一、基于实时状态的在线故障诊断模型（论文文献综述）
杨彦军[1]（2021）在《基于多维监测的风电齿轮箱动态预警及应用研究》文中进行了进一步梳理齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:（1）针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析（Kernel Principal Component Analysis,KPCA）以及T2和平方预测误差（Square Prediction Error,SPE）统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）的状态变量和状态监测系统（Condition Monitoring System,CMS）的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。（2）通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归（Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR）的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。（3）将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解（Variational Mode Decomposition,VMD）和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解（Emprical Mode Decomposition,EMD）和集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。（4）为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
郝伟[2]（2021）在《基于PHM技术的高速动车组关键部件智能检修理论与方法研究》文中认为随着我国高速动车组运行速度的提高和运用规模的增长,动车组运营安全和保障技术挑战日趋突出。故障预测与健康管理（Prognostics and Health Management,PHM）作为一种设备健康管理技术,可以实现设备状态监控、异常预测、故障诊断、维修预测和维修决策等功能。为了提升高速动车组安全保障能力、降低检修成本、提高检修效率,本文将高速动车组检修业务和PHM技术深度融合,探索基于PHM技术的高速动车组关键部件智能检修理论与方法。重点研究基于风险预判防范的部件状态预测、故障诊断技术,以及基于固定修程计划预防的部件维修预测和维修决策技术,为动车组检修模式从“计划修”向“计划修+预测性维修”转变提供理论依据和技术支撑。主要研究内容包括以下四个方面:（1）针对高速动车组关键部件服役环境复杂、故障模式多样背景下的状态异常预测问题,提出一种在线监测与多隐藏层神经网络预测相结合的方法。该方法对高速动车组关键部件轴承开展状态在线监测,采集动车组齿轮箱轴承、牵引电机驱动端轴承等8类关键位置累计约30000公里样本数据,分析不同温度条件、不同运行状态各区间的轴承温度变化规律,研究轴承温度与时间、行驶特征的相关性,通过多隐藏层神经网络预测方法预判部件健康状况。实验结果表明,与常见方法相比,轴承温度预测精度提升显着,MAPE均在3%以内,RMSE在1以内。（2）针对高速动车组关键部件故障样本数据少导致的识别精度问题,提出一种面向非均衡数据的优化在线序贯极限学习机故障诊断方法。该方法采用K-Means SMOTE方法和基于欧氏距离的欠采样方法重构样本数据集,并利用非均衡数据分类评价函数作为适应度函数,全局寻优故障诊断模型参数,构建故障诊断模型。同时,准确分类的数据作为序贯样本持续更新诊断模型。以实际运营的动车组轴箱轴承数据为样本进行验证,结果表明,与已有方法相比,G-mean值提高了6.9%以上,F1-measure值提高了9%以上。（3）针对高速动车组高级修计划中的运行里程难以预测的问题,提出一种基于经验模态分解与优化深度学习的里程预测算法。该方法采用经验模态分解方法将里程时间序列分解为高低频时间序列,通过构建优化深度置信网络预测模型计算里程预测结果,实现对高级修时间窗的预测。以动车组3年的运行数据为样本,分析样本周期对预测结果的影响,确定里程预测模型的样本周期,实验结果表明,所提方法相对于传统预测方法,MSE降低23.9%以上,MAE降低22%以上,RMSE降低12.7%以上,可作为编制动车组高级修计划的有效依据。（4）针对检修需求非均衡导致的检修资源空置和挤兑、动车组利用率低等问题,提出一种基于粒子群算法的高级修计划优化方法。该方法综合分析动车组高级修计划的影响因素,建立基于损失里程、检修能力和节假日检修天数的高级修计划评价指标,并将评价指标作为粒子群算法适应度函数,构建高级修计划优化模型,全局寻优检修计划方案。实验结果表明,所提方法与传统高级修计划编制方法相比,评价指标降低35.9%,编制耗时大幅减少。本文从关键部件安全保障和能力保持两个方面展开研究,构建智能检修模型,通过动车组实际运营数据和真实业务场景,验证了所提方法的有效性。本文包含图70幅,表35个,参考文献153篇。
刘沁[3]（2021）在《船舶舵机液压系统的智能故障诊断方法研究》文中进行了进一步梳理舵机液压系统作为掌控船舶航向的执行机构,对于船舶的安全航行至关重要,舵机系统的故障将可能引发严重的海难事故,会造成巨大的人员和经济损失。因此,实现船舶舵机液压系统的故障诊断对提高船舶航行的安全性和可靠性具有重要的意义。然而,液压系统是集机械、电气、流体特性于一体的耦合复杂系统,具有不确定性、非线性和时变性等特点,其故障形式多样,引发某种故障的因素通常不单一,且故障具有隐蔽性,对系统进行快速准确的故障诊断已成为亟待解决的科学问题。本文以船舶舵机液压系统为对象,研究基于数据的智能故障诊断方法。此类方法中样本数据的质量和数量对故障诊断模型的精度有重要影响,但在液压系统的故障诊断领域,已有的研究成果并未考虑数据不充足的情况。为此,本文探索了在数据充足程度不同的情况下,设计相应的故障诊断方法,并在现有的通用方法基础上,针对船舶舵机液压系统的数据特点进行一定的算法改进。具体研究工作如下:（1）在数据充足的情况下,针对数据时序性的特点,提出了基于LSTM（long short-term memory）神经网络的船舶舵机液压系统的故障诊断方法。首先,对船舶舵机液压系统的工作原理及各故障工况的现象进行了详细的理论分析,在AMESim和Matlab中搭建了联合仿真平台,用于模拟多种系统工况。其次,从仿真平台中采集充足的样本数据,为LSTM神经网络的训练和测试提供数据支持。然后,设计了多种LSTM神经网络结构和参数配置方案,通过大量对比实验确定了最优的监测器网络结构,并通过FPGA完成了算法的硬件加速,使运算速度提升了约10倍。最终,实验表明本研究所提出的故障诊断方法在计算和资源开销、分类准确率等各方面都优于其他神经网络,信噪比高于70dB的噪声干扰下的故障诊断准确率可达到99.5%以上。（2）针对数据集不平衡的问题,提出了基于GAN-RF（generative adversarial network and random forest）的船舶舵机液压系统的故障诊断方法。从实际船舶舵机液压系统中可获取的故障样本数往往远少于正常工况的样本数,而基于这种不平衡数据集设计的故障诊断方法准确率往往不高。目前,在液压系统中对该类问题的研究尚处于空白。本文通过联合仿真平台获得不平衡的时序样本数据,提出将时序数据的时频特征转换为二维图像来训练GAN神经网络,并用直观的样本特征分布图展示GAN生成样本的可行性。时频特征的提取采用MEMD（multivariate empirical mode decomposition）,样本特征分布图显示了所设计的GAN深度学习网络结构能够合成特征分布趋向于真实的样本。