一、磨煤机故障诊断中多传感器信息融合技术的应用（论文文献综述）
杨晋玲[1]（2021）在《基于信息融合技术的采煤机液压系统故障诊断研究》文中进行了进一步梳理针对当前煤矿安全事故频发以及深井采煤日益增多的趋势,西山煤电集团提出了综采无人工作面建设项目,本课题即源于该项目。液压系统是采煤机行走、调高、切割等作业动作的重要系统,绝大多数采煤机故障都与其有关,是采煤机智能无人化改造的关键。本文基于信息融合技术对采煤机液压系统的故障诊断展开研究,主要研究工作内容如下:（1）将测试性分析技术应用于采煤机液压系统故障诊断系统的构建,以液压系统典型故障模式及其监测方式分析为基础,确定了采煤机液压系统各组成部分的传感器布置初步方案,探究并验证预设构想,给出故障诊断系统测试性设计的预期实现目标、基本原理框架、硬件参数要求、软件功能逻辑。分析了当前故障诊断技术的优缺点,确立了“时频域分析-RBF神经网络-D-S证据理论”的分层次故障诊断思路。（2）结合采煤机液压系统常用实时状态监测数据开展故障诊断的特点,分析了采煤机液压系统常用的监测参数如振动、压力、温度等,并给出了不同参数信息的处理方法。通过对采煤机液压系统故障诊断问题的实质性分析,依据实时状态诊断数据与故障模式之间存在的非线性关系,采用K-means聚类方法确定神经网络数据中心,建立了基于RBF神经网络的特征层信息融合故障诊断模型,并进一步采用D-S证据理论,本文构建了基于“时频域分析-RBF神经网络-D-S证据理论”多理论的故障诊断信息融合模型,解决了来自不同信息源的故障诊断结果相互间存在的融合问题。（3）以西山煤电集团MG400（450）/930（1030）-GWD型采煤机液压系统双联齿轮泵的状态监测数据为基础,对本文给出的故障诊断信息融合模型开展了实证研究。结果表明,本文构建的采煤机液压系统故障诊断两级信息融合模型,可以避免单独依靠神经网络故障诊断而造成的诊断结果错误,故障诊断准确率得到优化,可应用于采煤行业的综采无人工作面建设。
郭悦[2]（2021）在《基于迁移学习的磨煤机状态监测与故障诊断研究》文中提出随着新能源发电技术的进步与发展,虽然火力发电在我国所占的市场份额比例都有所下降,但火力发电仍是现阶段我国最主要的发电方式之一。火力发电中所使用的燃料是煤,但由于煤炭紧缺、煤质下降、煤价的上涨等原因造成了对火力发电的技术要求也越来越高。保证火电厂运行经济效益的前提是保证火电厂安全稳定的运行。电站制粉设备作为火电厂重要的辅机设备,其状态监测与故障诊断对于保障电厂生产安全、降低火力发电的生产运行成本以及提升发电厂的经济效益具有重要意义。但现场运行中较难获取磨煤机的各类故障数据。本文分析总结了近些年磨煤机建模方法的相关研究,选取有代表性的MPS型中速磨煤机,研究其基本组成结构、工作原理,基于质量能量平衡和热力学关系建立磨煤机模型,结合电厂运行数据辨识模型参数。通过对磨煤机故障类型及故障原因的总结进行故障仿真,观察相关参数的变化。在建模的基础上,从故障发生的原理出发,进行了磨煤机断煤故障的仿真、满煤故障的仿真以及自燃故障的仿真等。仿真所得的参数作为故障诊断和故障分类的典型样本。故障仿真结果表明,磨煤机运行参数中有充足的特征信息。提出利用仿真得到的故障样本与待诊断数据进行相似度对比从而进行故障诊断的方法。在多条证据诊断的基础上使用D-S证据理论融合诊断结果,相比于使用单个诊断参量的判断方法,该方法可信度更高。并通过涿州电厂的断煤数据验证该方法的可实施性。接着用LSTM结合迁移学习的方法对不同工况间的故障诊断进行研究,解决了缺少故障样本的工况下的故障诊断问题,且迁移方法具有通用性,可推广至不同型号磨煤机之间的故障诊断。本文研究方法是通用方法,也可用于其他设备的状态诊断。
张宇珩[3]（2021）在《燃煤电厂氧量传感器测量可靠性评估和故障诊断研究》文中认为中国的能源结构不断地在变化,近些年来,火电机组深度调峰和超低排放的要求不断提高也催生了“智能电厂”的发展。而“智能电厂”所依赖的先进的测试技术、大数据分析和智能化技术都需要能准确反映机组参数的测量数据,因此有必要对用于测量的传感器进行可靠性评估和故障诊断。烟气含氧量是锅炉燃烧调整和运行需要控制的一个重要参数,是确保锅炉安全性、经济性运行的重要指标。目前燃煤电厂对于烟气含氧量的测量普遍采用氧化锆传感器进行直接测量,但是传统的传感器测量不免会发生传感器老化或故障的问题,影响氧量测量的准确性和可靠性,因此对氧量传感器进行测量可靠性评估和故障诊断既有利于锅炉的控制运行,也对“智能电厂”的发展有着重要意义。本文利用BP神经网络和机组运行的历史数据,以锅炉燃烧原理为基础,结合相关性和灰色关联度分析,建立了烟气含氧量的软测量模型,通过软测量模型预测值和传感器实际测量值的相关性分析和拟合分析,再利用直接冗余法建立了传感器间的信任度矩阵,对各个氧量传感器进行了测量可靠性的分析。根据所建立的模型,对预测值和传感器测量值进行了残差分析,分析了各个氧量传感器的运行状况和可靠性。针对氧量传感器的特点,将常见的传感器故障进行分类和数学描述,对氧量传感器易出现的故障,如偏置故障、卡死故障和漂移故障,进行了仿真分析。采用主元分析法,利用Hotelling T2统计量和SPE统计量,对故障进行了诊断,结果表明:该方法可以有效诊断出偏置故障、卡死故障和漂移故障,具有一定的应用前景。
