一、IDENTIFICATION OF CRACKED ROTOR BY WAVELET TRANSFORM（论文文献综述）
李宣[1]（2021）在《基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断》文中进行了进一步梳理风能是一种可再生的清洁能源,当代社会发展耗能大且能源短缺,风能的使用能够有效缓解传统能源短缺的问题,解决传统能源带来的环境污染问题。随着风电机组累计装机容量不断增加和风机使用环境恶劣导致风电机组齿轮箱故障频发。齿轮箱一旦发生故障,机组将面临长时间的停机和昂贵的维修费用,经济损失巨大。因此,准确、高效的对机组齿轮箱进行状态监测和故障诊断,对于保障机组安全稳定运行和提高发电效率具有重要意义。本文提出基于EWT（empirical wavelet transform）和最优参数精细复合多尺度散布熵的方法对风电机组齿轮箱故障诊断进行了研究。首先,在实际运行条件下,由于环境噪声干扰严重、振动信号传递路径复杂和机电耦合作用等原因导致风电机组齿轮箱振动信号具有非平稳、非线性并且信噪比低的特点,直接研究原始振动信号难以提取到有效的故障信息。本文引入经验小波变换处理风电机组齿轮箱振动信号,通过相关系数阈值筛选子模态分量进行信号重构,获取更高信噪比的故障振动信号。通过与EMD（empirical mode decomposition）分解方法对比,证明EWT可以在嘈杂的环境中有效地提取信号的主要成分,为后续特征提取环节打下基础。其次,针对特征提取和特征矩阵构建环节,传统时域、频域故障特征提取效果不佳、特征矩阵存在冗余的特点而造成故障诊断效果差的问题。引入新的时频特征精细复合多尺度散布熵（refined composite multiscale dispersive entropy,RCMDE）为特征向量,为提高精细复合多尺度散布熵算法的故障特征提取性能,获取区分度更大的精细复合多尺度散布熵,以其偏度值的平方函数作为适应度函数,通过网格搜索算法同步搜索计算两个关键参数m和C,提取齿轮箱重构故障振动信号的最优参数精细复合多尺度散布熵（optimal parameters refined composite multiscale dispersive entropy,OPRCMDE）构建特征矩阵。通过实验对比,证明EWT重构信号最优参数精细复合多尺度散布熵在提取各类故障特征时区分度更好,诊断结果更稳定准确。最后,针对特征向量冗余和一般分类算法参数多且参数设定影响分类准确率的问题。采用Relief-F算法计算特征向量的分类权重,选择权重大者构成最终的特征向量,剔除了冗余特征。最后再利用运算速度快,参数设置少的极限学习机（extreme learning machine,ELM）进行故障诊断。通过实验分析并与其它方法比较,证明本方法诊断正确率更高且更稳定,可以有效应用在风电机组齿轮箱故障诊断中,在实际工程应用中具有一定的价值,对于风电机组齿轮箱故障诊断的相关研究具有一定的参考性。
苏淑娴[2]（2021）在《基于粒子群优化胶囊网络的煤矿电机故障诊断系统》文中指出电机作为煤矿井下重要的设备,井下主要的动力来源,在煤矿井下各种场合有着广泛的应用。煤矿行业作为一种特殊行业,其对电机的可靠运行几乎是苛刻的,若电机发生故障,轻则造成电机设备损坏,影响生产的进度,重则会危及人员生命以及煤矿企业财产安全,造成不可挽回的损失,因此如何快速、准确地对煤矿电机进行故障诊断,具有十分重大的现实意义。本文以异步电动机为例,阐述了异步电机故障的几种主流类型,对常见的故障原理如定子故障、转子故障、偏心故障等进行了详细的分析,并总结了其故障特征信号,为矿用电机故障诊断的判断方法奠定理论基础。在故障信号处理部分,考虑到故障信号中不可避免的含有噪音,影响故障信号的提取,因此采用小波分解的方式对故障信号进行降噪处理,提升数据的可读性,保留大多数有效的数据信息;通过小波包进行故障信号频域的分解,获得信号的频带能量分布图,将不同频带的能量作为特征向量,组成数据样本,以供诊断模型进行训练与试验。在故障诊断模型部分,文章提出一种基于粒子群优化改进胶囊网络的煤矿电机故障诊断模型;为了有效增强粒子群算法寻优能力,解决粒子群收敛速度慢的问题,通过对惯性权重因子、学习因子以及位置迭代公式等多方面进行改进,使得改进粒子群算法的寻优能力获得大幅度改善。改进胶囊网络算法通过采用小尺寸卷积核、多次卷积的策略,来对故障信号进行特征提取,池化层的加入更是降低了数据的维度,减少了模型的数据负担,大大提升了模型的训练速度。实验结果表明,所提算法计算精度高、收敛速度快,能准确的对改进胶囊网络算法进行寻优,大大提高的煤矿电机故障诊断的准确率。图21表6参67
庞宇[3]（2021）在《基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究》文中提出近年来,风力发电产业得到迅猛发展,风电场作为风力发电产业的基本出力单元,其经济效益的好坏取决于风电机组故障停机时间。风电机组故障停机时间很大程度上受限于故障定位速度以及备品备件是否充足,这两点严重依赖于风电机组故障诊断技术和部件剩余寿命预测技术,而风电场在这两个关键技术环节上都比较薄弱。风电现场运行状况统计表明风电机组故障停机主要是风电机组传动系统机械部件故障引起的,现有故障诊断技术和部件剩余寿命预测技术要求大量具有高技术水平的诊断分析人员以人工方式进行故障诊断,这种低效工作模式不能有效支撑风电行业的健康发展。本文针对风电场故障诊断效率低下问题进行了详细深入的分析,聚焦于风电机组传动系统故障诊断和轴承剩余寿命预测技术,提出并实现了三种风电机组批量化和自动化故障诊断的方法,并对轴承剩余寿命预测方法进行了研究,相关工作内容如下:（1）系统化研究了信号降噪方法。在详细分析风电机组电磁干扰产生原因和传播路径基础上,从四个层面提出了具体的降噪措施:在传感器网络层面通过屏蔽接地和绝缘隔离方式进行降噪,在监测数据采集硬件平台层面通过设计抗混叠滤波器方式进行降噪,软件层面通过过采样方式进行降噪,在数据预处理层面通过小波变换和经验模态分解方法（EMD）进行降噪,实现了从传感器端到分析数据端各个环节的降噪,并将所提方法成功应用于风电现场实际,取得了良好的降噪效果。（2）提出了基于模糊专家系统的风电机组故障诊断方法。该方法通过设计故障模型来提取监测数据中的故障特征向量,经过模糊化处理后,作为模糊专家系统的事实输入,在模糊知识库和模糊推理机作用下完成风电机组在线故障诊断。目前,该方法已成功应用于风电现场实际,实现了风电机组故障诊断的自动化和批量化操作,大幅提高了风电机组故障诊断效率。（3）提出了基于特征可视化的风电机组故障诊断方法。引入混沌系统相空间重构技术将反映风电机组部件健康状态的非线性时间序列转化成高维解析模型,应用奇异值分解（SVD）将高维解析模型降维到三维空间,将表征部件健康状态的非线性时间序列转变为三维空间坐标点的移动轨迹,当坐标点移动到故障阈值区域时,可判断风电机组部件发生故障。现场应用实践表明该方法不需要进行频谱分析,降低了对故障诊断分析人员的技能要求,可大幅提升故障诊断效率。（4）提出了基于卷积神经网络的风电机组故障诊断方法。该方法核心关键是获得完备的训练样本,然而,风电规模化发展至今,尚未经历一个完整的设计生命周期,无法获取部件现场实际运行的完备性数据。