一、基于ControlNet的软测量技术及其在电梯故障预测中的应用（论文文献综述）
韩昌希[1]（2021）在《半自磨机负荷软测量研究与应用》文中提出
余萍[2]（2020）在《基于智能技术的一类非线性系统故障诊断与预测方法研究》文中研究指明如何减少生产过程中的故障隐患,提高系统的安全性和可靠性,已成为现代工业系统发展中不可回避的重大问题。故障诊断与预测技术是提高系统运行可靠性、降低系统运行风险的重要方法和必要手段。现代工业系统大多为非线性系统,具有干扰强、结构复杂、参数不确定、动态时变、故障耦合性强等特点,致使故障诊断与预测难度大。因此,探究如何利用先进的科学技术,有目的、有方法、有针对性地对系统进行故障诊断和预测,是非常有意义的研究课题。本文以实际非线性系统为研究对象,基于滤波技术、信号处理、优化算法、神经网络、深度学习等智能技术,对非线性系统故障诊断与预测方法展开研究。论文的主要创新研究成果如下:（1）提出了两种基于智能优化粒子滤波的故障诊断方法。针对粒子滤波算法中由于粒子退化和多样性缺失而导致系统突变情况下状态估计精度下降,从而影响基于粒子滤波的故障诊断方法故障诊断准确性和诊断系统鲁棒性的问题,以重采样策略的改进为切入点,结合变频变异策略和天牛群搜索算法,分别提出了变频变异粒子滤波算法（variable frequency based mutation for particle filter algorithm,VFM-PF）和改进天牛群搜索优化粒子滤波（beetle swarm antennae search for particle filter algorithm,BSAS-PF）两种改进算法。VFM-PF融合了免疫理论中的变异思想和工业生产过程中的变频节能策略,通过变频算子实时调节变异粒子数目,并针对不同权值的粒子采取不同形式的变异操作,从而在克服粒子退化、增加粒子多样性的同时提高了运算效率,算法的综合性能得到显着提升;BSAS-PF结合了天牛群搜索算法的寻优特性,引导低权值粒子向高似然区移动,克服了粒子退化和多样性缺失等问题,具有更优秀的状态估计精度。在此基础上,开展了复杂非线性系统故障诊断问题研究,提出了两种基于智能优化粒子滤波的故障诊断方法,并以风力发电系统中的双馈发电机和污水处理系统中的曝气池溶解氧过程为对象验证了方法的有效性,结果表明,所提出方法能够实现系统突变情况下高准确性故障诊断,诊断系统鲁棒性强,运算效率更高。（2）提出了一种基于ADCS-ELM的故障诊断方法。针对非线性系统结构复杂、故障耦合性程度高,建立准确的数学模型困难,致使基于模型的故障诊断方法难以实现或诊断精度受限等问题,从数据驱动的角度出发,提出了一种基于ADCS-ELM的故障诊断方法。该方法首先对非线性、非平稳的轴承振动信号进行集合经验模态分解（ensemble empirical mode decomposition,EEMD）,获得故障信号的IMF（intrinsic mode function）能量特征数据集。然后,利用加入了动态自适应步长调整策略的布谷鸟搜索算法（cuckoo search,CS）实现了传统极限学习机（extreme learning machine,ELM）网络连接权值和隐含层阈值等参数的优化确定,提高了ELM网络的稳定性、鲁棒性和分类精度。最后,训练并测试ADCS-ELM网络的故障诊断性能,结果表明,本文方法可以达到平均99.51%的故障诊断精度,实现了轴承滚动体、内圈、外圈裂纹等故障的高准确性故障诊断。（3）提出了一种基于优化堆叠降噪自动编码的故障诊断方法。非线性故障具有可传播性、耦合性、继发性、不确定性和多样性等特点,导致了故障成因难以有效溯源、故障诊断准确性不高等问题。相较于传统故障诊断方法,深度堆叠降噪自动编码器（stacked denoising auto-encoder,SDAE）能够从海量数据中自适应地提取更深层次的故障特征,避免了手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。然而,采用经验枚举获得的SDAE网络超参数使得网络在不同领域的故障诊断问题中泛化能力较弱,且选参过程与设计人员经验有关,效率低。因此,本文利用新设计的人工变性天牛算法（artificial transgender longicorn algorithm,ATLA）对SDAE网络超参数进行自适应选取,优化确定网络结构,提高了网络模型的泛化能力和识别准确性。在此基础上,提出了一种基于优化堆叠降噪自动编码器的故障诊断方法,并通过多工况条件下滚动轴承故障诊断仿真实验进行了有效性验证,结果表明本文方法在故障识别准确率、泛化性能等方面优于基于BP（back propagation）神经网络、支持向量机（support vector machine,SVM）以及卷积神经网络（convolutional neural networks,CNN）的故障诊断方法,与同为深度学习模型的CNN网络相比,运算效率更高,实时性更强。（4）提出了一种基于ICS-ELM的复杂系统过程关键参数实时预测方法。通过过程关键参数的实时预测来实现系统故障的实时预测是一种有效的故障预测方法。