程立钦[4]（2020）在《基于D-S多信息融合理论的燃煤电厂锅炉智能故障诊断研究》文中研究表明随着我国经济的不断发展,社会对于电力工业的需求也不断增加,而在我国电力结构中,火力发电依然具有十分重要的地位。大型火电机组结构复杂,系统众多,一旦某个系统产生故障,未被及时发现处理,很容易扩展为更大的故障,从而造成机组的非计划停机,不仅影响火力发电的稳定性,而且会提高运营成本,增加能源消耗。因此本文针对现役燃煤电厂锅炉燃烧系统进行研究,利用D-S多信息融合理论进行燃煤电厂锅炉燃烧系统的故障诊断,其提高了火电机组故障诊断的准确率,可以保障火电机组安全稳定的运行,降低运营成本,减少能源消耗。论文首先介绍了燃煤电厂锅炉系统的工艺流程,对其中燃烧系统的常见故障进行了简要描述,根据实时数据库中的采集测点以及专家知识,选择出燃烧系统的60个主要测点;并利用肖维勒准则法与Savitzky-Golay法对60个测点的数据进行异常值剔除、降噪处理,为接下来进行燃烧系统故障诊断分析提供高质量样本。然后提出了基于改进Murphy规则的燃烧系统故障诊断方法,对经过预处理的数据,利用Relief算法进行特征值提取,得到11个影响锅炉结焦故障的主要参数;将其作为输入变量,利用正常标签数据与故障标签数据对SVM、LVQ、PNN、BP四种智能学习算法进行训练,得到四种故障诊断分类模型;利用混淆矩阵、ROC曲线、AUC面积,对四种故障诊断模型进行性能评估,以便得到信息融合需要的m函数;最后利用D-S理论中改进的Murphy规则对四个故障诊断模型结果进行融合,得到最终的故障诊断结果。其次提出了基于FEKNN的燃烧系统故障诊断方法,这种方法主要特点为不需要故障标签数据,只用正常数据就可进行火电机组的故障诊断。对经过数据预处理的大量正常运行历史数据进行MDS降维;然后利用均值漂移聚类方法对正常历史数据进行聚类,形成燃烧系统正常运行状态库;最后采用FEKNN故障诊断方法得到燃烧系统运行状态曲线,以进行燃烧系统的故障诊断。最后论文叙述了火电集团智能诊断监测系统的建设,介绍了该系统的整体架构、实时数据库、分布式云计算系统以及通信架构,并对系统的各个功能模块进行了运行图形展示。
杨连涛[5]（2020）在《SXJ立式行星减速机监测技术改造管理研究》文中研究指明磨煤机广泛应用于发电、建材、水泥、化工等行业,减速机作为磨煤机的主要结构部件,承担主要输出力矩的作用,是磨煤机的动力源。行星减速机作为减速机中的一类,其结构比较紧凑、回程间隙小、精度较高,使用寿命长,额定输出扭矩可以很大,倍受工厂方面青睐。但是稍有不慎损坏,则维修难度较大、工期较长,对生产将带来很大的影响。因此对行星减速机的实时监测也就成为预防此类减速机损坏的重要手段。目前,对减速机的监测还处于以监测温度为主要衡量标准的基础阶段,监测手段以及内容相对单一。随着物联网技术的发展并在机械行业中的不断运用,相应的物联监测手段日趋成熟,为减速机实时监测开辟了一条崭新的道路,奠定了坚实的技术基础。本文以北京电力设备总厂有限公司重型齿轮箱厂生产的SXJ立式行星螺伞减速机（简称“SXJ型减速机”）为研究背景,结合物联网技术,提出了 SXJ型减速机物联融合监测技术,并与天津沃德传动有限公司合作,完成了对SXJ型减速机不同结构组件的振动监测。通过振动传感器传输给服务平台,研究了 SXJ型减速机各部件的振动信号,并且利用启发式算法进行信号处理,实现了将信号转化为振动频率下的时域加速度波形,进而再通过分析测点加速度与振动频率的关系,确认减速机部件的振动是否超频。基于减速机物联融合监测技术,制订了 SXJ型减速机监测管理解决方案,深入分析了减速机监测管理过程中存在的问题,完善日常监测与故障诊断的关键环节的相应细则。并以SXJ型减速机物联融合监测为具体研究案例,分别从物联技术运用、技改管理研究方案、方案科学性及效率等多个度,建立SXJ型减速机物联监测管理机制。物联监测管理机制的建立标志着相应管理理论的正确应用,为今后减速机的监测提供了崭新的思路与方法。
张欢[6]（2020）在《基于多源信息融合的轴承复合故障诊断技术研究》文中认为随着大数据、互联网、传感器以及人工智能技术的快速发展与日益广泛的应用,传统机械制造业引入人工智能技术是实现行业转型的必然趋势。轴承作为最为常见的机械零部件之一,在机械设备中承载着重要的作用。且随着传感器技术、数据处理技术与智能诊断技术的日新月异,轴承健康状况的智能诊断技术成为了学术研究热点。而实际生产中,某一不影响正常生产或未达到更换标准的初期故障可能继而促使轴承复合故障（Compound fault）的形成,且设备复杂的运行环境也常常导致复合故障发生的状况。因此,对轴承复合故障的检测和诊断存在着较大的困难,正因这些难题使得轴承复合故障检测和诊断技术的研究成为国内外研究的热点。另外随着采集数据量的增加,以数据驱动的方式挖掘有用信息成为可能,智能获取目标数据特征的方法也有了长足的发展。如何充分利用多源信息进行故障特征的智能挖掘和信息融合是本文的研究重点。主要研究工作有以下三点。首先提出了一种面向冲突改进的D-S（Dempster-Shafer）证据理论算法,该算法在针对传统D-S证据理论的缺陷问题上使用皮尔逊相关性系数（Pearson Correlation Coefficient,PCC）和0元素修正进行改进。改进后的方法在很大程度上考虑各个证据体在整体识别框架中的重要程度,使得融合后的结果在排除误差较大的证据体后能够保证融合后目标的一致性,从而提升了融合准确性和克服冲突的能力。随后在改进的D-S证据理论的基础上,结合轴承复合故障数据继续对D-S证据理论的实际应用进行改进。在特征自提取上使用SAE（Sparse Auto-encoder,SAE）,自动提取来自各个传感器各类别的故障特征,得到所有故障类型的压缩特征用于分类模型的训练,实验验证了该方法在轴承单一故障检测（Single Fault Detection,SFD）的结果上表现出较高的识别精度。