一、基于系统参数估计时间序列的小波分析故障诊断方法（论文文献综述）
闫晓丽[1]（2021）在《基于数学形态学与混沌理论的滚动轴承故障诊断研究》文中进行了进一步梳理滚动轴承作为组成旋转机械设备的重要部件,在其运行过程中发挥着关键性的作用。滚动轴承的健康状态直接影响着整个机械设备的安全性以及可靠性。及时判断滚动轴承的运行状态,在发生故障的情况下识别故障类型以及评估故障的严重程度,能有效避免设备陷入失效控制,最大程度的降低机械设备运行的风险与损失。本文以数学形态学与混沌理论为基础,以分析振动信号所反映的被测对象动力学特性为出发点,开展滚动轴承故障诊断的研究工作。本文的主要工作如下:（1）在数学形态学基本理论的基础上,研究了基于偏微分方程（Partial differential equations,PDEs）的形态学运算在滚动轴承振动信号降噪中的应用。针对传统形态滤波的参数选择以及波形失真问题,提出了一种基于PDEs的自适应平滑连续尺度形态学滤波（PDEs smoothed multiscale morphological filtering,PSMMF）的振动信号噪声抑制的方法。利用不同尺度形态学滤波结果残余差的多尺度排列熵自适应选取最优尺度组合,构造连续尺度形态学滤波器,采用B-样条插值平滑形态滤波后的结果改善波形失真问题。将所提方法应用于滚动轴承振动信号的降噪预处理过程中,通过提升振动信号的信噪比,增强信号的非线性动力学特征。仿真与实验表明所提方法在滚动轴承振动信号的信噪比提升方面具有优势性。（2）在基于PDEs的形态学运算和分形理论的基础上,提出了一种基于复合多尺度形态学（Composite multiscale morphological fractal dimension,CMMFD）的分形维数估算方法,并将该算法应用于滚动轴承故障信号的分形特征的提取中。首先,采用PSMMF方法对振动信号进行降噪预处理,在不破坏振动信号中所反映的被测对象动力学特性的情况下抑制干扰噪声。随后,利用复合尺度粗粒化分析对降噪后的振动信号进行处理,再利用基于通量校正传输（Flux-corrected transport,FCT）方案的形态学运算估计不同尺度粗粒化序列的分形维数,构造CMMFD特征向量。最后,将特征向量输入分类器识别故障类型。实验结果表明CMMFD方法能有效的解决单一尺度分形维数的状态空间重叠问题,实现滚动轴承不同故障类型的有效区分,可为设备健康状态分析和故障类型识别提供可靠的诊断依据。（3）滚动轴承在故障发生的早期阶段,表征故障特征的信号成分相对微弱,往往淹没于强背景噪声中难以识别。针对这一问题,提出了一种基于混沌振子与形态分析的滚动轴承微弱故障检测的方法。在研究典型混沌振子非线性动力学行为特性的基础上,利用混沌振子吸引子形态在不同状态下可能产生变化的特性,将基于PDEs的形态学运算应用于量化混沌振子输出信号的吸引子形态特征的分析中,采用CMMFD形态学分析方法,提取不同参数下混沌系统输出的振动信号形态特征,分析混沌振子状态发生变化时形态特征的变化,将其作为判断混沌振子状态发生变化的定量判断依据,最后利用变尺度与振子阵列结合的方法检测故障信号的特征频率,判断故障类型。仿真和实验分析表明CMMFD与混沌振子相结合的方法能够有效实现处于轻微退化阶段的滚动轴承故障的识别。（4）针对滚动轴承的性能退化程度难以有效评估的问题,以数学形态谱和PDEs形态运算为基础,提出了一种基于连续尺度形态学差值谱（Continuous-scale mathematical pattern difference spectrum,CMPDS）分析的轴承性能退化评估方法。首先利用CMPDS提取滚动轴承振动信号的形态谱特征,结合局部保留投影（Locality preserving projection,LPP）方法对高维特征进行降维。然后采用低维特征训练初始嵌入式隐马尔可夫模型（Embedded hidden Markov model,EHMM）,组合所有初始EHMM构造全局EHMM模型。最后将CMPDS特征向量输入全局EHMM训练滚动轴承退化性能模型。对全寿命周期滚动轴承振动信号进行分析的结果表明,所提方法能有效实现滚动轴承的性能退化评估。
李建锋[2]（2020）在《基于动态系统辨识的涡扇发动机传感器故障诊断方法研究》文中认为随着机器学习与人工智能的发展,基于数据驱动的建模方法在没有系统过程先验知识的情况下也可以获得复杂系统的精确输出,基于系统辨识理论开展了发动机传感器故障诊断方法的研究,主要研究内容为:首先,对DGEN380涡扇发动机开展了系统辨识建模研究,完成了发动机在3种典型工况下的系统辨识实验设计与数据采集工作。在发动机3种典型工况下的小邻域内将DGEN380发动机视为线性系统,采用预测误差FPE准则选择合适的线性系统模型结构,并基于最小二乘原理RLS（Recursive Least Square Algorithm）完成了对发动机线性系统的辨识。随后采用了一种能够对线性系统模型结构和参数同步辨识的UD分解算法,并将UD分解算法其推广到MIMO线性系统的模型辨识。然后,将DGEN380发动机视为非线性系统,并采用非线性自回归滑动平均NARMAX模型建立发动机非线性模型。提出一种基于AIC（Akaike Information Criterion）显着性准则的前向选择法对NARMAX模型结构进行选择。鉴于LOLIMOT（Local Linear Model Tree）网络模型较强的非线性映射能力且能够反映非线性系统阶次和数据空间结构,基于LOLIMOT网络分别建立了从发动机燃油输入到主要输出变量的非线性模型。通过对比线性辨识方法和非线性辨识方法发现,非线性辨识模型精度高于线性辨识模型,但可通过增加模型阶次来提高线性模型的预测精度。为了解决线性系统传感器故障诊断问题,提出一种改进RLS辨识算法,将传感器故障参数视为待辨识参数,通过最小化损失函数指标获得故障参数的最优估计,将选择遗忘机制与RLS算法相结合,用于解决时变线性系统传感器故障诊断问题。同时,提出了一种改进NARMAX模型用于非线性系统传感器故障诊断。针对复杂系统出现的传感器故障种类识别问题,将小波分解理论和故障特征提取结合,根据传感器故障在线辨识算法和故障种类识别程序设计了一种适用于复杂系统传感器故障在线辨识结构,并通过某一正弦型传感器故障信号验证了故障诊断结构的合理性。