用GAN生成的故障样本扩充不平衡的数据集,再应用CFS（correlation-based feature selection）进行特征选择,实验表明所选择的特征在不同工况下具有可区分性。最后,设计了RF分类器实现故障诊断,信噪比在50dB以上的分类准确率超过98.5%。（3）针对无法获取实测数据的情况,提出了基于MTES（multidimensional time-series trend extracted shapelet）的船舶舵机液压系统的故障诊断方法。在船舶舵机液压系统的研发阶段或运行初期,可获得实际系统的实测数据很少,尤其是故障工况下的数据。根据仿真系统与实际系统的信号具有趋势变化（即形状特征）一致的特点,本文从仿真系统的时序数据中提取形状特征（shapelets）设计分类器,使其能够在实际系统中进行故障诊断。在训练过程中,将舵机液压系统中的多通道时序信号看作是多个独立的一元时间序列,提出了基于多趋势特征的快速shapelet发现方法获得候选集,然后以信息增益为依据,为各信号分别筛选k个最佳的shapelets。实验结果显示所选择的shapelet具备区分于其他类的形状特征。在测试过程中,提出了基于贝叶斯概率的加权投票机制,综合多通道信号的分类结果,实现对船舶舵机液压系统的故障诊断。最终,用加入噪声的测试样本模拟真实系统数据进行测试,结果表明信噪比高于30dB的情况下,分类准确率均在98%以上,验证了该方法对真实系统有效且可靠性很高。（4）为验证所提出的三种方法在实际舵机液压系统中的故障诊断效果,提出了基于负载模拟器的实验验证方法。本文设计了一套舵机工况模拟试验系统来模拟多种系统工况,采集系统的信号输出,为验证故障诊断方法提供数据。在该试验系统中,需为舵机系统建立带载环境,使采集的数据包含反映真实系统响应的信息,实验中利用负载模拟器实现。为此,本文提出了基于IAKF（improved adaptive Kalman filter）的速度前馈加载力控制策略,提升负载模拟器对舵机系统的变力加载能力。通过试验系统与仿真系统的实验结果对比,表明两者的故障现象具有一致性,验证了仿真系统的准确性。最终,三种方法对试验系统的故障诊断准确率均超过85%,验证了所提出故障诊断方法的有效性,体现了对不同场景下实际工程的应用价值和指导意义。
闵凡超[4]（2021）在《基于无线网络的煤矿环境监控系统及故障诊断技术研究》文中研究指明目前,煤矿井下环境复杂,生产风险大、作业人员多,生产系统中任何一环发生故障,都可能造成巨大的经济损失,甚至造成安全事故。因此,设计并配备先进的煤矿环境监控系统不仅可以提高煤矿生产的经济效益与安全系数,而且可以减少人力投入、提升煤矿作业的高水平自动化。完善的煤矿环境监控系统能够有效地解决煤矿生产存在的各类问题,对于实现煤矿生产的智能化与高效化以及保障国家能源供给均具有重要意义。本文主要研究工作从以下几个方面展开:（1）本文按照矿区生产条件及检测对象性质,自主设计了异构分布式通信方式,研发多通讯协议多传感器融合的分布式煤矿生产监测与控制系统,以实现煤矿生产的智能化和现代化。（2）针对井下复杂恶劣环境对传感器带来的噪声干扰,采用DB6小波实现快速去噪与同步特征提取,然后使用概率神经网络进行故障识别,实现了一种新型快速在线故障诊断系统,对系统运行过程中遇到的新型未知故障类型,无需重新训练,直接在线增加模式层单元即可,实现在线增量式故障诊断。经测试验证了该模型具有良好的故障诊断效果。（3）根据煤矿生产的需求,使用Qt完成KTC2018煤矿环境监控系统上位机软件的设计,实现底层数据融合和协议转换,完成设备远程监控、状态显示、智能查询、故障诊断等功能。融合故障诊断系统,将在线增量式故障诊断模型应用于煤矿环境监测控制系统,实现理论研究与实际生产相结合,使故障诊断的速度更快、准确性更高。最后搭建系统测试平台,针对相应的上位机软件功能完成软件测试。
户卓琳[5]（2021）在《基于时间自动机的列控系统车载设备软件故障诊断方法研究》文中提出车载设备软件故障是影响列控系统中列车运行安全的重要因素,因此,从软件开发周期上对车载设备软件功能逻辑进行快速、准确、不同粒度的故障诊断具有重要意义。传统的车载设备软件故障诊断主要依赖于基于测试案例集的离线测试及人工调试等方法,存在故障检测实时性和完备性不足、故障定位效率低等问题。本文结合新型列控系统车载设备软件设计实现阶段的功能需求,提出了一套基于模型和数据驱动结合的软件故障诊断方法,具体研究内容包括:（1）车载设备软件故障分析。结合新型列控系统功能结构和工作原理,深入分析了车载设备的关键功能及其相关接口。根据典型的软件失效模式,并结合接口关键变量行为,对超速防护功能相关的故障模式进行了定性分析。（2）车载设备软件的故障诊断方法研究。围绕新型列控系统车载设备软件在设计实现阶段的功能和时序需求,研究了基于时间自动机和定时一致性理论的车载设备软件在线故障检测方法,结合模型变异算子对车载设备软件关键功能故障进行可诊断性分析。围绕可诊断的功能性故障,提出了基于BP（Back Propagation）神经网络的车载设备软件源码级故障定位方法,在此基础上,构建了一套基于模型和数据驱动的车载设备软件故障诊断框架。（3）车载设备软件功能在线故障检测研究。结合车载设备速度防护功能需求,定义了故障检测阶段的可观测接口行为。构建了包含列车位置更新、行车许可等环境功能在内的车载ATP（Automatic Train Protection）层次化功能模型和变异故障模型。结合实际仿真软件搭建了基于一致性理论的故障检测应用适配环境,对车载ATP的软件缺陷版本进行故障可诊断性和在线检测分析,并从检测效率和检测准确性两个角度进行了评估。（4）车载设备软件故障定位方法的验证分析。根据论文提出的车载设备软件故障定位方法,建立了车载设备软件的语句执行特征分析应用框架,基于车载设备软件执行特征数据和BP神经网络模型,从单一变异体版本、多个变异体版本和不同BP神经网络算法三个方面,与经典的Tarantula、Jaccard和Ochiai方法进行故障定位对比分析。实验结果表明,基于时间自动机模型和数据驱动的故障诊断方法能够快速准确的发现车载设备软件故障,故障检测效果远大于离线变异测试。同时基于BP神经网络的故障定位方法,能够解决基于模型的故障检测无法从语句级别进行细粒度定位的问题,且比传统基于程序谱的方法定位效果较好。在大规模软件故障版本中,基于BP神经网络的故障定位方法能够以30%的代码检查率发现80%的故障版本中的软件缺陷。相关成果能为正在研究的新型列控系统车载设备软件的开发提供一定的理论基础和技术支撑。图73幅,表23个,参考文献110篇。
范家铭[6]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中提出伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
徐彪[7]（2020）在《面向调度应急处置的输配电网故障诊断关键技术研究》文中研究说明多年来,电力系统调度自动化及安稳控制技术取得了长足进步,但系统出现故障等扰动后,调度运行人员的在线决策在事故应急处理中的作用始终不可替代,运行人员必须及时且有效地开展调度应急处置工作,才能最大程度上保障系统安全,避免大范围停电。特别地,故障诊断作为调度应急处置最为关键的依托技术,提高其诊断的快速性、准确性和在线适应性对于提升调度应急处置水平具有重要作用。然而,在面临海量的系统运行监测信息及复杂的故障场景时,如何在短时间内准确分析故障场景及其安全水平,并制定出针对性的应急处置策略是运行人员面临的重要问题。在此背景下,有必要从调度人员的直观需求出发,研究针对性的调度应急处置支持系统及其故障诊断关键技术,通过对各类运行监测信息进行针对性的分析和处理,凝练出运行人员在应急处置过程中所迫切需要的关键信息,为其紧急情况下的调度决策提供辅助支持,提高调度应急处置工作的针对性和有效性。为此,论文围绕面向调度应急处置的输配电网故障诊断关键技术展开研究,考虑输、配电网两级调度的需求特点,研究提出电力系统调度应急处置支持系统的功能框架,并重点研究了支持系统所依托的输配电网故障诊断关键技术。继电保护是电力系统安全的第一道防线,只有保护切除故障后,应急处置才有意义,故而应急处置第一时间的故障诊断一般主要考虑保护及其相关系统动作引起的告警信息。