导读:本文包含了故障间隔时间论文开题报告文献综述及选题提纲参考文献，主要关键词:威布尔分布,最小二乘法,数控车床,故障间隔时间
故障间隔时间论文文献综述
李海清,朱永国,杨洁[1]（2019）在《基于威布尔分布最小二乘法估计的数控车床故障间隔时间研究》一文中研究指出分析了数控机床常见故障和某系列数控车床的故障间隔时间观测值,利用最小二乘法对参数进行估计,并对线性相关性和假设进行检验,验证其服从威布尔分布,得到了该系列数控车床故障间隔时间的概率密度函数、分布函数和故障失效率函数。(本文来源于《制造技术与机床》期刊2019年06期）
石锡尧[2]（2019）在《列控车载设备故障间隔时间统计分布建模及预测方法研究》一文中研究指出“八纵八横”高速铁路网的提出使我国进入了高速铁路建设蓬勃发展的大时代,高效性、安全性和平稳性使得高速列车逐渐成为人们出行的首选,如何使高速列车的运行更加安全高效也逐渐成为铁路领域研究的重点。目前,铁路领域的故障预测研究主要集中在地面设备,但高速列车是客运的主体,一旦发生故障将导致不可估量的损失。故障间隔时间可以反映系统或装备故障的内在演化规律,因此,本文以车载设备微小故障间隔时间作为主要研究对象,对其进行统计分布建模及可靠性分析,并建立组合预测模型对其进行预测。本文的主要研究内容如下所示:(1)通过查阅大量文献资料,详细总结了故障预测技术和故障间隔时间的研究现状,并介绍了车载设备的结构和功能。基于动车设备质量分析工区交接班记录表和ATP车载设备配件更换历史记录表,将车载设备故障划分为六大类共16种故障类型。本文的数据来源为某型号车载设备ATPCU-LOG文件中记录的故障信息,对故障数据进行预处理,并利用分词技术和Apriori关联规则数据挖掘算法得到故障规则库,为后续研究奠定基础。(2)根据故障规则库,从历史故障数据中提取出车载设备微小故障间隔时间样本序列,首先对其进行统计分布分析,然后假设样本序列服从两参数Weibull分布或指数分布,分别利用最小二乘法和极大似然法求解模型参数,最后基于灰色关联分析法得到最优统计分布模型,从而建立基本可靠性模型,并根据最优分布模型对车载设备进行基本可靠性分析,求得车载设备的平均微小故障间隔时间、微小故障率函数和基本可靠度函数。(3)针对样本序列的非线性问题,建立基于时序分解的故障间隔时间组合预测模型对其进行预测。首先利用STL算法对样本序列进行时序分解,分解成周期项、趋势项和剩余项,然后对分解后的各项数据分别用回声状态网络、BP神经网络和支持向量机预测模型进行预测,最后分四种组合模型对各项预测结果相加得到最终预测结果,并与叁种单一预测模型相比较,发现组合预测模型比单一预测模型的预测效果更好,最优组合模型为ESN+SVM+SVM,预测精度可达96.49%。综上所述,本文以车载设备系统级和部件级微小故障间隔时间作为主要研究对象,对其建立最优统计分布模型,并对车载设备进行可靠性分析。建立基于时序分解的组合预测模型预测微小故障间隔时间,仿真验证结果表明其预测效果比单一预测模型更好,预测结果可以使列车司机和现场维修人员能够提前预知故障情况并做出应对措施。图60幅,表12个,参考文献70篇。(本文来源于《北京交通大学》期刊2019-06-01）
周特军,陆佳政,吴传平,李波,刘毓[3]（2018）在《湖南电网山火告警风险及故障时间间隔分布规律》一文中研究指出输电线路故障规律的研究对电网的运行维护具有重要的实际意义。首先,利用湖南电网输电线路山火广域监测数据和输电线路故障数据,对输电线路山火告警风险和输电线路故障的时间丛集性特征开展了研究,发现了输电线路山火告警风险的"日告警数—频率"满足幂律关系,验证了包含所有触发因素的输电线路故障"时间间隔—频率"累积概率分布满足指数关系。然后,基于Fano因子和Allan因子发现了输电线路故障时间序列具有自相似性,分析并获得了山火、雷击、冰灾等不同故障原因的输电线路故障"时间间隔—频率"累积概率分布满足分段幂律关系,确定了输电线路故障存在两个时间尺度的动力学过程。最后,得到的研究成果可为输电线路山火告警风险和输电线路故障的预测预报提供理论依据。(本文来源于《电力系统自动化》期刊2018年10期）