陈星萌[3]（2020）在《天线伺服系统的故障检测与预报》文中进行了进一步梳理地面测控天线具有地域分布广、跨度大、环境复杂的特点,同时,天线设备面临长期在线运行、任务状态频繁切换等现实需求的挑战,因此地面测控设备的管理压力越来越大,维修维护工作越来越繁重。天线伺服系统是保证天线指向精度和跟踪精度的核心环节,伺服系统一旦出现故障,则无法保证天线的精度甚至造成严重后果。同时,无论多么严重的故障,都是从早期微小故障缓慢变化演变的,因此,及时检测出故障并且对系统进行剩余寿命预测对于设备的维护有着重要的现实意义。目前,对天线的故障检测方法大多需要加装额外的传感器,但传感器的故障发生率远高于天线本身,因此,不需要额外加装传感器的故障检测手段对保证故障检测准确性有着重要意义。本文以天线伺服系统为研究对象,首先进行其等效电机模型的建立,其次在电机模型的基础上设计龙贝格观测器,将观测状态与实际状态输入自构架模糊系统,并将其误差作为下一时刻的模糊输入,如此往复,实现对故障信息的逼近。在得到故障信息后,引入模糊聚类思想对故障进行分类,从而实现故障检测。最后通过仿真实验进行了验证,验证结果表明,天线机电系统故障诊断模型设计正确,故障辨识方法有效可行,可以实现天线机电系统的故障快速诊断和状态评估。故障检测作为可以实现判断设备当前运行状态的手段,为了及早检测故障,达到故障预警作用,针对故障的演变特性并结合深度神经网络的手段,对故障预报展开深入研究。天线伺服系统很难采集到全生命周期的数据,为解决这一问题,以网络参数优化为目标,提出了一种参数实时更新的长短期记忆神经网络（LSTM）预测模型。能够在没有全生命周期数据情况下建立预测模型,并利用实时采集的数据对已建立的模型参数逐步优化。通过结合故障检测方法,引入故障阈值,实现故障预报。经过仿真分析,验证了所提出的参数实时更新的LSTM模型在小样本的时间序列预测中具有很强的适用性和更高的准确性。最后,在Quanser半实物仿真系统上搭建实验平台,在获得辨识参数得到精确模型的条件下,通过给输入添加缓变故障函数来模拟故障的加入,对输出角速度进行采集,运用本文所提到的方法实现对故障的检测和预报。实验结果和仿真保持一致,表明本文方法可以实现对故障的检测和预报。
周天宸[4]（2019）在《船舶结构应力监测数据处理与故障诊断方法研究》文中提出为了适应世界海运的不断增长,船舶也日趋大型化。船舶航行在复杂多变的水域环境中,船体结构可能会因为波浪激励和外物打击以及人员误操作等原因出现损坏,船舶一旦发生结构破坏,将是不可挽回的灾难。因此,需要建立实时监测船体健康的系统,以此来保障全船的安全性能。船舶在日趋大型化之后由于其尺度的关系,会布置更多的传感器来监测船体结构,在这种情况下传感器发生故障的可能性就会更高。在采样频率很高的情况下,每一时刻都会传输海量的数据,这就对应力监测系统的实时性有很高的要求,在规定的时间内,算法必须有相应的运算速度。目前关于应力监测系统算法的研究正处于发展阶段,而任何优良的系统设计都需要建立在可靠的理论支持上,通过进一步研究智能化数据处理和故障诊断程序设计的优化算法,以此降低监测系统的误报率和漏报率,保障监测系统的可靠性。论文的主要研究内容如下:1、研究影响船舶结构应力监测数据实时滤波效果的几个关键性因素。针对小波变换无法实现时间序列的递推并且存在边缘效应的缺点,提出了基于Mallat算法的离散时间序列正交小波变换对称添加的浮动数据窗法,在此基础上提出了改进阈值估计算法和新阈值函数来增强应力监测系统的滤波效果,并通过仿真实验验证了改进算法的有效性。2、研究了基于BP神经网络的实时预测方法。为了满足应力监测系统的长期监测船体结构健康的要求,提出了单纯离线训练的方法和在线训练与离线训练相结合的方法,并分析了两种方法相应的适用环境,可以根据不同的应用环境选择不同的方法。并且以某大尺度船舶结构应力监测数据为依托,研究了 BP神经网络中重要参数的设置。3、研究了粒子群优化算法,并根据遗传算法中的变异理论引入变异因子。提出了非线性惯性权重递减策略的粒子群算法以保证神经网络能收敛到全局最小值,并经过4个评价函数检验了新算法的可行性。最后根据BP神经网络收敛速度慢和容易陷入局部极小值等存在的问题提出基于粒子群优化算法的改进BP神经网络方法,并通过仿真实验验证了新算法的有效性。4、应用IPSO-BP神经网络来预测监测数据,以非线性惯性权重粒子群算法（IPSO）寻找网络的初始训练权值和阈值,增强网络的收敛速度和性能,并以极大重叠小波变换后的尺度系数和小波系数代替原始信号进行故障诊断。研究了船舶结构应力监测系统中传感器发生故障时的特征和成因,并分析了以大尺度船舶结构应力监测数据为依托的故障识别与诊断条件。针对缓慢漂移检测率低的难点,提出一种自适应识别方法,可以有效识别任何漂移速率的故障。
周璇,喻寿益,都珂[5]（2001）在《基于系统参数估计时间序列的小波分析故障诊断方法》文中研究表明提出了一种失效性故障诊断的新方法。这种方法将基于解析模型的故障诊断技术和基于信号分析的故障诊断技术结合起来,对系统参数的递推最小二乘估计时间序列进行小波分析,得到故障特征值,兼有两种故障诊断技术的优点.本文还讨论了对于模型参数估计时间序列小波分析的基函数及尺度选取方法问题,仿真结果表明该方法的有效性和准确性非常明显,具有一定的实用价值.
