一、M-P人工神经网络用于核电站故障诊断系统（论文文献综述）
程阳洋[1]（2021）在《基于量子深度神经网络的旋转机械剩余寿命预测研究》文中提出旋转机械在风力、煤矿、石油、电力、化工等国家重要产业中应用广泛,以发电机、汽轮机、发动机等核心机械装备为代表的大型旋转机械设备通常处于重负载、高转速的连续运行状态,不同失效形式的故障发生在旋转机械中易影响其正常工作。使用先进的设备故障维护技术对故障进行预警、监控旋转机械运行的健康状态,进而保障设备长期稳定运行具有重要的理论研究价值和实际工程意义。目前,旋转机械故障维护技术研究趋势已经从事后维修和定期维修等被动的维修模式逐渐进步到主动的预测维修。相比前几种维修方式,以故障预测与健康管理技术为基础的预测维修是根据机械设备实际的运行情况,监测其失效演变进程并预测其剩余使用寿命（Remaining Useful Life,RUL）,为设备的使用者和维护者提供决策支撑和预警信息,因而得以更好地保障机械设备的安全性和稳定性。为此,研究旋转机械RUL预测方法对于设备安全运行、节约维护成本和避免生产损失等意义重大。基于数据驱动的预测方法无需具体的退化物理模型,而是一种利用被测设备本身的某种退化指标或同类设备的历史运行数据,建立设备的RUL估计方法,它具有建模过程简单、兼容性强、适用范围广等优点。然而现有的数据驱动预测方法由于模型训练困难、对历史信息追溯失真等导致RUL预测在预测精度、计算效率方面均有待提高。因此,本文结合前沿的量子计算与深度学习理论,开展了预测精度、计算效率相统一的旋转机械RUL预测方法研究。本文的主要研究工作如下:（1）为解决经典深度神经网络在面对长时间序列无法获取整体记忆导致预测精度较低等问题,提出一种基于量子卷积单元重构循环神经网络（Quantum Convolutional Unit Reconstructed Recurrent Neural Network,QCURRNN）的旋转机械RUL预测方法。首先采用功率谱熵提取旋转机械性态退化特征,然后将该特征输入QCURRNN完成旋转机械性态退化趋势预测,最后将预测出的功率谱熵输入到失效概率模型中从而计算出RUL。在所提出的QCURRNN中,通过卷积单元对输入数据的降维作用精炼地保留上层信息,使得在后续量子循环神经网络中得以重构出与输入层一致的时间序列,所提出的RUL预测方法具有较高的预测精度。同时,采用带有动态学习率的随时间反向传播训练算法对QCURRNN的权值量子比特和活性值量子比特进行快速更新,提高网络的训练速度,进而使得基于QCURRNN的RUL预测方法实现较高的计算效率。滚动轴承的RUL预测结果表明该方法是切实可行的。（2）为了提高上述旋转机械RUL预测方法的预测精度,提出一种量子门控线路神经网络（Quantum Gated Circuit Neural Network,QGCNN）用于旋转机械RUL预测。与QCURRNN相比,构造量子化的更新门与重置门形成门控结构,对门限结构进行简化,减少学习参数的同时优化了网络内的信息流动,将重要的信息通过记忆单元融入到了隐层状态,并传递给下一个单元,使得QGCNN对隐层数据的处理更加简单直接,保留了更多的重要信息,进而提高了模型的泛化能力。因此,在保证计算效率的前提下,所提出的基于QGCNN预测方法在滚动轴承RUL预测中表现出更高的预测精度,说明基于QGCNN的预测方法能够有效地应用于旋转机械RUL预测。（3）此外,为进一步改善前两种方法在网络结构反馈机制和全局寻优能力方面的不足,从而获得更高的RUL预测精度和计算效率,提出一种量子基因链编码双向神经网络（Quantum Gene Chain Coding Bidirectional Neural Network,QGCCBNN）对旋转机械的RUL实现更加精确、高效地预测。在QGCCBNN中,设计了量子双向传递机制,建立时间序列的前后关系,根据输出层的反馈对网络的权值参数进行重新调整,从而实现输入信息与网络整体记忆之间更高的一致性,使QGCCBNN具有更好的非线性逼近能力。此外,为了提高全局优化能力和收敛速度,构建量子基因链编码代替梯度下降法传输和更新数据,对量子比特概率幅进行实数编码,并通过相位选择矩阵将损失函数最小值对应的余弦和正弦量子比特概率幅和当前时刻的量子比特概率幅进行比较,以实现对网络权值参数方向性并行更新。因此,所提出的QGCCBNN旋转机械RUL预测方法可以获得更高的预测精度和计算效率。（4）在以上研究基础上,采用Matlab 2018软件和Python 3.6编程语言进行混合编程,设计了旋转机械RUL预测软件系统。该系统包括对原始数据的性态退化特征提取、退化趋势预测、失效概率分析、RUL计算等功能模块,并在各模块下实现输入数据读取、方法参数设置、结果显示与存储等操作流程,具有人机交互性好、操作简便、运行稳定等优点,为旋转机械RUL预测提供了工程技术支撑。本文最后总结了作者的研究工作及研究成果,并展望了后续的研究方向。
余明东[2]（2021）在《管道振动监测系统研究》文中进行了进一步梳理核电是一种清洁、安全、技术成熟的发电方式,现阶段大多数发达国家都能应用核能发电,随着核电站的大量建设,核电站的安全问题也成为了时下不可忽视的热门问题。其中,核级管道的失效是核电站事故的一个常见原因,严重时诱发泄露,造成人员伤亡,而核级管道的失效多是由于振动引起的。本文分析了管道失效时的典型故障特征,基于管道的振动信号,对管道振动特征进行了提取和筛选,提出了基于数据驱动的管道振动的故障诊断方法,并研制了管道振动检测系统为管道故障诊断的工程应用提供了软件平台。本文的主要研究内容如下:（1）本文从分析管道失效的主要原因着手,归纳总结了管道典型的故障特征,并从时域和频域两个角度总结了振动信号的常见指标。在对管道振动信号进行特征提取后,选用了特征对比方法、XGBoost特征筛选方法、GBDT特征筛选方法对特征进行筛选,有效地筛选了故障特征,避免了仅凭经验筛选的局限性。（2）为能够高效、准确地对管道运行状态进行判断,本文采用了基于数据驱动的诊断模型对管道进行故障诊断。本文共采用了两种机器学习算法—KNN算法、logistic算法,一种集成学习算法—XGBoost算法、一种深度学习算法—DNN算法等4种不同的故障诊断模型对管道进行故障诊断。建模后使用先验数据对模型进行交叉验证,再通过混淆矩阵分析对比结果,从而筛选出适用于管道振动信号故障诊断的模型。（3）为切实解决管道故障在初期难以发现的问题,便于管道技术人员对管道实时、高效地进行监测,本文基于管道振动信号的故障诊断模型开发了一套管道振动监测系统。软件从人机交互出发,对整体界面进行了设计,并对各个模块的功能进行了设计,主要包括了数据采集、系统管理、故障诊断、通用模块等四个模块,实现了数据采集与存储、数据预处理、故障诊断等功能,为管道维修人员提供了一款操作简单方便,诊断结果精确的管道监测软件,为核电站的安全运行保驾护航。