陈兆芳,王建骅[4]（2018）在《基于改进灰色模型GM(1,1)的故障间隔时间预测》一文中研究指出针对设备故障预测模型难以精确建立的特点,为提高故障间隔时间预测的精确度,提出了变周期叁角函数-灰色模型GM(1,1)的预测方法。该方法在叁角函数-灰色模型GM(1,1)基础上,建立了变周期叁角函数—灰色GM(1,1)的组合模型,实现了对设备故障间隔时间的预测;并将预测结果与叁角函数-灰色模型GM(1,1)进行对比,结果表明,采用变周期叁角函数-灰色模型GM(1,1)对故障间隔时间进行预测,其预测结果的相对误差由24.16%降到3.24%,提高了预测结果的精度。(本文来源于《福建工程学院学报》期刊2018年01期）
吴君[5]（2018）在《平均故障间隔时间(MTBF)实验模型建立与应用探讨》一文中研究指出通过对常用测试模型的研究,结合产品自身特点,为产品找到合适的验证方法。本文中的方案已在实际产品中验证可行,并在铁路信号系统中得到了广泛应用。(本文来源于《电子世界》期刊2018年01期）
张海波,郭鑫,任淮辉[6]（2015）在《风力发电机故障间隔时间分布模型研究》一文中研究指出以某风电场33台风电机组为期半年的故障数据为依据,建立了风机故障间隔时间分布模型,采用叁参数威布尔分布的可靠性建模方法,引进位置参数力求模型精确。最后对该型号风机可靠性指标进行了简要的分析,给出了提高风机可靠性的措施,为风电场日常的运行维护提供了依据。(本文来源于《电力电子技术》期刊2015年12期）
何杰,陈慧[7]（2015）在《符合ISO26262的EPS扭矩传感器故障容错时间间隔确定方法》一文中研究指出本文提出了一种基于仿真的EPS扭矩传感器故障容错时间间隔(FTTI)的确定方法。首先明确了FTTI的评估方法:FTTI的值可等效为保证系统可控性前提下的最长故障存在时间。其次分析了扭矩传感器的故障模式以及故障发生后的可控性指标。最后在simulink中搭建了EPS和Carsim的联合仿真模型,通过驾驶人开环故障注入测试得到了扭矩传感器故障的FTTI值。(本文来源于《2015中国汽车工程学会年会论文集（Volume2）》期刊2015-10-27）
刘波,许洁,安宗文[8]（2014）在《基于MATLAB的风电机组故障间隔时间分布模型研究》一文中研究指出随着全球风能快速发展,风电机组运行数量不断增加,影响风电机组稳定运行的各类故障不断出现,严重影响着风电机组的运行成本。因此,如何提高风电机组的运行可靠性日益受到人们的广泛关注。风电机组作为可修复系统,衡量其可靠性的重要指标之一就是故障间隔时间。故障间隔时间反映了产品的时间质量,是体现产品在规定的时间内保持其特有功能的一种能力,一般以小时为单位,通常也称为平均无故障工作时间。贾亚洲等利用故障间隔时间对不同对象的寿命分布模型进行描述,根据故障间隔时间的相对频率直方(本文来源于《风能》期刊2014年09期）
范晋伟,梁晓霞,郑德荣,刘勇军[9]（2014）在《基于灰关联度的数控磨床故障间隔时间分布模型决策》一文中研究指出在数控磨床整机系统的可靠性评价过程中,最重要的评价指标是平均故障间隔时间,即MTBF值。计算MTBF值之前最重要的工作是对可靠性数据进行统计处理,判定分布类型,估计分布参数,从而确定故障间隔时间的概率分布。可靠性数据分析经常采用的分布类型有威布尔分布、指数分布、正态分布和指数正态分布,目前计算中都是直接根据拟合情况人为地选定分布类型,这样使分布模型决策带有主观性。针对上述情况,运用灰关联度分析法,计算各分布的灰关联度值,最后根据定量计算的结果选定故障间隔时间的分布类型。文章以MKS系列数控磨床为实例,说明了灰色关联度分析的具体方法。(本文来源于《组合机床与自动化加工技术》期刊2014年08期）
芮晓明,张穆勇,霍娟[10]（2014）在《试运行期间风电机组平均故障间隔时间的估计》一文中研究指出试运行期间平均故障间隔时间(mean time between failures,MTBF)是反映风电机组可靠性的重要指标,但由于此期间的运行故障数据样本少且故障停机随机性较强,现有MTBF分析方法的误差较大。针对此种小样本估计问题和故障的随机性,提出了一种利用多台机组运行信息的MTBF估计方法。其基本思路是:根据风电机组安装及其故障数据的特点,构造具有相同配置的多台故障停机的随机截尾数据,对机组的可靠度进行Kaplan-Meier非参数估计;基于这种初步估计结果,再进行二参数威布尔(Weibull)分布拟合,并根据Weibull分布的性质计算得到机组的MTBF。该文利用北方某风电场的试运行数据,对2012年11月投产的20台风电机组进行了MTBF分析计算,结果表明该方法能够有效提高机组试运行期MTBF估计的精度。(本文来源于《中国电机工程学报》期刊2014年21期）