申欣艳[6]（2021）在《多模型自适应故障诊断及其在高速列车上的应用》文中研究说明随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵引电机故障的情况下仍能实现对给定速度曲线的渐近跟踪,保障了高速列车的安全可靠运行。具体工作内容包括以下两个方面:针对一般多变量系统,设计了基于多模型自适应方法的多变量系统执行器故障诊断与调节策略。首先,通过分析执行器常见故障,建立故障模式集,得到其在每种故障模式下的参数化模型;再基于每种故障模式下的参数化模型设计自适应估计器,并基于估计误差设计性能损失函数进行多变量系统执行器自适应故障诊断;最后根据诊断出的故障模式和大小等信息设计自适应故障调节控制器,保证系统稳定,实现对给定的预期输出渐近跟踪。仿真结果表明,本文设计的多变量系统故障自适应诊断与调节策略能有效地实现对未知执行器故障的诊断和补偿。以遭受未知牵引电机故障的高速列车为研究对象,研究其自适应故障诊断和调节策略。首先,建立考虑牵引电机特性的高速列车纵向动力学模型,再通过对牵引电机常见的故障进行分析,建立故障模式集,得到高速列车在每种牵引电机故障模式下的参数化模型。接着,针对每种参数化模型建立这种故障模式下的故障估计器,根据估计误差设计性能损失函数进行高速列车牵引电机自适应故障诊断。最后根据诊断出的故障模式和大小设计自适应故障调节控制器,保证高速列车系统稳定和对给定速度曲线的渐近跟踪。仿真结果表明,本文设计的自适应故障诊断与调节策略能有效地实现对高速列车未知牵引故障的诊断和补偿,保障高速列车的安全可靠运行。
刘瑶[7]（2021）在《基于时频分析的风机故障智能诊断方法研究》文中指出风机在运行过程中发生故障可能引发重大财产损失和人身安全问题。早期,研究人员通过信号处理方法提取风机故障特征,进行故障识别与分类,该方法需要考虑故障与特征提取方法的对应关系,且不同场景下提取到的故障特征不稳定,难以实现在线诊断。深度神经网络可以有效提取风机故障的深层特征,且工程上可以利用迁移学习方法实现高效、稳定的风机运行状态识别和故障诊断。目前,研究人员通常采用旋转机械振动信号的时频图谱作为深度神经网络输入数据,但时频图谱的获取和存储需要更多的计算资源。为降低故障诊断处理器的使用内存、提高计算效率,本文提出利用风机振动时序信号进行故障识别与诊断的方法,为优化故障诊断系统线下部署提供理论基础。本文从保留特征的时间物理意义出发,利用时频信号处理方法对风机的振动信号进行降噪和信号特征频段提取预处理。针对不同场景应用需求,利用两类深度学习方法,分别对预处理后的风机振动时序信号数据进行深度特征提取和故障分类。本文主要结论如下:（1）基于风机故障机理,推导风机故障的振动信号一般形式,结合风机运行过程中的信号的调制作用,构建了风机振动信号模型,为后续振动信号降噪和特征提取方法的研究奠定基础。设计并进行风机模拟故障实验,对获得的风机振动信号进行单域分析,发现仅从时域或频域难以分辨强背景噪声条件下的风机故障类型。（2）对风机振动信号降噪和特征提取预处理方法进行了研究。首先搭建信号降噪性能指标体系:通过信噪比、相关性和信噪比增益进行仿真信号降噪性能评价,通过类可分离度进行实测振动信号降噪性能评价。研究了分解层数对第二代小波分解降噪效果的影响。对基于经验模态分解的清除重复间隔阈值降噪方法（EMD-CIIT）的影响因素进行了研究,EMD-CIIT方法的降噪性能主要受到选用阈值函数和第一个模态分量的修改模式影响。使用硬阈值函数降噪后信号对真实信号逼近程度最高。第一个模态分量的修改模式会影响降噪信号的平滑性。对比研究了多种小波降噪方法和基于经验模态分解（EMD）的其他降噪方法,EMD-CIIT方法降噪处理后得到的信号与真实信号逼近程度最高,且在低信噪比条件下降噪性能突出,由于风机振动信号通常含有大量噪声,因此采用EMD-CIIT降噪方法进行风机振动信号降噪。（3）对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声集合经验模态分解算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象。（4）采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行深层特征提取,实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类,能进行多通道数据输入条件下的离线风机故障分类,样本分类准确率达到100%。本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了研究,构建了直接处理时序振动信号的风机故障诊断框架,以便在低内存条件下部署故障诊断系统,实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设备的故障诊断,为各种工业设备的运行状态识别和故障诊断提供了技术支撑。
时晓宇[8]（2021）在《无人机飞控系统的故障诊断与容错控制技术研究》文中进行了进一步梳理航天科技的发展日新月异,以无人机为代表的航空飞行器变得越来越复杂,人们对航空器的稳定性、安全性和可靠性也提出了更高的要求。无人机飞控系统的故障诊断与容错控制技术可以提高航天器的自主运行能力。此外,复杂多变的空间环境不可避免地对无人机造成影响,自身长时间运行也会使系统产生不同类型的故障,其中44%是执行器故障造成的。因此,研究执行器的故障诊断和飞控系统的容错控制,对延长设备使用寿命,提高系统稳定运行的能力具有重要意义。旋翼无人机独有的垂直起降、自由悬停和小巧灵活的优势而被广泛应用在军事和民用领域。本文以四旋翼无人机为主要研究对象,针对外界扰动、模型不确定性和执行器故障对飞控系统运行安全的影响,对飞控系统中故障诊断、鲁棒跟踪控制和容错控制等方面的问题进行研究,主要内容如下:基于外界扰动和执行器故障对系统建模的影响,深入分析无人机的动力学模型机理,优化无人机飞控系统的数学模型。通过分析飞控系统执行器故障的类型并建立典型故障的数学模型,再建立故障模式下无人机的动力学模型,为后续无人机故障诊断和容错控制研究奠定理论基础。