赵海朋[3]（2020）在《柴油机典型故障特征提取与智能诊断方法研究》文中指出柴油机是现代国防装备和工业的重要动力装置,主要用于车辆、船舶、军事装备及工程机械等领域,其安全可靠的运行对任务的完成具有不可替代的地位和作用。但高温、高压、高速等恶劣的工作环境使柴油机内部机构容易产生故障,结构紧凑复杂、多冲击耦合以及变工况等固有特性导致故障征兆相对隐蔽,因果关系错综复杂,传统故障诊断技术难以满足当前智能制造的诊断要求。随着“德国工业4.0”、“美国工业互联网”和《中国制造2025》等新制造战略的提出,人工智能监测和诊断已经被列为智能制造的重要关键技术。因此,如何提取有效的故障特征和设计更智能的诊断方法是当前热门研究方向之一。本课题基于振动监测数据,将现代信号处理方法与人工智能相关技术结合,重点对柴油机典型故障特征提取和智能诊断方法进行研究。主要研究内容如下:针对整周期信号获取依赖键相信号的不足,提出一种无键相触发获取条件下的整周期信号预处理方法。首先,由于缸盖振动冲击特征不明显且干扰较多,设计了一种自适应阈值Teager能量算子方法,可以增强瞬态冲击特征并有效识别;其次,基于齿轮箱振动信号提出一种新型时频方法-同步压缩广义S变换,用于曲轴转速估计。随后,采用自适应相关分析算法获得无键相的整周期信号。最后,在不同型号的柴油机上进行验证,结果表明,该方法在不同工况获取的整周期信号与有键相方法。针对缸盖振动的非线性、非平稳及多瞬态分量等特性,提出一种基于自适应信号分解的振动特征提取方法。为解决传统粒子群优化算法容易陷入局部最优解或不收敛的问题,提出了一种动态自适应混沌粒子群优化算法,在此基础上,对变分模态分解方法的关键性能参数组合进行了优化研究。此外,通过引入语音识别领域的经典特征MFCC并对其进行改进,设计出一种新的柴油机振动信号特征提取方法。该方法可实现不同工况及不同故障条件下的特征提取。针对工况识别困难及传统方法中复杂繁琐的特征工程可能遗弃重要工况信息问题,分别提出了两种不同的柴油机工况识别方法。首先,通过改进变分模态分解将不同工况的振动信号进行分解,从IMF分量中提取多域特征,以保证不同空间的各工况信息被表达出来,然后针对多域特征融合存在维数灾难和冗余干扰问题,设计了一种最小冗余最大相关的特征融合方法,引进KNN并加以改进,从而实现工况识别。其次,本文提出一种基于一维深度典型相关卷积神经网络的工况智能识别方法,将卷积神经网络的自动特征提取功能及深度典型相关分析的复杂非线性特征映射能力相融合,最终实现端至端的工况智能识别。两种识别方法均在12种工况数据下得到了有效验证,实验结果表明,相比于其他分类器和传统深度模型,本文所提出模型的分类精度均更优。针对变工况条件下传统深度学习模型的故障诊断精确度不高的问题,本文在卷积神经网络基础上,仿照人类视觉注意力选择机制,提出了一种多分支注意力机制卷积神经网络的故障诊断模型。该模型具有人类仿生的注意力能力,使模型只关注与故障类别有关的信号区域和卷积特征,自动过滤无关信息。针对有标记故障数据缺少,正常工况数据样本多的问题,提出一种基于深度迁移学习的智能诊断方法,以不同工况的正常数据为训练样本,通过深度卷积神经网络自主学习变化工况的正常状态特征,在少量无标签的故障和正常数据样本辅助下,通过迁移学习将工况的正常特征进行领域自适应迁移,最终使模型成功地诊断变工况故障。以对12种工况的7种不同气门间隙故障为例进行验证,同时将模型的注意力和各层提取的特征可视化,结果表明,与其他诊断模型相比,本文所提方法能够准确识别变工况下的各类故障,分类性能优于其他模型。
唐永红,付彤,龚安[4]（2020）在《核电站主泵状态预测系统的设计与实现》文中提出针对现有的核电站故障诊断系统中主泵运行状态预测模块较少的问题,设计开发了基于LSTM神经网络算法的轻量级核电站主泵状态分析及预测系统。系统基于主泵监测数据所形成的时间序列实现了异常状态检测、运行状态预测等功能,并对分析结果进行了可视化处理。实践证明,该系统作为核电站主泵故障诊断系统的补充在理论研究和指导生产实践中有广阔的应用前景和一定的研究价值。
焦瑞华[5]（2020）在《面向复杂工程系统的故障预测方法研究》文中进行了进一步梳理随着科学技术和现代工业的飞速发展,机械、能源、石化、运载和国防等行业的设备日趋大型化、高速化、集成化和自动化。随之而来的是对设备运行的安全性与可靠性的要求不断加大,从而使得相应的维修策略从传统的事后维修和定期维修向视情维修转变。然而目前大部分系统及设备还是以定期维修为主,这种方式不仅耗费资源而且效率低下。因此,有必要研究故障预测与健康管理技术以实现系统的视情维修。故障预测与健康管理技术在近些年得到越来越多的关注、研究与应用,已经成为可靠性领域的热点研究方向。其中故障预测是故障预测与健康管理的基础与核心内容。如果能够预测复杂工程系统中故障发展的趋势,确定部件或系统的剩余使用寿命,就可以综合当前的经济、设备等各种因素制定出最优的维护策略,从而保障复杂工程系统的安全性与可靠性。本课题从复杂工程系统对故障预测与健康管理技术的需求出发,以全面提升复杂工程系统的安全性和可靠性为目的。重点对复杂工程系统的健康状态评估和剩余使用寿命预测方法展开了理论研究与应用验证,力求为实现复杂工程系统的视情维修提供重要的决策支撑。本文的主要研究内容包括以下几个方面:（1）针对复杂工程系统退化状态难以观测和故障严重程度难以辨识的问题,提出了健康指标构建、健康状态识别以及安全等级评估的一体化及可视化方案。为构建能有效反应复杂工程系统健康状态退化趋势的健康指标,提出了基于深度置信网络的无监督健康指标构建方法。基于构建的健康指标,利用左右型连续隐马尔可夫模型实现健康状态的准确识别。然后,提出了基于健康指标和健康状态识别结果的模糊综合安全等级评估方法,实现了复杂系统安全等级的有效评估。最后,设计了故障预测可视化平台,以方便直观、及时地反映出系统当前的健康和安全状况。（2）针对复杂工程系统结构复杂、参数众多、强非线性的特点,提出了一种数据和模型相结合的剩余使用寿命预测策略。首先基于所提出的能够提取细粒度特征和粗粒度特征的深度循环神经网络进行健康退化趋势的准确识别。然后基于健康指标构建退化模型的状态方程。最后结合粒子滤波算法进行系统剩余使用寿命的预测。此外,针对粒子滤波算法存在的粒子退化现象进而导致预测结果不准确的问题,提出了利用条件变分自动编码器来改进粒子滤波算法的方法,实现了粒子滤波算法预测效果的提升。（3）针对复杂工程系统变量耦合、故障多源多征兆的问题,提出了多故障模式下的故障识别与剩余使用寿命预测框架。为识别出多个故障的退化趋势,提出了可以精准提取系统退化特征的间隙测度深度置信网络。然后,分离出多个故障类型的退化特征,并基于支持向量描述对每一个故障类型进行建模描述。最后,对当前故障类型进行退化建模并利用粒子滤波算法预测出剩余使用寿命的估计值与置信区间,实现多故障模式下的故障识别与剩余使用寿命预测。
王冠[6]（2020）在《柴油机典型故障诊断及非稳定工况评估方法研究》文中提出柴油机作为一种重要的动力机械,具有零部件多、运动复杂、工作环境恶劣等特点,其状态性能好坏将直接影响工作任务的顺利进行。一旦发生故障轻则停工停产造成经济损失,重则导致人员伤亡。因此,研究柴油机的故障诊断技术和状态评估方法,对确保柴油机工作正常具有重要意义。在柴油机的实际工作中,由于噪声干扰、工况多变,传统的特征提取和模式识别方法需要人为提取并筛选特征已经很难自适应的解决故障诊断问题。基于此,本文以柴油机为对象,针对故障数据缺乏,故障敏感特征提取不准等问题,引入卷积神经网络以自适应提取特征,数据扩增和迁移学习以弥补数据量的不足,进而研究典型故障诊断方法;此外,针对柴油机非稳定工况评估方法匮乏等问题,进行了相关评估研究,并将所提出的方法在工程实际数据上进行了验证。论文的主要内容如下:（1）研究了基于机理的数据扩增和改进的深度卷积网络的柴油机故障预警与诊断方法。首先基于故障机理特征分别生成失火和气门故障的振动图像,然后采用改进的ResNet训练并制作故障数据库,最后分别使用阈值法和SVM法进行了验证。（2）研究了基于迁移学习的柴油机故障诊断方法。首先使用预先训练的AlexNet模型,在5%～80%的数据下训练并进行故障诊断,然后与普通的CNN和EMD+SVM法对比分析验证了方法的有效性,最后通过可视化分析解释了迁移学习的合理性。（3）研究了基于灰色评价的柴油机启机评估方法。首先利用Teager算子和冲击定位自适应地捕捉启动阶段每周期各缸的高压气体冲击区域,然后提取可以表征高压空气的做功能力的特征,最后采用灰色评价法进行综合评估,并通过实际测试结果进行了验证。