接着在单一故障检测研究的基础上,通过对所有实验标签进行重新计算,对融合后的样本单一检测相加的结果作为复合故障类型,与真实的样本标签进行准确率计算。结果展示了从单一故障检测到复合故障诊断研究的意义和准确性,也证明了改进的融合方法的适用性。最后本文考虑复合故障诊断过程以及特征提取方法和融合方法的简化,以减少复杂的人工改进和计算,做到特征提取和融合的自动化。摒弃所有的复杂计算和融合手段,由繁到简的思路设计了两级卷积神经网络（Convolutional Neural Networks,CNN）的轴承复合故障诊断的方法,通过多组实验分析和比较,在轴承复合故障诊断的识别上具有较高的识别效果,由此证明了两级CNN融合的有效性和优势。综上研究内容与实验验证,多源信息融合技术可以在复杂的轴承复合故障诊断问题上综合不同来源信息的优势,实现诊断目标与实际情况的尽可能一致,提升轴承复合故障诊断的精度。另外,前沿的算法技术在轴承复合故障特征自动提取和诊断精度的提升上具有重要的作用。因此,特征自提取和多源信息融合的结合研究在应对轴承复合故障诊断上存在很大的研究潜力和价值。
王罗[7]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中认为近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
张帆宇[8]（2020）在《改进FOA优化DBN的双转子不对中状态特征提取与识别》文中指出内外双转子是现代先进航空发动机的关键零部件,不对中是影响内外双转子系统正常工作的主要因素且不对中故障是无法避免的,对不对中状态进行准确识别是保障航空发动机双转子系统安全稳定运行的重要途径。现阶段双转子系统不对中故障诊断研究工作主要内容为双转子系统中有无不对中故障的识别、不对中程度的识别。然后,研究工作很少对双转子系统不对中的类别（位置）及不对中的程度,即不对中的状态进行识别,这是因为目前的传统“浅层方法”难以准确识别不对中状态。为了达到双转子系统不对中故障诊断过程中,既有效又准确的对不对中故障进行识别为目的,本文结合可以深度挖掘数据本质特征,能有效识别高维非线性、非平稳信号的深度置信网络（Deep Belief Network,DBN）主要从以下四个方面开展研究工作:1.针对双转子不对中状态振动信号,对DBN的特征提取及分类识别能力进行研究。本文通过对不同迭代次数下、不同隐含层节点数下、不同学习率及动量项下的受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）的特征提取性能研究来反应深度置信网络的特征提取能力。试验结果表明了RBM的迭代次数、隐含层节点数、学习率及动量项等参数对深度置信网络的振动信号特征提取的影响,并得到了各参数的合理选取范围。同时通过对不同网络深度下DBN的分类结果来反应DBN的分类识别能力。试验结果表明了不同网络深度下DBN的振动信号分类识别能力,并得出了分类识别能力最优的网络深度。2.针对DBN结构参数优化的问题,利用果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）对DBN的结构参数进行优化选取,实现DBN网络模型更加精确的故障识别。针对经典FOA中搜索步长固定、容易陷入局部最优解、算法应用受限等问题,提出了一种新的改进FOA算法。试验结果表明,该算法可快速准确的获取最优参数,适用于DBN网络结构参数的优化选取。3.针对不对中信号DBN输入向量构造问题,利用故障特征提取能力较优的变分模态分解（Variational Mode Decomposition,VMD）作为构造DBN输入向量的方法,提出了一种基于VMD-改进FOA优化DBN的故障状态识别方法。并用单传感器的试验数据进行验证结果表明,该方法相对于其他方法更适用于不对中状态的识别。4.针对航空发动机振动信号采集的实际应用中单一传感器采集振动数据必然存在局限性的问题,本文在VMD-改进FOA优化DBN单传感器的故障状态识别方法的基础上,利用D-S证据理论对多个传感器的识别结果进行决策融合故障识别,并针对D-S证据理论中证据冲突的问题,提出了一种基于互信息测度改进的D-S证据理论。最终提出了基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法。试验结果表明,本文提出的基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法提高了不对中故障状态的识别率,增强了诊断方法的容错能力。
王馨苑[9]（2020）在《基于数据及多源信息融合的轴承与行星齿轮箱故障诊断》文中研究说明随着我国从科技大国迈向科技强国的步伐越来越快,大型机械设备系统的设计愈发精密与复杂。为了减少机械设备故障带来的损失,实现高效的故障诊断,提升机械设备可靠性,本文以机械设备的关键部位——滚动轴承与行星齿轮箱为研究对象,重点研究了信号分析处理技术、多源信息融合技术以及基于数据的故障诊断技术等,主要研究内容分为以下几个部分。首先本文研究滚动轴承和行星齿轮箱的故障信号分析处理技术。从研究滚动轴承和行星齿轮箱故障成因入手,分析其常见故障及影响因素。针对原始故障信号具有一定的冗余性、不确定性等特点,采用时频域分析对原始故障信号进行特征提取研究,从多种角度对不同形态信号进行分析。