本文利用软测量的间接测量思想,构建了ICS-ELM神经网络模型来实现系统关键参数的准确预测。首先,在动态自适应搜索步长调整的基础上,增加基于搜索进程的动态被发现概率调整策略,设计了布谷鸟搜索算法（CS）的改进算法ICS;其次,利用ICS实现了ELM回归网络的连接权值和隐含层阈值的参数优化,提高了网络稳定性和预测精度;然后,利用主成分分析（principal components analysis,PCA）完成了过程数据的降维和属性约简,实现软测量辅助变量选择;最后,建立过程关键参数的ICS-ELM预测模型,并以污水处理过程关键参数生化需氧量（biochemical oxygen demand,BOD）为预测对象,建立基于ICS-ELM的BOD故障预测模型。实验结果表明,本文方法不仅可以实现BOD的精确预测,也为其他过程关键参数的故障预测提供了一个可行的解决方案,具有一定的推广价值。（5）提出了一种基于卷积神经网络的剩余寿命预测方法。设备的剩余寿命预测是系统故障预测中的重要研究内容,然而复杂非线性系统参数众多,过程数据量大且维度高,致使预测模型难以准确建立,预测方法少。对此,本文提出了一种基于CNN-HI健康指数的剩余寿命预测方法。首先,对数据样本进行预处理,建立故障预测图像数据集;然后,借助CNN网络强大的图像特征提取能力,实现基于优化CNN网络的健康指数（CNN-HI）高品质构造与估计;最后,通过高斯过程回归分析实现剩余寿命预测,并通过滚动轴承PRONOSTIA数据集验证了方法的性能,结果表明本文方法可以有效估计轴承的退化状态,实现了轴承RUL高准确性预测,为轴承及其余设备的剩余寿命预测研究提供了重要的理论参考,具备重要的实践价值。本文结合系统非线性特点,在强噪声、多干扰背景下,就基于模型和基于数据驱动的故障诊断与预测方法进行了深入的研究,提出了多种故障诊断和预测新方法,一定程度上解决了系统突变、多工况等各种复杂情况下,由于系统复杂性、故障耦合性及不确定性等所带来的诊断准确率低、实时性差、鲁棒性弱及预测方法缺乏等问题。本文研究成果对非线性系统智能诊断技术的发展及保障系统运行的安全性和可靠性具有重要的参考价值和实践意义。
高逸夫[3]（2019）在《数据挖掘技术在电梯综合监管和质量提升中的应用研究》文中进行了进一步梳理随着经济与科技的发展,电梯已经成为一种日常运输工具。近年来,由于电梯故障的频繁发生对人民的生命财产安全造成了一定损失,电梯的运行安全问题受到政府的高度重视。本文通过对电梯相关数据的分析与挖掘,为电梯的综合监管与质量提升提供决策帮助。本文研究主要分为以下三个部分:电梯安装站点的故障预测模型与责任界定算法、电梯维保区域划分与维保站点选址算法、电梯救援模式设计。在故障预测模型的研究中,本文利用XGBoost算法结合电梯相关数据构建电梯安装站点的故障预测模型,实现对电梯安装站点未来一个月是否发生故障的预测。电梯安装站点的故障预测模型构建过程主要包括数据预处理、特征提取、模型训练、模型评估这四个步骤,并利用实验说明了电梯安装站点故障预测的可行性。在电梯故障责任界定算法研究中,本文根据电梯历史故障记录进行分析,利用贝叶斯概率公式设计了一种为引起电梯故障各方面因素评分的算法。在电梯故障发生后,利用责任界定方法确定各因素的责任得分,提醒责任方提高监管力度。在电梯维保区域划分与维保站点选址的研究中,本文以时间距离作为衡量指标,提出了以维保区域内电梯数量及覆盖范围为约束条件的基于网格聚类的维保区域划分算法以及结合电梯分布密度及电梯发生困人事故概率的基于加权时间距离的选址算法。最后利用实验对比分析,说明了维保区域划分算法与维保站点选址算法能明显缩短从维保站点到达电梯故障现场的时间,提高救援效率。在电梯救援模式设计的研究中,本文以缩短处理电梯故障的时间为目标,提出了一种派单救援模式。在电梯故障发生后,通过分析故障电梯与维保站点之间的距离以及维保人员对该品牌电梯的维修经验,对维保站点出动优先级进行排序依次通知维保站点进行救援,并利用仿真说明了派单模式明显提高处理电梯故障效率。
孙哲伟[4]（2019）在《群组电梯运行过程仿真及运行策略优化》文中研究表明电梯作为高层楼宇的主要通行手段,其群控方案的优化已经是提高楼宇运行效率的研究热点之一。本文建立了群组电梯智能控制系统。系统主要包括手机客户端、服务器和控制模块三部分。本群组电梯控制系统可与传统电梯控制系统共同使用。系统可以根据尚未执行的乘梯信息自动选择系统内电梯的最优运行模式,极大地方便了乘客乘梯,提高了乘客的乘梯效率。本文开发了群组电梯运行仿真程序。群组电梯程序采用手机软件提交运行指令,与传统的楼层按键控制模式相比,在这一模式下,电梯控制系统可在乘客上梯之前就可以提交乘梯指令,在收集实际乘梯指令的基础上,计算一定时间内生成指令数量、指令生成时间间隔和上下行的概率等数据,并应用于程序中乘客指令生成模块。该程序集成了普通、单双层和上下行等运行模式,包含了由平均乘梯时间、平均候梯时间、电梯拥挤程度和电梯运行能耗组成的评价指标体系,更便于实现应用数据的采集。基于群组电梯运行仿真程序,对作者所在高校宿舍楼的候梯人数和客流模式的不同进行分类。当候梯人数大于25人小于75人时,选用2台电梯使用普通运行模式去接载乘客最优。当候梯人数大于75人小于200人时,针对客流模式的不同进行电梯运行模式的选择,若客流模式为上行高峰期、指定交通流或层架交通流,选用4台电梯,其中2台单层停2台双层停的运行模式接载乘客;若客流模式为下行高峰期,选用4台电梯,其中1台上行3台下行的运行模式接载乘客。
