导读:本文包含了预测与健康管理论文开题报告文献综述及选题提纲参考文献，主要关键词:系留气球,故障预测与健康管理,对象,步骤
预测与健康管理论文文献综述
闻丽[1]（2019）在《系留气球故障预测与健康管理对象研究》一文中研究指出针对系留气球故障预测与健康管理的对象如何选择和分析,进行步骤介绍和方法说明,为指导设计人员开展系留气球故障预测与健康管理工作提供参考。(本文来源于《2019航空装备服务保障与维修技术论坛暨中国航空工业技术装备工程协会年会论文集》期刊2019-12-05）
闻化,胡志伟[2]（2019）在《装备故障预测与健康管理能力验证评估技术》一文中研究指出预测和健康管理(PHM)是提升装备战斗力水平的重要保证,在装备设计阶段并行开展可测性设计是提高PHM能力的主要手段,而PHM技术的验证和评估是建立诊断与预测系统可信度的一个重要步骤;文章首先给出了面向PHM系统验证技术的国内外研究现状,然后,分析PHM指标的验证方法和技术框架;后面给出的PHM系统验证的指标体系,最后,点明了故障预测与健康管理系统验证与评估方法要关注的问题,明确了未来的发展趋势。(本文来源于《计算机测量与控制》期刊2019年11期）
郭阳明,米琪,张双,孔德岐[3]（2019）在《基于故障预测与健康管理的DIMA动态重构技术综述》一文中研究指出故障预测与健康管理(PHM)作为分布式综合模块化航空电子(DIMA)的基础和保障,在实现DIMA资源组织与系统重构、提升系统容错能力以及提高系统任务可信度方面具有重要的理论意义和应用价值;论文在梳理PHM技术内涵及DIMA体系架构的基础上,分析了DIMA任务组织和调度特点,并在此基础上论述了DIMA面向任务需求的系统重构机制,给出了基于PHM的DIMA动态重构模型及重构策略,最后展望了PHM技术在航空电子领域的发展前景。(本文来源于《计算机测量与控制》期刊2019年10期）
胡磊,陈圣斌,沈亚斌,曾曼成[4]（2019）在《诊断、预测和系统健康管理技术在直升机航空电子系统的应用》一文中研究指出基于故障物理的科学分析方法,提出了现代航空电子系统/设备也如结构和动部件一样,因疲劳和腐蚀造成的耗损性损伤而引发断路、开路、断续通断故障;讨论了电子设备特定故障(如断路)及其发生部位的各种确定方法;最后在COST-A系统的基础上论述了航空电子系统/设备实现诊断、预测和健康管理的技术途径。(本文来源于《直升机技术》期刊2019年03期）
陈志强,陈旭东,José,Valente,de,Olivira,李川[5]（2019）在《深度学习在设备故障预测与健康管理中的应用》一文中研究指出在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。(本文来源于《仪器仪表学报》期刊2019年09期）
吕克洪,程先哲,李华康,张勇,邱静[6]（2019）在《电子设备故障预测与健康管理技术发展新动态》一文中研究指出电子设备是各类航空、航天等高新技术装备必不可少的重要组成部分。与机械类设备存在明显退化状态征兆不同,电子设备退化状态无明显的外在表现,尚无有效征兆对其状态进行刻画,对其进行故障预测与健康管理存在一定的困难。针对该问题,梳理了电子设备故障预测与健康管理技术的基本概念和内涵,介绍了电子设备故障预测与健康管理技术的国内外研究现状,分析了当前复杂电子设备故障预测与健康管理技术面临的挑战和对策。在此基础上,结合未来复杂电子设备新特点及该领域最新研究进展,从基于间歇故障特征的健康状态表征、面向故障预测与健康管理的测试性设计和多源特征融合的健康状态评估等方面,提出了电子设备故障预测与健康管理技术发展的新方向。(本文来源于《航空学报》期刊2019年11期）