针对时频分析处理得到的多个故障特征采用粗糙集理论进行特征筛选处理,保留对诊断结果影响较大的故障特征,从而简化系统模型,实现故障诊断效率的提升。接着本文对滚动轴承和行星齿轮箱进行多种故障模拟,通过模拟典型工况下的运行状态,采集系统故障信号,为多源信息融合诊断方法与故障诊断方法研究提供数据准备。然后本文主要研究多源信息融合方法。针对云模型具有随机性、模糊性以及不确定性的特点,采用云模型优化D-S证据理论,降低证据之间的高度冲突性,实现有效的信息融合诊断。采用滚动轴承和行星齿轮箱故障试验平台采集的故障数据进行融合诊断,结果验证了该方法的有效性。最后本文重点对支持向量机进行改进分析,提出一种双优化的SVM故障诊断结构模型。首先根据云模型具有随机性的特点,采用云模型优化遗传算法即云遗传算法（CM-GA）,加速搜索过程且提高优化性能;接着采用云遗传算法优化支持向量机径向基函数的核参数Gamma和惩罚因子C,提出一种基于云遗传算法优化支持向量机的结构模型,通过预优化操作,可以大幅减少训练时间,从而有效提高算法性能。最后,先采用美国凯斯西储大学的滚动轴承数据进行理论研究,再通过搭建故障模拟试验平台,采集滚动轴承和行星齿轮箱故障数据用于故障诊断分析,将不同的传统方法与基于云遗传算法优化支持向量机的故障诊断方法进行结果对比,分别从时间和诊断准确率的角度验证了该方法的有效性。
李晓彬[10]（2020）在《低负荷下电站辅机安全监控技术研究与应用》文中提出火电机组低负荷下运行能够为可再生能源提供充足的并网空间,是解决弃风弃光问题的有效途径。然而,低负荷运行时火电厂各类辅机偏离正常运行条件,出现故障的概率大大增加,这对电站辅机的安全监控的实时性、动态性与智能化水平提出了更高的要求。为了对辅机状态进行全方位感知与状态信息的深度挖掘,本论文通过布置振动、噪声传感器以完善辅机的检测手段,在对振动、噪声信号作特征提取的基础上作进一步的状态定量评估与识别;基于过程变量历史数据建立辅机正常运行的标准模型,通过计算观测值与估计值的差异定量评估辅机状态。最终通过基于小波能谱熵的振动状态定量评估、基于堆叠自编码（Stacked autoencoder,SAE）的噪声状态识别以及基于多元过程变量的状态估计实现辅机运行状态的定量评估与识别。论文研究工作与结论主要包括:（1）针对低负荷下辅机设备的常见故障及其主要表现形式,同时结合实际现场情况,完成辅机安全监控系统整体方案的设计。对于方案中智能前端部分,本文详细介绍硬件的组成框架与所选的振动、噪声传感器,并基于LabVIEW完成智能前端信号采集、信号处理以及数据通讯等功能的开发与测试。（2）研究振动、噪声信号的特征提取方法。对振动信号进行小波包分解提取8个频带的能量,并求取小波能谱熵来表征设备运行的不确定性,并对实际磨煤机振动状态进行定量评估;对噪声信号进行1/3倍频程处理,提取各频带的能量分布。最后利用模拟噪声数据与实际给水泵噪声数据加以验证,结果表明所提出的特征提取方法准确有效。（3）提出了基于噪声特征的辅机状态识别方法。通过在实验室下搭建风机监测平台获取噪声信号,利用1/3倍频程提取噪声信号特征以训练SAE网络,基于欧氏距离表示自编码网络的输入值与重构值间的差异。最后利用实验室风机的正常运行数据与故障跳闸前的数据进行验证,结果表明自编码网络可以区分风机正常状态与故障状态,为实际机组低负荷下辅机的状态识别提供参考。（4）提出了基于多元状态估计技术（Multivariate State Estimation Technology,MSET）的电站辅机故障预警方法。以SIS过程变量历史数据为基础,通过等距抽样方法筛选构建过程记忆矩阵,并定义相似度函数表示模型观测值与估计值的偏差。基于区间估计思想设计了相似度的自适应阈值,同时定义误差贡献率与累计误差贡献率对故障进行早期诊断与定位。利用人工模拟的线性偏差故障与磨煤机堵煤故障进行验证,结果表明所提模型能够降低预警的误报与漏报次数,且能够提前对潜在故障进行预警以及初步诊断。
二、磨煤机故障诊断中多传感器信息融合技术的应用（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、磨煤机故障诊断中多传感器信息融合技术的应用（论文提纲范文）
（1）基于信息融合技术的采煤机液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 采煤机液压系统故障诊断研究现状 |
| 1.2.2 采煤机液压系统故障诊断常用技术 |
| 1.2.3 信息融合技术研究现状 |
| 1.3 论文主要内容和结构安排 |
| 第2章 基于测试性理论的采煤机液压系统故障诊断系统设计 |
| 2.1 测试性理论 |
| 2.1.1 测试性基本概念 |
| 2.1.2 测试性设计的主要工作项目 |
| 2.2 采煤机液压系统组成及原理 |
| 2.3 采煤机液压系统故障诊断系统设计 |
| 2.3.1 采煤机液压系统故障诊断方案设计 |
| 2.3.2 采煤机液压系统典型故障模式及检测方式分析 |
| 2.3.3 采煤机液压系统故障诊断系统测试性设计准则 |
| 2.3.4 采煤机液压系统故障诊断的软硬件要求 |
| 2.3.5 采煤机液压系统故障诊断关键技术 |
| 2.4 本章小结 |
| 第3章 基于RBF神经网络的信息融合故障诊断方法 |
| 3.1 RBF神经网络 |
| 3.1.1 神经网络结构 |
| 3.1.2 神经网络的径向基函数 |
| 3.1.3 RBF神经网络参数设置 |
| 3.2 液压系统特征层故障诊断 |
| 3.2.1 问题的本质 |