本文通过反方向构建与故障特征相对应的时间序列,并与现场少量实际故障数据一起构成训练样本,完成卷积神经网络的训练和测试。现场实际应用表明本文所提出的故障诊断方法可实现风电机组故障诊断的批量化和自动化,具有很高的实用价值。（5）提出了基于离散余弦变换卷积神经网络的风力机组轴承剩余寿命预测方法。其思路是:首先,对轴承工作过程振动信号进行小波变换获得表征轴承退化状态的时频图像;其次,引入双线性变换技术对时频图像特征进行降维处理,并在应用离散余弦变换对降维后的时频图像进行稀疏性压缩,压缩后的图像作为卷积神经网络的训练样本,从而降低了网络复杂度,提高了网络效率。实验结果表明本文所提出方法相比于其它预测方法具有明显的效率优势,同时可在风电机组现有监测系统硬件平台上实现,提高了监测设备的利用水平,避免了风电场二次投资。本文研究内容直接应用于生产实际,针对风电场不同应用场景,提出的三种故障诊断方法已经应用于超过2000台风力电机组。大量现场应用结果表明,本文所提方法可以有效减少机组平均故障维护时间,降低运维成本,具有显着的经济效益和推广价值。
曹舒悦[4]（2020）在《基于振动信号小波变换的电机故障诊断方法研究》文中认为作为机械动力设备,电机是现代生产中最常见的设备之一,在农业机械、石油化工、船舶动力等领域应用广泛,其运行状况关系到设备安全。一旦电机出现故障,将会降低生产效率,甚至造成经济损失,引发危及生命财产安全的严重事故。然而电机内部结构复杂,工作状况不定,突发故障的可能性较大。因此,实时进行电机运行状态监测,明确电机有无故障,并在故障发生时及时诊断故障类型,对电机设备稳定和安全运行具有十分重要的意义。在电机故障诊断与监测领域中,利用其运行时产生的振动信号进行分析,是获取电机运行状态的有效途径。为此,论文提出一种基于振动信号小波变换的电机故障诊断方法。在掌握小波变换及其消噪技术的基础上,通过分析对比小波分解与重构法、小波阈值消噪、模极大值重构滤波消噪三种方法的优缺点,选择了小波阈值消噪法来进行滤波消噪。基于小波变换模极大值（WTMM）与Lipschitz指数的关系,对消噪后的信号进行奇异性分析,提取了合适的特征值,准确地反映了故障局部特征和奇异性成分。论文以某三相四极永磁同步电机为研究对象,搭建实验平台,在平台上模拟电机定子不同程度的匝间短路及基座松动故障,并设计了一套振动信号采集系统,实现了不同故障下对振动信号的实时采集。在理论分析基础上,对电机正常运行、基座轻微松动、基座严重松动以及电机发生10%、20%、30%匝间短路故障这六种运行状态的电机振动信号进行信号采集、小波消噪、奇异性分析和特征提取。用提取的特征值构建特征向量,将特征向量输入概率神经网络中创建网络模型,并进行故障诊断测试。结果表明:基于振动信号小波变换结合概率神经网络的诊断方法,可有效地对电机故障类型和故障的严重程度做出判断,在电机故障诊断研究中取得了良好的效果,同样地,该方法也适用于其他旋转机械设备的故障诊断。
宋凯耀[5]（2020）在《基于时频分析的行波型超声波电机压电陶瓷开裂故障诊断的研究》文中研究说明超声波电机作为一种新型电机,依靠自身结构和独特的运转方式被广泛应用在高新领域的机械设备中。压电陶瓷作为超声波电机的换能部件为电能转换为转子动能起到关键作用,但是由于受到材料的脆性影响,长期工作在高频的驱动电源下会导致疲劳损伤发生开裂故障。对压电陶瓷进行故障诊断能够在超声波电机功能失效前做好准备工作,避免了重大事故的发生。因此本文针对超声波电机开展的压电陶瓷故障诊断研究对保障超声波电机安全、稳定运行具有重要意义。本文根据超声波电机的工作原理和压电陶瓷开裂过程的基础上提出故障诊断方法,选用孤极电压作为压电陶瓷的状态监测信号,重点对孤极电压的信号处理和退化特征提取进行研究,通过超声波电机试验台采集的数据对以上的研究内容进行分析和验证。主要研究内容和创新点包括在以下3个方面:1)针对压电陶瓷开裂对孤极电压的影响进行分析,构建超声波电机采集平台。通过在分别在时域和频域内对采集到不同开裂程度的孤极电压信号进行特征变换,得到不同故障程度的信号表征。2)针对深层次挖掘孤极电压信号中包含的故障信息,以及对故障信息的分析处理等问题。提出将局部均值分解（Local Mean Decomposition,LMD）的自适应信号处理方法应用在孤极电压信号的分析处理中,利用其对信号频域优良的自适应分离特性。将孤极电压信号由高频段到低频段依次分离出反映定子振动状态的乘积函数。对其乘积函数进行转换计算得出作为时频域内的压电陶瓷故障特征,反映压电陶瓷的退化程度,并将其应用在实测信号的分析中,结果表明提取的退化特征总体上能够对压电陶瓷在不同程度的开裂故障进行区分。3)针对孤极电压信号对压电陶瓷的开裂故障变化不敏感,提出了一种新的压电陶瓷故障诊断方法。利用具有能量聚集特性的离散余弦变换（Discrete Cosine Transform,DCT）提取故障信息,提高与裂纹的相关性。为了避免人为因素对传统离散余弦变换降噪方法的影响,构造了一个由离散余弦系数组成的矩阵,并将该矩阵的奇异值（Singular Values,SV）交叉熵作为超声波电机的退化特征。将数值模拟噪声添加到测量信号中,以验证特征的抗噪声性能。对实验结果的分析表明,提出的DCT-SV交叉熵在指示压电陶瓷在超声波电机中的退化方面是可行和有效的。
刘晓亮[6]（2020）在《基于数据的新能源出力机理及故障诊断技术研究》文中研究指明随机性、间歇性作为新能源的固有属性会造成新能源出力不稳定,不利于调度,且会威胁整个系统的稳定性。准确的新能源出力预测对于电网调度、保障系统稳定运转、合理制定设备维护、维修有重要意义,而准确的故障诊断方法能够快速确定故障类型及位置,从而缩短停机维护时间,是提高系统稳定性的有效措施。因此,本文针对新能源出力预测及故障诊断方法进行了研究,论文的主要工作如下:首先,对新能源短期出力预测方法进行了研究。通过分析影响新能源出力的多种环境因素,确定了影响预测性能的主要环境变量。针对BP神经网络预测方法存在陷入局部极值或不收敛等问题,提出了一种遗传算法（GA）改进的BP新能源出力预测方法。该方法利用遗传算法在网络开始训练之前对初始权值、阈值进行寻优,避免算法陷入局部极值,并且提升了预测精度。采用甘肃某地区实际新能源出力数据对改进后的预测方法进行了测试,结果验证了所提出改进预测方法的有效性。其次,对风电的中长期出力预测方法进行了研究。由于灰色模型（GM）预测精度受限于初始数据以及背景值的构造方式等问题,提出了一种采用新陈代谢、初始值线性变换、优化背景值权值三种方法联合改进的灰色模型。该模型采用遗传算法对线性变换参数和背景值权值进行寻优以及利用新旧信息置换,从初始值与内部建模机制两方面改进灰色模型,提升了年度出力预测精度。针对自回归滑动平均模型（ARMA）预测方法存在建模所需数据量大以及预测精度较低问题,提出了一种改进GM-ARMA组合模型的预测方法。该方法首先利用改进GM对月度出力趋势进行预测,然后利用ARMA对所得残差进行进一步预测,最后将二者结果进行叠加即为最终预测结果,由于其采用改进GM方法因此无需大量历史数据建模,同时提升了月度出力预测精度。采用实际数据对改进后的方法进行测试,结果验证了所提出改进方法的有效性。最后,研究了风电系统的故障诊断方法。介绍了风电系统的故障类型及产生原因,建立了直驱永磁风电系统仿真模型,基于所建立模型对网侧变流器开路故障进行了仿真诊断分析。通过采用小波包及变分模态分解方法,提取故障时各相电压信号的分量峰度、均值、方差作为故障特征向量,基于随机森林法对变流器故障进行了诊断。仿真结果表明变分模态分解抗噪能力强,更能适应实际生产环境,故障特征描述准确,故障识别准确率高。