刘月[7]（2020）在《三相异步电动机故障智能检测与诊断方法研究》文中研究表明三相异步电动机是当今工业生产中应用最为广泛的动力驱动设备,它的运行状态直接影响了工业生产的正常运行,一旦发生故障将会导致整个生产系统的瘫痪,甚至会影响到人们的生命财产安全和国家安全。因此,对三相异步电动机进行监测及早期故障诊断,确保生产生活系统能够安全高效产出和优质节能运行,具有十分重要的意义。本文首先在解析模型的方法上,提出了基于鲁棒观测器的三相异步电动机故障检测方法;接着针对非线性系统观测器设计困难等问题,提出了基于解析模型结合BP神经网络的非线性观测器设计方法,实现了三相异步电动机的早期故障检测;最后,针对传统故障诊断需要复杂的信号处理技术或只停留在检测过程,无法实现故障的准确诊断等问题,提出了基于深度学习的故障诊断方法。具体工作如下:（1）阐述了三相异步电动机故障诊断的研究现状。在阅读大量国内外文献的基础上,首先分析三相异步电动机故障诊断的研究背景及意义,接着重点回顾解析模型和深度学习在故障诊断领域的研究概况,找出目前三相异步电动机故障诊断研究中的热点问题,最后列出本文的重点研究内容。（2）概括了三相异步电动机基本的故障诊断方法。首先在不同的坐标系下对三相异步电动机进行数学建模,建立d-q坐标系下的状态方程。接着详细分析了几种典型的三相异步电动机故障类型,最后具体描述基于解析模型、信号处理和机器学习的故障诊断方法的实现原理及诊断过程。（3）设计了一种基于鲁棒观测器的三相异步电动机故障检测方法。首先阐述观测器的基本理论,包括线性系统观测器设计、含有未知项的线性系统观测器设计和非线性系统观测器设计。接着具体描述本文所使用的鲁棒观测器的设计过程及观测器参数的选择,使用一种简单有效的选择误差反馈增益矩阵的方法,并进行了稳定性分析,最后通过三相异步电动机鲁棒观测器仿真实验证明:鲁棒观测器对异步电机故障检测的可行性和有效性。（4）提出基于改进的BP神经网络观测器的三相异步电动机故障智能检测方法。针对现阶段大多数非线性观测器是基于Lipschitz条件设计的,其应用具有一定的局限性。基于此,本文提出一种以解析模型为基础,结合BP神经网络的非线性观测器的设计,该方法利用布谷鸟算法优化BP神经网络（CS-BP）,对三相异步电动机数学模型的非线性部分进行预测,所设计的非线性观测器能准确估计电机的电流和转速。最后,进行三相异步电动机的绕组故障实验,通过对电流残差的分析,实现了三相异步电动机的在线故障检测。（5）提出了基于深度学习的三相异步电动机故障智能诊断方法。基于解析模型的故障诊断方法需要精确的数学模型,但对于高阶非线性、强耦合、多变量的三相异步电动机来说,建立精确的数学模型是困难的;基于信号处理的方法中特征提取、分析和选择,需要研究者对诊断对象有充分的故障理论基础。深度学习具有强大的表达能力,可以将信号特征提取与模式识别融为一体,因此本文提出基于PCA-SVCNN的三相异步电动机故障诊断方法,该方法首先通过Savitzkygolay平滑去噪,使用主成分分析（PCA）对采集到的电流信号进行降维可视化,接着混合支持向量机（SVM）和卷积神经网络（CNN）对降维后的数据进行实验分析,最终实现三相异步电动机的故障智能诊断。
常江[8]（2020）在《核电多相环形无刷励磁机励磁绕组匝间短路故障分析与在线监测》文中进行了进一步梳理多相无刷励磁机作为一种特殊的同步发电机,多用于核电站中为发电机提供高品质的励磁电源。在无刷励磁机内部故障频发的情况下,励磁机目前的“弱保护”状态已无法满足机组安全稳定运行的要求。为实现对多相环形无刷励磁机励磁绕组匝间短路的在线监测,本文在数学建模、仿真实验对比、故障特征及其机理、故障在线监测原理及故障保护装置等方面进行了研究。基于多回路分析法,本文首先提出了多相环形无刷励磁机励磁绕组匝间短路的一般数学建模方法。以单个线圈为基本单元,构建了各组成部分间电感参数矩阵。考虑电机定转子实际连接,根据回路组成建立多相无刷励磁系统方程组。考虑故障发生后励磁回路变化情况,根据二极管导通关断状态,实时更新基本回路矩阵,完成最终的迭代求解。为验证数学建模方法的正确性,首先根据5对极11相实验样机的相关参数,建立了该电机的数学模型,计算了样机的定转子各侧自互感参数。在实验样机上进行了实验研究,对比了相关电气量实验与仿真波形。样机的实验和仿真波形吻合度高,验证了一般建模方法的正确性。仿真与实验结果间存在一定的误差,本文总结了产生误差的原因并讨论了可提高数学模型精度的办法。为明确故障后定转子电流谐波特征,提出了无刷励磁机励磁绕组匝间短路故障的一般机理分析方法。以一般m相P对极无刷励磁机为分析对象,从故障时定、转子绕组产生的磁场及其相互感应作用入手,理论分析了定、转子电流的稳态故障特征。分析表明励磁电流中存在m/P倍次谐波而电枢电流中存在各次谐波。多相环形无刷励磁真机的仿真研究进一步证明了机理分析的正确性。作为上述机理分析的延伸,对不同类型同步发电机的结构进行调研,总结了一般同步发电机常用的电枢绕组形式,并分析了电枢绕组形式对故障后稳态励磁电流谐波特性的影响,完善了一般同步发电机励磁绕组匝间短路故障一般机理分析方法。总结了无刷励磁机发生不同内部故障时故障特征,明确了多相环形无刷励磁机励磁绕组匝间短路的故障特征独有性。基于定子励磁电流所发生的变化规律,制定了相应的励磁绕组匝间短路故障监测原理,进行定值整定。根据上述保护监测原理,研发了监测装置,并于实验样机上测试了监测装置性能。实验结果验证了检测原理的有效性以及监测装置的电气量采样、电气量计算以及故障判断的正确性。
杜岩[9]（2020）在《基于时频图像识别的滚动轴承故障诊断方法研究》文中进行了进一步梳理滚动轴承是各类机械设备中最常用的关键零部件之一,也是易损零部件。滚动轴承的运行状态直接影响到整台设备的性能及其运行的安全性与可靠性。因此,开展滚动轴承的故障诊断研究,对保障机械设备安全可靠地运行,避免重大及灾难事故的发生具有非常重要的科学意义和工程应用前景。由于运行过程中负载、转速等因素的变化,滚动轴承的振动信号表现出非平稳特性,而且这种非平稳特性会随着故障的发生变得更为明显。相比传统的时域分析和频域分析方法,时频分析能够更好地揭示非平稳信号在时频域中的幅值/能量分布及局部时变特征。因此,采用时频分析构建的振动信号时频图像蕴含了更加丰富的滚动轴承状态信息,通过对时频图像进行深入分析识别,可以更好地实现滚动轴承故障诊断。常见的基于时频图像识别的故障诊断方法大致可分为三类,分别为:基于人工分析的方法、基于传统机器学习的方法和基于深度学习的方法。其中,基于人工分析的方法是由专业人员分析时频图像揭示出的时频域特征来实现故障诊断,而其他两类诊断方法则是采用计算机对时频图像进行自动分类识别实现故障诊断。显然,基于人工分析的方法费时费力,其诊断结果也会受到人的主观因素影响。而且,由于时频图像的精准性会对专业人员的分析判断产生很大的影响,该类方法对时频分析的性能依赖最为严重。其他两类方法能够将专业人员从繁杂的图像分析识别中解放出来,诊断结果也更为客观。但基于人工分析的方法具有对数据量要求很低的优点,而其他两种方法都需要一定的数据量来训练模型,尤其是基于深度学习的方法更是需要大量的数据用于训练。此外,这三类方法的识别率及稳定性都有待进一步提高。总之,三类方法各有优缺点,都还存在一些问题有待进一步研究。本文主要研究工作包括以下三个方面:（1）滚动轴承振动信号时频分析方法研究基于人工分析的方法对时频分析的性能依赖最为严重,而常用时频分析方法存在分析结果不稀疏、分辨率低、受交叉项干扰的问题,为此,提出了一种基于一阶原始对偶算法的稀疏时频分析方法。该方法基于稀疏表示理论构建稀疏时频分析模型,并采用一阶原始对偶算法对模型进行求解。由于该方法本质上是一种线性时频分析方法,且引入了稀疏约束,因此能够获得比传统方法更高的时频分辨率和时频聚集性,且不存在交叉干扰项。