鉴于此,论文在输电网故障诊断方面,分别对当前广泛采用的解析模型法和Petri网图形建模法进行性能改进研究,并通过两类方法相互配合印证,提高故障诊断的综合性能;在配电网故障诊断方面,首先对可兼顾时效性和容错性的常规辐射式配电网故障诊断方法开展研究,进而围绕发展中的含分布式电源的主动配电网研究提出改进方案。论文的研究内容具体体现在以下几方面。首先,从输、配电网两级调度应急处置的关注重点出发分析了调度应急处置支持系统的需求目标,并从数据接入、安全预警控制、紧急控制恢复三个方面建立了输、配电网两级调度相配合的电力系统调度应急处置支持系统功能框架,在此基础上,对支持系统所主要涉及的各项关键技术进行了归纳和分析,并特别对支持系统中的输配电网故障诊断的技术目标和总体实现方案进行了论述。输电网故障诊断的基本目标是判定真实的故障场景及其保护切除过程,是调度运行人员进行故障应急处理的重要前提和依据。针对现有基于优化求解的输电网故障诊断解析模型在考虑异常告警信息时需要扩大变量维数,求解难度大且时效性较低的问题,提出一种输电网故障诊断的分阶段解析模型及方法。模型前一阶段通过分析不同预想故障元件对目标函数的影响,并综合保护动作关联和断路器动作关联两个方面因素建立元件的故障测度指标,无需迭代即可实现可疑元件的快速筛选;模型后一阶段将保护和断路器的实际状态引入故障假说,建立综合反映保护系统动作逻辑错误和信息通信错误的诊断目标函数,并通过智能优化算法求解,可得到故障元件以及保护和断路器的实际状态。通过分阶段解析建模的改进,可以有效降低优化模型的求解维度,提高解析模型故障诊断的时效性。针对现有基于Petri网图形建模的输电网故障诊断方法主要在离线时以单个元件为单位进行独立建模,对硬件存储要求高且难以适应网络拓扑变化的不足,提出一种基于网络拓扑图形建模的输电网故障诊断模型。从电网拓扑结构出发,形成系统各元件、保护和断路器的拓扑关联矩阵,以此为图形单元构建电网故障诊断模型,并根据保护配合逻辑及出口方式,建立了远后备保护的拓扑映射规则及完整的信息融合推理流程,可以充分利用网络的拓扑信息实现诊断模型的在线自动建模,无需遍历推理即可快速判定故障元件,同时可以在故障诊断的过程中更新网络拓扑描述,因此能够适应网络拓扑变化及连锁故障的诊断。针对现有基于Petri网图形建模的故障诊断方法难以实现高效的时序推理且时序信息利用有限的问题,提出一种基于模糊时间Petri网的电网故障诊断方法。变电站中SOE的应用可以为保护和断路器的动作标定统一的时标,充分利用时序信息有利于提高故障诊断的准确性。因此,首先为Petri网模型中库所及变迁引入时间属性以表征电力系统告警信息的时序约束关系,定义了置信概率与时序约束的关联推理运算,并从模型结构出发建立了模糊时间Petri网的分层推理算法,无需对各告警信息进行繁杂的正反向时序推理检查,能够基于Petri网的矩阵描述实现高效的时序推理过程,并同时可以充分利用时序推理的结果提高故障诊断的准确性。此外,研究了输电网故障诊断技术在支持系统中的综合应用方案,并提出了解析模型法与Petri网图形建模法的配合应用模式,可提高输电网故障诊断的综合性能。从调度运行的角度,配电网故障诊断的基本目标是定位到具体的故障区段,便于运行人员准确隔离故障,减小负荷损失和提高供电可靠性。针对现有配电网故障诊断技术难以同时兼顾容错性和时效性的问题,提出一种矩阵算法和优化算法相结合的常规辐射式配电网故障诊断方法。首先,从开关过流告警的因果关联关系出发建立了配电网的矩阵描述,并从因果追溯的角度提出一种新的故障诊断矩阵算法判据,实现过程简单且意义鲜明,能够在告警信息正常时准确定位故障区段;其次,考虑存在告警信息畸变时,根据矩阵判据结果可有效筛选出可疑区段集合,在此基础上利用网络的矩阵描述构建优化模型进行容错判断,可快速实现高容错性故障定位。通过矩阵算法与优化算法在时效性和容错性方面进行优势互补,可有效提高故障诊断性能。针对多电源并列运行主动配电网潮流双向流通,常规配电网的故障诊断方法难以适用的问题,提出一种适用于多电源并列运行主动配电网的故障诊断方法。随着可再生能源发电技术的发展,分布式电源、储能等在部分配电网中接入使得常规配电网转变为多电源并列运行主动配电网,因此,本文在常规配电网故障诊断方法的基础上,从开关过流告警的方向特性出发,为主动配电网定义了各开关电流的参考正方向,并基于因果关联特性建立了考虑方向拓展的主动配电网矩阵描述,在此基础上分别对前面所提的矩阵算法判据及容错优化模型进行建模改进,并重点分析了主动配电网多重故障的特殊性问题,可以在兼顾时效性和容错性的同时,适用于多电源并列运行主动配电网。最后,论文对主要研究工作及有特色的研究成果进行了总结,所研究的调度应急处置支持系统的部分功能模块已在我国某区域电网获得初步应用。同时,论文还讨论了下一步研究工作的展望。
李英壮[8]（2020）在《以数据为基础的乙烯生产智能监测系统的开发与应用》文中研究说明乙烯裂解炉作为乙烯生产中影响乙烯产品质量最为关键的设备,维持乙烯裂解炉长期安全稳定的运行是非常有必要的。因此,开发一套针对乙烯裂解炉的在线智能监测系统有非常重要的意义。石脑油裂解制乙烯是一个连续的化工生产过程,如果能够实现及时发现生产过程中不允许的偏离并做出相应调整,这样可以避免故障发生,提高企业生产效率。因此,本文主要内容是:首先根据石脑油裂解制乙烯生产工艺过程的特点,确定在线智能监测系统的逻辑结构框架、系统功能模块和系统界面设计。研究工作主要集中在算法功能的开发,基于真实的乙烯历史生产数据建立算法模型,其中包括:利用主元分析法（PCA）开发核心过程监测模块,建立监测模型实现对生产过程的监测,同时根据乙烯生产状态调整的特性,开发了拥有两种数据频率的运行状态识别器,及时准确监测乙烯生产过程的运行状态可以减少因为运行状态的调整导致监测系统的误报警;基于符号有向图法（SDG）开发了故障诊断模块,当监测出有故障发生时,故障诊断模块可以很好的给出故障传播的大致路径和根本原因变量;基于偏最小二乘法（PLS）开发了仪表校正软测量模块,针对实际生产过程中出现的仪表异常造成测量数据不准确情况,及时校正并保证智能监测系统分析结果的准确性。最后,将系统进行连接和调试后,开发完成乙烯生产在线智能监测系统,将系统安装到实际的工业生产过程中进行应用测试,并取得了较好的监测分析结果。
杨楠[9]（2020）在《汽轮机智能诊断与健康管理关键技术研究》文中研究表明随着“中国制造2025”、“互联网+”、“新一代人工智能发展规划”等国家战略的提出,在人工智能技术的推动下,智慧电厂成为能源企业未来趋势。智能诊断与健康管理（Intelligent Diagnosis and Health Management,IDHM）技术,更是需要新一代人工智能技术的融入,用以辅助提高电厂对设备运行、诊断、维护的效率。当前关于故障诊断与维修决策的相关研究繁多,且各有特点。另一方面,又缺乏针对复杂系统构建IDHM技术体系的研究。导致当前各种新技术、新方法不能有效的被电厂认识和应用。由其是对汽轮机这类重大设备,其本身具有故障模式复杂、监测信息少、故障样本稀缺、诊断知识祭奠丰富等特点,需要有针对性的运用IDHM技术解决传统问题,同时,灵活的运用经验知识使IDHM技术更具智慧。因此,本文立足于IDHM是辅助运维人员发现异常、排除故障、降低风险的初衷,以汽轮机组这类重大设备为例,在总结其故障诊断难点问题的基础上,开展综合利用经验知识和机器学习的IDHM关键技术研究。首先,结合汽轮机组故障诊断与维护过程中经验知识依赖性强、知识重用性高、知识数据非结构化等特点,基于设备树分析、故障模式与影响分析和故障树分析方法,总结了故障机理的分析方法和步骤。基于知识图谱和本体理论,对具有复杂关系结构的诊断知识,提出了故障诊断知识图谱的构建流程。并以核电汽轮机例,建立了故障诊断知识图谱。通过采用知识图谱对诊断知识进行存储和表达,减少了系统中知识数据的冗余,提高了IDHM系统对知识数据的管理效率。其次,在总结汽轮机故障诊断常用的状态数据故障特征的基础上,对趋势型征兆和频谱型征兆的识别方法进行了研究。提出了一种与经验相结合的序列数据趋势特征量化方法,弥补了以往汽轮机故障诊断中对趋势型征兆识别方法的不足。