刘志伟[7]（2020）在《内燃发电机组转子故障动力学特性的理论与实验研究》文中研究表明内燃发电机组作为内燃机车的供电设备,主要包括内燃机、联轴器、发电机、膨胀水箱、液压泵组等构件,其结构复杂。在运行过程中内燃机受周期性变化的外激力影响,导致振动故障频繁发生。厘清内燃发动机组复杂转子系统的振动特性,及时发现、诊断故障并采取有效的措施显得尤为重要。本论文通过理论与实验相结合,主要研究内燃机失火、联轴器不对中、碰摩等故障对内燃发电机组转子动力学特性的影响。论文工作包含以下几个内容:（1）研究了失火故障对内燃发电机组扭转振动特性的影响。将6缸内燃发电机组采用集总参数模型进行曲轴系的离散,变成一个10自由度的扭转动力系统,利用系统矩阵法建立内燃发电机组曲轴轴系的动力学方程,采用主元消去法,直接得到扭转振动的角位移和角速度。考虑不同转速和负载时,分别计算正常工况、单缸失火工况和两缸同时失火工况时内燃机自由端和联轴器输出端各谐波下的扭转振动角位移。数值分析说明失火工况对联轴器扭转振动产生较大的振幅。（2）进行了不同失火程度时内燃发电机组扭转振动理论与实验的研究。基于实际运转工况,搭建柴油机-联轴器-测功机实验台,在不同负载下,进行升速扫频,记录自由端的转速波动信号和联轴器输出端扭矩信号。分析了正常工况、单缸失火工况和两缸同时失火工况时自由端扭转振动各谐波下角位移和联轴器输出端各谐波下扭矩的动力学特性。结果表明,在各种工况下的理论计算结果与实验测量结果基本吻合。此外,比较了转速传感器和扭矩传感器对诊断失火故障的特征和定位的有效性。实验结果表明,两种传感器均能诊断出失火特征,转速传感器定位效果优于扭矩传感器。（3）考虑角度不对中和碰摩故障,利用拉格朗日方程推导飞轮-联轴器系统横向振动和摆动的加速振动响应动力学方程,进而推导了在加速过程中角度不对中引起的力和力矩的表达式。分别考虑了存在角度不对中、碰摩及两者耦合故障时,利用时域和频域方法分析横向振动和摆动的非稳态动力学特性。结果表明:角度不对中与碰摩故障对系统非稳态振动的影响明显不同。（4）研究了联轴器不对中故障对发电机转子系统的动力学影响。根据拉格朗日方程推导联轴器-发电机转子系统动力学方程,利用龙格库塔法进行数值求解。研究平行不对中和角度不对中对发电机转子动力学特性的影响,结果显示平行不对中和角度不对中均能够引起发电机转子系统产生超谐共振现象。此外,分析了等效刚度对发电机转子系统动力学响应的影响,并且研究了不同磁极对数对发电机转子系统动力学响应的影响。（5）飞轮-联轴器转子系统动力学实验研究。以内燃发电机组中实际飞轮-联轴器结构为基准,搭建飞轮-联轴器系统转子实验台。在不同不对中工况下,进行升速扫频实验,记录每个转速下飞轮端和联轴器端的振动数据。分析不对中对飞轮端和联轴器端过临界转速时的影响,与理论结果进行比较,发现实验结果基本验证了理论结果,并在实验中发现飞轮与联轴器振动的新现象。此外,实验还分析了共振和超谐共振对系统振动的影响。总之,本论文以内燃发电机组为研究对象,开展各种故障工况对系统动力学特性的影响,并用实验进行了验证。研究结果可为内燃发电机组后续的研究工作提供了理论基础和求解方法,同时为工程应用提供了一定的理论指导。
刘诗源[8]（2020）在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中认为矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:（1）研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法（Adaptive Electrical Period Partition,AEPP）,对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）对各电周期信号进行分解,结合Park矢量模（Park’s Vector Modulus,PVM）归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。（2）研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换（Dual-Tree Complex Wavelet Packet Transform,DTCWPT）的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法（Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC）,对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则（Maximum Local Margin Criterion,MLMC）的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机（Support Vector Machine,SVM）分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。（3）研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,（1）多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。（2）由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析（Transfer Component Analysis,TCA）研究的基础上,提出改进TCA（Modified Transfer Component Analysis,MTCA）的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。（4）研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习（Stratified Transfer Learning,STL）研究的基础上,提出一种改进STL（Modified Stratified Transfer Learning,MSTL）的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。（5）研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