针对执行器故障的多样性和受强噪声干扰问题,提出一种基于变分模态分解和层次模糊熵的故障特征提取算法。实现不同频率下故障信号的特征提取,从理论上提高故障特征提取的准确率。通过优化Alexnet神经网络算法对轴承信号进行故障特征分类和识别,提高故障诊断的精度。试验结果表明,与卷积神经网络和Googlenet网络相比,该方法不仅能够识别故障的类型,准确率达97.92%,还能够识别故障的严重程度,准确率达94.73%。针对外界扰动和模型不确定性情况下四旋翼无人机的跟踪控制问题,实现固定扰动和随机扰动情况下四旋翼无人机的跟踪控制。针对扰动为固定值的情况,提出一种改进的反步滑模跟踪控制算法,解决了滑模控制本身存在的抖振问题,也提高了系统的抗扰动特性。进一步,考虑扰动和模型不确定性部分为随机值时,提出一种新型的将模糊控制和PID控制相结合的鲁棒跟踪控制优化算法,并通过扩张状态观测器对系统的随机部分进行实时观测和补偿。结果表明,四旋翼无人机偏航控制子系统的响应时间比传统的PID控制算法减少近50%,且超调量也大大减小,该方法提高了系统的响应速度和跟踪性能。在分析外界扰动对系统影响的基础上,研究四旋翼无人机执行器故障容错控制问题。针对执行器偏差这类加性故障的容错控制问题,提出一种改进的分数阶幂次滑模容错控制算法,克服了传统容错控制只能使系统渐近稳定的缺点,实现了系统有限时间内到稳定状态的目的。自适应控制技术能够补偿干扰对系统的影响,提高了系统的稳定性。针对执行器失效这类乘性故障的容错控制问题,设计一种新的非奇异终端滑模控制算法,试验表明,该方法不仅消除了姿态和位置控制中的奇异现象,而且使飞控系统在有限时间内达到稳定状态。此外,利用自适应控制策略对系统扰动和不确定性进行补偿,进一步提高控制器的性能。
蒋宇[9]（2020）在《齿轮箱混沌特性与故障诊断研究》文中认为传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
张超[10]（2020）在《矿井主通风机状态监测与故障预警系统研发》文中研究指明煤矿井下环境复杂恶劣,存在各种有毒、易燃、易爆等有害气体,威胁井下工作人员生命安全。矿井主通风机作为煤矿通风系统的核心设备,能够有效排出有害气体、供应新鲜空气,保证井下人员作业环境,是煤矿安全生产的重要保障。矿井主通风机的健康状态关乎井下工作环境状况,一旦主通风机运行过程中出现故障,将严重影响煤矿的安全生产甚至引起重大事故。因此,本文对矿井主通风机的运行状态监测、诊断与预警进行研究。通过分析矿井主通风机常见故障机理及特征,制定矿井主通风机设备运行状态监测方案,提出基于振动信号的故障特征提取、智能故障诊断与趋势预警方法,构建矿井主通风机状态监测、诊断与预警的一体化系统,保障矿井主通风机的安全运行。针对矿井主通风机振动信号的非平稳性导致故障特征准确提取困难的问题,提出一种依据转速变化幅度分工况进行特征提取的思路,将非平稳工况分为转速波动和变转速两种。针对转速波动工况,采用小波包分解提取不同故障下振动信号频带能量作为故障特征;针对变转速工况,采用阶次分析将时域非平稳信号转为角域伪平稳信号,对比不同故障信号角域特征得到故障特征参量。通过两种方法的结合,实现非平稳工况下矿井主通风机的振动故障特征精确提取。针对基于数据的矿井主通风机故障诊断非线性问题,引入BPNN方法,将提取得到的特征值输入BPNN进行分类训练与识别,实验结果表明BPNN存在收敛速度慢、易陷入局部极小值的问题。本文通过引入粒子群算法优化BPNN,研究结果表明本文所提方法在故障识别准确率、算法收敛速度方面均有明显提高。针对矿井主通风机故障预警存在的时间序列非线性拟合求解问题,在研究BPNN的基础上改进输出层激活函数增强网络动态跟踪性能。提出结合动态时间序列的PSO-BPNN故障趋势预警方法,通过实验数据及矿井主通风机现场数据验证了该方法的有效性。最后,开发了矿井主通风机状态监测与故障预警系统,包括硬件平台和软件两部分。硬件平台以普通PC为上位机,由传感器、采集卡、调理电路等模块组成完整信号传输路径;软件部分采用LabVIEW和MATLAB联合编程,实现矿井主通风机的状态监测、振动特征提取、故障诊断与预警、数据管理等功能。系统已在煤矿生产现场完成了各模块功能的验证,结果表明本文提出的特征提取、故障诊断与预警方法均实现预期功能,满足现场应用需求。
二、基于系统参数估计时间序列的小波分析故障诊断方法（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、基于系统参数估计时间序列的小波分析故障诊断方法（论文提纲范文）
（1）基于数学形态学与混沌理论的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于振动信号分析的滚动轴承故障诊断研究现状 |
| 1.2.1 故障特征增强方法研究现状 |
| 1.2.2 故障特征提取方法研究现状 |
| 1.2.3 故障模式识别方法研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第2章 基于数学形态学滤波的滚动轴承振动信号降噪方法 |
| 2.1 引言 |
| 2.2 数学形态学理论 |
| 2.2.1 形态学基本运算 |
| 2.2.2 多尺度形态学滤波 |
| 2.3 基于偏微分方程理论的形态学运算 |
| 2.3.1 偏微分方程基本理论 |
| 2.3.2 P-M各向异质扩散滤波 |
| 2.3.3 基于PDEs的形态学运算 |
| 2.4 振动信号的平滑形态滤波降噪 |
| 2.4.1 多尺度形态学降噪滤波器的构造 |
| 2.4.2 基于PDEs的形态学降噪滤波器的构造 |
| 2.4.3 信号聚合与平滑 |
| 2.5 轴承故障仿真信号分析 |
| 2.5.1 轴承局部缺陷故障模型 |
| 2.5.2 基于PSMMF的降噪分析 |
| 2.5.3 对比分析 |
| 2.6 实例信号验证 |
| 2.7 本章小结 |
| 第3章 基于复合尺度形态分形维数的滚动轴承故障特征提取方法 |
| 3.1 引言 |
| 3.2 形态学分形维数基本理论 |