基于汽轮发电机组振动故障发生时,激振力在非线性系统中传播的原理,提出了一种基于提取振源方向的频谱识别方法,相比传统方法,频谱识别准确率得到较大提高。本文基于汽轮机故障机理知识开展的征兆识别方法研究,弥补了当前汽轮机故障诊断中对趋势型征兆和频谱识别的不足,有助于IDHM系统实现自动征兆识别,提高系统诊断效率。再次,为了弥补征兆识别方法存在误报率和漏报率的情况,以及机器学习方法无法进行知识推理,得到故障原因和维修建议的缺陷,本文对故障隔离、故障诊断和故障严重程度评估方法进行了研究。本文提出了基于图数据库搜索技术的故障隔离方法,以解决由于测点冗余、征兆信息过剩、诊断知识重用造成的诊断目标范围过大的问题。通过故障隔离,也极大的缩小了后续故障诊断的目标范围。为进一步推理故障发生可能性,在提出故障因果网络概念的基础上,将知识图谱中的故障诊断知识转化为可进行模糊推理的贝叶斯网络（Bayesian Network,BN）诊断模型。基于在线征兆和人工排查信息实现了诊断系统与维修人员工作的交互式推理。为综合评估设备当前运行风险水平和优化故障排查顺序,提出了故障链严重程度计算方法,从多个角度综合评估诊断网络中的可能故障链,使维修建议可在较少维修次数下快速降低设备运行风险水平。最后,本文在上述研究的基础上,通过对核电汽轮机IDHM样机系统的开发,设计和开发了 IDHM系统的架构、数据仓库以及各主要功能,使各项技术在功能和数据流转方面得以有效的融合。通过样机系统的开发与测试,验证了本论文研究内容的可行性与有效性。
孙哲[10]（2020）在《热泵系统亚健康及其智能在线诊断方法研究》文中提出伴随着社会的发展,能源问题逐渐突显,全球范围内出现能源紧缺。为缓解能源压力,则必须同时从开源和节流两方面着手。热泵系统作为建筑用能的主体,占社会总能耗15%-20%,其节能工作意义巨大。随着热泵系统的长期使用,大量出现性能下降、能耗增加的现象,造成巨大的资源浪费。及时诊断热泵系统的性能下降现象,保持系统长期高效运行,是实现热泵节能的关键途径。本文针对热泵系统性能衰退的现象,提出热泵系统亚健康概念,并提出基于深度学习的智能诊断方法,将热泵系统的运行维护与大数据、机器学习、云监控等新兴技术融合,旨在实现热泵系统健康状态的在线智能监控,进一步促进热泵领域的信息化、智能化。文章主要研究内容以及取得主要贡献如下:（1）为明确热泵系统健康和故障的中间状态,量化该状态的能效变化情况,提出热泵系统亚健康概念,定义尚能完成既定工作任务但能耗增加的这一系统状态,并利用ASHRAE RP-1043数据集和自测数据集对不同亚健康的能耗、制冷量、COP的变化情况进行量化分析。实验分别验证了大中型水冷系统和小型风冷系统亚健康的能效变化,结果表明,热泵系统亚健康会造成2%-12%的能耗增加,及时诊断并合理维护对于系统的节能高效运行具有重要意义。（2）为解决热泵系统这类大滞后、非稳态系统建模困难、建模精度低的问题,构建了一种融合卷积神经网络、编-解码器、循环神经网络的深度学习模型,该模型可以直接处理多维时序数据,为亚健康诊断方法提供基准信息。研究并优化了基准模型的超参数,并与其他四种基准模型进行对比,结果表明,本文提出的模型可以很好的实现系统滞后特性的拟合,极大提高非稳态系统的建模精度,效果远优于其他模型。（3）为解决热泵系统工况迁移频繁、高度复杂、亚健康种类繁多、并发亚健康诊断困难等问题,充分利用深度学习模型的特征提取能力,建立了一种基于卷积神经网络的热泵系统亚健康在线诊断算法。算法结合基准模型在工况及环境动态变化等非稳态条件下仍可完成诊断,区别于稳态的实验室级别诊断,实现在线诊断。该方法降低了对热泵系统先验知识的依赖,利用数据驱动实现热泵系统亚健康的智能诊断,不需要设置判定阈值,且可以准确地诊断并发亚健康问题。利用搭建的在线实验平台实现在线诊断验证,各类亚健康诊断准确率均超过90%,响应时间少于6分钟,证明该诊断方法在工况、环境均存在较大波动的条件下仍能准确诊断,满足在线诊断算法的要求。（4）为解决真实在线系统标记数据不足、标记样本不均衡的问题,研究了一种基于生成对抗网络的数据集扩充方法。利用少量标记样本驱动两个神经网络的对抗训练,以自我博弈的方法不断提高数据生成的质量,最终实现高质量仿真数据的生成。为降低数据生成的难度,提出直接生成亚健康残差数据代替生成原始运行数据,极大提高了数据生成质量。在卷积特征空间中利用MMD指标和1-NN指标对生成数据的质量进行验证,分析生成分布与真实分布的差异,证明生成数据与真实数据分布接近。利用诊断方法验证引入生成数据对最终诊断精度的影响,证明在真实数据有限的条件下,基于生成对抗网络的数据扩充方法可以有效的提高亚健康诊断精度。本文着眼于在线诊断存在的关键问题,重点解决大滞后、非稳态系统诊断精度低、并发亚健康诊断困难、标记数据不足及不均衡等难题。经在线实验系统验证,本文提出的方法可以很好地适应于热泵系统亚健康的在线诊断,准确率和实时性均可满足要求,是一种应用前景广阔的诊断方法和技术。
二、基于实时状态的在线故障诊断模型（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、基于实时状态的在线故障诊断模型（论文提纲范文）
（1）基于多维监测的风电齿轮箱动态预警及应用研究（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 国内外研究现状分析 |
| 1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
| 1.2.2 风电齿轮箱在线监测系统发展现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第2章 风电机组状态参数分析与选取 |
| 2.1 引言 |
| 2.2 风电机组基本组成及齿轮箱结构特点 |
| 2.2.1 风电机组基本组成 |
| 2.2.2 齿轮箱结构特点 |
| 2.2.3 齿轮箱常见故障类型 |
| 2.3 状态参数分析及预处理 |
| 2.3.1 状态参数分析 |
| 2.3.2 状态参数预处理 |
| 2.4 状态参数相关性分析 |
| 2.4.1 相关性分析方法 |
| 2.4.2 齿轮箱温度关联参数的相关性分析 |
| 2.4.3 季节因素对状态参数的影响分析 |
| 2.5 风电齿轮箱振动监测分析 |
| 2.5.1 常规监测指标 |
| 2.5.2 行星轮系故障特征频率 |
| 2.6 本章小结 |
| 第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
| 3.1 引言 |
| 3.2 KPCA分析方法及异常检测指标 |
| 3.2.1 核主元成分分析(KPCA) |
| 3.2.2 基于KPCA方法的异常检测指标 |
| 3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
| 3.3.1 健康机组选取 |
| 3.3.2 滑动窗口模型 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱正常状态分析 |
| 3.4.2 齿轮箱异常状态分析 |
| 3.4.3 假数据注入攻击分析 |
| 3.4.4 多维监测分析 |
| 3.5 本章小结 |
| 第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
| 4.1 引言 |
| 4.2 基于IALO-SVR的预测方法 |
| 4.2.1 SVR方法 |
| 4.2.2 ALO算法 |
| 4.2.3 ALO算法的参数优化 |
| 4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
| 4.3.1 输入输出模型结构 |
| 4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
| 4.3.3 模型验证 |
| 4.3.4 季节因素对齿轮箱油温预测的影响分析 |
| 4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