杜星洲[9]（2019）在《基于振动信号处理及SVM的旋转机械故障诊断研究》文中指出随着科技的发展和企业规模的不断扩大,旋转机械在工业生产过程中的使用越来越广泛,发挥的作用也越来越重要。现在的旋转机械自动化和复杂性日益提升,随之而来的故障发生率也逐步提高。很多情况下,一旦旋转机械发生故障将导致企业面临较大的财产损失和人员伤亡。因此,非常有必要对于旋转机械的运行状态进行监测,进而对其进行有效的故障诊断。这对于保证工业现场安全、平稳运行具有非常高的实用意义。本文主要研究基于旋转机械运行时的振动信号以及支持向量机（Support Vector Machine,SVM）实现有效的故障诊断。通过对振动信号进行时频域分析,提取出有效的特征向量,然后利用支持向量机作为分类器,完成故障的识别。本文对旋转机械系统中的常见故障,包括:转子不平衡、转子不对中、转子裂纹、油膜涡动与油膜振荡、摩擦及机械性松动等,进行了详细分析和介绍,深入揭示了这些故障的成因和特性。在信号处理方面,利用经验小波变换（Empirical Wavelet Transform,EWT）方法对振动信号进行分析。针对经典尺度空间方法划分频带时存在频带分界点个数过多,频带破裂等问题,提出了利用频率能量对频带分界点进行筛选,有效避免了频带破裂现象,提高了经验小波变换方法信号重构的质量。在此基础上,将峭度、峰值因子、裕度因子、脉冲因子、奇异值熵、能量熵、排列熵、样本熵共8个指标组成特征向量,作为支持向量机分类器的输入。在对支持向量机进行训练时,采用K交叉验证（K-Cross Validation,KCV）方法对支持向量机的参数进行优选,有效提高了算法可靠性和稳定性。最后,基于Lab VIEW软件开发了一个上位机故障诊断系统。对系统的方案和需求分析进行了详细介绍,合理设计了软件功能模块,并将经验小波变换和持之向量机等方法融入其中。测试结果表明,该软件系统能够实现旋转机械的故障诊断,诊断结果准确,而且操作方便、简洁。
商航[10]（2019）在《鼠笼电机转子断条故障暂态分析方法研究》文中认为鼠笼电机作为重要的机电能源转换装置,广泛的应用于我国工农业生产中。鼠笼电机带“病”运行,不仅会对自身造成损坏,当故障严重时还会造成设备停转,使企业生产面临全面瘫痪,对企业人员以及社会带来危害和不可估计的经济损失。鼠笼电机的故障运行也是造成其工作效率大幅度降低,能源浪费的重要原因之一。因此,对鼠笼电机运行状态监测和故障诊断在保证生产连续性、降低电机驱动,系统维护费用等方面具有重要现实意义。转子断条故障是鼠笼电机特有的故障类型,是电机故障诊断领域研究的热点内容之一。经典的MCSA方法是诊断鼠笼电机转子断条故障的有效方法,但在一些特定条件下其达不到预期诊断效果。例如,电机处于空载运行状态和电源或负载波动、转速暂态大量存在的情况下,会造成故障特征频率被基频频谱泄露所湮灭和诊断频谱模糊不清,这样MCSA方法对转子断条故障进行诊断就显得无能为力。因此,本文针对上述经典MCSA方法存在适用性不足的缺陷,在鼠笼电机暂态运行条件下研究转子断条故障诊断问题。理论分析表明:电机起动状态下,定子电流park矢量模平方信号中蕴含的故障特征谐波瞬时频率与滑差s之间服从斜率固定的对应关系。利用这一理论,提出了基于故障特征谐波瞬时频率分析的转子断条故障诊断方法。该方法的核心思路是:综合利用Park矢量变换的频谱分离功能和离散小波变换的低通滤波功能,提取直接反映转子断条故障状态的故障特征谐波,借助瞬时频率的概念描述故障特征谐波时频演变规律并予以图形化,根据图形化的故障特征曲线与理想特性的相似度对比来诊断转子断条故障。但是,所提出的诊断方法只能对故障发生与否进行定性判断,并不能给出故障严重程度的判别结果。作为上述方法的改进,提出基于WVD分布图形化和WVD能量计算相结合的诊断方法。在所提方法中,根据能量-滑差平面上图形化的故障特征曲线和理论特性之间相关性对鼠笼电机转子断条故障严重程度进行定性判断,通过WVD能量计算进行定量分析。实验结果表明,当转子断条数量不太多时,随着故障严重程度加深,其对应的转子断条故障特征谐波WVD能量相应增加,从而表明所提出的方法可以对不同故障严重程度的电机做出正确判断。由于WVD具有理想的时频聚集性,使得所提诊断方法故障特征清晰,进而使本文所提方法具有更高的可靠性。
二、IDENTIFICATION OF CRACKED ROTOR BY WAVELET TRANSFORM（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、IDENTIFICATION OF CRACKED ROTOR BY WAVELET TRANSFORM（论文提纲范文）
（1）基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 风电机组故障诊断研究现状 |
| 1.2.1 信号检测方法 |
| 1.2.2 故障诊断环节 |
| 1.2.3 故障预测方法 |
| 1.2.4 发展趋势及不足 |
| 1.3 选题的目的和意义 |
| 1.4 论文主要研究内容 |
| 2 风电机组基本结构和典型故障分析 |
| 2.1 风电机组基本结构 |
| 2.1.1 双馈异步机组 |
| 2.1.2 直驱永磁机组 |
| 2.2 风电机组典型故障分析 |
| 2.2.1 风电机组常见故障 |
| 2.2.2 风电机组齿轮箱故障分析研究 |
| 2.3 本章小结 |
| 3 基于经验小波变换的信号降噪处理 |
| 3.1 经验小波变换的基本原理 |
| 3.1.1 频谱分割方法的选择 |
| 3.1.2 尺度空间频谱分割阈值确定方法 |
| 3.2 信号重构阈值设定 |
| 3.3 EWT重构降噪仿真对比分析 |
| 3.4 本章小结 |
| 4 基于EWT-OPRCMDE-ELM的故障诊断模型 |
| 4.1 基于OPRCMDE的特征提取 |
| 4.1.1 RCMDE的基本原理 |
| 4.1.2 RCMDE的参数选择与优化 |
| 4.1.2.1 序列长度N |
| 4.1.2.2 时延d |
| 4.1.2.3 嵌入维数m和类别个数C |
| 4.2 基于Relief-F的特征降维和ELM的故障模式识别 |
| 4.2.1 Relief-F算法的特征降维原理 |
| 4.2.2 ELM的基本原理 |
| 4.3 故障诊断方法框架 |
| 4.4 本章小结 |
| 5 实验分析 |
| 5.1 实验数据采集 |
| 5.2 EWT分解与重构 |
| 5.3 OPRCMDE参数寻优及特征矩阵构建 |
| 5.4 故障模式识别 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于粒子群优化胶囊网络的煤矿电机故障诊断系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容及章节安排 |
| 1.4 本章小结 |
| 2 矿用电机工作原理及其故障分析 |
| 2.1 矿用电机工作原理 |
| 2.2 矿用电机故障类型 |
| 2.2.1 定子故障 |
| 2.2.2 转子断条故障 |
| 2.2.3 偏心故障 |
| 2.3 故障诊断原理 |
| 2.4 电机的诊断技术 |
| 2.4.1 传统诊断方法 |
| 2.4.2 基于信号处理的方法 |
| 2.4.3 基于人工智能的方法 |
| 2.5 本章小结 |
| 3 电机故障信号采集与处理 |
| 3.1 故障信号采集 |
| 3.2 信号预处理 |
| 3.2.1 小波去噪流程 |
| 3.2.2 阈值与阈值函数选取 |
| 3.3 小波包的故障信号提取 |
| 3.3.1 小波分解 |
| 3.3.2 小波包特征提取 |
| 3.4 本章小结 |