| 3.2.1 基于MC的分形维数估计 |
| 3.2.2 基于FCT方案的形态学分形维数估计 |
| 3.2.3 参数对PDEs-MFD估计的影响 |
| 3.2.4 形态学分形维数估计方法比较 |
| 3.3 复合多尺度形态学分形维数 |
| 3.3.1 多尺度形态学分形维数估计 |
| 3.3.2 复合多尺度形态学分形维数 |
| 3.3.3 基于CMMFD的故障特征提取方法流程 |
| 3.4 仿真信号分析 |
| 3.5 实测故障信号分析 |
| 3.6 本章小结 |
| 第4章 混沌振子与形态分析相结合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 典型的混沌振子动力学特性分析 |
| 4.2.1 Duffing振子的动力学特性分析 |
| 4.2.2 Lorenz振子的动力学特性分析 |
| 4.2.3 定性判据的抗噪性能分析 |
| 4.3 典型的混沌振子的形态特征分析 |
| 4.3.1 Duffing振子的CMMFD特征提取 |
| 4.3.2 Lorenz振子的CMMFD特征提取 |
| 4.4 基于形态学分形维数与混沌振子的故障诊断方法 |
| 4.4.1 抗噪性能分析 |
| 4.4.2 混沌振子状态判断 |
| 4.4.3 检测盲区的消除 |
| 4.4.4 故障诊断流程 |
| 4.5 仿真实验分析 |
| 4.6 实验信号验证 |
| 4.7 本章小结 |
| 第5章 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.1 引言 |
| 5.2 连续尺度数学形态谱 |
| 5.2.1 数学形态谱基本理论 |
| 5.2.2 广义数学形态谱 |
| 5.2.3 连续尺度数学形态谱 |
| 5.2.4 不同方法对比分析 |
| 5.3 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.3.1 基于局部保留投影的高维特征降维的方法 |
| 5.3.2 基于嵌入式隐马尔可夫模型的分类方法 |
| 5.3.3 基于连续尺度数学形态谱的轴承退化性能评估流程 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位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 |
（2）基于动态系统辨识的涡扇发动机传感器故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航空发动机建模技术国内外研究现状 |
| 1.2.2 航空发动机传感器故障诊断技术国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 发动机辨识实验设计与数据处理 |
| 2.1 系统辨识理论概述 |
| 2.1.1 系统辨识内容和步骤 |
| 2.1.2 系统辨识模型 |
| 2.1.3 常见系统辨识方法 |
| 2.2 涡扇发动机系统辨识实验设计 |
| 2.2.1 系统辨识对象 |
| 2.2.2 伪随机输入信号设计 |
| 2.2.3 多倍正弦和输入信号设计 |
| 2.3 实验数据处理与数据检验 |
| 2.3.1 实验数据零均值化与低通滤波处理 |
| 2.3.2 实验数据同步性检验 |
| 2.3.3 实验数据非线性和漂移性检验 |
| 2.4 本章小结 |
| 第三章 涡扇发动机线性系统辨识方法研究 |
| 3.1 线性系统数学模型概述 |
| 3.1.1 连续型单输入单输出数学模型 |
| 3.1.2 离散型单输入单输出数学模型 |
| 3.2 基于最小二乘理论的发动机线性系统辨识 |
| 3.2.1 最小二乘基本原理 |
| 3.2.2 递推形式下的系统参数和噪声方差估计 |
| 3.2.3 基于最终预测误差准则的线性系统阶次辨识 |
| 3.2.4 发动机系统仿真 |
| 3.3 基于增广UD分解算法的发动机线性系统辨识 |
| 3.3.1 信息压缩矩阵和矩阵UD分解算法 |
| 3.3.2 矩阵UD分解与RLS算法结合用于发动机结构和参数辨识 |
| 3.3.3 适用于MIMO线性系统辨识的UD分解算法 |
| 3.3.4 基于残差自相关系数法的辨识模型检验 |
| 3.4 本章小结 |
| 第四章 涡扇发动机非线性系统辨识方法研究 |
| 4.1 非线性系统模型概述 |
| 4.1.1 Volterra级数模型 |
| 4.1.2 Hammerstein模型 |
| 4.1.3 Wiener模型 |
| 4.2 基于NARMAX模型的航空发动机非线性建模 |
| 4.2.1 NARMAX非线性模型的数学描述 |
| 4.2.2 NARMAX非线性模型参数求解方法 |
| 4.2.3 基于AIC信息准则的NARMAX模型结构选择 |
| 4.2.4 DGEN380发动机非线性建模 |
| 4.3 基于LOLIMOT网络模型的航空发动机非线性建模 |
| 4.3.1 局部线性模型树LOLIMOT网络 |
| 4.3.2 LOLIMOT神经网络的局部参数估计 |
| 4.3.3 LOLIMOT网络建立发动机非线性模型 |
| 4.3.4 发动机线性模型与非线性模型精度对比 |
| 4.4 本章小结 |
| 第五章 基于系统辨识技术的传感器故障诊断方法研究 |
| 5.1 发动机传感器常见故障模式 |
| 5.2 基于辨识理论的线性系统传感器在线故障诊断方法研究 |
| 5.2.1 用于传感器故障诊断的改进RLS辨识算法 |
| 5.2.2 选择遗忘机制与RLS算法结合用于时变系统传感器故障诊断 |
| 5.2.3 线性系统传感器故障诊断仿真 |
| 5.3 基于辨识理论的非线性系统传感器故障诊断方法研究 |
| 5.3.1 故障情况下非线性系统的数学描述 |
| 5.3.2 用于非线性系统故障诊断的改进NARMAX结构 |
| 5.3.3 基于LOLIMOT网络的非线性系统传感器故障诊断方法研究 |
| 5.3.4 非线性系统传感器故障诊断仿真 |