| 3.2.2 基于神经网络的液压系统故障诊断系统 |
| 3.3 特征层信息融合的故障诊断建模 |
| 3.3.1 数据的预处理 |
| 3.3.2 训练RBF神经网络 |
| 3.3.3 模型评价 |
| 3.4 特征层模型应用 |
| 3.4.1 特征层模型背景 |
| 3.4.2 基于RBF神经网络的信息融合步骤 |
| 3.4.3 特征层案例故障诊断融合结果 |
| 3.5 本章小结 |
| 第4章 基于D-S证据理论的信息融合故障诊断方法 |
| 4.1 经典D-S证据理论 |
| 4.1.1 基本概念 |
| 4.1.2 证据理论经典融合规则 |
| 4.1.3 证据理论基本性质 |
| 4.2 常见决策方法 |
| 4.3 决策层信息融合诊断应用 |
| 4.3.1 决策层问题背景 |
| 4.3.2 基于D-S证据理论的信息融合步骤 |
| 4.3.3 决策层案例故障诊断融合结果 |
| 4.3.4 决策层案例诊断结果分析 |
| 4.4 决策层信息融合的故障诊断模型 |
| 4.5 本章小结 |
| 第5章 采煤机液压泵故障诊断实证研究 |
| 5.1 实证研究背景 |
| 5.2 双联齿轮泵故障诊断参数及故障模式 |
| 5.2.1 齿轮泵故障诊断参数 |
| 5.2.2 齿轮泵故障模式 |
| 5.3 信息融合故障诊断模型 |
| 5.4 数据层信息融合 |
| 5.5 特征层信息融合故障诊断 |
| 5.5.1 RBF神经网络的参数设置 |
| 5.5.2 RBF神经网络训练 |
| 5.5.3 基于RBF神经网络的信息融合模型评价及故障诊断 |
| 5.6 决策层信息融合故障诊断 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本研究的主要工作 |
| 6.2 本研究的未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）基于迁移学习的磨煤机状态监测与故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 课题的研究现状 |
| 1.2.1 磨煤机建模的研究现状 |
| 1.2.2 故障诊断技术的研究现状 |
| 1.3 本课题主要工作 |
| 第2章 磨煤机机理模型 |
| 2.1 磨煤机的基本介绍 |
| 2.1.1 MPS型磨煤机的结构及工作原理 |
| 2.1.2 MPS型磨煤机的特点 |
| 2.2 磨煤机机理模型 |
| 2.2.1 磨煤机模型建模假设 |
| 2.2.2 磨煤机入口一次风温度和流量模型 |
| 2.2.3 磨煤机内部原煤量和煤粉量模型 |
| 2.2.4 磨煤机出口温度模型 |
| 2.3 搭建磨煤机Simulink模型 |
| 2.4 磨煤机模型参数辨识 |
| 2.5 模型验证 |
| 2.6 本章小结 |
| 第3章 磨煤机故障仿真分析 |
| 3.1 磨煤机断煤故障模拟 |
| 3.2 磨煤机堵煤故障模拟 |
| 3.3 磨煤机自燃故障模拟 |
| 3.4 本章小结 |
| 第4章 基于迁移学习的磨煤机故障诊断 |
| 4.1 基于D-S证据理论的证据融合故障诊断 |
| 4.1.1 D-S证据理论 |
| 4.1.2 故障诊断及证据融合 |
| 4.2 基于LSTM和迁移学习的磨煤机故障诊断 |
| 4.2.1 迁移学习 |
| 4.2.2 仿真数据集上的LSTM状态诊断模型 |
| 4.2.3 LSTM模型迁移并进行故障诊断 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究成果 |
| 5.2 待解决的问题 |
| 参考文献 |
| 致谢 |
（3）燃煤电厂氧量传感器测量可靠性评估和故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题背景与国内外研究现状 |
| 1.3 本文的研究方法介绍 |
| 1.4 本文的研究内容 |
| 1.5 本章小结 |
| 2 辅助变量的选择和处理 |
| 2.1 辅助变量的选取 |
| 2.1.1 相关性分析 |
| 2.1.2 灰色关联度分析 |
| 2.2 风量测量的处理 |
| 2.3 给煤量测量的处理 |
| 2.4 本章小结 |
| 3 烟气含氧量软测量建模 |
| 3.1 数据预处理 |
| 3.2 神经网络的建立和模型适用条件 |
| 3.3 软测量建模结果分析 |
| 3.3.1 A侧氧量计软测量建模结果分析 |
| 3.3.2 B侧氧量计软测量建模结果分析 |
| 3.4 模型改进 |
| 3.5 本章小结 |
| 4 传感器故障分析 |
| 4.1 冗余法 |
| 4.2 基于神经网络的残差分析法 |
| 4.2.1 偏置故障仿真 |
| 4.2.2 卡死故障 |
| 4.2.3 漂移故障 |
| 4.3 氧量传感器的故障诊断 |
| 4.3.1 A侧氧量传感器的故障诊断 |
| 4.3.2 B侧氧量传感器的故障诊断 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 作者简介 |
（4）基于D-S多信息融合理论的燃煤电厂锅炉智能故障诊断研究（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 国内外研究现状 |
| 1.2.1 火电厂故障诊断研究现状 |
| 1.2.2 信息融合技术研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本章小结 |