| 4 基于粒子群与改进胶囊网络的煤矿电机设备故障诊断方法 |
| 4.1 改进粒子群算法 |
| 4.1.1 基本粒子群算法 |
| 4.1.2 改进粒子群算法 |
| 4.1.3 算法步骤 |
| 4.1.4 算法仿真与分析 |
| 4.2 改进胶囊网络算法 |
| 4.2.1 胶囊网络结构 |
| 4.2.2 动态路由的工作原理 |
| 4.2.3 改进胶囊网络算法步骤 |
| 4.2.4 算法仿真与分析 |
| 4.3 电机故障诊断模型 |
| 4.3.1 模型架构 |
| 4.3.2 故障诊断过程 |
| 4.4 本章小结 |
| 5 系统测试与实验结果分析 |
| 5.1 样本数据获取 |
| 5.2 电机故障诊断过程 |
| 5.3 小波包故障特征提取 |
| 5.4 故障诊断分析 |
| 5.5 其他算法性能对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（3）基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 风电机组结构及运行原理介绍 |
| 1.2 风电机组运行故障及主动运维模式 |
| 1.3 风电机组传动系统故障诊断及剩余寿命预测技术现状 |
| 1.3.1 风电机组传动系统故障诊断技术 |
| 1.3.2 风电机组传动系统剩余寿命预测技术 |
| 1.4 本论文拟展开研究的内容及技术路线 |
| 1.5 本论文内容安排 |
| 2 风电机组运行状态监测信号降噪方法 |
| 2.1 引言 |
| 2.2 噪声来源 |
| 2.2.1 功率开关器件 |
| 2.2.2 断路器和继电器干扰 |
| 2.2.3 雷电干扰 |
| 2.3 噪声传播途径 |
| 2.3.1 接地传导干扰 |
| 2.3.2 电磁辐射干扰 |
| 2.4 风电机组故障诊断系统降噪方法 |
| 2.4.1 数据预处理-传感器网络降噪方法 |
| 2.4.2 数据预处理-数据采集硬件降噪方法 |
| 2.4.3 数据预处理-数据采集软件降噪方法 |
| 2.4.4 数据预处理-小波降噪方法 |
| 2.4.5 数据预处理-EMD 降噪方法 |
| 2.5 风电机组故障诊断系统降噪案例 |
| 2.5.1 数据预处理-传感器网络降噪现场案例 |
| 2.5.2 数据预处理-数据过采样降噪现场案例 |
| 2.5.3 数据预处理-小波降噪现场案例 |
| 2.5.4 数据预处理-EMD 降噪案例 |
| 2.6 本章小结 |
| 3 基于模糊专家系统的风电机组智能故障诊断方法 |
| 3.1 引言 |
| 3.2 基于模糊专家系统的风电机组智能故障诊断方法总体结构 |
| 3.3 基于故障模型触发的风电机组故障特征提取方法 |
| 3.3.1 风电机组运行状态故障特征提取方法 |
| 3.3.2 风电机组运行状态故障特征模糊化处理 |
| 3.4 风电机组故障诊断专家系统模糊知识库设计 |
| 3.4.1 风电机组故障诊断专家系统故障知识获取系统设计 |
| 3.4.2 风电机组故障诊断专家系统知识库构建方法 |
| 3.5 风电机组故障诊断专家系统模糊推理机设计 |
| 3.5.1 风电机组故障诊断专家系统模糊推理流程 |
| 3.5.2 风电机组故障诊断专家系统模糊关系矩阵设计 |
| 3.6 风电机组故障诊断专家系统诊断案例 |
| 3.6.1 现场情况概述 |
| 3.6.2 风电机组运行状态故障特征提取 |
| 3.6.3 风电机组故障诊断专家系统诊断结果 |
| 3.7 本章小结 |
| 4 基于特征可视化的风电机组智能故障诊断方法 |
| 4.1 引言 |
| 4.2 风电机组运行状态特征变化混沌特性判定 |
| 4.3 风电机组运行状态特征相空间建模方法 |
| 4.3.1 风电机组运行状态特征相空间延时时间确定 |
| 4.3.2 风电机组运行状态特征相空间嵌入维数确定 |
| 4.4 风电机组运行状态高维特征SVD降维方法 |
| 4.5 基于运行状态特征可视化的风电机组故障诊断方法 |
| 4.5.1 基于风电机组状态特征参数变化率进行故障诊断阈值设计 |
| 4.5.2 基于风电场整体状态特征参数进行故障诊断阈值设计 |
| 4.6 风电机组运行状态特征变化趋势预测方法 |
| 4.7 现场诊断案例 |
| 4.7.1 现场情况描述 |
| 4.7.2 基于特征可视化风电机组故障诊断过程 |
| 4.7.3 基于特征可视化的风电机组运行状态预测 |
| 4.8 本章小结 |
| 5 基于卷积神经网络的风电机组故障诊断方法 |
| 5.1 引言 |
| 5.2 风电机组故障诊断深度学习网络选择 |
| 5.2.1 小样本与大样本学习 |
| 5.2.2 风电机组故障诊断深度学习网络选择 |
| 5.3 基于卷积神经网络的风电机组故障诊断系统设计 |
| 5.3.1 风电机组故障诊断卷积神经网络结构 |
| 5.3.2 风电机组故障诊断卷积神经网络前馈运算 |
| 5.3.3 风电机组故障诊断卷积神经网络目标函数 |
| 5.3.4 风电机组故障诊断卷积神经网络反馈优化算法 |
| 5.4 风电机组故障诊断卷积神经网络训练样本构建 |
| 5.4.1 风电机组故障特征 |
| 5.4.2 风电机组故障样本构建 |
| 5.5 现场故障诊断案例 |
| 5.5.1 现场情况描述 |
| 5.5.2 风电机组运行监测数据采集及预处理 |
| 5.5.3 风电机组故障诊断卷积神经网络训练 |
| 5.5.4 现场故障诊断结果 |
| 5.6 本章小结 |
| 6 基于离散余弦变换神经网络的风电机组轴承剩余寿命预测 |
| 6.1 引言 |
| 6.2 基于离散余弦变换卷积神经网络的轴承剩余寿命预测方法 |
| 6.3 轴承退化性能表征向量提取和降维方法 |
| 6.4 轴承退化性能表征向量稀疏压缩方法 |
| 6.5 轴承剩余寿命回归预测方法 |
| 6.6 实例验证 |
| 6.6.1 试验设备和数据采集 |
| 6.6.2 轴承退化性能表征向量降维 |
| 6.6.3 轴承退化性能表征向量稀疏压缩 |
| 6.6.4 轴承剩余寿命回归预测方法 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于振动信号小波变换的电机故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状与关键技术 |
| 1.2.1 信号处理技术研究现状 |
| 1.2.2 电机常见故障及诊断方法 |
| 1.2.3 电机故障诊断关键性技术 |
| 1.3 课题主要工作与创新点 |
| 1.4 论文组织结构 |
| 第二章 振动信号处理与特征值提取 |
| 2.1 小波消噪技术 |
| 2.1.1 小波消噪原理及方法 |
| 2.1.2 小波消噪效果分析 |
| 2.2 振动信号预处理 |
| 2.2.1 振动信号小波消噪处理 |
| 2.2.2 标定变换与去直流分量 |
| 2.2.3 消除趋势项 |
| 2.3 基于Lipschitz指数的信号奇异性分析 |
| 2.3.1 小波变换与WTMM |
| 2.3.2 小波变换模极大值与Lipschitz指数 |
| 2.3.3 典型信号奇异性效果分析 |