张绪鹏,赵勇[5]（2019）在《电梯故障预测技术研究》文中研究说明探讨了故障预测的方法,以及必要的处理手段,指出电梯故障是可以预测的,并简述了电梯的4种故障预测方法,提出了对应的应用方法,进一步分析了电梯故障预测中的不确定性。
郑龙[6]（2019）在《A公司电梯故障预测与健康管理系统设计与应用》文中提出过去十多年,中国的电梯行业经历了一段快速上升期,随着电梯保有量的不断提升,电梯故障引发的事故也随之增加。电梯作为特种设备,超过60%的故障是由于维保、使用、管理不当造成的,而目前每15天维保一次的硬性规定无法根据电梯实际状况调节,大量老旧电梯处于维保不足的状态。这也引发人们对于针对性维保、故障提前预测、科学化管理电梯的研究,而这些内容也是A公司现有业务中缺乏或有待改进的。本文通过为A公司引入故障预测与健康管理体系,提升企业维保服务和电梯管理的能力。通过内外部需求分析,确定本次系统的整体结构和研究重点。建立故障预测模型,对远程服务系统采集的数据进行分析与学习,并预测电梯故障的发生。为维保体系增加健康管理的功能,并分析其应用效果。最终,用决策树分类器构建的模型故障预测率达到80%以上。为维保业务设计基础维保与动态调整相结合的计划编制方式,实现了针对性的状态维保,有效提高维保效率、降低维保费用、减少停梯时间。
冯雪[7]（2017）在《电梯运行监控预警系统研究与实现》文中研究表明改革开放几十年以来,我国在经济、政治、文化方面的发展都达到世界先进水平,城市化建设及农村变社区的发展政策导致从前的平房转变为高楼大厦,电梯作为高楼内部上下运行的交通工具,不管是在商场、医院还是居民区都是不容忽视的存在。随着电梯在用量的急剧增多,维保措施不完善、警示不及时等都会导致电梯事故频频发生,时至今日,电梯伤人事故还仍时有发生,因此电梯的安全运行监控以及故障预测已经成为如今社会现代化发展进程中的重要课题。本文开篇介绍了国内电梯领域的背景,紧接着对电梯系统结构、技术指标和常见故障进行分析,并对比调研了国内外电梯监控的研究状况,指出国内外电梯监控系统中存在的各自的优缺点,强调了电梯领域的故障预测技术研究的高需求。同时介绍了故障预测技术和RBF神经网络的发展现状。针对上述问题,本文主要工作如下:（1）搭建了 一个开放性和通用性都有所提高的新型电梯运行监控预警系统,配套开发Web监管平台。该系统采用独立于电梯品牌的外置多个传感器,全天候不间断对电梯运行状态参数进行监测,实现了电梯运行参数监测收集、电梯维保检验记录存储、各单位（物业单位、维保单位、检验单位等）信息管理、地图可视化和警示提示及相关信息统计等功能。本文系统创新之处在于增加了数据库管理功能和警示提示功能,提高了传统系统的信息化管理水平,且可以对电梯往后一段时间可能发生的故障类型进行预测和提示,使相关人员可以提前进行针对性检修,降低电梯故障的发生频率。针对没有能够提前排除的故障,系统也能够根据实时监控到的数据参数,在故障发生之后尽可能短的时间内进行故障报警,为故障的及时解除提供条件。（2）将RBF径向基神经网络与电梯故障预测结合,搭建了一个可根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测的神经网络模型。同时针对标准的RBF径向基神经网络存在初始隐含层节点中心选择过于随机的缺点,而这又对模型的结果有很大的影响,本文选用PSO算法来优化其模型参数。在电梯运行监控预警系统收集到的电梯运行数据之上,对标准RBF神经网络预测模型和优化后的模型进行对比试验,通过实验结果分析,可以得出RBF神经网络在电梯领域的故障预测的可行性,同时也表明PSO优化算法能有效提高RBF神经网络的预测精度和训练速度。
王志平[8]（2016）在《基于高速电梯运行特征大数据分析的急停故障诊断技术及应用》文中研究说明高速电梯作为现代高层建筑必不可少的垂直运输工具,必须满足功能性、安全性的品质要求。高速电梯有运行速度快、提升高度大、起停加速多变等特点,在发生急停故障时会产生振动与噪声,严重影响了舒适性、安全性。高速电梯往往采用基于网络的数字化运行监控技术,产生的海量运行特征数据蕴含了大量的故障诊断信息。如何从高速电梯运行特征大数据中挖掘出故障信息,实现急停故障的快速诊断,对提高高速电梯的安全稳定运行具有重要意义。本文在综述机电设备故障诊断方法的基础上,研究了高速电梯运行特征与急停故障的分层关联、基于大数据分析的高速电梯急停故障特征提取、基于模糊BP神经网络的高速电梯急停故障诊断等技术,开发了高速电梯急停故障大数据分析与诊断系统,在高速电梯的急停故障诊断中进行了应用验证。全文的组织结构如下:第一章综述了大数据分析与故障诊断、机电设备故障诊断、电梯故障诊断等理论、技术与方法的研究现状。介绍了本文的研究背景、研究内容和研究意义。