何金辉[7]（2019）在《PHM故障预测和健康管理技术在实际工作中的应用》一文中研究指出本文针对广播发射台在发射机维护方面存在的问题,提出了将PHM故障预测和健康管理技术应用到广播发射机中的设想,通过实例介绍了PHM系统在发射机中的应用,并指出该系统在应用中所面临的挑战。(本文来源于《广播电视信息》期刊2019年06期）
刘亚兵,花璐,杨国勇[8]（2019）在《故障预测与健康管理半物理实时仿真验证研究》一文中研究指出针对故障预测与健康管理(PHM)验证方式,对飞机机电系统PHM验证手段进行了研究,设计了一种机电系统PHM半物理实时仿真验证平台,能够模拟机电系统典型工作状态和故障状态,向飞机管理计算机仿真机提供仿真机电系统特性的接口信号,完成机电系统故障注入,直观显示故障诊断结果,支持PHM故障诊断推理技术的功能和性能验证。该平台能够为PHM故障诊断推理技术提供与应用环境一致的通用化、全过程的验证环境,提高PHM技术的成熟性和可靠性,促进相关技术的深入研究和PHM技术工程应用进程。(本文来源于《飞机设计》期刊2019年03期）
陈锡禹[9]（2019）在《基于LSTM的对接机构故障预测与健康管理系统研究》一文中研究指出随着科技进步,在装备车辆中也引进了多种新技术,这使得装备车辆的信息化技术日益完善,自动化程度逐步提高。这也导致着装备车辆功能的复杂化。对接机构便是这其中一种复杂的新型装备车辆。而对接机构的可靠安全运行尤为重要。目前国内对于故障预测与健康管理(Prognostics and Health Management,PHM)系统的研究尚处于初期阶段,缺乏系统的通用软件、硬件平台,尚无法形成一套即统一又完善的体系。因此本文将建立一套PHM系统,以满足对接机构的稳定可靠运行。本文以对接机构为研究对象,设计了一种基于长短时记忆网络的PHM系统。分析了对接机构PHM系统的理论基础长短时记忆网络(Long Short-Term Memory,LSTM)的特性,改进了LSTM单元结构,并对其学习能力进行了仿真验证。设计了对接机构的故障预测与健康管理系统的总体方案,并搭建对接机构的关键部件的实验采集平台,进行实时数据的采集与分析。为更具说服力地证明本文模型的诊断与预测能力,采集了不同转速、不同负载和不同采样频率下的传感器数据。建立了基于LSTM的对接机构故障诊断模型。分析对接机构的主要故障,并通过对传感器数据进行Hibert-Huang变换,提取传感器数据的时频特征,并将特征分量作为故障诊断模型的输入序列。通过对基于LSTM的对接机构故障诊断模型的训练,使得故障诊断模型在不同负载、不同采样频率和不同故障的数据时,故障检测率可达到99.9%,故障虚警率为0.2%。建立了基于LSTM的对接机构健康管理模型。健康管理模型分为故障预测模型与剩余寿命模型。其中故障预测模型将Encode-Decode模型引入到LSTM网络当中,以当前时刻的时间序列作为输入,以下一时刻的时间序列作为输出,进行一种无监督学习。对于正常数据以及故障数据有着良好的数据预测能力。最终故障预测模型的均方根误差平均值可以达到0.17。将预测数据输入到故障诊断模型中可以实现故障预测。剩余寿命预测模型是利用Attention机制对LSTM输出的中间输出序列进行选择学习,从而实现根据实时状态对剩余寿命的预测。其中剩余寿命模型的均方根误差平均值可以达到6.4。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