| 2.4 基于Lipschitz指数的信号特征值提取 |
| 2.4.1 基于电机振动信号获取李氏指数 |
| 2.4.2 信号特征值提取 |
| 2.5 本章小结 |
| 第三章 基于概率神经网络的故障分类 |
| 3.1 神经网络模式识别理论基础 |
| 3.1.1 径向基函数 |
| 3.1.2 广义径向基函数网络 |
| 3.1.3 RBF神经网络算法与参数优化 |
| 3.2 电机故障识别的概率神经网络 |
| 3.2.1 Bayes决策理论 |
| 3.2.2 Parzen窗估计 |
| 3.2.3 概率神经网络的结构 |
| 3.3 概率神经网络的故障分类 |
| 3.4 本章小结 |
| 第四章 电机振动信号采集系统软硬件设计 |
| 4.1 振动信号采集系统整体设计 |
| 4.2 振动信号采集硬件电路设计 |
| 4.2.1 振动传感器及监测点的选择 |
| 4.2.2 DSP核心处理模块 |
| 4.2.3 模数转换模块 |
| 4.2.4 上位机通信接口模块 |
| 4.3 振动信号采集系统的软件设计 |
| 4.3.1 系统主程序设计 |
| 4.3.2 中断服务程序设计 |
| 4.3.3 串行通信程序设计 |
| 4.4 本章小结 |
| 第五章 电机故障诊断实验与分析 |
| 5.1 实验方法与实验平台 |
| 5.1.1 电机常见故障及原因分析 |
| 5.1.2 实验样机定子故障模拟方法 |
| 5.1.3 电机振动信号采集实验平台搭建 |
| 5.2 电机故障诊断实验与分析 |
| 5.2.1 振动信号处理与奇异性分析 |
| 5.2.2 基于李氏指数的信号特征值提取 |
| 5.3 故障分类与诊断结果 |
| 5.3.1 概率神经网络故障分类 |
| 5.3.2 诊断结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的成果 |
（5）基于时频分析的行波型超声波电机压电陶瓷开裂故障诊断的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 超声波电机研究现状 |
| 1.2.2 超声波电机压电陶瓷片故障诊断概述 |
| 1.2.3 压电陶瓷片故障诊断的研究现状 |
| 1.2.4 压电陶瓷片故障特征提取待解决的问题 |
| 1.3 本文主要研究内容和章节安排 |
| 第2章 压电陶瓷故障对超声波电机孤极电压影响 |
| 2.1 孤极电压信号选择依据 |
| 2.1.1 超声波电机的结构特点 |
| 2.1.2 压电效应 |
| 2.1.3 超声波电机的运行原理 |
| 2.1.4 孤极电压作为监测信号的依据 |
| 2.2 压电陶瓷片不同开裂程度孤极电压分析 |
| 2.2.1 裂纹的相关描述 |
| 2.2.2 压电陶瓷故障仿真 |
| 2.2.3 超声波电机实验平台的搭建 |
| 2.2.4 信号采集 |
| 2.2.5 采样数据的分析 |
| 2.3 本章小结 |
| 第3章 基于LMD-SV交叉熵超声波电机压电陶瓷片的故障诊断 |
| 3.1 引言 |
| 3.2 LMD分解信号 |
| 3.2.1 信号处理方法 |
| 3.2.2 LMD信号分解方法的相关理论 |
| 3.2.3 LMD-SV交叉熵 |
| 3.3 实验数据分析 |
| 3.3.1 LMD-SV交叉熵退化特征提取流程 |
| 3.3.2 基于传统方法与LMD方法的比较 |
| 3.3.3 LMD分解 |
| 3.3.4 基于LMD-SV交叉熵的故障特征提取 |
| 3.4 本章小结 |
| 第4章 基于DCT-SV交叉熵超声波电机压电陶瓷片的故障诊断 |
| 4.1 引言 |
| 4.2 DCT-SV交叉熵 |
| 4.3 实验数据分析 |
| 4.3.1 DCT-SV交叉熵退化特征提取流程 |
| 4.3.2 DCT频谱分析 |
| 4.3.3 DCT熵值分析 |
| 4.4 基于DCT-SV交叉熵故障特征提取分析 |
| 4.4.1 构造矩阵的参数选择 |
| 4.4.2 DCT-SV交叉熵的结果分析 |
| 4.5 退化特性的抗噪声性能分析 |
| 4.6 两种故障诊断方法的比较 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（6）基于数据的新能源出力机理及故障诊断技术研究（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 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第二章 新能源出力短期预测 |
| 2.1 新能源出力影响因素 |
| 2.1.1 风电出力影响因素 |
| 2.1.2 光电出力影响因素 |
| 2.2 改进BP神经网络预测模型 |
| 2.2.1 BP神经网络原理 |
| 2.2.2 遗传算法优化BP神经网络 |
| 2.3 算例分析 |
| 2.3.1 风电出力短期预测仿真 |
| 2.3.2 光伏出力短期预测仿真 |
| 2.4 本章小结 |
| 第三章 风电中长期预测 |
| 3.1 基于改进灰色模型的风电年度预测 |
| 3.1.1 灰色模型原理 |
| 3.1.2 改进灰色模型原理 |
| 3.1.3 风电年度出力预测 |
| 3.2 基于改进ARMA模型的风电月度预测 |
| 3.2.1 ARMA模型原理 |
| 3.2.2 改进GM-ARMA组合模型原理 |
| 3.2.3 风电月度出力预测 |
| 3.3 本章小结 |
| 第四章 风电系统故障诊断 |
| 4.1 风电系统故障类型及原因 |
| 4.1.1 叶片故障 |
| 4.1.2 齿轮箱故障 |
| 4.1.3 发电机故障 |
| 4.1.4 变流器故障 |
| 4.2 风电故障仿真模型建立 |
| 4.2.1 直驱永磁风电系统结构及原理 |
| 4.2.2 仿真模型及故障模拟 |
| 4.3 故障信号特征值提取 |
| 4.3.1 小波包变换原理 |
| 4.3.2 变分模态分解原理 |
| 4.3.3 故障特征提取 |
| 4.4 基于随机森林故障诊断 |
| 4.4.1 随机森林原理 |
| 4.4.2 故障诊断结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）内燃发电机组转子故障动力学特性的理论与实验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 内燃机曲轴扭转振动动力学研究 |
| 1.2.2 联轴器不对中故障研究 |
| 1.2.3 碰摩故障研究 |
| 1.2.4 时频分析法 |
| 1.2.5 发电机转子系统动力学研究 |
| 1.3 本文的主要研究内容 |
| 第二章 柴油发电机组轴系扭转振动 |
| 2.1 引言 |
| 2.2 曲轴模型 |
| 2.2.1 燃气压力引起的力矩 |
| 2.2.2 曲轴连杆机构惯性力引起的力矩 |
| 2.3 数值计算与讨论 |
| 2.3.1 柴油机曲轴自由端的扭转振动 |
| 2.3.2 联轴器的扭转振动 |
| 2.4 本章小结 |
| 第三章 柴油发电机组扭转振动实验 |
| 3.1 引言 |
| 3.2 实验台及参数 |
| 3.2.1 测试设备 |