第二章在分析了高速电梯急停故障成因和高速电梯运行特征大数据的基础上,通过采集高速电梯运行特征参数,构建了高速电梯急停故障原因的层次结构模型,实现了基于分层映射的高速电梯运行特征参数与急停故障原因的关联映射。第三章运用二进小波变换在信号处理中具有时频两域高分辨率的特性,提出了基于小波模极大值的高速电梯急停故障特征降噪方法;采用粗糙集属性约简技术实现了高速电梯急停故障特征大数据的分析与提取。第四章研究了高速电梯急停故障诊断的模糊BP神经网络,基于神经网络的高速电梯急停故障诊断方法,基于神经网络的高速电梯急停故障诊断过程等,建立了高速电梯急停故障诊断模型,实现了高速电梯运行特征大数据分析与急停故障诊断。第五章根据本文提出的理论和方法,开发了高速电梯急停故障大数据分析与诊断系统,并在高速电梯急停故障诊断中进行了应用验证。第六章对论文的研究工作和主要成果进行了总结,根据研究的不足之处和需要深入研究的地方进行了展望。
吴峰华[9]（2011）在《竖炉焙烧运行工况故障诊断与容错控制的研究》文中研究表明在我国的赤铁矿选矿工业中,由于赤铁矿品位较低,选别难度大,难以利用常规的磁选方法获得品位合格的铁精矿,因而采用竖炉预先对赤铁矿石进行高温还原磁化焙烧,使弱磁性矿物变成强磁性矿物,然后再用磁选方法得到铁精矿。因此,竖炉焙烧过程的运行工况直接关系到选矿的金属回收率与精矿品位。竖炉焙烧过程属于复杂的半间歇式生产过程,赤铁矿在竖炉内部发生高温化学反应,矿石的大小、种类、成分频繁变化,尤其是反映竖炉焙烧质量的运行指标——磁选管回收率不能实时在线测量,因此,运行控制中可能给出不合适的燃烧室温度、还原煤气流量、矿石搬出时间的设定值,从而可能造成冒火、上火、炼炉、过还原、欠还原等故障工况。因此,研究及时准确地诊断故障工况和改变燃烧室温度、还原煤气流量、矿石搬出时间的设定值,通过控制系统跟踪设定值,使竖炉远离故障工况的故障工况诊断与容错控制方法,对于保证竖炉正常运行具有重要意义。本文针对磁选管回收率预报、竖炉故障工况诊断与容错控制,以及如何实现故障工况诊断与容错控制方法的三个关键问题,依托国家863高技术计划项目“选矿工业过程综合自动化系统研究与开发”,开展了竖炉焙烧运行工况故障诊断与容错控制的研究,取得了如下成果：1、针对磁选管回收率不能实时在线检测,与燃烧室温度、还原煤气流量和矿石搬出时间的特性具有模糊性,难以建立机理模型,且其化验结果具有大滞后特性,难以满足故障工况诊断的实时性要求的问题,提出了由模糊主模型和神经网络补偿模型构成的磁选管回收率混合预报模型。模糊主模型的模糊规则提取采用了同步聚类方法；神经网络补偿模型采用了搜寻后收敛进度算法提高了训练速度。仿真试验表明,本文的方法能够获得较高的预报精度；2、针对故障工况与磁选管回收率预报值、控制回路输出值、控制量、竖炉焙烧的过程变量、以及边界条件之间的动态特性难以建立机理模型,仅靠运行操作人员通过观察炉况,凭经验判断故障存在的问题,提出了基于规则推理的故障工况诊断方法。该方法吸取了运行操作人员故障工况诊断的专家知识,采用一种基于层次分析方法的启发式搜索策略确定规则库中的规则搜索顺序,由磁选管回收率预报值、控制回路输出值、控制量、竖炉焙烧的过程变量、以及边界条件提取各种故障工况的推理规则,形成规则库；3、针对燃烧室温度、还原煤气流量、矿石搬出时间的改变来消除故障工况的动态过程与故障工况种类、控制回路输出值、回路跟踪误差、控制量、过程参数以及边界条件密切相关,难以用机理模型描述,仅靠运行操作人员凭经验改变燃烧室温度、还原煤气流量、矿石搬出时间的设定值来消除故障工况存在的问题,提出了基于案例推理的容错控制方法。容错控制器根据故障工况种类、控制回路的输出值、回路跟踪误差、控制量、过程参数以及边界条件,利用案例推理的方法给出控制回路设定值的修正量,通过控制系统跟踪新的设定值,使系统逐渐远离故障工况,同时保证磁选管回收率处于目标值范围内。其中案例推理中的案例描述的权值确定方法结合竖炉焙烧特性,提出了基于相关分析与蚁群算法相结合的案例描述权值优化方法；4、本文将所提出的磁选管回收率预报模型、故障工况诊断和容错控制方法相结合,提出了故障工况诊断与容错控制策略。设计开发了实现故障工况诊断与容错控制策略的软件系统。该软件由数据采集、结果显示、数据保存、试验计时、磁选管回收率预报、故障工况诊断与容错控制、层次分析算法、蚁群算法结合相关分析的算法模块等组成；5、采用竖炉现场数据进行了故障工况诊断与容错控制方法的实验研究。实验结果表明,由于燃烧室温度、还原煤气流量和矿石搬出时间的设定值不能适应矿石性质等边界条件的波动而出现故障工况时,该系统能够实现故障工况诊断,并修改上述设定值,通过控制系统跟踪修改后的设定值,使竖炉逐步远离故障工况运行,同时保证磁选管回收率控制在目标值范围内。
李俊芳,曲照伟,窦立谦,宗群[10]（2009）在《基于神经网络的电梯门系统故障预测方法的研究》文中研究指明为了保证电梯系统安全可靠地运行,需要对电梯进行故障预测.论文分析了电梯系统故障预测的重要性及神经网络预测原理,提出了基于神经网络的电梯门系统故障预测方法.仿真结果表明了该方法在电梯门系统故障预测中的有效性.