| 4.4.1 滑动窗的残差统计方法 |
| 4.4.2 残差的统计特性分析 |
| 4.5 本章小结 |
| 第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变分模态分解算法 |
| 5.2.1 算法原理 |
| 5.2.2 VMD算法过程 |
| 5.3 VMD分解性能分析 |
| 5.3.1 多谐波信号分析 |
| 5.3.2 含高频间歇扰动的信号 |
| 5.3.3 多分量调幅-调频信号 |
| 5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
| 5.4.1 启动限速运行模式 |
| 5.4.2 最大功率跟踪运行模式 |
| 5.4.3 额定功率运行模式 |
| 5.5 本章小结 |
| 第6章 风电场多维度智能监测系统设计与实现 |
| 6.1 引言 |
| 6.2 系统整体结构设计 |
| 6.3 系统硬件设计及安装 |
| 6.3.1 传感器布置方案 |
| 6.3.2 数据采集单元及无线网络部署 |
| 6.4 系统软件设计 |
| 6.4.1 客户端子系统设计 |
| 6.4.2 服务端系统设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（2）基于PHM技术的高速动车组关键部件智能检修理论与方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 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 动车组关键部件状态检测和故障诊断研究现状 |
| 1.2.2 动车组检修计划与检修决策研究现状 |
| 1.2.3 主要存在的问题 |
| 1.3 研究内容 |
| 1.4 组织结构 |
| 2 高速动车组关键部件检修业务与PHM技术分析 |
| 2.1 高速动车组关键部件检修业务 |
| 2.1.1 计划修 |
| 2.1.2 预测性维修 |
| 2.1.3 关键部件检修业务分析 |
| 2.2 PHM技术 |
| 2.2.1 PHM体系结构 |
| 2.2.2 极限学习机 |
| 2.2.3 支持向量机 |
| 2.2.4 神经网络 |
| 2.2.5 深度学习 |
| 2.2.6 PHM技术分析 |
| 2.3 本章小结 |
| 3 高速动车组轴承温度信息在线监测与预测 |
| 3.1 问题背景 |
| 3.2 相关研究 |
| 3.3 动车组轴承温度在线监测 |
| 3.4 动车组轴承温度预测模型 |
| 3.4.1 多隐藏层神经网络 |
| 3.4.2 轴承温度预测模型 |
| 3.5 实验与分析 |
| 3.5.1 数据描述 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 4 基于优化极限学习机的非均衡数据故障诊断 |
| 4.1 问题背景 |
| 4.2 相关研究 |
| 4.3 基于优化极限学习机的非均衡数据故障诊断模型 |
| 4.3.1 优化的极限学习机 |
| 4.3.2 非均衡数据处理策略 |
| 4.3.3 优化的故障诊断模型 |
| 4.4 实验与分析 |
| 4.4.1 数据描述 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 基于优化深度学习的动车组高级修计划预测 |
| 5.1 问题背景 |
| 5.2 相关研究 |
| 5.3 高级修计划时间模型及里程预测分析 |
| 5.3.1 高级修计划时间模型 |
| 5.3.2 里程预测分析 |
| 5.4 基于EMD与优化深度学习的动车组里程预测模型 |
| 5.4.1 经验模态分解 |
| 5.4.2 优化的深度学习预测模型 |
| 5.4.3 动车组里程预测模型 |
| 5.5 实验与分析 |
| 5.5.1 数据描述 |
| 5.5.2 评价指标 |
| 5.5.3 时序数据分解 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 6 基于粒子群算法的动车组高级修计划优化 |
| 6.1 问题背景 |
| 6.2 相关研究 |
| 6.3 高级修计划模型 |
| 6.3.1 模型设计难点 |
| 6.3.2 模型设计思路 |
| 6.3.3 数学模型 |
| 6.4 基于粒子群算法的高级修计划模型优化 |
| 6.4.1 粒子群算法 |
| 6.4.2 基于粒子群算法的高级修计划模型 |
| 6.5 实验与分析 |
| 6.5.1 数据描述 |
| 6.5.2 实验结果分析 |
| 6.6 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 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 |
（3）船舶舵机液压系统的智能故障诊断方法研究（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 液压系统故障诊断的国内外研究现状 |
| 1.2.1 液压系统故障诊断的特点 |
| 1.2.2 基于经验的液压系统故障诊断方法 |
| 1.2.3 基于模型的液压系统故障诊断方法 |
| 1.2.4 基于数据的液压系统故障诊断方法 |
| 1.2.5 在数据不充足时的故障诊断方法 |
| 1.3 主要研究内容安排 |
| 2 船舶舵机液压伺服系统的建模及故障仿真结果分析 |
| 2.1 引言 |
| 2.2 船舶舵机液压系统建模 |
| 2.2.1 液压系统工作原理 |
| 2.2.2 液压系统模型 |
| 2.2.3 液压缸模型 |
| 2.2.4 电液换向阀模型 |
| 2.2.5 位置随动控制系统 |
| 2.3 故障仿真及结果分析 |
| 2.3.1 液压油混入空气故障 |
| 2.3.2 液压缸内泄漏故障 |
| 2.3.3 力矩马达线圈损坏 |
| 2.3.4 反馈弹簧损坏 |
| 2.3.5 喷嘴堵塞 |
| 2.3.6 阀芯单向卡死 |
| 2.3.7 液压泵泄漏故障 |
| 2.3.8 油滤堵塞 |
| 2.3.9 防浪阀弹簧失效 |
| 2.3.10 溢流阀弹簧失效 |
| 2.3.11 伺服放大器失效 |
| 2.3.12 仿真工况总结 |
| 2.4 本章小结 |
| 3 基于LSTM神经网络的船舶舵机液压系统的故障诊断方法 |
| 3.1 引言 |
| 3.2 Long Short-Term Memory算法 |
| 3.3 基于LSTM神经网络的故障诊断方法 |
| 3.3.1 离线监测器模型的构建 |
| 3.3.2 在线监测的实现 |
| 3.4 船舶舵机液压系统故障诊断的实现 |
| 3.4.1 数据采集情况 |
| 3.4.2 三种LSTM神经网络的对比 |
| 3.4.3 不同网络超参数的对比 |
| 3.4.4 算法的硬件加速效果对比 |
| 3.4.5 抗噪能力分析 |
| 3.4.6 与其他神经网络的对比 |
| 3.5 本章小结 |
| 4 基于GAN-RF的船舶舵机液压系统的故障诊断方法 |
| 4.1 引言 |
| 4.2 基于MEMD和CFS的特征工程 |
| 4.2.1 特征提取 |
| 4.2.2 特征选择 |
| 4.3 基于GAN神经网络的数据合成 |
| 4.4 基于RF的故障分类 |
| 4.5 基于GAN-RF的故障诊断方法 |
| 4.6 船舶舵机液压系统故障诊断的实现 |
| 4.6.1 数据采集情况 |
| 4.6.2 特征提取及选择结果 |
| 4.6.3 GAN合成样本质量的评估 |
| 4.6.4 抗噪能力分析 |
| 4.6.5 算法的硬件实现 |
| 4.7 本章小结 |
| 5 基于MTES的船舶舵机液压系统的故障诊断方法 |
| 5.1 引言 |
| 5.2 MTES方法的提出 |
| 5.2.1 相关定义 |
| 5.2.2 基于多趋势特征的快速shapelet发现方法 |