| 5.4 基于小波理论的发动机传感器故障种类辨识研究 |
| 5.4.1 小波变换理论 |
| 5.4.2 传感器故障信号的特征提取研究 |
| 5.4.3 传感器故障种类识别 |
| 5.4.4 基于动态系统辨识的发动机传感器故障识别结构 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 全文结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士学位攻读期间发表的论文成果 |
（3）天线伺服系统的故障检测与预报（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 国内外天线伺服系统故障检测研究现状 |
| 1.3 故障预报方法国内外研究现状 |
| 1.4 本文章节安排 |
| 第二章 天线伺服系统的故障检测 |
| 2.1 伺服系统故障模型的建立 |
| 2.2 自构架模糊故障逼近方法研究 |
| 2.2.1 自构架模糊系统 |
| 2.2.2 基于龙贝格状态观测器的自构架模糊系统故障逼近 |
| 2.3 故障分类 |
| 2.4 仿真验证 |
| 2.5 本章小结 |
| 第三章 天线伺服系统的参数辨识 |
| 3.1 基于阶跃信号的参数辨识方法 |
| 3.2 仿真验证 |
| 3.3 本章小结 |
| 第四章 基于LSTM神经网络的天线伺服系统的故障预报 |
| 4.1 参数实时更新LSTM预测模型 |
| 4.1.1 LSTM神经网络 |
| 4.1.2 参数实时更新的LSTM神经网络故障预报方法 |
| 4.2 仿真验证 |
| 4.3 本章小结 |
| 第五章 半实物仿真实验 |
| 5.1 引言 |
| 5.2 Quanser半实物仿真系统 |
| 5.2.1 Quanser半实物仿真系统概述 |
| 5.2.2 硬件组成部分 |
| 5.2.3 Qua Rc实时控制软件 |
| 5.3 半实物仿真系统平台的实验操作过程 |
| 5.4 两惯量半实物仿真系统的参数辨识实验 |
| 5.5 两惯量半实物仿真系统的故障检测实验 |
| 5.6 两惯量半实物仿真系统的故障预报实验 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）船舶结构应力监测数据处理与故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 船舶结构监测技术国外研究现状 |
| 1.2.2 船舶结构监测技术国内研究现状 |
| 1.3 智能化数据处理与信息处理 |
| 1.3.1 智能化数据处理的发展 |
| 1.4 故障检测与诊断技术 |
| 1.4.1 基于解析模型的方法 |
| 1.4.2 基于信号处理的方法 |
| 1.4.3 基于知识的方法 |
| 1.5 本文主要研究内容 |
| 第2章 基于小波变换的监测数据滤波研究 |
| 2.1 概述 |
| 2.2 小波变换的基本理论 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 正交小波变换的快速算法-Mallat算法 |
| 2.2.4 离散时间序列的正交小波变换 |
| 2.2.5 基于离散小波变换的频率分离方法 |
| 2.3 小波变换在信号滤波中的研究 |
| 2.3.1 小波滤波原理 |
| 2.3.2 小波滤波的常见方法 |
| 2.3.3 小波域阈值滤波的实时性方法研究 |
| 2.3.4 影响小波滤波的因素 |
| 2.3.5 实时滤波效果的实验分析 |
| 2.4 基于小波变换的改进阈值滤波方法 |
| 2.4.1 新的小波阈值函数 |
| 2.4.2 阈值估计的研究 |
| 2.4.3 仿真实验结果及分析 |
| 2.4.4 实测船舶结构应力监测信号实时滤波效果分析 |
| 2.5 本章小结 |
| 第3章 基于人工神经网络的监测数据预测方法 |
| 3.1 概述 |
| 3.2 预测的理论基础 |
| 3.2.1 预测的基本理论 |
| 3.2.2 预测性能的评价指标 |
| 3.3 BP神经网络 |
| 3.3.1 BP神经网络结构 |
| 3.3.2 BP神经网络的学习过程 |
| 3.4 BP神经网络在时间序列预测中的应用 |
| 3.4.1 BP神经网络的参数设置 |
| 3.4.2 BP神经网络的时间序列预测方法 |
| 3.4.3 BP神经网络的时间序列预测效果 |
| 3.4.4 BP神经网络存在的问题及相应的改进方法 |
| 3.5 粒子群优化算法 |
| 3.5.1 算法原理 |
| 3.5.2 算法流程 |
| 3.5.3 粒子群算法的参数设置 |
| 3.6 改进惯性权重的粒子群算法 |
| 3.6.1 非线性惯性权重递减策略 |
| 3.6.2 典型评价函数测试 |
| 3.7 基于IPSO-BP神经网络的时间序列预测 |
| 3.7.1 应力监测信号的极大重叠小波变换 |
| 3.7.2 基于IPSO-BP神经网络的时间序列预测 |
| 3.7.3 基于IPSO-BP神经网络的预测应用 |
| 3.8 本章小结 |
| 第4章 应力监测系统中传感器故障诊断方法研究 |
| 4.1 概述 |
| 4.2 传感器故障诊断 |
| 4.2.1 传感器故障的定义 |
| 4.2.2 传感器故障诊断的任务及其研究内容 |
| 4.2.3 传感器的故障类型及其产生原因 |
| 4.3 传感器智能故障诊断技术的应用 |
| 4.3.1 大尺度船舶结构应力监测数据特征提取 |
| 4.3.2 感器故障的种类以及成因 |
| 4.3.3 传感器典型故障识别与诊断条件 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）基于系统参数估计时间序列的小波分析故障诊断方法（论文提纲范文）
| 引言1 |
| 1 基于解析模型和基于信号处理的故障诊断方法 |
| 2 基于系统参数估计时间序列小波分析的故障诊断方法 |
| 3 小波基函数和尺度的选取 |
| 4 仿真 |
| 5 小结 |