| 3.2.2 数据采集系统 |
| 3.3 实验数据处理 |
| 3.3.1 自由端的扭转振动 |
| 3.3.2 联轴器输出端的动态扭矩测量 |
| 3.4 小结 |
| 第四章 不对中-碰摩耦合故障飞轮/联轴器系统瞬时动力学分析 |
| 4.1 引言 |
| 4.2 飞轮-联轴器转子系统建模 |
| 4.2.1 角度不对中产生的弯矩 |
| 4.2.2 碰摩力 |
| 4.3 时频分析方法 |
| 4.3.1 平滑伪Wigner-Ville (SPWV)分布 |
| 4.3.2 小波分析 |
| 4.4 数值计算与讨论 |
| 4.4.1 不对中故障 |
| 4.4.2 碰摩故障 |
| 4.4.3 含不对中碰摩故障研究 |
| 4.5 小结 |
| 第五章 不对中故障对发电机转子动力学的影响分析 |
| 5.1 引言 |
| 5.2 不平衡磁拉力 |
| 5.3 平行不对中 |
| 5.4 角度不对中 |
| 5.5 转子系统理论模型 |
| 5.6 数值计算与分析 |
| 5.6.1 平行不对中故障对发电机主共振的影响 |
| 5.6.2 角度不对中故障对发电机主共振的影响 |
| 5.6.3 等效刚度系数对发电机主共振的影响 |
| 5.7 小结 |
| 第六章 联轴器不对中故障实验研究 |
| 6.1 引言 |
| 6.2 实验台介绍 |
| 6.3 实验内容 |
| 6.3.1 平行不对中时的主共振响应 |
| 6.3.2 平行不对中时的稳态响应 |
| 6.3.3 角度不对中时的主共振响应 |
| 6.3.4 角度不对中时的稳态响应 |
| 6.3.5 超谐共振响应 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 本文创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）矿井提升机传动系统故障诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 机械设备故障诊断方法分类 |
| 1.2.1 基于分析模型的故障诊断方法 |
| 1.2.2 基于定性经验知识的故障诊断方法 |
| 1.2.3 基于数据驱动的故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与创新之处 |
| 1.4.1 研究内容安排 |
| 1.4.2 创新之处 |
| 2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
| 2.1 引言 |
| 2.2 三电平逆变器的电路及故障分析 |
| 2.2.1 矿井提升机变频器的结构 |
| 2.2.2 三电平逆变器的故障分析 |
| 2.3 逆变器故障信号预处理与自适应电周期划分 |
| 2.4 基于MODWT的信号处理与特征提取 |
| 2.4.1 帕克矢量模 |
| 2.4.2 小波变换 |
| 2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
| 2.4.4 特征提取 |
| 2.5 随机森林分类器 |
| 2.5.1 随机森林原理 |
| 2.5.2 随机森林算法 |
| 2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
| 2.7 实验验证 |
| 2.7.1 实验设置 |
| 2.7.2 实验分析 |
| 2.8 本章小结 |
| 3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
| 3.1 引言 |
| 3.2 轴承故障诊断机理 |
| 3.3 基于DTCWPT的轴承故障信号处理 |
| 3.3.1 DTCWPT |
| 3.3.2 Hilbert包络谱与边际谱 |
| 3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
| 3.4.1 k-means聚类算法 |
| 3.4.2 皮尔逊相关系数 |
| 3.4.3 敏感特征选取方法 |
| 3.5 最大局部边界准则的特征降维方法 |
| 3.5.1 LDA |
| 3.5.2 LFDA |
| 3.5.3 MMC |
| 3.5.4 最大局部边界准则 |
| 3.6 支持向量机 |
| 3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
| 3.8 实验验证 |
| 3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
| 3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
| 3.8.3 基于SQI-MFS轴承数据实验设置 |
| 3.8.4 基于SQI-MFS轴承数据实验分析 |
| 3.9 本章小结 |
| 4 基于敏感特征迁移学习的提升机轴承故障诊断 |
| 4.1 引言 |
| 4.2 迁移成分分析 |
| 4.3 改进迁移成分分析的特征迁移学习 |
| 4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
| 4.5 实验分析 |
| 4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
| 4.5.2 基于SQI-MFS轴承数据实验分析 |
| 4.6 本章小结 |
| 5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
| 5.1 引言 |
| 5.2 电机故障类型与信号特性分析 |
| 5.2.1 异步电机常见故障类型分析 |
| 5.2.2 异步电机常见故障信号特性分析 |
| 5.3 基于EEMD的电机故障信号处理 |
| 5.3.1 EMD |
| 5.3.2 EEMD |
| 5.4 改进分层迁移学习的类内特征迁移学习 |
| 5.4.1 分层迁移学习 |
| 5.4.2 改进分层迁移学习 |
| 5.5 基于类内特征迁移学习的驱动电机故障诊断 |
| 5.5.1 故障诊断框架 |
| 5.5.2 实验设置 |
| 5.5.3 实验分析 |
| 5.6 基于D-S证据融合理论的驱动电机故障诊断 |
| 5.6.1 D-S证据理论基本概念 |
| 5.6.2 D-S证据理论基本过程 |
| 5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
| 5.6.4 实验分析 |
| 5.7 本章小结 |
| 6 矿井提升机传动系统故障诊断与健康管理系统 |
| 6.1 引言 |
| 6.2 提升机传动系统故障知识表示 |
| 6.2.1 本体概述 |
| 6.2.2 提升机传动系统故障知识分析 |
| 6.3 基于本体和故障信号分析的语义映射方法 |
| 6.3.1 概念模型 |
| 6.3.2 数学模型 |
| 6.3.3 语义映射方法 |
| 6.4 提升机传动系统故障本体知识库的创建 |
| 6.4.1 知识图谱与图数据库 |
| 6.4.2 提升机传动系统故障本体知识库构建 |