| 5.2.3 数据转换和shapelet的选择 |
| 5.2.4 多元时序的加权投票分类机制 |
| 5.2.5 基于MTES的故障诊断方法 |
| 5.3 船舶舵机液压系统故障诊断的实现 |
| 5.3.1 数据采集情况 |
| 5.3.2 Shapelet候选集的获取 |
| 5.3.3 Shapelet的选择 |
| 5.3.4 故障诊断结果 |
| 5.3.5 算法的硬件实现 |
| 5.4 本章小结 |
| 6 基于负载模拟器的实验验证 |
| 6.1 引言 |
| 6.2 舵机工况模拟试验系统的组成及工作原理 |
| 6.3 基于IAKF的速度前馈加载力控制方法 |
| 6.3.1 加载系统数学模型 |
| 6.3.2 基于IAKF的速度估计 |
| 6.3.3 速度前馈的加载系统力控制 |
| 6.4 船舶舵机液压系统的故障诊断实验验证 |
| 6.4.1 故障工况模拟 |
| 6.4.2 故障诊断结果 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 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 |
（4）基于无线网络的煤矿环境监控系统及故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究现状 |
| 1.2.1 国内外发展状况 |
| 1.2.2 故障诊断发展动态 |
| 1.3 本文内容结构与创新点 |
| 第2章 煤矿设备常见故障分析 |
| 2.1 煤矿采集运输系统 |
| 2.2 设备故障分析 |
| 2.2.1 设备常见的故障分类 |
| 2.2.2 设备常见的故障处理方法 |
| 2.3 煤矿环境检测难点分析 |
| 2.4 煤矿环境监控系统功能需求分析 |
| 2.5 本章小结 |
| 第3章 煤矿环境监控系统方案设计及硬件实现 |
| 3.1 KTC2018煤矿环境监控系统总体设计 |
| 3.2 通讯协议选择 |
| 3.2.1 Modbus协议 |
| 3.2.2 DLT645协议 |
| 3.3 系统检测内容 |
| 3.4 检测模块选型 |
| 3.4.1 温度传感器 |
| 3.4.2 撕裂传感器 |
| 3.4.3 压力传感器 |
| 3.4.4 煤位传感器 |
| 3.4.5 跑偏传感器 |
| 3.4.6 振动传感器 |
| 3.4.7 烟雾传感器 |
| 3.5 KTC2018集控台系统设计 |
| 3.6 本章小结 |
| 第4章 基于小波分析和PNN结合的设备故障预警系统 |
| 4.1 概率神经网络 |
| 4.1.1 概率神经网络简介 |
| 4.1.2 模式分类的贝叶斯决策 |
| 4.2 概率神经网络结构模型 |
| 4.3 小波变换与PNN结合的故障诊断模型分析 |
| 4.3.1 小波包分析 |
| 4.3.2 小波包算法 |
| 4.3.3 小波包分解与PNN故障诊断模型分析 |
| 4.4 数据预处理 |
| 4.5 仿真结果分析 |
| 4.6 本章小结 |
| 第5章 KTC2018煤矿环境监控系统研发与测试 |
| 5.1 KTC2018监控系统软件系统架构设计 |
| 5.1.1 KTC2018系统框架 |
| 5.1.2 KTC2018系统控制流程 |
| 5.1.3 KTC2018系统控制模式 |
| 5.1.4 KTC2018系统核心功能 |
| 5.1.5 KTC2018上位机软件工程目录 |
| 5.2 KTC2018系统程序开发框架 |
| 5.2.1 Qt简介 |
| 5.2.2 信号和槽 |
| 5.3 函数类模块 |
| 5.3.1 线程类 |
| 5.3.2 通信类 |
| 5.3.3 窗口类 |
| 5.3.4 其它函数 |
| 5.4 KTC2018工作采面设计 |
| 5.4.1 KTC2018工作采面功能分析 |
| 5.4.2 KTC2018工作采面控制台设计 |
| 5.5 KTC2018上位机皮带采面设计 |
| 5.5.1 KTC2018皮带采面功能 |
| 5.5.2 KTC2018皮带采面运输保护机制 |
| 5.5.3 KTC2018皮带采面主控台功能设计 |
| 5.6 KTC2018系统参数设置和诊断系统界面设计 |
| 5.7 KTC2018软件性能测试结果及故障诊断测试 |
| 5.7.1 KTC2018系统测试平台建设 |
| 5.7.2 KTC2018系统试测平台检测内容 |
| 5.7.3 KTC2018底层协议转换功能测试 |
| 5.7.4 KTC2018底层串口数据交互功能测试 |
| 5.7.5 KTC2018系统设备连锁控制功能测试 |
| 5.7.6 KTC2018系统设备故障检测及报警处理功能测试 |
| 5.7.7 KTC2018系统整体稳定性测试 |
| 5.8 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在学期间主要科研成果 |
| 一、发表的学术论文 |
| 二、其它科研成果 |
（5）基于时间自动机的列控系统车载设备软件故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 传统软件故障诊断方法研究现状 |
| 1.2.2 列控系统故障诊断方法研究现状 |
| 1.3 研究内容与章节结构 |
| 2 列控系统车载设备软件故障分析 |
| 2.1 新型列控系统功能结构 |
| 2.2 车载设备关键功能分析 |
| 2.2.1 车载设备功能概述 |
| 2.2.2 车载子系统间接口 |
| 2.3 车载设备软件故障模式分析 |
| 2.3.1 车载设备软件系统级故障模式分析 |
| 2.3.2 超速防护功能故障模式分析 |
| 2.3.3 超速防护接口级故障模式分析 |
| 2.4 本章小结 |
| 3 列控系统车载设备软件故障诊断框架 |
| 3.1 时间自动机理论概述 |
| 3.1.1 时间自动机的定义、语法和语义 |
| 3.1.2 可达性分析 |
| 3.2 基于时间自动机理论的故障可诊断性验证 |
| 3.2.1 基于变异算子的故障行为模型 |
| 3.2.2 基于时间序列的故障可诊断性判定 |
| 3.2.3 实时系统的故障可诊断性验证定理 |
| 3.3 基于TIOTS的故障诊断理论 |
| 3.3.1 时间I/O迁移系统的性质 |
| 3.3.2 相对定时一致性理论 |
| 3.3.3 基于rtioco的故障观测器 |
| 3.4 基于BP神经网络的故障定位 |
| 3.4.1 神经元模型 |
| 3.4.2 BP神经网络算法原理 |
| 3.4.3 BP神经网络优化模型 |
| 3.4.4 基于BP神经网络的故障定位 |
| 3.4.5 BP神经网络模型建立 |
| 3.5 车载设备软件故障诊断框架 |
| 3.6 本章小结 |
| 4 基于时间自动机模型的车载设备软件故障检测 |
| 4.1 车载超速防护功能故障检测需求分析 |
| 4.1.1 超速防护功能环境参数分析 |
| 4.1.2 超速防护功能需求分析 |
| 4.2 车载设备超速防护故障检测模型构建 |
| 4.2.1 模型概述 |
| 4.2.2 线路拓扑结构设计 |
| 4.2.3 任务启动模型 |
| 4.2.4 列车位置更新模型 |
| 4.2.5 列车接口单元状态模型 |
| 4.2.6 列车自动驾驶接口模型 |
| 4.2.7 列车超速防护功能模型 |
| 4.2.8 行车许可生成模型 |
| 4.2.9 列车运行模型 |
| 4.2.10 任务控制模型 |
| 4.3 基于超速防护变异模型的故障可诊断性验证 |
| 4.4 车载设备软件故障在线检测应用 |
| 4.4.1 超速防护可观测接口驱动模型 |
| 4.4.2 超速防护可观测接口适配 |
| 4.4.3 车载设备软件故障注入 |
| 4.4.4 故障检测结果评估 |
| 4.5 本章小结 |
| 5 基于BP神经网络的车载软件故障定位研究 |
| 5.1 BP神经网络故障定位模型构建 |
| 5.1.1 数据预处理 |
| 5.1.2 模型参数选取 |