（6）多模型自适应故障诊断及其在高速列车上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状与发展 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 自适应故障诊断研究现状 |
| 1.2.3 高速列车故障诊断与容错控制研究现状 |
| 1.3 基础知识 |
| 1.3.1 故障诊断基本知识 |
| 1.3.2 自适应控制基本原理 |
| 1.3.3 模型参考自适应控制基本原理 |
| 1.4 论文研究内容与框架 |
| 第二章 多变量系统执行器故障多模型自适应诊断与调节 |
| 2.1 存在执行器故障的多变量系统模型 |
| 2.2 多变量系统的多模型自适应故障诊断与调节策略 |
| 2.2.1 故障模式集 |
| 2.2.2 不同故障模式下的多变量系统模型 |
| 2.2.3 多模型自适应故障诊断 |
| 2.2.4 故障调节策略 |
| 2.3 仿真验证 |
| 2.3.1 系统模型 |
| 2.3.2 多模型自适应故障诊断与调节效果 |
| 2.4 本章小结 |
| 第三章 高速列车牵引电机多模型自适应故障诊断与调节 |
| 3.1 引言 |
| 3.2 存在牵引电机故障的高速列车动力学模型 |
| 3.2.1 高速列车纵向运动学模型 |
| 3.2.2 存在牵引电机故障的高速列车模型 |
| 3.2.3 控制目标 |
| 3.3 高速列车自适应故障诊断与调节 |
| 3.3.1 故障模式集 |
| 3.3.2 不同故障模式下的高速列车参数化模型 |
| 3.3.3 基于多模型的自适应故障诊断 |
| 3.3.4 牵引电机故障调节 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 个人简历 在读期间的学术成果 |
| 致谢 |
（7）基于时频分析的风机故障智能诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向旋转机械的信号处理方法及应用现状 |
| 1.2.2 旋转机械故障的智能诊断方法研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第2章 风机模拟故障实验与信号模型研究 |
| 2.1 引言 |
| 2.2 旋转机械故障分析及风机信号模型研究 |
| 2.2.1 转子不平衡故障 |
| 2.2.2 定转子碰磨故障 |
| 2.2.3 基座松动故障 |
| 2.2.4 风机振动信号模型 |
| 2.3 模拟故障装置与测试方法 |
| 2.3.1 实验设备及参数 |
| 2.3.2 故障模拟实验测试方法 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第3章 风机振动监测信号降噪及特征提取技术 |
| 3.1 引言 |
| 3.2 降噪效果评价指标 |
| 3.2.1 信噪比 |
| 3.2.2 相关性 |
| 3.2.3 信噪比增益率 |
| 3.2.4 类可分离度 |
| 3.3 基于第二代小波的风机振动信号降噪 |
| 3.3.1 小波分析理论 |
| 3.3.2 小波降噪理论 |
| 3.3.3 信号模型降噪 |
| 3.3.4 风机振动信号降噪 |
| 3.4 基于EMD-CIIT的风机振动信号降噪 |
| 3.4.1 经验模态分解理论 |
| 3.4.2 经验模态分解降噪理论 |
| 3.4.3 信号模型降噪 |
| 3.4.4 风机振动信号降噪 |
| 3.4.5 降噪效果对比 |
| 3.5 基于CEEMDAN的风机故障特征提取 |
| 3.5.1 CEEMDAN理论 |
| 3.5.2 信号模型验证 |
| 3.5.3 风机振动信号验证 |
| 3.6 本章小结 |
| 第4章 基于信号特征提取的风机故障智能诊断试验 |
| 4.1 引言 |
| 4.2 长短时记忆模型诊断 |
| 4.2.1 长短时记忆模型理论 |
| 4.2.2 风机故障试验验证 |
| 4.3 残差神经网络诊断 |
| 4.3.1 残差神经网络理论 |
| 4.3.2 风机故障试验验证 |
| 4.4 分类效果对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的工作内容总结 |
| 5.2 本文创新点 |
| 5.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（8）无人机飞控系统的故障诊断与容错控制技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 无人机飞控系统故障诊断和容错控制的研究现状 |
| 1.2.1 无人机飞控系统故障诊断的研究现状 |
| 1.2.2 无人机飞控系统跟踪控制的研究现状 |
| 1.2.3 无人机飞控系统容错控制的研究现状 |
| 1.3 无人机飞控系统诊断与容错研究存在的问题与挑战 |
| 1.4 本文主要研究内容与章节安排 |
| 第二章 无人机系统建模与故障分析 |
| 2.1 引言 |
| 2.2 无人机建模分析 |
| 2.2.1 四旋翼无人机建模分析 |
| 2.2.2 固定翼无人机建模分析 |
| 2.3 无人机飞控系统中的主要故障分析 |
| 2.4 本章小结 |
| 第三章 基于优化特征提取的飞控系统故障诊断 |
| 3.1 引言 |
| 3.2 飞控系统轴承故障特征集构建 |
| 3.2.1 轴承信号的变分模态分解处理 |
| 3.2.2 基于层次模糊熵的轴承信号特征提取 |
| 3.3 基于Alexnet神经网络的轴承故障诊断及损伤识别 |
| 3.4 本章小结 |
| 第四章 基于复杂环境下飞控系统的抗扰动控制 |
| 4.1 引言 |
| 4.2 基于滑模控制的飞控系统固定扰动分析 |
| 4.2.1 控制器设计及稳定性证明 |
| 4.2.2 仿真验证及分析 |
| 4.3 基于扩张状态观测器的飞控系统随机扰动控制 |
| 4.3.1 系统控制器设计及稳定性证明 |
| 4.3.2 扩展状态观测器设计及稳定性证明 |