对仿真信号的分析结果表明,该方法能克服传统时频分析方法结果不稀疏、分辨率低、交叉项干扰等缺点,且具有更好的去噪能力。利用西储大学轴承数据进行了实验分析,结果表明,相比传统时频分析方法,本文方法能够获得稀疏性更好、时频分辨率和聚集性更高的轴承振动信号时频图像,在准确地反映出信号时频特征的同时也使得故障冲击特征更为明显,为专业人员进行故障诊断提供更精确的信息。（2）基于时频图像纹理特征迁移的滚动轴承故障诊断方法研究针对变工况条件下训练数据和测试数据的特征分布存在差异,导致基于传统机器学习的方法诊断性能下降的问题,提出了一种基于时频图像纹理特征迁移的滚动轴承故障诊断方法。该方法首先采用时频分析将振动信号转换为时频图像,接着提取时频图像的灰度共生矩阵纹理特征作为反映轴承状态的特征向量,之后利用联合分布适配算法将不同工况下的纹理特征映射到低维潜在空间,最后将得到的分布差异小的公共迁移特征作为最近邻分类器的输入,实现对轴承故障的准确诊断。由于采用了联合分布适配算法进行特征迁移学习,该方法能够利用来自一种工况的数据进行训练来实现对其他工况数据的准确分类诊断。利用西储大学轴承数据进行了实验,结果表明该方法能很好地提取出不同工况样本数据的公共迁移特征,从而显着提高变工况条件下的诊断性能。（3）基于深度迁移学习的滚动轴承故障诊断方法研究针对传统深度学习诊断方法在变工况条件下诊断性能出现下降,以及少量单一工况数据无法有效训练深度网络的问题,提出了一种基于深度迁移学习的滚动轴承故障诊断方法。该方法采用时频分析将振动信号转换为时频图像,结合深度迁移学习和残差学习理论提出了一种迁移深度残差卷积神经网络（Transfer Deep Residual Convolutional Neural Networks,TDRCNN）用于自动学习时频图像特征同时完成分类诊断。由于采用了深度迁移学习方法,TDRCNN能够充分利用从来自一种工况（源领域）的大量数据和另一种工况（目标领域）的少量数据中学习到的知识对目标领域数据进行准确分类诊断。此外,残差结构的引入还解决了传统卷积神经网络存在的训练难度大和性能下降问题。采用西储大学轴承数据进行了实验验证,结果表明本文提出的TDRCNN在训练、故障识别、可视化特征聚类与分离方面都优于无迁移网络和没有采用残差结构的迁移网络。同时,实验结果也验证了所提出方法在不同时频分析方法、不同工况差异下的有效性。
王航[10]（2018）在《模型驱动的核电站混合式故障诊断策略研究》文中研究说明核动力装置具有潜在的放射性风险,事故发生后对全球生态环境影响深远,而人因失误是主要因素之一。船用核动力装置具有“孤岛运行”、运行人员有限等特殊运行条件,亟需进一步提高其运行安全性。目前,商用核电站的数字化仪控系统及相关设施对异常的识别能力有限,发生故障后主要依靠操纵员的经验进行处置,容易造成判断失误进而导致灾难性的损失。随着信息技术和人工智能技术的快速发展,有必要研发智能化的操纵员支持技术以降低操作失误的概率,同时也可以为“智慧核电”中的智能化运维提供技术基础。目前,操纵员支持技术面临的主要问题就是故障诊断的准确性和可信性较低。在过去几十年的研究中,由于单独采用数据驱动方法存在样本数据获取困难、诊断结果可解释性较差的问题;单独采用专家知识方法又存在知识获取困难、定性分析范围有限的不足,因此单一诊断方法不能有效地解决问题。但是随着仿真技术的提高,定量解析模型为提高故障诊断的准确性提供了重要途径,本研究将机理仿真模型、数据驱动和专家知识进行有机融合,提出一种基于模型驱动的混合式故障诊断方法,以达到优势互补的目的。主要在以下几个方面展开研究:本研究对故障诊断的技术流程重新进行总体设计并明确各环节之间的耦合关系,提出以机理仿真模型为驱动力来实现故障诊断技术,将数据驱动和专家知识的优势融合到计算过程中,详细阐明所述方案的合理性,解决目前分析结果不能完全被操纵员信服的被动局面。针对核电站中样本数据匮乏尤其是故障后运行数据不足的问题,建立基于热工水力过程的在线机理仿真模型。在传统实时仿真建模技术的基础上,保证关键设备的运行特性得到准确体现;通过引入实时运行数据使在线机理仿真模型能够在正常运行时与核动力装置同步运行;在故障后,可以为故障诊断提供超实时仿真数据,甚至可以进行故障趋势预测。通过与核电站在役全范围模拟机的在线数据交互,验证所述方法的准确性。由于核动力装置具有大量设备和执行机构,一旦某一部件发生故障会导致过程参数相继出现异常,因此将核动力装置视为一个整体进行故障诊断很难达到理想效果。本研究根据核动力装置的测点布置将状态监测与故障诊断的任务分配到每个相对独立的子单元中,对每个相对独立的单元建立基于机理仿真的监测模型。针对单独利用分布式机理仿真模型存在数据特征筛选工作量过大的问题,对各个分布式监测单元与实际系统的对应特征参数作残差,再基于序贯概率比检验对残差进行统计分析,以实现故障的快速定位。最后,通过仿真实例验证上述方法的准确性。针对专家知识进行故障类型初步诊断时,其诊断结果一般不唯一,存在较大不确定性的问题,采用基于小样本学习的支持向量机进行故障类型确诊,可以避免基于大样本推理分析的方法其样本量必须趋于无穷大的问题。但是,支持向量机在一些关键参数的选取上没有统一原则,严重影响了分类精度;目前已有参数寻优方法存在寻优效率低、耗时过长的问题。因此,本研究采用多种搜索方式相结合的粒子群算法确保支持向量机既能够最大化保证诊断准确率又能满足在线性需求。在典型故障程度评估过程中,由于核动力装置参数众多且存在强烈的非线性耦合关系,若将所有运行参数直接作为评估参数,一些变化不明显的参数会削弱变化明显参数的指引作用,最终影响故障程度评估的准确性。为此本文对核主元分析法与其他非线性流形降维方法进行对比,提出一种基于核主元分析的故障特征提取方法。针对故障程度评估过程中无法提前确定分类模式的特点,提出基于相似性聚类的状态识别方法,分别利用几种典型距离函数对维度约简后的数据进行聚类分析,通过对几种典型故障的对比,验证了欧式距离函数下的计算结果准确性相对更高,可解释性更强。
二、M-P人工神经网络用于核电站故障诊断系统（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、M-P人工神经网络用于核电站故障诊断系统（论文提纲范文）
（1）基于量子深度神经网络的旋转机械剩余寿命预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景和研究意义 |
| 1.3 旋转机械剩余使用寿命预测方法研究现状 |
| 1.4 本文主要工作 |
| 2 深度神经网络与量子计算 |
| 2.1 引言 |
| 2.2 深度神经网络 |
| 2.2.1 生物神经元 |
| 2.2.2 人工神经元 |
| 2.2.3 深度神经网络结构 |
| 2.3 量子计算 |
| 2.3.1 量子比特 |
| 2.3.2 量子门 |
| 2.4 本章小结 |
| 3 基于量子卷积单元重构循环神经网络的旋转机械剩余寿命预测方法 |
| 3.1 引言 |
| 3.2 量子卷积单元重构循环神经网络(QCURRNN) |
| 3.2.1 量子神经元 |
| 3.2.2 卷积单元 |
| 3.2.3 QCURRNN理论模型 |
| 3.2.4 QCURRNN训练算法 |
| 3.3 基于QCURRNN的旋转机械RUL预测方法 |
| 3.3.1 功率谱熵 |
| 3.3.2 QCURRNN的训练过程 |
| 3.3.3 QCURRNN的预测过程 |
| 3.3.4 剩余使用寿命预测 |
| 3.4 实例分析 |
| 3.4.1 滚动轴承性态退化实验描述 |
| 3.4.2 对1 号轴承的剩余使用寿命预测 |
| 3.4.3 对1 号轴承的剩余使用寿命预测对比分析 |
| 3.5 本章小结 |
| 4 基于量子门控线路神经网络的旋转机械剩余寿命预测方法 |
