过对滤波后数据,即PCA所得(Squared Prediction Error,SPE)统计量的累加,建立起MF-CUSUM-PCA模型,来实现微小缓变故障早期的异常检测,并引入知识导引的数据特征抽取方法,建立了基于MF-CUSUM-DCA模型,实现缓变微小故障早期诊断,进而达到故障模式辨识的目的。(2)提出一种基于累加和平均的特征抽取方法,在减小噪声能量的同时对故障信号进行累加,从而可以显着地提高故障信号的信噪比。针对累加平均后观测数据不再独立同分布的问题,建立了基于AA-PCA的时变异常检测模型,以进行缓变微小故障的早期检测,建立了基于AA-DCA的时变模型,用以实现多个缓变微小故障的早期诊断。最后,将基于AA的方法与基于CUSUM的方法相结合,可以更早地检测到缓变故障的趋势。(3)通过MATLAB的GUI界面对本文算法进行了实现,这为工程人员做健康维护决策提供了参考依据。(本文来源于《河南大学》期刊2016-05-01）
蔡亮[5]（2016）在《基于阻抗的匝间故障早期诊断系统设计与实现》一文中研究指出提出了一种使用输入阻抗来诊断无刷直流电动机BLDC(Brushless DC motors)定子绕组匝间故障ITF(Inter-Turn Fault)的算法,并设计了相应的故障检测系统进行了实现。该系统的优势在于具有早期检测能力以及适用于各种速度范围检测。提出的故障检测技术通过使用输入电压和输入电流来计算输入阻抗,并将其与数据库中的数值比较。相比传统的方法,由于不需要快速傅里叶变换(FFT),因此提出的算法更加迅速且简单。实验测试结果表明提出的检测方法在各种转速条件下均具有较高的精确度。(本文来源于《电子器件》期刊2016年02期）
柳春,姜斌,张柯,吴云凯[6]（2015）在《带扰动的线性系统微小故障早期诊断方法》一文中研究指出针对带有未知扰动的线性系统微小故障的早期诊断,提出一类综合自适应滑模观测器方法,使得该观测器既能估计微小故障又能对未知扰动有强鲁棒性.将线性系统通过坐标变换解耦为两个子系统,其中:一个子系统与扰动无关,对其设计自适应观测器,实现对微小故障的检测;另一个子系统既受未知扰动又受微小故障的影响,对其设计滑模观测器,以消除未知扰动的影响,从而保证系统的强鲁棒性.通过四旋翼直升机模型验证了所提出的综合自适应滑模观测器微小故障早期诊断检测算法的有效性.(本文来源于《上海交通大学学报》期刊2015年06期）
赵夕林[7]（2015）在《振动监测——设备故障的早期诊断》一文中研究指出1概述随着水泥工业生产率的提高,岗位人员越来越少,虽然设备运转的常规参数(如温度、压力、电流等)已引入到中央控制室,但设备运转仍处于无人看守状态,岗位人员在有限的巡检时间内无法判断设备是否正常,设备隐患不能及时排查,导致设备出现故障甚至事故。因此,有必要引入设备状态测量仪器,跟踪检测设备运转状态,经过一段时间的数据积累,得出正常的运转状态参数,当测量的数据出现异常,通过数据分析判断设备故障点,做到早期诊断设备故障,避免事故发生,同时该(本文来源于《水泥技术》期刊2015年03期）
茹更生,李霞,陈良才,刘昌辉,高进涛[8]（2014）在《6K型机车主变压器接线端子烧损故障的早期诊断》一文中研究指出利用气相色谱分析和绕组直流电阻检测技术,对6K型035号电力机车主变压器内部接线端子烧损的潜伏性故障进行了提前预报,并提出了早期诊断故障的依据。(本文来源于《铁道机车与动车》期刊2014年08期）
张英才[9]（2011）在《液压系统故障早期诊断及解决办法》一文中研究指出液压系统是由各种不同功能的基本回路组成,来实现设备执行机构的动作要求。本文主要阐述液压系统故障早期诊断及解决办法,延长液压系统的使用寿命。(本文来源于《科技致富向导》期刊2011年32期）