| 4.3.3 仿真验证及分析 |
| 4.4 本章小结 |
| 第五章 基于执行器故障的飞控系统自适应容错控制 |
| 5.1 引言 |
| 5.2 基于执行器偏差故障的飞控系统分数阶幂次滑模容错控制 |
| 5.2.1 容错控制器设计及稳定性分析 |
| 5.2.2 系统有限时间可达性分析 |
| 5.2.3 仿真验证及分析 |
| 5.3 基于执行器失效故障的快速终端滑模控制器设计 |
| 5.3.1 容错控制器设计及稳定性分析 |
| 5.3.2 仿真验证及分析 |
| 5.4 本章小结 |
| 第六章 四旋翼无人机实验平台应用 |
| 6.1 引言 |
| 6.2 四旋翼无人机平台简介 |
| 6.3 四旋翼无人机鲁棒跟踪控制实验 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）齿轮箱混沌特性与故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）矿井主通风机状态监测与故障预警系统研发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 故障特征提取技术 |
| 1.2.2 故障诊断与预警技术 |
| 1.2.3 矿井主通风机状态监测系统 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 矿井主通风机故障分析与状态监测方案设计 |
| 2.1 矿井主通风机结构及运行工况 |
| 2.1.1 结构及工作原理 |
| 2.1.2 运行工况分析 |
| 2.2 矿井主通风机常见故障类型及机理分析 |
| 2.2.1 常见故障类型 |
| 2.2.2 故障机理及征兆分析 |
| 2.3 矿井主通风机主要测试参数及测点确定 |
| 2.4 运行状态监测方案 |
| 2.4.1 硬件方案 |
| 2.4.2 软件方案 |
| 2.5 本章小结 |
| 3 小波包联合阶次分析的故障特征提取方法 |
| 3.1 小波包分析方法 |
| 3.2 阶次分析方法 |
| 3.2.1 基于计算的阶次分析算法 |
| 3.2.2 阶次谱与FFT频谱仿真对比 |
| 3.3 小波包联合阶次分析故障特征提取 |
| 3.4 特征提取算法实验验证 |
| 3.4.1 实验方案设计 |
| 3.4.2 实验信号分析 |
| 3.5 故障特征参量选取 |
| 3.6 本章小结 |
| 4 改进BP神经网络的故障诊断方法 |
| 4.1 BPNN故障诊断方法 |
| 4.1.1 BPNN网络结构 |
| 4.1.2 BPNN学习算法 |
| 4.1.3 BPNN故障诊断原理 |
| 4.2 基于BPNN的故障诊断实验及性能分析 |
| 4.2.1 样本数据集 |
| 4.2.2 特征参量归一化处理 |
| 4.2.3 BPNN初始参数设置 |
| 4.2.4 网络实验与性能分析 |
| 4.3 PSO优化BPNN的故障诊断方法 |
| 4.3.1 粒子群优化算法 |
| 4.3.2 改进的BPNN故障诊断模型 |
| 4.4 PSO优化BPNN故障实验及性能分析 |
| 4.4.1 粒子群初始参数设置 |
| 4.4.2 网络性能分析 |
| 4.4.3 BPNN与 PSO-BPNN网络性能对比分析 |
| 4.5 本章小结 |
| 5 结合动态时间序列的PSO-BPNN故障预警方法 |
| 5.1 矿井主通风机预警可行性分析 |
| 5.2 结合时间序列的BPNN预测模型 |
| 5.2.1 单步预测 |
| 5.2.2 多步预测 |
| 5.2.3 动态时间序列预测 |
| 5.3 BPNN预测模型问题分析及改进 |
| 5.3.1 初始权值阈值选取问题 |
| 5.3.2 BPNN预测模型的饱和性问题 |
| 5.4 改进的BPNN故障预警模型 |
| 5.5 仿真数据验证及网络性能分析 |
| 5.6 实验验证及网络性能分析 |
| 5.6.1 实验室数据验证 |
| 5.6.2 矿井现场数据应用 |
| 5.7 本章小结 |
| 6 矿井主通风机状态监测与故障预警系统 |
| 6.1 系统硬件架构设计与器件选型 |
| 6.1.1 系统硬件架构 |
| 6.1.2 硬件平台选型 |
| 6.2 系统软件架构与功能设计 |
| 6.2.1 系统软件架构 |
| 6.2.2 系统软件功能模块 |
| 6.3 系统功能测试 |
| 6.3.1 参数配置模块 |
| 6.3.2 常规信号分析模块 |
| 6.3.3 特征提取模块 |
| 6.3.4 故障诊断与预警模块 |
| 6.3.5 数据管理模块 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、基于系统参数估计时间序列的小波分析故障诊断方法（论文参考文献）
- [1]基于数学形态学与混沌理论的滚动轴承故障诊断研究[D]. 闫晓丽. 华北电力大学(北京), 2021(01)
- [2]基于动态系统辨识的涡扇发动机传感器故障诊断方法研究[D]. 李建锋. 中国民航大学, 2020(01)
- [3]天线伺服系统的故障检测与预报[D]. 陈星萌. 西安电子科技大学, 2020(05)
- [4]船舶结构应力监测数据处理与故障诊断方法研究[D]. 周天宸. 哈尔滨工程大学, 2019(04)
- [5]基于系统参数估计时间序列的小波分析故障诊断方法[J]. 周璇,喻寿益,都珂. 系统仿真学报, 2001(S1)
- [6]多模型自适应故障诊断及其在高速列车上的应用[D]. 申欣艳. 华东交通大学, 2021(01)
- [7]基于时频分析的风机故障智能诊断方法研究[D]. 刘瑶. 浙江大学, 2021(09)
- [8]无人机飞控系统的故障诊断与容错控制技术研究[D]. 时晓宇. 电子科技大学, 2021(01)
- [9]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [10]矿井主通风机状态监测与故障预警系统研发[D]. 张超. 西安科技大学, 2020(01)