| 4.1 引言 |
| 4.2 量子门控线路神经网络(QGCNN) |
| 4.2.1 门限循环单元 |
| 4.2.2 QGCNN理论模型 |
| 4.2.3 QGCNN训练算法 |
| 4.3 基于QGCNN的旋转机械RUL预测方法 |
| 4.3.1 QGCNN的训练过程 |
| 4.3.2 QGCNN的预测过程 |
| 4.4 实例分析 |
| 4.4.1 对1 号轴承的剩余使用寿命预测 |
| 4.4.2 对1 号轴承的剩余使用寿命预测对比分析 |
| 4.5 本章小结 |
| 5 基于量子基因链编码双向神经网络的旋转机械剩余寿命预测方法 |
| 5.1 引言 |
| 5.2 量子基因链编码双向神经网络(QGCCBNN) |
| 5.2.1 QGCCBNN理论模型 |
| 5.2.2 QGCCBNN训练算法 |
| 5.3 基于QGCCBNN的旋转机械剩余寿命预测方法 |
| 5.3.1 QGCCBNN的训练过程 |
| 5.3.2 QGCCBNN的预测过程 |
| 5.4 实例分析 |
| 5.4.1 对1 号轴承的剩余使用寿命预测 |
| 5.4.2 对1 号轴承的剩余使用寿命预测对比分析 |
| 5.4.3 对2 号轴承的剩余使用寿命预测 |
| 5.4.4 对2 号轴承的剩余使用寿命预测对比分析 |
| 5.5 本章小结 |
| 6 旋转机械剩余寿命预测系统设计 |
| 6.1 引言 |
| 6.2 系统总体设计 |
| 6.2.1 系统主体功能 |
| 6.2.2 基本操作流程 |
| 6.3 应用实例 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
| 已发表的学术论文 |
| 参研项目 |
| 致谢 |
（2）管道振动监测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究课题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 振动信号特征的研究现状 |
| 1.2.2 监测系统研究现状 |
| 1.2.3 智能故障诊断的现状分析 |
| 1.3 论文主要研究内容和结构安排 |
| 第二章 管道故障类型及特征提取 |
| 2.1 管道振动的典型故障类型 |
| 2.2 管道振动信号的特征 |
| 2.2.1 时域特征提取 |
| 2.2.2 频域特征提取 |
| 2.3 特征对比及敏感特征筛选 |
| 2.3.1 汽蚀敏感特征筛选 |
| 2.3.2 共振敏感特征筛选 |
| 2.3.3 支撑刚度不足敏感特征筛选 |
| 2.3.4 特征筛选 |
| 2.4 基于XGBoost的特征筛选 |
| 2.4.1 XGBoost特征筛选理论介绍 |
| 2.4.2 XGBoost管道特征筛选Python实现 |
| 2.5 基于GBDT的特征筛选 |
| 2.5.1 GBDT特征筛选理论介绍 |
| 2.5.2 GBDT管道特征筛选Python实现 |
| 2.6 本章小结 |
| 第三章 基于振动信号的管道故障诊断 |
| 3.1 K-近邻算法 |
| 3.1.1 K-近邻基本原理 |
| 3.1.2 基于KNN算法的管道故障诊断实验 |
| 3.2 逻辑回归算法 |
| 3.2.1 逻辑回归基本原理 |
| 3.2.2 基于逻辑回归算法的管道故障诊断实验 |
| 3.3 XGBoost分类算法 |
| 3.3.1 XGBoost基本原理 |
| 3.3.2 基于XGBoost算法的管道故障诊断实验 |
| 3.4 深度学习DNN算法 |
| 3.4.1 DNN算法基本原理 |
| 3.4.2 基于DNN算法的管道故障诊断实验 |
| 3.5 几种学习算法诊断结果的比对 |
| 3.6 本章小结 |
| 第四章 管道振动监测系统的平台设计 |
| 4.1 软件整体概述 |
| 4.1.1 设计目的 |
| 4.1.2 开发工具 |
| 4.1.3 软件整体架构 |
| 4.1.4 平台界面 |
| 4.2 软件功能模块 |
| 4.2.1 数据采集模块 |
| 4.2.2 故障诊断模块 |
| 4.3 软件平台功能验证 |
| 4.3.1 数据采集功能验证 |
| 4.3.2 故障诊断功能验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（3）柴油机典型故障特征提取与智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及目的意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 整周期采样方法的研究现状 |
| 1.2.2 特征提取方法的研究现状 |
| 1.2.3 工况识别方法的研究现状 |
| 1.2.4 故障诊断方法的研究现状 |
| 1.3 现阶段存在的问题 |
| 1.4 本文研究内容及整体结构 |
| 第二章 无键相触发条件的柴油机振动信号预处理方法 |
| 2.1 引言 |
| 2.2 柴油机振动主要激励及振动信号预处理 |
| 2.2.1 主要振动激励源 |
| 2.2.2 常见典型故障 |
| 2.2.3 传统键相获取方法及存在问题 |
| 2.2.4 无键相整周期信号获取的可行性分析 |
| 2.3 振动冲击和转速特征提取研究 |
| 2.3.1 基于自适应阈值TEO的冲击特征增强和识别方法 |
| 2.3.2 基于同步压缩广义S变换的转速估计方法 |
| 2.4 无键相的整周期信号方法及整体框架 |
| 2.4.1 基于自适应相关分析的整周期获取方法 |
| 2.4.2 无键相的整周期获取整体框架 |
| 2.5 本章小结 |
| 第三章 基于改进VMD自适应分解的振动特征提取方法 |
| 3.1 引言 |
| 3.2 变分模态分解方法优化研究 |
| 3.2.1 相关理论及参数分析 |
| 3.2.2 动态自适应的混沌粒子群优化算法 |
| 3.3 基于改进VMD的振动信号自适应分解方法 |
| 3.3.1 适应度函数设计 |
| 3.3.2 DACPSO-VMD方法整体框架 |
| 3.3.3 仿真信号验证 |
| 3.4 基于改进VMD与MFCC的特征提取 |
| 3.4.1 MFCC基本原理及改进 |
| 3.4.2 信号增强预处理 |
| 3.4.3 VMD-MFCC特征提取流程 |
| 3.4.4 仿真验证 |
| 3.4.5 实验验证 |
| 3.5 本章小结 |
| 第四章 柴油机工况智能识别的关键方法 |
| 4.1 引言 |
| 4.2 工况特征分析 |
| 4.2.1 时域特征 |
| 4.2.2 频域特征 |
| 4.2.3 时频域特征 |
| 4.3 基于特征融合的稀疏表示与改进KNN变工况识别 |
| 4.3.1 基于mRMR-SKCCA特征融合的稀疏表示 |
| 4.3.2 增强加权k最近邻分类器 |
| 4.3.3 工况识别方法整体框架 |
| 4.3.4 实验验证及结果分析 |
| 4.4 基于一维深度典型相关卷积神经网络的工况智能识别 |
| 4.4.1 卷积神经网络概述及理论基础 |
| 4.4.2 深度典型相关分析 |
| 4.4.3 基于一维深度典型相关卷积神经网络的工况智能识别 |
| 4.4.4 工况智能识别框架 |
| 4.4.5 实验验证及结果分析 |
| 4.5 本章小结 |
| 第五章 柴油机变工况典型故障智能诊断方法 |
| 5.1 引言 |
| 5.2 基于多分支注意力机制卷积神经网络的变工况故障诊断 |
| 5.2.1 注意力机制机理 |
| 5.2.2 多分支注意力机制卷积神经网络模型 |
| 5.2.3 变工况故障智能诊断方法流程 |