| 6.5 系统总体设计与应用 |
| 6.5.1 系统功能模块 |
| 6.5.2 软件开发与系统应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于振动信号处理及SVM的旋转机械故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断系统的研究现状 |
| 1.2.2 故障特征提取方法的研究现状 |
| 1.2.3 故障识别方法研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 旋转机械故障诊断类型及流程 |
| 2.1 旋转机械故障类型 |
| 2.1.1 转子不平衡故障 |
| 2.1.2 转子不对中故障 |
| 2.1.3 转子裂纹故障 |
| 2.1.4 油膜涡动与油膜振荡故障 |
| 2.1.5 摩擦故障 |
| 2.1.6 机械性松动故障 |
| 2.2 旋转机械故障诊断的流程 |
| 2.3 旋转机械故障诊断系统的构成 |
| 2.4 本章小结 |
| 第3章 基于改进经验小波变换的故障特征提取 |
| 3.1 经验小波变换的基本原理 |
| 3.2 经验小波变换的频带划分 |
| 3.2.1 经典频带划分方法 |
| 3.2.2 基于尺度空间理论的频带划分方法 |
| 3.3 经验小波变换的改进 |
| 3.3.1 经验小波变换的改进原理 |
| 3.3.2 改进后的对比分析 |
| 3.4 故障特征提取 |
| 3.4.1 特征向量的构成 |
| 3.4.2 各特征的计算方法 |
| 3.5 本章小结 |
| 第4章 基于优化SVM的旋转机械故障诊断 |
| 4.1 支持向量机理论 |
| 4.1.1 支持向量机的基本原理 |
| 4.1.2 二分类支持向量机 |
| 4.1.3 多分类支持向量机 |
| 4.1.4 支持向量机的重要参数 |
| 4.2 支持向量机的参数优化 |
| 4.3 算法优化后的对比分析 |
| 4.4 基于支持向量机的故障诊断方法 |
| 4.4.1 SVM的建立过程 |
| 4.4.2 故障识别的流程 |
| 4.4.3 实例分析 |
| 4.5 本章小结 |
| 第5章 基于LabVIEW的上位机故障诊断系统设计 |
| 5.1 系统总体方案 |
| 5.2 开发软件选型 |
| 5.3 上位机软件需求分析 |
| 5.4 LabVIEW与MATLAB的结合应用 |
| 5.5 上位机软件各模块设计 |
| 5.5.1 数据采集模块 |
| 5.5.2 数据处理模块 |
| 5.5.3 数据回放模块 |
| 5.5.4 故障诊断模块 |
| 5.6 软件实测 |
| 5.6.1 实验对象参数 |
| 5.6.2 实验结果 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）鼠笼电机转子断条故障暂态分析方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 背景与意义 |
| 1.2 鼠笼电机故障诊断概述 |
| 1.2.1 鼠笼电机的基本结构和故障类别 |
| 1.2.2 鼠笼电机故障诊断的研究背景和发展状况 |
| 1.3 转子断条故障诊断研究 |
| 1.3.1 转子断条故障诊断的主要研究内容 |
| 1.3.2 转子断条故障的主要技术方法 |
| 1.3.3 故障诊断技术仍存在的问题 |
| 1.4 论文主要研究工作 |
| 2.MCSA方法诊断及故障诊断理论基础 |
| 2.1 转子断条故障特征分析 |
| 2.1.1 稳态运行条件下的故障特征分析 |
| 2.1.2 起动状态下的故障特征分析 |
| 2.2 信号预处理方法 |
| 2.2.1 Park矢量变换 |
| 2.2.2 小波变换 |
| 2.3 故障特征提取方法 |
| 2.3.1 瞬时频率 |
| 2.3.2 Winger-Ville分布 |
| 2.4 MCSA方法诊断转子断条故障的基本结构 |
| 2.5 本章小结 |
| 3.基于故障特征谐波瞬时频率分析的诊断方法 |
| 3.1 问题描述及诊断方法的基本理论 |
| 3.1.1 鼠笼电机起动阶段转子断条故障特征分析 |
| 3.1.2 所提故障诊断方法理论基础 |
| 3.2 基于故障特征谐波瞬时频率分析的故障诊断方法 |
| 3.2.1 基于离散小波变换的信号预处理 |
| 3.2.2 基于f_i-s实时演变的故障特征提取 |
| 3.2.3 基于相关系数分析的诊断决策 |
| 3.3 实验及结果分析 |
| 3.3.1 实验系统 |
| 3.3.2 实验结果分析及诊断方法的有效性验证 |
| 3.3.3 诊断方法性能分析 |
| 3.3.4 诊断方法对不同故障严重程度电机的诊断效果 |
| 3.4 本章小结 |
| 4.基于故障特征谐波WVD和能量测度的诊断方法 |
| 4.1 诊断方法的基本原理 |
| 4.1.1 电机起动条件下的转子断条故障特征 |
| 4.1.2 转子断条故障对故障特征谐波幅值的影响 |
| 4.2 基于仿真示例的可行性分析 |
| 4.2.1 基于WVD的定量分析 |
| 4.2.2 基于仿真示例的适用性分析 |
| 4.3 诊断方法基本结构和诊断步骤 |
| 4.3.1 诊断方法基本结构 |
| 4.3.2 所提诊断方法的应用步骤 |
| 4.4 实验及结果分析 |
| 4.4.1 实验结果分析 |
| 4.5 本章小结 |
| 5.结论与展望 |
| 5.1 本文结论 |
| 5.2 进一步的研究工作和展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
四、IDENTIFICATION OF CRACKED ROTOR BY WAVELET TRANSFORM（论文参考文献）
- [1]基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断[D]. 李宣. 西安理工大学, 2021(01)
- [2]基于粒子群优化胶囊网络的煤矿电机故障诊断系统[D]. 苏淑娴. 安徽理工大学, 2021(02)
- [3]基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究[D]. 庞宇. 北京交通大学, 2021(02)
- [4]基于振动信号小波变换的电机故障诊断方法研究[D]. 曹舒悦. 江苏大学, 2020(02)
- [5]基于时频分析的行波型超声波电机压电陶瓷开裂故障诊断的研究[D]. 宋凯耀. 河北科技大学, 2020(01)
- [6]基于数据的新能源出力机理及故障诊断技术研究[D]. 刘晓亮. 西安电子科技大学, 2020(05)
- [7]内燃发电机组转子故障动力学特性的理论与实验研究[D]. 刘志伟. 天津大学, 2020(01)
- [8]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [9]基于振动信号处理及SVM的旋转机械故障诊断研究[D]. 杜星洲. 哈尔滨工业大学, 2019(01)
- [10]鼠笼电机转子断条故障暂态分析方法研究[D]. 商航. 辽宁科技大学, 2019(01)