| 5.2 车载软件故障定位应用分析 |
| 5.2.1 单一变异体故障定位方法评估 |
| 5.2.2 不同BP神经网络算法的故障定位比较 |
| 5.2.3 多变异体故障定位方法评估 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作展望 |
| 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 |
（6）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（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 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 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 |
（7）面向调度应急处置的输配电网故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 调度应急处置支持系统的发展情况 |
| 1.3 面向调度应急处置的故障诊断技术研究现状 |
| 1.3.1 输电网故障诊断的研究现状 |
| 1.3.2 配电网故障诊断的研究现状 |
| 1.4 现有研究存在的不足 |
| 1.5 论文主要工作和章节安排 |
| 2 电力系统调度应急处置支持系统的框架及关键技术 |
| 2.1 引言 |
| 2.2 电力系统调度应急处置支持系统的需求目标 |
| 2.3 电力系统调度应急处置支持系统的功能框架 |
| 2.4 调度应急处置支持系统的主要关键技术 |
| 2.5 适用于调度应急处置支持系统的故障诊断关键技术 |
| 2.6 本章小结 |
| 3 输电网故障诊断的分阶段解析模型及方法 |
| 3.1 引言 |
| 3.2 传统解析模型的局限性分析 |
| 3.3 输电网故障诊断的分阶段解析模型及方法 |
| 3.3.1 基于故障测度指标的可疑元件筛选 |
| 3.3.2 基于实际状态的拓展解析建模 |
| 3.4 基于分阶段解析的输电网故障诊断流程 |
| 3.5 算例分析 |
| 3.6 本章小结 |
| 4 基于网络拓扑图形建模的输电网故障诊断模型 |
| 4.1 引言 |
| 4.2 输电网的拓扑描述方法 |
| 4.2.1 基于图论的输电网拓扑描述 |
| 4.2.2 电力元件及保护设备的拓扑关联矩阵 |
| 4.3 基于网络拓扑图形建模的故障诊断模型 |
| 4.3.1 输电网故障诊断模型的整体架构 |
| 4.3.2 故障诊断模型的参数设置 |
| 4.4 拓扑映射转换规则及输电网故障诊断流程 |
| 4.4.1 矩阵推理运算算子定义 |
| 4.4.2 远后备保护的拓扑映射转换规则 |
| 4.4.3 故障诊断模型的推理流程 |
| 4.5 仿真验证分析 |
| 4.5.1 算例仿真 |
| 4.5.2 性能分析 |
| 4.6 本章小结 |
| 5 基于模糊时间Petri网的输电网故障诊断方法 |
| 5.1 引言 |
| 5.2 模糊时间Petri网(FTPN) |
| 5.2.1 时序约束及时序推理 |
| 5.2.2 FTPN定义 |
| 5.3 基于FTPN的输电网故障诊断模型 |
| 5.3.1 FTPN的图形化建模 |
| 5.3.2 模型参数设置 |
| 5.3.3 矩阵推理运算定义 |
| 5.3.4 FTPN模型的分层推理过程 |
| 5.3.5 告警信息的动作评价 |
| 5.4 基于FTPN的输电网故障诊断框架 |
| 5.5 算例仿真及性能分析 |
| 5.5.1 算例仿真 |
| 5.5.2 性能分析 |
| 5.6 输电网故障诊断技术在支持系统中的综合应用方案 |
| 5.6.1 模糊时间Petri网的拓扑建模方法 |
| 5.6.2 解析模型法与Petri网图形建模法的配合应用模式 |
| 5.7 本章小结 |
| 6 矩阵算法和优化算法相结合的配电网故障诊断 |
| 6.1 引言 |
| 6.2 常规配电网故障诊断的新型改进矩阵算法 |
| 6.2.1 现有矩阵算法的原理概述 |
| 6.2.2 一种新的改进矩阵算法 |
| 6.3 基于优化算法的容错判断 |
| 6.3.1 告警信息畸变对矩阵算法的影响 |
| 6.3.2 考虑告警信息容错的优化模型 |
| 6.4 常规配电网的故障诊断流程 |
| 6.5 算例分析 |
| 6.5.1 配电网算例 |
| 6.5.2 性能分析 |
| 6.6 本章小结 |
| 7 适用于多电源并列运行主动配电网的故障诊断方法 |
| 7.1 引言 |
| 7.2 多电源并列运行主动配电网故障诊断的改进矩阵算法 |
| 7.3 主动配电网故障诊断的优化建模方法 |
| 7.3.1 基于现有建模方法的信息容错优化模型 |
| 7.3.2 基于网络拆分的主动配电网故障诊断优化建模方法 |
| 7.3.3 多电源并列运行配电网的多重故障诊断测试算例 |
| 7.4 配电网故障诊断技术在支持系统中的应用方案 |
| 7.5 本章小结 |
| 8 全文总结 |
| 8.1 工作总结 |
| 8.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读博士学位期间所取得的科研成果 |
| 附录 B 攻读博士学位期间参与的课题 |
（8）以数据为基础的乙烯生产智能监测系统的开发与应用（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 在线监测系统在工业领域的研究与开发现状 |
| 1.2.1 在线监测系统在工业领域的研究情况 |
| 1.2.2 在线监测系统应用中存在的问题 |
| 1.3 前人在本选题研究领域中的工作成果简述 |
| 1.4 在线智能监测系统的总体框架和研究工作 |
| 1.5 本论文的研究内容与组织结构 |
| 第二章 乙烯生产在线智能监测系统的开发 |
| 2.1 石脑油蒸汽裂解制乙烯工艺描述 |
| 2.2 乙烯裂解炉装置描述 |
| 2.3 在线智能监测系统综述 |
| 2.4 在线智能监测系统的算法功能模块 |
| 2.4.1 过程监测模块 |
| 2.4.2 故障诊断模块 |
| 2.5 在线智能监测系统的辅助功能模块 |
| 2.5.1 实时原始数据模块 |
| 2.5.2 历史故障段模块 |
| 2.6 在线智能监测系统的界面布局设计 |
| 2.7 本章小结 |
| 第三章 乙烯生产在线智能监测系统算法功能模块的开发 |
| 3.1 乙烯生产过程监测模块的开发 |
| 3.1.1 乙烯裂解炉运行状态的识别 |
| 3.1.2 建立过程监测模型 |
| 3.1.3 生产过程监测逻辑的研究开发 |
| 3.2 乙烯生产过程故障诊断模块的开发 |
| 3.2.1 石脑油裂解制乙烯生产过程的故障类型 |
| 3.2.2 故障分析与诊断过程的描述 |
| 3.2.3 建立SDG故障诊断模型 |
| 3.2.4 基于SDG模型的故障诊断 |
| 3.3 乙烯生产过程测量仪表校正软测量模块的开发 |
| 3.3.1 测量仪表异常情况描述 |
| 3.3.2 建立软测量校正模型 |
| 3.3.3 基于软测量模型进行校正 |
| 3.4 本章小结 |
| 第四章 乙烯生产在线智能监测系统的应用测试 |
| 4.1 系统功能测试 |
| 4.1.1 系统算法功能 |
| 4.1.2 系统辅助功能 |
| 4.2 系统性能测试 |
| 4.3 系统存在的问题 |
| 4.3.1 PI数据库系统问题 |
| 4.3.2 数据采样频率的影响 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 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 |