| 第二章 锅炉系统及数据预处理 |
| 2.1 锅炉系统 |
| 2.1.1 锅炉系统介绍 |
| 2.1.2 锅炉燃烧系统故障分析 |
| 2.2 相关数据测点选择 |
| 2.3 数据预处理 |
| 2.3.1 异常值剔除 |
| 2.3.2 数据降噪处理 |
| 2.4 本章小结 |
| 第三章 基于改进Murphy规则的燃烧系统故障诊断方法 |
| 3.1 算法整体框架 |
| 3.2 Relief特征提取 |
| 3.3 智能故障诊断模型训练 |
| 3.3.1 支持向量机(SVM) |
| 3.3.2 LVQ神经网络 |
| 3.3.3 概率神经网络(PNN) |
| 3.3.4 BP神经网络 |
| 3.4 智能故障诊断模型性能评估 |
| 3.5 决策融合 |
| 3.5.1 证据理论 |
| 3.5.2 改进Murphy融合规则 |
| 3.5.3 决策融合原理 |
| 3.5.4 决策融合应用 |
| 3.6 本章小结 |
| 第四章 基于FEKNN的燃烧系统故障诊断方法 |
| 4.1 MDS数据降维技术 |
| 4.1.1 MDS算法 |
| 4.1.2 MDS算法的降维应用 |
| 4.2 均值漂移聚类 |
| 4.2.1 Mean Shift算法原理 |
| 4.2.2 Mean Shift算法聚类步骤 |
| 4.2.3 Mean Shift算法聚类应用 |
| 4.3 FEKNN故障诊断方法 |
| 4.3.1 模糊KNN算法(FKNN) |
| 4.3.2 证据KNN算法(EKNN) |
| 4.3.3 模糊证据KNN算法(FEKNN) |
| 4.3.4 FEKNN算法故障诊断原理 |
| 4.4 FEKNN故障诊断应用实例 |
| 4.5 本章小结 |
| 第五章 火电集团智能诊断监测系统 |
| 5.1 系统概述 |
| 5.1.1 系统需求分析 |
| 5.1.2 系统架构设计 |
| 5.2 智能诊断系统设计 |
| 5.2.1 实时数据库 |
| 5.2.2 云平台系统 |
| 5.2.3 系统通信架构 |
| 5.3 系统集团侧功能设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（5）SXJ立式行星减速机监测技术改造管理研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 创新点 |
| 1.5 本章小结 |
| 第二章 设备监测管理技术的理论研究 |
| 2.1 设备监测管理概述 |
| 2.2 物联网技术与设备管理概述 |
| 2.2.1 物联网技术 |
| 2.2.2 设备管理 |
| 2.3 设备状态监测与故障诊断概述 |
| 2.4 物联网技术在设备监测管理中的应用概述 |
| 2.5 本章小结 |
| 第三章 SXJ型减速机故障及其监测管理问题 |
| 3.1 公司简介 |
| 3.2 SXJ型减速机介绍 |
| 3.3 SXJ型减速机工作原理及结构 |
| 3.3.1 SXJ型减速机工作原理 |
| 3.3.2 SXJ型减速机结构 |
| 3.4 减速机损坏形式 |
| 3.4.1 齿轮损坏形式 |
| 3.4.2 轴承损坏形式 |
| 3.4.3 轴类零件的失效形式 |
| 3.4.4 SXJ型减速机部件损坏 |
| 3.5 传统设备管理方案分析 |
| 3.5.1 设备管理方案 |
| 3.5.2 存在问题 |
| 3.6 本章小结 |
| 第四章 基于物联网的减速机监测管理方案 |
| 4.1 SXJ型减速机故障监测方案分析 |
| 4.1.1 SXJ型减速机管理存在问题 |
| 4.1.2 使用物联网技术的原因分析 |
| 4.2 物联网及其应用条件 |
| 4.2.1 物联网基本特征 |
| 4.2.2 技术优势 |
| 4.2.3 发展特点 |
| 4.2.4 物联网在设备管理中的效用 |
| 4.3 物联网设备管理架构设计 |
| 4.3.1 物联网设备管理通用架构 |
| 4.3.2 设备故障监测管理构架设计 |
| 4.3.3 硬件组成 |
| 4.3.4 测点布置 |
| 4.3.5 硬件分析 |
| 4.4 单片机信号处理及传输 |
| 4.4.1 卡尔曼滤波简介 |
| 4.4.2 卡尔曼滤波原理 |
| 4.4.3 滤波效果和实验 |
| 4.4.4 数据传输 |
| 4.5 感知层试验分析 |
| 4.5.1 高速轴测点信号对比分析 |
| 4.5.2 齿圈内外侧测点信号对比分析 |
| 4.5.3 低速轴测点与高速轴测点信号对比分析 |
| 4.6 物联网监测方案效果预估 |
| 4.6.1 设备检测效果 |
| 4.6.2 企业管理效果 |
| 4.6.3 经济效益分析 |
| 4.7 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 进一步研究方向 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 作者和导师简介 |
| 附件 |
（6）基于多源信息融合的轴承复合故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 多源信息融合与轴承复合故障诊断研究现状及分析 |
| 1.2.1 多源信息融合技术的研究现状 |
| 1.2.2 轴承复合故障诊断的研究现状 |