二、基于ControlNet的软测量技术及其在电梯故障预测中的应用（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、基于ControlNet的软测量技术及其在电梯故障预测中的应用（论文提纲范文）
（2）基于智能技术的一类非线性系统故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语说明 |
| 第一章 绪论 |
| 1.1 论文的背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性系统的故障诊断与预测问题描述 |
| 1.2.2 故障诊断与预测方法研究现状 |
| 1.3 存在的问题和研究难点 |
| 1.4 研究内容及思路 |
| 1.5 论文结构安排及课题来源 |
| 1.5.1 论文结构安排 |
| 1.5.2 课题来源 |
| 第二章 基于智能优化粒子滤波的故障诊断方法研究 |
| 2.1 引言 |
| 2.2 粒子滤波算法 |
| 2.2.1 状态空间模型 |
| 2.2.2 标准粒子滤波 |
| 2.3 变频变异粒子滤波(VFM-PF) |
| 2.3.1 变频变异策略 |
| 2.3.2 变频变异粒子滤波算法 |
| 2.3.3 算法性能实验及结果分析 |
| 2.4 基于VFM-PF的曝气池溶解氧过程故障诊断 |
| 2.4.1 活性污泥法污水处理及曝气池溶解氧过程 |
| 2.4.2 曝气池溶解氧过程故障诊断模型 |
| 2.4.3 基于VFM-PF的曝气池溶解氧过程故障诊断实验及结果分析 |
| 2.5 基于改进天牛群搜索算法的粒子滤波(BSAS-PF) |
| 2.5.1 天牛群搜索算法 |
| 2.5.2 改进天牛群搜索算法 |
| 2.5.3 基于改进天牛群搜索算法的粒子滤波 |
| 2.5.4 算法性能实验及结果分析 |
| 2.6 基于BSAS-PF的双馈风力发电机故障诊断 |
| 2.6.1 风力发电系统概述 |
| 2.6.2 双馈发电机故障诊断模型 |
| 2.6.3 基于BSAS-PF的双馈发电机故障诊断实验及结果分析 |
| 2.7 本章小结 |
| 第三章 基于ADCS-ELM的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 本章相关技术概述 |
| 3.2.1 经验模态分解和集合经验模态分解 |
| 3.2.2 极限学习机 |
| 3.3 ADCS-ELM神经网络 |
| 3.3.1 改进布谷鸟搜索算法 |
| 3.3.2 基于ADCS的改进ELM神经网络 |
| 3.4 基于ADCS-ELM的故障诊断 |
| 3.4.1 故障诊断流程 |
| 3.4.2 基于EEMD的特征提取 |
| 3.4.3 基于ADCS-ELM的故障模式识别 |
| 3.5 故障诊断实验及结果分析 |
| 3.5.1 数据来源 |
| 3.5.2 故障特征提取实验 |
| 3.5.3 故障分类识别实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于堆叠降噪自动编码器的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 堆叠降噪自动编码器(SDAE) |
| 4.2.1 自动编码器(AE) |
| 4.2.2 稀疏自动编码器(SAE) |
| 4.2.3 降噪自动编码器(DAE) |
| 4.2.4 堆叠降噪自动编码器(SDAE) |
| 4.3 基于人工变性天牛算法的改进堆叠降噪自动编码器(ATLA-SDAE) |
| 4.3.1 人工变性天牛算法(ATLA) |
| 4.3.2 基于ATLA的 SDAE超参数优化 |
| 4.4 基于ATLA-SDAE的故障诊断 |
| 4.5 故障诊断实验及结果分析 |
| 4.5.1 多工况轴承数据与特征集的构造 |
| 4.5.2 故障诊断实验及结果分析 |
| 4.6 本章小结 |
| 第五章 基于ICS-ELM的故障预测方法研究 |
| 5.1 引言 |
| 5.2 基于ICS-ELM的污水处理过程BOD预测 |
| 5.2.1 改进布谷鸟搜索算法(ICS) |
| 5.2.2 基于ICS的改进ELM神经网络污水处理过程BOD预测 |
| 5.3 基于ICS-ELM的 BOD实时故障预测实验及结果分析 |
| 5.3.1 实验数据的获取 |
| 5.3.2 实验数据的预处理 |
| 5.3.3 BOD预测实验及结果分析 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的剩余寿命预测方法研究 |
| 6.1 引言 |
| 6.2 本章相关技术概述 |
| 6.2.1 连续小波变换 |
| 6.2.2 卷积神经网络CNN |
| 6.3 CNN预测模型结构设计 |
| 6.4 基于CNN-HI的滚动轴承剩余寿命预测 |
| 6.5 基于CNN-HI的轴承RUL预测实验及结果分析 |
| 6.5.1 PRONOSTIA轴承加速全寿命数据集 |
| 6.5.2 预测实验及结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
（3）数据挖掘技术在电梯综合监管和质量提升中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论知识概述 |