孙占东[10]（2009）在《变压器内部故障早期诊断及分析处理》一文中研究指出油浸式变压器内部故障一般分为过热故障和放电故障,文章通过理论分析变压器发生内部故障时所表现出的特征,尤其是对产生的特征气体进行分析,并结合实例诊断出内部故障类型及其故障点,对变压器内部故障查找和变压器检修提供了很好的诊断方法。(本文来源于《中国科技信息》期刊2009年22期）
故障早期诊断论文开题报告
（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：
大型复杂系统一旦发生灾难性故障将会造成巨大的经济损失和人员伤亡,相对于计划维修而言,视情维修既能减少不必要的停机停产损失,又能更好地保证系统的安全性。早期故障诊断和剩余寿命预测是视情维修的基础。本文以提升工业安全以及节省大量维修开支为应用背景,以缓变微小故障早期诊断为基础,利用先进的特征抽取理论和预测技术,开展剩余寿命(Residual Useful Life,RUL)预测研究,为工程维护人员制定维修策略提供决策依据。全文以数据驱动的故障特征抽取技术为主线,利用小波滤波(Wavelet Filtering,WF)技术、主元分析(Principal Component Analysis,PCA)、指定元分析(Designated Component Analysis,DCA)、深度学习(Deep Learning,DL)等理论知识,根据可利用的故障数据量、故障征兆知识、观测数据的统计分布和观测数据是否呈非线性等先验信息,分别开展基于统计特征非线性拟合的系统级RUL预测和元部件RUL预测研究、基于深度特征的早期故障诊断和RUL预测研究。论文的主要创新点如下:(1)高斯观测数据情况下,将小波滤波技术与主元分析相结合实现早期微小故障特征抽取,根据所定义的故障演变标尺建立基于指数型非线性拟合方法的实时RUL预测模型,实现系统级的RUL预测。故障征兆知识可用情况下,利用指定元分析提取关键部件的故障特征,开展关键部件实时RUL预测研究。(2)观测数据非线性、观测数据统计分布未知、故障征兆知识未知情况下,利用深度学习抽取观测数据中潜在的微小故障特征,达到缓变微小故障早期诊断的目的。并基于机器学习的方法建立深度神经网络(Deep Neural Network,DNN)所抽取的高维故障特征和实际RUL之间的直接映射关系,开展基于深度故障特征抽取结果的RUL预测方法研究。
（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。
故障早期诊断论文参考文献
[1].周福娜,高育林,王佳瑜,文成林.基于深度学习的缓变故障早期诊断及寿命预测[J].山东大学学报(工学版).2017
[2].王佳瑜.数据驱动的缓变微小故障早期诊断及剩余寿命预测[D].河南大学.2017
[3].李永波.滚动轴承故障特征提取与早期诊断方法研究[D].哈尔滨工业大学.2017
[4].宋洋.基于数据特征抽取技术的缓变微小故障早期诊断方法[D].河南大学.2016
[5].蔡亮.基于阻抗的匝间故障早期诊断系统设计与实现[J].电子器件.2016
[6].柳春,姜斌,张柯,吴云凯.带扰动的线性系统微小故障早期诊断方法[J].上海交通大学学报.2015
[7].赵夕林.振动监测——设备故障的早期诊断[J].水泥技术.2015
[8].茹更生,李霞,陈良才,刘昌辉,高进涛.6K型机车主变压器接线端子烧损故障的早期诊断[J].铁道机车与动车.2014
[9].张英才.液压系统故障早期诊断及解决办法[J].科技致富向导.2011
[10].孙占东.变压器内部故障早期诊断及分析处理[J].中国科技信息.2009