| 1.3 论文主要内容、结构及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 主要创新点 |
| 第2章 多源信息融合轴承复合故障诊断理论基础与框架 |
| 2.1 引言 |
| 2.2 多源信息融合技术 |
| 2.3 数据驱动的特征提取方法 |
| 2.4 轴承复合故障诊断实验平台 |
| 2.5 基于多源信息融合的轴承复合故障诊断框架 |
| 2.6 本章小结 |
| 第3章 面向冲突证据的改进D-S证据理论算法研究 |
| 3.1 引言 |
| 3.2 经典D-S证据理论及其存在的缺陷 |
| 3.2.1 D-S证据理论 |
| 3.2.2 经典D-S证据理论存在的缺陷 |
| 3.3 基于皮尔逊相关性系数的改进D-S证据理论算法 |
| 3.4 实验仿真分析 |
| 3.4.1 四种常见证据冲突分析 |
| 3.4.2 多证据融合比较 |
| 3.4.3 皮尔逊相关性系数改进D-S证据理论比较 |
| 3.5 本章小结 |
| 第4章 基于SAE与 IDS的轴承单一故障检测与复合故障诊断模型 |
| 4.1 引言 |
| 4.2 稀疏自编码(SAE) |
| 4.3 基于SAE与改进D-S的轴承单一故障检测与复合故障诊断 |
| 4.3.1 单一故障检测框架 |
| 4.3.2 单一故障检测规则 |
| 4.3.3 改进的D-S证据理论 |
| 4.3.4 基于单一故障检测的复合故障诊断 |
| 4.4 数据准备与实验分析 |
| 4.4.1 数据准备 |
| 4.4.2 基于SAE与 IDS的单一故障检测实验分析 |
| 4.4.3 基于单一故障检测的复合故障诊断实验分析 |
| 4.5 本章小结 |
| 第5章 集成两级CNN融合的轴承复合故障诊断模型 |
| 5.1 引言 |
| 5.2 卷积神经网络(CNN) |
| 5.3 复合故障诊断框架 |
| 5.3.1 基于一级CNN的多传感器特征提取模型 |
| 5.3.2 基于二级CNN的多传感器融合模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 一级CNN模型分析 |
| 5.4.3 二级CNN融合模型分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 主要符号对照表 |
| 附录B 在学期间发表的学术论文与研究成果 |
（7）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 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 |
（8）改进FOA优化DBN的双转子不对中状态特征提取与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 转子系统不对中状态识别技术研究现状 |
| 1.2.2 深度置信网络在故障诊断中的研究现状 |
| 1.3 本文研究内容与结构 |
| 第二章 基于DBN的振动信号特征提取及分类识别能力研究 |
| 2.1 引言 |
| 2.2 双转子不对中振动试验 |
| 2.2.1 试验装置介绍 |
| 2.2.2 试验台临界转速试验 |
| 2.2.3 不对中试验 |
| 2.3 深度置信网络 |
| 2.3.1 限制玻尔兹曼机 |
| 2.3.2 DBN结构 |
| 2.3.3 DBN训练 |
| 2.4 DBN的振动信号特征提取能力研究 |
| 2.4.1 RBM的特征提取能力评估指标 |
| 2.4.2 RBM的振动信号特征提取能力分析 |
| 2.5 DBN的振动信号分类识别能力研究 |
| 2.5.1 DBN的分类识别能力评估指标 |
| 2.5.2 DBN的振动信号分类识别能力分析 |
| 2.6 本章小结 |
| 第三章 基于改进FOA的 DBN结构参数优化 |
| 3.1 引言 |
| 3.2 基本果蝇优化算法 |
| 3.2.1 基本果蝇优化算法原理 |
| 3.2.2 果蝇优化算法参数分析 |
| 3.3 改进果蝇优化算法 |
| 3.3.1 算法的改进描述 |
| 3.3.2 算法的性能测试 |
| 3.4 基于改进FOA的 DBN结构参数优化方法 |
| 3.5 本章小结 |
| 第四章 基于改进FOA优化DBN的双转子不对中状态识别 |
| 4.1 引言 |
| 4.2 基于改进FOA优化DBN的单传感器不对中状态识别 |
| 4.2.1 变分模态分解原理 |
| 4.2.2 基于VMD-优化DBN单传感器状态识别方法 |
| 4.2.3 基于优化DBN的单传感器不对中状态识别结果 |
| 4.3 基于改进FOA优化DBN多传感器不对中状态识别 |
| 4.3.1 经典D-S证据理论 |
| 4.3.2 基于优化DBN与改进D-S证据理论多传感器状态识别方法 |
| 4.3.3 基于优化DBN多传感器决策融合的不对中状态识别结果 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 全文研究工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 附录A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（9）基于数据及多源信息融合的轴承与行星齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源与选题背景 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 故障诊断技术的研究现状 |