| 2.1 数据挖掘定义 |
| 2.2 数据挖掘在电梯监管与应急处置中的应用 |
| 2.2.1 分类 |
| 2.2.2 聚类 |
| 2.3 模型的训练与评估 |
| 2.4 OpenStreetMap简介 |
| 2.5 本章小结 |
| 第三章 数据获取和预处理 |
| 3.1 电梯综合数据 |
| 3.1.1 电梯综合数据说明 |
| 3.1.2 数据预处理 |
| 3.1.3 统计分析 |
| 3.2 基于时间距离的道路网构建 |
| 3.2.1 构建城市道路网 |
| 3.2.2 时间距离测量 |
| 3.3 气象数据 |
| 3.4 本章小结 |
| 第四章 故障预测模型与责任界定算法 |
| 4.1 研究概述 |
| 4.2 电梯安装站点故障预测模型 |
| 4.2.1 电梯安装站点故障预测模型构建流程 |
| 4.2.2 构建样本集 |
| 4.2.3 基于XGBoost的电梯故障预测 |
| 4.2.4 实验设计与评估 |
| 4.3 电梯故障责任界定算法 |
| 4.3.1 责任界定目标 |
| 4.3.2 责任界定算法 |
| 4.3.3 实例分析 |
| 4.4 本章小结 |
| 第五章 维保区域划分与维保站点选址算法 |
| 5.1 研究概述 |
| 5.2 最短时间距离 |
| 5.2.1 实际地址与道路网中节点的映射关系 |
| 5.2.2 最短路径搜索 |
| 5.3 维保区域划分算法 |
| 5.3.1 维保区域划分目标 |
| 5.3.2 基于网格聚类的维保区域划分算法 |
| 5.4 维保站点选址算法 |
| 5.4.1 选址决策的目标 |
| 5.4.2 安装站点的权重计算 |
| 5.4.3 基于加权时间距离的选址算法 |
| 5.5 维保站点选址算法的实验设计与评估 |
| 5.5.1 实验数据与评价指标 |
| 5.5.2 实验结果与分析 |
| 5.6 结合维保区域划分算法的实验设计与评估 |
| 5.6.1 实验数据与评价指标 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 第六章 救援派单模式设计 |
| 6.1 研究概述 |
| 6.2 电梯故障派单模式设计 |
| 6.3 救援派单模式仿真实验 |
| 6.4 本章小结 |
| 第七章 研究总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）群组电梯运行过程仿真及运行策略优化（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本文的研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 意义 |
| 1.2 群组电梯的发展过程 |
| 1.2.1 历史发展 |
| 1.2.2 国内发展情况 |
| 1.2.3 国外发展情况 |
| 1.3 群组电梯的研究现状 |
| 1.3.1 电梯的远程监控 |
| 1.3.2 基于物联网与大数据的故障诊断 |
| 1.3.3 电梯资源的分配 |
| 1.3.4 安卓系统在电梯中的应用 |
| 1.4 群组电梯行业未来的发展趋势 |
| 1.4.1 环保技术应用 |
| 1.4.2 节能技术应用 |
| 1.4.3 物联网技术应用 |
| 1.5 本文的主要研究内容以及章节安排 |
| 第二章 基于智能终端的群组电梯智能控制系统的开发 |
| 2.1 智能控制系统中手机客户端的开发 |
| 2.2 智能控制系统中服务器的使用 |
| 2.2.1 数据存储功能 |
| 2.2.2 运行模式决策功能 |
| 2.3 智能控制系统中控制模块的开发 |
| 2.4 群组电梯智能控制系统的具体实施过程 |
| 2.5 本章小结 |
| 第三章 群组电梯运行过程仿真程序 |
| 3.1 仿真程序的数据结构 |
| 3.1.1 数据结构 |
| 3.2 电梯运动状态分析及电梯分配 |
| 3.2.1 电梯运动状态的转换 |
| 3.2.2 指令的分配机制 |
| 3.2.3 电梯处于运行状态 |
| 3.2.4 电梯处于停止状态 |
| 3.2.5 电梯处于空闲状态 |
| 3.2.6 分配决策流程 |
| 3.3 群组电梯运行模式 |
| 3.4 群组电梯运行参数 |
| 3.5 电梯的运行评价指标 |
| 3.5.1 平均候梯时间 |
| 3.5.2 平均乘梯时间 |
| 3.5.3 电梯拥挤度 |
| 3.5.4 电梯运行能耗 |
| 3.6 本章总结 |
| 第四章 不同工况下最优运行模式的选择 |
| 4.1 密集型上行高峰工况 |
| 4.1.1 工况描述 |
| 4.1.2 密集型上行高峰多台电梯在普通运行模式下各指标变化 |
| 4.1.3 结果分析 |
| 4.2 密集型指定交通流工况 |
| 4.2.1 工况描述 |
| 4.2.2 密集型指定交通流多台电梯在普通运行模式下各指标变化 |
| 4.2.3 结果分析 |
| 4.3 密集型下行高峰期工况 |
| 4.3.1 工况描述 |
| 4.3.2 密集型下行高峰期多台电梯在普通运行模式下各指标变化 |
| 4.3.3 结果分析 |
| 4.4 其它工况的概述 |
| 4.4.1 密集型层间交通流工况分析 |
| 4.4.2 稀疏型层间交通流工况分析 |
| 4.4.3 常规型上行高峰工况分析 |
| 4.4.4 常规型指定交通流工况分析 |
| 4.4.5 常规型下行高峰工况分析 |