| 5.2.4 实验验证及结果分析 |
| 5.3 基于深度卷积迁移学习的变工况故障智能诊断 |
| 5.3.1 深度迁移学习原理介绍 |
| 5.3.2 基于深度卷积迁移学习的变工况故障智能诊断模型 |
| 5.3.3 深度迁移卷积学习故障诊断流程 |
| 5.3.4 实验验证和结果分析 |
| 5.4 本章小结 |
| 第六章 实验及工程应用 |
| 6.1 实验机组介绍 |
| 6.2 实验介绍 |
| 6.2.1 无键相的整周期获取实验 |
| 6.2.2 工况识别实验 |
| 6.2.3 变工况气门间隙故障模拟实验 |
| 6.3 工程应用机组介绍 |
| 6.4 工程应用介绍 |
| 6.4.1 无键相的整周期获取方法应用 |
| 6.4.2 工况智能识别方法应用 |
| 6.4.3 应急柴油机启动超时案例分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 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 |
| 附录 |
（5）面向复杂工程系统的故障预测方法研究（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 故障预测与健康管理的研究现状 |
| 1.2.2 故障预测的研究现状 |
| 1.3 存在的问题和挑战 |
| 1.4 论文的主要内容与章节安排 |
| 2 基于DBN的健康状态退化趋势识别 |
| 2.1 引言 |
| 2.2 基本理论 |
| 2.2.1 RBM |
| 2.2.2 DBN |
| 2.3 基于DDBN的无监督健康指标构建方法 |
| 2.4 实验验证 |
| 2.4.1 航空发动机数据集 |
| 2.4.2 实验结果 |
| 2.5 本章小结 |
| 3 基于连续HMM的健康状态动态划分与主动感知 |
| 3.1 引言 |
| 3.2 基本理论 |
| 3.2.1 马尔可夫过程 |
| 3.2.2 HMM原理 |
| 3.3 基于CHMM的健康状态识别方法 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 4 基于RNN和PF的大数据复杂环境下剩余使用寿命预测 |
| 4.1 引言 |
| 4.2 基本理论 |
| 4.2.1 RNN |
| 4.2.2 PF |
| 4.2.3 VAE |
| 4.3 基于deep RNN和PF的剩余使用寿命预测方法 |
| 4.4 基于CVAE的改进PF方法 |
| 4.5 实验验证 |
| 4.5.1 带钢热轧过程验证 |
| 4.5.2 锂电池退化过程验证 |
| 4.6 本章小结 |
| 5 基于SVDD的多故障模式下故障识别与剩余使用寿命预测 |
| 5.1 引言 |
| 5.2 基本理论 |
| 5.2.1 Gap metric |
| 5.2.2 SVDD |
| 5.3 基于Gap-DBN和SVDD的多故障模式下故障识别与预测方法 |
| 5.3.1 基于Gap-DBN的退化特征提取 |
| 5.3.2 基于SVDD的故障监测与识别 |
| 5.3.3 基于自适应故障阈值的RUL预测 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 6 基于模糊综合评价的安全等级层次化综合评估与可视化 |
| 6.1 引言 |
| 6.2 基本理论 |
| 6.2.1 层次分析法 |
| 6.2.2 模糊综合评价 |
| 6.2.3 可视化平台开发环境 |
| 6.3 基于模糊综合评价的安全等级层次化综合评估方法 |
| 6.4 基于安全等级评估一体化设计的故障预测可视化平台 |
| 6.5 实验验证 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 研究工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）柴油机典型故障诊断及非稳定工况评估方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柴油机故障监测诊断方法研究概况 |
| 1.2.2 柴油机非稳定工况监测评估方法研究概况 |
| 1.3 本文研究内容及结构安排 |
| 第二章 基于数据扩增的柴油机故障预警与诊断方法 |
| 2.1 卷积神经网络的原理和常见结构 |
| 2.1.1 CNN的原理 |
| 2.1.2 CNN的常见结构 |
| 2.2 基于数据扩增的虚拟样本生成 |
| 2.2.1 数据扩增的概念 |
| 2.2.2 试验台介绍 |
| 2.2.3 基于机理的数据扩增 |
| 2.3 基于ResNet的柴油机故障预警与诊断模型 |
| 2.3.1 ResNet模型结构 |
| 2.3.2 特征的可视化分析 |
| 2.3.3 故障预警与诊断方法 |
| 2.4 基于数据扩增的柴油机故障预警与诊断性能验证 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 实验结果对比分析 |
| 2.5 本章小结 |
| 第三章 基于迁移学习的柴油机故障诊断方法 |
| 3.1 迁移学习的原理和分类 |
| 3.1.1 迁移学习的概念 |
| 3.1.2 可迁移性解释 |
| 3.1.3 迁移学习的分类 |
| 3.2 基于迁移学习的故障诊断模型 |
| 3.2.1 TL-AlexNet实验组 |
| 3.2.2 其他对照组 |
| 3.3 基于迁移学习的柴油机故障诊断性能验证 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果对比分析 |
| 3.3.4 可视化分析 |
| 3.4 本章小结 |
| 第四章 基于灰色评价的柴油机非稳定工况评估方法 |
| 4.1 基于自适应阈值冲击定位的特征提取 |
| 4.1.1 Teager算子的特征增强 |
| 4.1.2 自适应阈值的冲击定位 |
| 4.2 基于灰色关联分析的灰色综合评估模型 |
| 4.2.1 灰色关联度 |
| 4.2.2 评估模型 |
| 4.3 基于灰色评价的工程案例分析 |
| 4.3.1 机组概述 |
| 4.3.2 启动阶段振动特点 |
| 4.3.3 启动性能灰色综合评估方法 |
| 4.4 本章小结 |
| 第五章 应急柴油机启机失火故障案例分析 |
| 5.1 振动监测平台搭建 |
| 5.2 启机失火故障分析 |
| 5.2.1 缸盖振动测点 |
| 5.2.2 瞬时转速测点 |
| 5.3 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 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（7）三相异步电动机故障智能检测与诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩语对照表 |
| 符号对照表 |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 电机故障诊断的研究概况 |
| 1.2.1 解析模型在电机故障诊断中的研究现状 |
| 1.2.2 深度学习在电机故障诊断中的研究现状 |
| 1.2.3 故障诊断研究中亟待解决的问题 |
| 1.3 本文主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 全文安排 |
| 第2章 三相异步电动机故障诊断基本方法 |
| 2.1 三相异步电动机数学模型 |