（9）汽轮机智能诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息获取的研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 设备健康管理的研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第2章 基于知识图谱的诊断知识获取与表达 |
| 2.1 引言 |
| 2.2 故障机理分析方法与步骤 |
| 2.2.1 名词解释 |
| 2.2.2 设备树分析 |
| 2.2.3 故障模式及影响分析 |
| 2.2.4 故障树分析 |
| 2.2.5 基于Neo4j的知识图谱构建 |
| 2.2.6 故障机理分析步骤 |
| 2.3 诊断知识图谱的建立 |
| 2.3.1 知识图谱构建流程 |
| 2.3.2 类和实体属性定义 |
| 2.3.3 关系定义 |
| 2.4 核电汽轮机诊断知识图谱的构建 |
| 2.4.1 核电汽轮机设备树分析 |
| 2.4.2 汽轮机组故障机理分析 |
| 2.4.3 核电汽轮机诊断知识图谱 |
| 2.5 本章小结 |
| 第3章 汽轮机典型故障征兆识别 |
| 3.1 引言 |
| 3.2 基于模糊矢量映射的序列数据趋势型征兆识别 |
| 3.2.1 模糊矢量空间映射 |
| 3.2.2 案例验证 |
| 3.3 基于独立元空间重构的频谱类征兆识别 |
| 3.3.1 频谱中的方向概念 |
| 3.3.2 独立元空间重构方法 |
| 3.3.3 案例验证 |
| 3.4 本章小结 |
| 第4章 基于知识图谱与贝叶斯网络的智能诊断与维修决策 |
| 4.1 引言 |
| 4.2 基于知识图谱确定性推理的故障隔离 |
| 4.2.1 Cypher查询语句 |
| 4.2.2 基于图数据搜索的故障隔离 |
| 4.2.3 案例测试 |
| 4.3 基于贝叶斯网络不确定性推理的故障诊断 |
| 4.3.1 贝叶斯网络的定义 |
| 4.3.2 BN诊断模型构建关键技术 |
| 4.3.3 基于联合树算法的BN推理 |
| 4.3.4 案例测试 |
| 4.4 基于故障链严重程度评估的维修决策 |
| 4.4.1 独立严重程度指标 |
| 4.4.2 故障链严重程度 |
| 4.4.3 与PM和传统CM的对比 |
| 4.4.4 实例测试 |
| 4.5 结论 |
| 第5章 智能诊断与健康管理原型系统设计与实现 |
| 5.1 引言 |
| 5.2 原型系统基本框架 |
| 5.3 智能诊断与健康管理系统主要功能设计 |
| 5.3.1 基于数据仓库技术的存储设计 |
| 5.3.2 基于机器学习算法框架的征兆识别模块设计 |
| 5.3.3 基于确定性和不确定性推理的诊断推理模块设计 |
| 5.4 样机系统实现 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 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 |
（10）热泵系统亚健康及其智能在线诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 热泵系统性能优化与评价研究进展 |
| 1.2.2 热泵系统故障检测与诊断技术发展及未来方向 |
| 1.3 问题提出 |
| 1.4 亚健康研究的必要性 |
| 1.5 亚健康诊断方法评价数据集与平台 |
| 1.5.1 ASHRAE RP-1043 数据集 |
| 1.5.2 小型热泵系统实验平台 |
| 1.5.3 智能算法运行平台 |
| 1.6 论文主要研究内容及组织结构 |
| 第二章 热泵系统亚健康的定义及其能效分析 |
| 2.1 引言 |
| 2.2 热泵系统亚健康概念的建立 |
| 2.3 基于ASHRAE RP-1043 数据集的能效分析 |
| 2.4 基于实验平台数据集的能效分析 |
| 2.4.1 固定膨胀阀开度实验数据集的能效分析 |
| 2.4.2 固定热负载实验数据集的能效分析 |
| 2.5 本章小结 |
| 第三章 热泵系统基准模型建模方法研究 |
| 3.1 引言 |
| 3.2 深度学习 |
| 3.2.1 深度学习发展 |
| 3.2.2 循环神经网络 |
| 3.2.3 卷积神经网络 |
| 3.2.4 深度学习优化方法 |
| 3.3 算法构建 |
| 3.3.1 算法功能目标 |
| 3.3.2 时序状态参数预测算法 |
| 3.3.3 特征提取算法 |
| 3.3.4 编码-解码结构 |
| 3.4 优化与实验 |
| 3.4.1 数据集预处理与输入输出参数选择 |
| 3.4.2 超参数优化实验研究 |
| 3.4.3 不同基准建模方法精度对比验证 |
| 3.5 本章小结 |
| 第四章 热泵系统亚健康在线诊断方法研究 |
| 4.1 引言 |
| 4.2 算法构建 |
| 4.2.1 算法功能目标及实现流程 |
| 4.2.2 基于CNN的分类算法 |
| 4.3 优化与实验 |
| 4.3.1 数据集预处理 |
| 4.3.2 超参数优化实验研究 |
| 4.3.3 不同诊断方法对比验证 |
| 4.3.4 不同精度基准模型下诊断效果分析 |
| 4.4 本章小结 |
| 第五章 基于生成对抗网络的热泵系统亚健康数据集扩充方法研究 |
| 5.1 引言 |
| 5.2 基本理论 |
| 5.2.1 生成对抗网络 |
| 5.2.2 深度卷积生成对抗网络 |
| 5.2.3 多类别生成对抗网络 |
| 5.2.4 损失函数的改进 |
| 5.3 算法构建 |
| 5.3.1 基本框架 |
| 5.3.2 模型优化 |
| 5.4 优化实验与生成模型质量评估 |
| 5.4.1 GAN的评估方法选择 |
| 5.4.2 数据预处理及实验设计 |
| 5.4.3 基于MMD指标的评估验证 |
| 5.4.4 基于1-NN指标的评估验证 |
| 5.4.5 基于诊断精度的评估验证 |
| 5.5 本章小结 |
| 第六章 亚健康在线智能诊断系统应用研究 |
| 6.1 引言 |
| 6.2 在线诊断系统总体架构及设计关键 |
| 6.2.1 在线诊断系统总体架构 |
| 6.2.2 在线诊断系统设计关键 |
| 6.3 标记数据充足条件下在线诊断实验研究 |
| 6.3.1 标记数据充足条件下在线诊断实验设计 |
| 6.3.2 标记数据充足条件下在线诊断精度分析 |
| 6.3.3 标记数据充足条件下在线诊断实时性分析 |
| 6.4 标记数据不充足条件下在线诊断实验研究 |
| 6.4.1 标记数据不充足条件下在线诊断实验设计 |
| 6.4.2 标记数据不充足条件下在线诊断精度分析 |
| 6.4.3 标记数据不充足条件下在线诊断实时性分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 学位论文数据集 |
四、基于实时状态的在线故障诊断模型（论文参考文献）
- [1]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [2]基于PHM技术的高速动车组关键部件智能检修理论与方法研究[D]. 郝伟. 北京交通大学, 2021
- [3]船舶舵机液压系统的智能故障诊断方法研究[D]. 刘沁. 北京交通大学, 2021(02)
- [4]基于无线网络的煤矿环境监控系统及故障诊断技术研究[D]. 闵凡超. 齐鲁工业大学, 2021(09)
- [5]基于时间自动机的列控系统车载设备软件故障诊断方法研究[D]. 户卓琳. 北京交通大学, 2021(02)
- [6]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [7]面向调度应急处置的输配电网故障诊断关键技术研究[D]. 徐彪. 华中科技大学, 2020(01)
- [8]以数据为基础的乙烯生产智能监测系统的开发与应用[D]. 李英壮. 北京化工大学, 2020(02)
- [9]汽轮机智能诊断与健康管理关键技术研究[D]. 杨楠. 华北电力大学(北京), 2020(06)
- [10]热泵系统亚健康及其智能在线诊断方法研究[D]. 孙哲. 浙江工业大学, 2020(03)