| 4.5 本章总结 |
| 第五章 结论与展望 |
| 5.1 研究成果 |
| 5.2 研究展望 |
| 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 |
（5）电梯故障预测技术研究（论文提纲范文）
| 1 电梯故障预测的作用 |
| 2 电梯故障预测方法 |
| 2.1 基于概率的故障预测技术 |
| 2.2 基于趋势的故障预测技术 |
| 2.3 基于模型的故障预测技术 |
| 2.4 基于数据挖掘技术的故障预测技术 |
| 3 电梯故障预测中的不确定性 |
| 3.1 电梯模型本身的不确定性 |
| 3.2 方法的不完善性 |
| 3.3 故障描述的不确定性 |
| 4 故障预测准确性的改进 |
| 5 结语 |
（6）A公司电梯故障预测与健康管理系统设计与应用（论文提纲范文）
| 摘要 |
| abstract |
| 前言 |
| 第1章 绪论 |
| 1.1 课题的背景与意义 |
| 1.1.1 电梯行业维保业务现状 |
| 1.1.2 A公司维保业务及电梯管理现状 |
| 1.1.3 课题研究的意义 |
| 1.2 电梯基本结构 |
| 1.2.1 机械系统 |
| 1.2.2 电气系统 |
| 1.2.3 安全回路系统 |
| 1.3 电梯维保理论 |
| 1.3.1 事后维保 |
| 1.3.2 定期维保 |
| 1.3.3 状态维保 |
| 1.3.4 改善性维保 |
| 1.3.5 各类维保方式比较 |
| 1.4 故障预测与健康管理 |
| 1.4.1 基本概念 |
| 1.4.2 历史与研究现状 |
| 1.4.3 故障预测方法理论 |
| 1.4.4 PHM系统应用案例 |
| 1.5 问题的提出与难点分析 |
| 1.5.1 提出问题 |
| 1.5.2 研究难点 |
| 1.6 论文的主要工作及结构安排 |
| 1.6.1 研究涉及主要工作 |
| 1.6.2 论文的主要发现 |
| 1.6.3 论文的结构安排 |
| 第2章 系统的需求分析 |
| 2.1 企业内部需求分析 |
| 2.2 企业外部需求分析 |
| 2.2.1 宏观环境 |
| 2.2.2 市场需求与消费者行为分析 |
| 2.2.3 行业竞争与主要竞争者分析 |
| 2.2.4 政府及监管部门需求 |
| 2.3 需求分析汇总 |
| 2.4 系统建立 |
| 2.5 本章小结 |
| 第3章 数据的采集与分析 |
| 3.1 电梯故障 |
| 3.1.1 故障的定义 |
| 3.1.2 电梯故障分类 |
| 3.2 数据选择与处理 |
| 3.2.1 数据来源 |
| 3.2.2 数据筛选及样本选择 |
| 3.2.3 数据探索 |
| 3.2.4 数据处理 |
| 3.3 基于统计回归的分析方法与模型 |
| 3.3.1 线性回归定义 |
| 3.3.2 逻辑回归模型建立 |
| 3.3.3 回归方程解读方法 |
| 3.3.4 逻辑回归模型分析 |
| 3.3.5 逻辑回归小结 |
| 3.4 本章小结 |
| 第4章 故障预测模块的设计与实验 |
| 4.1 模型设计 |
| 4.1.1 模型研究的基础 |
| 4.1.2 模型的评价方法 |
| 4.2 基于支持向量机的故障预测研究 |
| 4.2.1 基本理论 |
| 4.2.2 模型建立 |
| 4.2.3 预测模型实验 |
| 4.3 基于决策树分类器的故障预测研究 |
| 4.3.1 基本理论 |
| 4.3.2 模型建立 |
| 4.3.3 预测模型实验 |
| 4.4 基于极限学习机的故障预测研究 |
| 4.4.1 基本理论 |
| 4.4.2 模型建立 |
| 4.4.3 预测模型实验 |
| 4.5 模型数据比较与评估 |
| 4.6 本章小结 |
| 第5章 健康管理模块的设计与应用 |
| 5.1 系统设计 |
| 5.1.1 整体结构 |
| 5.1.2 信息统计模块 |
| 5.1.3 故障预测模块 |
| 5.1.4 维保计划编制模块 |
| 5.2 企业内部模拟应用效果 |
| 5.2.1 应用于维保业务管理 |
| 5.2.2 应用于人力资源管理 |
| 5.3 外部环境的应用 |
| 5.3.1 客户的收益 |
| 5.3.2 政府及监管部门的应用 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 存在的问题与展望 |
| 6.2.1 如何有效提高故障预测能力 |
| 6.2.2 对故障概率及损伤程度的预测 |
| 6.2.3 其它故障预防 |
| 6.2.4 行业推广 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）电梯运行监控预警系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 电梯知识介绍 |
| 1.2.1 电梯系统结构 |
| 1.2.2 电梯系统主要技术指标 |
| 1.2.3 常见电梯故障分析 |
| 1.3 国内外研究现状 |
| 1.3.1 电梯监控系统研究现状 |
| 1.3.2 故障预测技术研究现状 |
| 1.3.3 径向基(RBF)神经网络研究现状 |
| 1.3.4 故障预测在电梯领域的应用 |
| 1.4 主要研究内容 |
| 1.5 论文组织结构 |
| 第2章 电梯运行监控预警系统整体方案 |
| 2.1 系统需求分析 |