| 1.2.2 多源信息融合技术的研究现状 |
| 1.3 本文的研究贡献与主要意义 |
| 1.4 本文的结构安排 |
| 第二章 滚动轴承及行星齿轮箱故障信号分析处理研究 |
| 2.1 滚动轴承及行星齿轮箱的时频故障特征提取 |
| 2.1.1 时域特征分析 |
| 2.1.2 频域特征分析 |
| 2.1.3 时频域特征分析 |
| 2.2 滚动轴承及行星齿轮箱的时频特征筛选 |
| 2.3 故障试验平台 |
| 2.3.1 故障试验平台介绍 |
| 2.3.2 故障设置与数据采集 |
| 2.3.2.1 滚动轴承故障试验 |
| 2.3.2.2 行星齿轮箱故障试验 |
| 2.3.3 故障数据的时频分析处理 |
| 2.3.3.1 滚动轴承故障数据 |
| 2.3.3.2 行星齿轮箱故障数据 |
| 2.4 本章小结 |
| 第三章 云模型改进D-S证据理论的融合诊断方法 |
| 3.1 云模型基本理论 |
| 3.2 D-S证据理论 |
| 3.3 云模型优化D-S证据理论的多源信息融合研究 |
| 3.3.1 算法框架 |
| 3.3.2 云模型优化D-S证据理论的滚动轴承多源信息融合 |
| 3.3.3 云模型优化D-S证据理论的行星齿轮箱多源信息融合 |
| 3.4 本章小结 |
| 第四章 云遗传算法优化支持向量机的故障诊断方法 |
| 4.1 支持向量机基本理论 |
| 4.2 云遗传算法 |
| 4.3 云遗传算法优化支持向量机的故障诊断研究 |
| 4.3.1 算法框架 |
| 4.3.2 基于美国凯斯西储大学轴承故障数据理论分析 |
| 4.3.3 基于云遗传优化SVM的行星齿轮箱故障诊断 |
| 4.3.4 基于云遗传优化SVM的滚动轴承故障诊断 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）低负荷下电站辅机安全监控技术研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究国内外发展状况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 低负荷下辅机安全问题 |
| 1.4 课题来源、研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 主要研究内容与论文结构 |
| 第2章 辅机安全监控方案设计 |
| 2.1 整体方案设计 |
| 2.2 智能前端设计与开发 |
| 2.2.1 硬件组成框架 |
| 2.2.2 振动、噪声传感器 |
| 2.2.3 智能前端与信号输入模块 |
| 2.2.4 通讯模块 |
| 2.2.5 智能前端开发 |
| 2.3 安全监测终端设计 |
| 2.4 本章小结 |
| 第3章 振动噪声特征提取方法的研究 |
| 3.1 引言 |
| 3.2 振动信号特征提取方法研究 |
| 3.2.1 时频分析 |
| 3.2.2 基于小波能谱熵的振动状态定量评估 |
| 3.3 噪声信号特征提取方法研究 |
| 3.3.1 倍频程原理及Welch功率谱估计 |
| 3.3.2 噪声特征提取仿真分析 |
| 3.4 本章小结 |
| 第4章 基于噪声特征的辅机状态识别方法研究 |
| 4.1 引言 |
| 4.2 堆叠自编码神经网络 |
| 4.3 基于噪声特征的状态识别算法流程 |
| 4.4 仿真测试与验证 |
| 4.5 本章小结 |
| 第5章 基于辅机过程变量的状态监测与故障预警方法研究 |
| 5.1 引言 |
| 5.2 多元状态估计技术 |
| 5.3 基于融合距离的相似度函数 |
| 5.4 自适应阈值及参数更新方法 |
| 5.5 基于偏差贡献度的故障早期诊断 |
| 5.6 磨煤机故障预警及早期诊断仿真 |
| 5.6.1 数据获取与记忆矩阵的构建 |
| 5.6.2 仿真测试与验证 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、磨煤机故障诊断中多传感器信息融合技术的应用（论文参考文献）
- [1]基于信息融合技术的采煤机液压系统故障诊断研究[D]. 杨晋玲. 中北大学, 2021(09)
- [2]基于迁移学习的磨煤机状态监测与故障诊断研究[D]. 郭悦. 华北电力大学(北京), 2021(01)
- [3]燃煤电厂氧量传感器测量可靠性评估和故障诊断研究[D]. 张宇珩. 浙江大学, 2021(09)
- [4]基于D-S多信息融合理论的燃煤电厂锅炉智能故障诊断研究[D]. 程立钦. 河北工业大学, 2020
- [5]SXJ立式行星减速机监测技术改造管理研究[D]. 杨连涛. 北京化工大学, 2020(02)
- [6]基于多源信息融合的轴承复合故障诊断技术研究[D]. 张欢. 贵州大学, 2020(04)
- [7]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [8]改进FOA优化DBN的双转子不对中状态特征提取与识别[D]. 张帆宇. 湖南科技大学, 2020(06)
- [9]基于数据及多源信息融合的轴承与行星齿轮箱故障诊断[D]. 王馨苑. 电子科技大学, 2020(07)
- [10]低负荷下电站辅机安全监控技术研究与应用[D]. 李晓彬. 华北电力大学(北京), 2020(06)