| 2.1.1 三相静止坐标系下的数学模型 |
| 2.1.2 两相静止坐标系下的数学模型 |
| 2.1.3 两相旋转正交坐标系下的数学模型 |
| 2.2 三相异步电动机主要故障类型 |
| 2.2.1 电气故障 |
| 2.2.2 机械故障 |
| 2.3 三相异步电动机故障诊断基本方法 |
| 2.3.1 基于信号处理的方法 |
| 2.3.2 基于解析模型的方法 |
| 2.3.3 基于机器学习的方法 |
| 2.4 本章小结 |
| 第3章 基于鲁棒观测器的三相异步电动机故障检测方法 |
| 3.1 观测器的基本理论 |
| 3.1.1 线性系统观测器设计 |
| 3.1.2 线性系统含有未知项的滑模观测器设计 |
| 3.1.3 非线性系统观测器设计 |
| 3.2 鲁棒观测器的设计与参数的选择 |
| 3.2.1 鲁棒观测器的设计 |
| 3.2.2 鲁棒观测器参数的选择 |
| 3.3 仿真实验验证 |
| 3.4 本章小结 |
| 第4章 基于改进BP-NN观测器的三相异步电动机故障智能检测 |
| 4.1 布谷鸟算法优化BP神经网络模型 |
| 4.1.1 BP神经网络 |
| 4.1.2 布谷鸟算法优化BP神经网络 |
| 4.2 基于CS-BP-NN观测器的三相异步电动机故障诊断方法 |
| 4.2.1 观测器的结构设计 |
| 4.2.2 观测器的稳定性分析 |
| 4.3 仿真实验验证 |
| 4.3.1 CS-BP神经网络离线训练结果 |
| 4.3.2 仿真实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于PCA-SVCNN的三相异步电动机故障智能诊断 |
| 5.1 卷积神经网络(CNN) |
| 5.1.1 CNN的特点 |
| 5.1.2 CNN的算法实现 |
| 5.2 支持向量机(SVM) |
| 5.2.1 支持向量机的结构 |
| 5.2.2 支持向量机的算法实现 |
| 5.3 基于PCA-SVCNN的三相异步电动机故障诊断方法 |
| 5.3.1 三相异步电动机数据采集系统 |
| 5.3.2 三相异步电动机故障诊断的实验验证 |
| 5.3.3 对比实验分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、攻读硕士学位期间发表的学术论文及研究成果 |
（8）核电多相环形无刷励磁机励磁绕组匝间短路故障分析与在线监测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 核电多相环形无刷励磁机的结构 |
| 1.1.2 研究的必要性 |
| 1.1.3 研究的特殊性 |
| 1.2 国内外研究现状 |
| 1.2.1 检测原理及方法 |
| 1.2.2 发电机内部故障计算方法 |
| 1.3 研究方法及主要内容 |
| 2 核电多相环形无刷励磁机励磁绕组匝间短路的数学模型 |
| 2.1 核电无刷励磁机励磁绕组匝间短路故障的基本方程 |
| 2.1.1 多相无刷励磁机方程 |
| 2.1.2 直流侧电压方程 |
| 2.1.3 系统方程 |
| 2.1.4 导通回路电压方程 |
| 2.2 电感参数的计算 |
| 2.2.1 电感参数计算的一般思路 |
| 2.2.2 气隙磁场的计算 |
| 2.2.3 定子励磁绕组的电感系数 |
| 2.2.4 转子电枢绕组的电感系数 |
| 2.2.5 定子励磁绕组与转子电枢绕组间的电感系数 |
| 2.3 基于多回路模型的仿真程序结构 |
| 2.4 本章小结 |
| 3 核电多相环形无刷励磁机励磁绕组匝间短路的仿真与实验 |
| 3.1 实验样机及实验方法 |
| 3.1.1 实验样机介绍 |
| 3.1.2 实验平台情况 |
| 3.1.3 实验设备图片 |
| 3.1.4 实验方法 |
| 3.2 电感参数的计算与分析 |
| 3.2.1 励磁绕组自感参数的计算验证 |
| 3.2.2 电枢绕组自互感参数的计算验证 |
| 3.2.3 励磁绕组与电枢绕组间互感参数的计算验证 |
| 3.3 实验与仿真的对比分析 |
| 3.3.1 正常运行时实验与仿真对比 |
| 3.3.2 励磁绕组匝间短路故障时实验与仿真对比 |
| 3.4 实验样机发生励磁绕组匝间短路故障的特征分析 |
| 3.4.1 其他抽头间励磁绕组匝间短路实验结果 |
| 3.4.2 不同励磁水平下3-5抽头间励磁绕组匝间短路仿真结果 |
| 3.5 本章小结 |
| 4 核电多相环形无刷励磁机励磁绕组匝间短路特征机理分析 |
| 4.1 故障机理分析方法 |
| 4.1.1 定子励磁电流直流分量产生的励磁磁动势 |
| 4.1.2 励磁磁动势引起的转子电枢相电流特性 |
| 4.1.3 转子电枢反应的合成磁动势 |
| 4.1.4 电枢反应引起的定子励磁电流谐波特性 |
| 4.2 无刷励磁机真机故障仿真分析 |
| 4.2.1 11相无刷励磁真机系统仿真结果分析 |
| 4.2.2 39相无刷励磁真机系统仿真结果分析 |
| 4.3 本章小结 |
| 5 电枢绕组形式对同步发电机故障后励磁电流谐波特性影响 |
| 5.1 电枢绕组形式的调研分析 |
| 5.1.1 线圈嵌线方向 |
| 5.1.2 绕组端口连接方式 |
| 5.1.3 分支内线圈构成 |
| 5.1.4 分支间相对空间位置 |
| 5.2 励磁绕组匝间短路故障机理分析方法的完善 |
| 5.2.1 分组思想的引入 |
| 5.2.2 励磁绕组匝间短路故障的机理分析完善 |
| 5.3 一个特殊实例的分析-汽轮发电机 |
| 5.3.1 常用汽轮发电机的结构特点 |
| 5.3.2 特性分析及总结 |
| 5.4 仿真分析 |
| 5.5 大型同步发电机故障后稳态励磁电流谐波特征总结 |
| 5.6 本章小结 |
| 6 核电多相环形无刷励磁机励磁绕组匝间短路的在线监测 |
| 6.1 各种故障独有特征的分析 |
| 6.2 基于励磁机定子励磁电流的监测原理及定值整定 |
| 6.2.1 励磁机定子匝间短路的故障特点 |
| 6.2.2 故障监测原理的提出 |
| 6.2.3 监测定值整定 |
| 6.2.4 辅助判据 |
| 6.2.5 监测原理的灵敏度分析 |
| 6.3 监测装置的研发与测试 |
| 6.3.1 监测装置的系统概况 |
| 6.3.2 系统软硬件系统设计 |
| 6.3.3 保护逻辑 |
| 6.4 监测装置的动模测试 |
| 6.4.1 实验平台与实验方法 |
| 6.4.2 试验记录 |
| 6.5 本章小结 |
| 7 结论 |
| 参考文献 |
| 附录 A 11相实验样机的主要参数 |
| 附录 B 无刷励磁机真机主要参数 |
| 附录 C A1553实验样机几种电枢绕组形式变换 |
| 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 |
（9）基于时频图像识别的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 机械设备故障诊断概述 |
| 1.2.1 机械设备故障诊断的发展概述 |
| 1.2.2 机械设备故障诊断技术研究内容 |
| 1.2.3 机械故障诊断的时频图像识别方法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 时频分析方法研究现状 |
| 1.3.2 时频图像特征提取研究现状 |
| 1.3.3 故障模式识别方法研究现状 |
| 1.4 现有研究存在的问题 |
| 1.5 研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 1.6 论文结构安排 |