故障间隔时间论文开题报告
（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：
“八纵八横”高速铁路网的提出使我国进入了高速铁路建设蓬勃发展的大时代,高效性、安全性和平稳性使得高速列车逐渐成为人们出行的首选,如何使高速列车的运行更加安全高效也逐渐成为铁路领域研究的重点。目前,铁路领域的故障预测研究主要集中在地面设备,但高速列车是客运的主体,一旦发生故障将导致不可估量的损失。故障间隔时间可以反映系统或装备故障的内在演化规律,因此,本文以车载设备微小故障间隔时间作为主要研究对象,对其进行统计分布建模及可靠性分析,并建立组合预测模型对其进行预测。本文的主要研究内容如下所示:(1)通过查阅大量文献资料,详细总结了故障预测技术和故障间隔时间的研究现状,并介绍了车载设备的结构和功能。基于动车设备质量分析工区交接班记录表和ATP车载设备配件更换历史记录表,将车载设备故障划分为六大类共16种故障类型。本文的数据来源为某型号车载设备ATPCU-LOG文件中记录的故障信息,对故障数据进行预处理,并利用分词技术和Apriori关联规则数据挖掘算法得到故障规则库,为后续研究奠定基础。(2)根据故障规则库,从历史故障数据中提取出车载设备微小故障间隔时间样本序列,首先对其进行统计分布分析,然后假设样本序列服从两参数Weibull分布或指数分布,分别利用最小二乘法和极大似然法求解模型参数,最后基于灰色关联分析法得到最优统计分布模型,从而建立基本可靠性模型,并根据最优分布模型对车载设备进行基本可靠性分析,求得车载设备的平均微小故障间隔时间、微小故障率函数和基本可靠度函数。(3)针对样本序列的非线性问题,建立基于时序分解的故障间隔时间组合预测模型对其进行预测。首先利用STL算法对样本序列进行时序分解,分解成周期项、趋势项和剩余项,然后对分解后的各项数据分别用回声状态网络、BP神经网络和支持向量机预测模型进行预测,最后分四种组合模型对各项预测结果相加得到最终预测结果,并与叁种单一预测模型相比较,发现组合预测模型比单一预测模型的预测效果更好,最优组合模型为ESN+SVM+SVM,预测精度可达96.49%。综上所述,本文以车载设备系统级和部件级微小故障间隔时间作为主要研究对象,对其建立最优统计分布模型,并对车载设备进行可靠性分析。建立基于时序分解的组合预测模型预测微小故障间隔时间,仿真验证结果表明其预测效果比单一预测模型更好,预测结果可以使列车司机和现场维修人员能够提前预知故障情况并做出应对措施。图60幅,表12个,参考文献70篇。
（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。
故障间隔时间论文参考文献
[1].李海清,朱永国,杨洁.基于威布尔分布最小二乘法估计的数控车床故障间隔时间研究[J].制造技术与机床.2019
[2].石锡尧.列控车载设备故障间隔时间统计分布建模及预测方法研究[D].北京交通大学.2019
[3].周特军,陆佳政,吴传平,李波,刘毓.湖南电网山火告警风险及故障时间间隔分布规律[J].电力系统自动化.2018
[4].陈兆芳,王建骅.基于改进灰色模型GM(1,1)的故障间隔时间预测[J].福建工程学院学报.2018
[5].吴君.平均故障间隔时间(MTBF)实验模型建立与应用探讨[J].电子世界.2018
[6].张海波,郭鑫,任淮辉.风力发电机故障间隔时间分布模型研究[J].电力电子技术.2015
[7].何杰,陈慧.符合ISO26262的EPS扭矩传感器故障容错时间间隔确定方法[C].2015中国汽车工程学会年会论文集（Volume2）.2015
[8].刘波,许洁,安宗文.基于MATLAB的风电机组故障间隔时间分布模型研究[J].风能.2014
[9].范晋伟,梁晓霞,郑德荣,刘勇军.基于灰关联度的数控磨床故障间隔时间分布模型决策[J].组合机床与自动化加工技术.2014
[10].芮晓明,张穆勇,霍娟.试运行期间风电机组平均故障间隔时间的估计[J].中国电机工程学报.2014