高月[10]（2019）在《基于机器学习的工业故障预测与健康管理关键技术的研究》一文中研究指出在“智能制造2025”的大背景下,如何用信息技术解决传统制造业中的痛点问题成为了当前的研究焦点。工业界和信息领域为解决设备故障与维修这一痛点,提出了故障预测与健康管理(PHM),其关键技术是基于机器学习进行故障诊断与预测。本文对人工智能在故障诊断与预测中应用的关键技术进行研究,提出了基于深度学习的端到端故障诊断与预测模型及数据集不平衡问题的改进方法,主要工作如下:第一,设备故障数据集维度高专业性强的特点决定了特征工程在本任务中的重要性。本文通过研究该领域的已有方法,利用卷积神经网络(CNN)在空间特征提取上的优势,构建了基于CNN的故障诊断与预测模型,实现自动的特征提取,并通过对比实验验证了 CNN在设备故障数据特征提取工作中的有效性。第二,根据故障数据集时间序列这一特点,将适用于时序分析的长短期记忆网络(LSTM)与CNN结合,处理CNN部分输出的特征序列,以弥补CNN无法充分提取时间特征的不足。同时根据对时序分析问题中LSTM的研究,选定了能学习上下文信息与深层时间特征的栈式双向LSTM结构,提出了端到端的CNN-StBiLSTM故障诊断与预测模型,并通过具体实验设计了合适的预处理方式,验证了该任务中CNN结合LSTM的有效性、栈式双向LSTM结构的优越性、所提模型相比常用模型的优越性。第叁,针对故障数据集类别不平衡这一特点,在所提模型的基础上将图像识别领域中处理不平衡问题的Focal Loss引入到故障诊断与预测任务中,通过实验验证了其相比传统方法的有效性。随后本文创新地提出了基于Focal Loss和随机欠采样的集成学习方法,用随机欠采样代替Focal Loss中的类别权重系数,同时结合套袋法集成学习思想,利用其互补优势进一步提升模型效果,并通过对比实验进一步验证了所提模型及改进方法的优越性。(本文来源于《北京邮电大学》期刊2019-05-28）
预测与健康管理论文开题报告
（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：
预测和健康管理(PHM)是提升装备战斗力水平的重要保证,在装备设计阶段并行开展可测性设计是提高PHM能力的主要手段,而PHM技术的验证和评估是建立诊断与预测系统可信度的一个重要步骤;文章首先给出了面向PHM系统验证技术的国内外研究现状,然后,分析PHM指标的验证方法和技术框架;后面给出的PHM系统验证的指标体系,最后,点明了故障预测与健康管理系统验证与评估方法要关注的问题,明确了未来的发展趋势。
（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。
预测与健康管理论文参考文献
[1].闻丽.系留气球故障预测与健康管理对象研究[C].2019航空装备服务保障与维修技术论坛暨中国航空工业技术装备工程协会年会论文集.2019
[2].闻化,胡志伟.装备故障预测与健康管理能力验证评估技术[J].计算机测量与控制.2019
[3].郭阳明,米琪,张双,孔德岐.基于故障预测与健康管理的DIMA动态重构技术综述[J].计算机测量与控制.2019
[4].胡磊,陈圣斌,沈亚斌,曾曼成.诊断、预测和系统健康管理技术在直升机航空电子系统的应用[J].直升机技术.2019
[5].陈志强,陈旭东,José,Valente,de,Olivira,李川.深度学习在设备故障预测与健康管理中的应用[J].仪器仪表学报.2019
[6].吕克洪,程先哲,李华康,张勇,邱静.电子设备故障预测与健康管理技术发展新动态[J].航空学报.2019
[7].何金辉.PHM故障预测和健康管理技术在实际工作中的应用[J].广播电视信息.2019
[8].刘亚兵,花璐,杨国勇.故障预测与健康管理半物理实时仿真验证研究[J].飞机设计.2019
[9].陈锡禹.基于LSTM的对接机构故障预测与健康管理系统研究[D].哈尔滨工业大学.2019
[10].高月.基于机器学习的工业故障预测与健康管理关键技术的研究[D].北京邮电大学.2019