| 2 理论基础 |
| 2.1 滚动轴承振动机理 |
| 2.1.1 滚动轴承基本参数 |
| 2.1.2 滚动轴承的故障失效 |
| 2.1.3 滚动轴承振动机理 |
| 2.1.4 小结 |
| 2.2 迁移学习基本理论 |
| 2.2.1 概述 |
| 2.2.2 领域自适应 |
| 2.2.3 深度迁移学习 |
| 2.3 深度学习基本理论 |
| 2.3.1 概述 |
| 2.3.2 人工神经网络 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 3 滚动轴承振动信号时频分析方法 |
| 3.1 引言 |
| 3.2 传统时频分析方法 |
| 3.2.1 线性时频分析方法 |
| 3.2.2 非线性时频分析方法 |
| 3.3 稀疏时频分析方法 |
| 3.3.1 稀疏表示理论 |
| 3.3.2 稀疏时频分析模型 |
| 3.3.3 稀疏时频分析模型求解 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.5.1 数据来源 |
| 3.5.2 振动信号分析 |
| 3.5.3 时频分析方法对比分析 |
| 3.6 本章小结 |
| 4 基于时频图像纹理特征迁移的滚动轴承故障诊断 |
| 4.1 引言 |
| 4.2 灰度共生矩阵纹理特征提取 |
| 4.3 联合分布适配 |
| 4.4 基于时频图像纹理特征迁移的故障诊断方法 |
| 4.5 实验分析 |
| 4.5.1 基于时频图像纹理特征的故障诊断实验分析 |
| 4.5.2 基于时频图像纹理特征迁移的故障诊断实验分析 |
| 4.6 本章小结 |
| 5 基于深度迁移学习的滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 残差学习 |
| 5.3 基于迁移深度残差卷积神经网络的故障诊断方法 |
| 5.3.1 深度残差卷积神经网络 |
| 5.3.2 迁移深度残差卷积神经网络(TDRCNN) |
| 5.3.3 基于TDRCNN的故障诊断方法 |
| 5.4 实验分析 |
| 5.4.1 单个迁移任务实验分析 |
| 5.4.2 不同工况差异的迁移任务实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）模型驱动的核电站混合式故障诊断策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 核动力装置运行支持技术的研究现状及应用 |
| 1.2.1 核动力装置运行支持技术的研究现状 |
| 1.2.2 核动力装置运行支持的关键技术及应用前景 |
| 1.3 状态监测与故障诊断关键技术的研究现状 |
| 1.3.1 在线机理仿真模型研究现状 |
| 1.3.2 状态监测方法的研究现状 |
| 1.3.3 故障诊断方法的研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 模型驱动的故障诊断策略总体设计 |
| 2.1 核动力装置的系统组成与运行特点 |
| 2.1.1 诊断对象的系统组成 |
| 2.1.2 诊断对象的运行特点与故障特性 |
| 2.1.3 诊断对象的故障模式 |
| 2.2 基于模型驱动的混合式故障诊断策略 |
| 2.2.1 系统功能 |
| 2.2.2 技术流程 |
| 2.3 本章小结 |
| 第3章 用于在线监测与趋势预测的机理仿真模型 |
| 3.1 引言 |
| 3.2 在线机理仿真模型的总体方案设计 |
| 3.2.1 技术流程 |
| 3.2.2 硬件设计方案 |
| 3.2.3 软件设计方案 |
| 3.3 反应堆及一回路系统的仿真模型 |
| 3.3.1 THEATRe程序简介 |
| 3.3.2 COBRAIIIC/MIT2 程序简介 |
| 3.3.3 一回路系统的热工水力仿真建模 |
| 3.3.4 堆芯子通道热工水力仿真建模 |
| 3.4 仿真模型的耦合与联调 |
| 3.4.1 RCS内的耦合计算 |
| 3.4.2 整体仿真模型的耦合与联调 |
| 3.5 机理仿真模型的初始化 |
| 3.6 仿真实验与分析 |
| 3.6.1 稳态满功率工况 |
| 3.6.2 单组控制棒失控掉落 |
| 3.6.3 主冷却剂管道大破口事故 |
| 3.7 本章小结 |
| 第4章 分布式状态监测与故障诊断 |
| 4.1 引言 |
| 4.2 分布式系统级状态监测 |
| 4.2.1 分布式策略的基本思想 |
| 4.2.2 基于机理模型的系统级监测原理 |
| 4.2.3 分布式的系统划分 |
| 4.3 特征参数的残差分析 |
| 4.3.1 序贯概率比检验的原理 |
| 4.3.2 残差分析的技术流程 |
| 4.4 技术流程 |
| 4.5 仿真实验与分析 |
| 4.5.1 开发环境 |
| 4.5.2 单一故障测试 |
| 4.5.3 双重故障测试 |
| 4.6 本章小结 |
| 第5章 基于支持向量机与粒子群算法的故障类型确诊 |
| 5.1 引言 |
| 5.2 支持向量分类机 |
| 5.2.1 线性SVM |
| 5.2.2 非线性SVM |
| 5.2.3 松弛因子 |
| 5.2.4 支持向量分类机的建立 |
| 5.3 改进的粒子群算法 |
| 5.3.1 粒子群算法的基本原理 |
| 5.3.2 粒子群算法的改进 |
| 5.3.3 多种搜索策略的优化粒子群算法 |
| 5.4 技术流程 |
| 5.5 仿真实验及分析 |
| 5.5.1 开发环境 |
| 5.5.2 关键参数分析 |
| 5.5.3 典型算法的对比 |
| 5.5.4 测试实例 |
| 5.6 本章小结 |
| 第6章 基于核主元分析与相似性聚类的故障程度评估 |
| 6.1 引言 |
| 6.2 核主元分析方法 |
| 6.2.1 核主元分析的基本原理 |
| 6.2.2 核主元分析的计算步骤 |
| 6.3 相似性聚类 |
| 6.3.1 典型的距离函数及其特点 |
| 6.3.2 主要聚类算法 |
| 6.4 技术流程 |
| 6.5 仿真实验与分析 |
| 6.5.1 开发环境 |
| 6.5.2 数据降维效果测试 |
| 6.5.3 相似性聚类分析测试 |
| 6.5.4 测试实例 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、M-P人工神经网络用于核电站故障诊断系统（论文参考文献）
- [1]基于量子深度神经网络的旋转机械剩余寿命预测研究[D]. 程阳洋. 四川大学, 2021
- [2]管道振动监测系统研究[D]. 余明东. 电子科技大学, 2021(01)
- [3]柴油机典型故障特征提取与智能诊断方法研究[D]. 赵海朋. 北京化工大学, 2020
- [4]核电站主泵状态预测系统的设计与实现[J]. 唐永红,付彤,龚安. 计算机与数字工程, 2020(11)
- [5]面向复杂工程系统的故障预测方法研究[D]. 焦瑞华. 北京科技大学, 2020(01)
- [6]柴油机典型故障诊断及非稳定工况评估方法研究[D]. 王冠. 北京化工大学, 2020(02)
- [7]三相异步电动机故障智能检测与诊断方法研究[D]. 刘月. 湘潭大学, 2020
- [8]核电多相环形无刷励磁机励磁绕组匝间短路故障分析与在线监测[D]. 常江. 北京交通大学, 2020(03)
- [9]基于时频图像识别的滚动轴承故障诊断方法研究[D]. 杜岩. 中国矿业大学(北京), 2020(01)
- [10]模型驱动的核电站混合式故障诊断策略研究[D]. 王航. 哈尔滨工程大学, 2018(08)