| 2.2 电梯运行监控预警系统整体架构概述 |
| 2.2.1 数据收集模块 |
| 2.2.2 无线传输模块 |
| 2.2.3 Web监管平台 |
| 2.2.4 用户模块 |
| 2.3 电梯运行监控预警系统通信设计实现 |
| 2.3.1 传输协议包 |
| 2.3.2 连接方式的选择 |
| 2.3.3 电梯传感器监控数据上传 |
| 2.3.4 用户请求 |
| 2.4 本章小结 |
| 第3章 电梯故障预测模型构建与优化 |
| 3.1 故障预测模型概述 |
| 3.2 样本预处理 |
| 3.3 RBF神经网络原理 |
| 3.3.1 RBF神经网络结构 |
| 3.3.2 学习算法 |
| 3.4 故障预测模型构建与优化 |
| 3.4.1 PSO概述 |
| 3.4.2 PSO优化RBF神经网络预测模型 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 第4章 系统Web监管平台设计与实现 |
| 4.1 Web监管平台 |
| 4.1.1 平台总体功能 |
| 4.1.2 技术路线 |
| 4.2 数据库设计 |
| 4.3 子系统功能设计 |
| 4.3.1 地图监测 |
| 4.3.2 检验/维保记录 |
| 4.3.3 信息管理 |
| 4.3.4 电梯查询 |
| 4.3.5 统计分析 |
| 4.4 子系统功能实现 |
| 4.4.1 地图监测 |
| 4.4.2 维保记录 |
| 4.4.3 检验记录 |
| 4.4.4 信息管理 |
| 4.4.5 电梯查询 |
| 4.4.6 统计分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（8）基于高速电梯运行特征大数据分析的急停故障诊断技术及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 故障诊断方法的研究现状 |
| 1.2.1 大数据分析与故障诊断 |
| 1.2.2 机电设备故障诊断方法 |
| 1.3 论文研究背景 |
| 1.4 论文的研究内容和意义 |
| 1.5 论文结构 |
| 1.6 本章小结 |
| 2 高速电梯运行特征与急停故障的分层关联 |
| 2.1 引言 |
| 2.2 高速电梯急停故障及其成因 |
| 2.2.1 高速电梯急停故障概述 |
| 2.2.2 高速电梯急停故障产生原因 |
| 2.3 高速电梯运行特征大数据 |
| 2.3.1 高速电梯运行特征大数据选取 |
| 2.3.2 高速电梯运行特征大数据采集 |
| 2.4 基于分层映射的运行特征与急停故障关联 |
| 2.5 本章小结 |
| 3 基于大数据分析的高速电梯急停故障特征提取 |
| 3.1 引言 |
| 3.2 高速电梯故障特征参数降噪 |
| 3.2.1 二进小波变换与降噪方法 |
| 3.2.2 基于小波极大值的急停故障特征降噪 |
| 3.2.3 高速电梯急停故障特征降噪评价标准 |
| 3.3 高速电梯急停故障特征大数据分析与提取 |
| 3.3.1 基于粗糙集约简的故障特征大数据分析 |
| 3.3.2 高速电梯急停故障诊断特征参数的提取 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4 基于模糊BP神经网络的高速电梯急停故障诊断 |
| 4.1 引言 |
| 4.2 模糊BP神经网络与故障诊断 |
| 4.3 高速电梯急停故障的模糊BP神经网络诊断模型 |
| 4.3.1 高速电梯急停故障诊断的模糊BP神经网络的构建 |
| 4.3.2 基于模糊BP神经网络高速电梯急停故障诊断方法 |
| 4.3.3 基于模糊BP神经网络高速电梯急停故障诊断过程 |
| 4.4 实例分析 |
| 4.5 本章总结 |
| 5 高速电梯急停故障大数据分析与诊断系统 |
| 5.1 引言 |
| 5.2 系统框架结构 |
| 5.3 系统主要功能及实现 |
| 5.3.1 急停故障特征数据采集 |
| 5.3.2 急停故障特征大数据分析 |
| 5.3.3 急停故障特征数据降噪 |
| 5.3.4 急停故障特征提取 |
| 5.3.5 高速电梯急停故障诊断 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间参与的科研项目 |
（9）竖炉焙烧运行工况故障诊断与容错控制的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 工程系统的故障诊断与容错控制技术研究现状 |
| 1.2 炉窑故障诊断与容错控制技术研究现状 |
| 1.3 软测量及其在炉窑中应用研究现状 |
| 1.4 存在的问题及本文的工作 |
| 第2章 竖炉焙烧过程故障工况问题描述 |
| 2.1 竖炉焙烧装置与工艺过程描述 |
| 2.2 磁选管回收率预报问题描述 |
| 2.2.1 竖炉焙烧过程运行指标——磁选管回收率 |
| 2.2.2 磁选管回收率与还原反应温度、还原剂浓度、还原反应时间之间的特性分析 |
| 2.2.3 还原反应温度、还原剂浓度、还原反应时间与燃烧室温度、还原煤气流量、矿石搬出时间之间的特性定性分析 |
| 2.3 竖炉焙烧运行故障工况分析 |
| 2.4 本章小结 |
| 第3章 竖炉焙烧过程运行指标——磁选管回收率预报方法 |
| 3.1 模糊与神经网络方法介绍 |
| 3.1.1 模糊模型简介 |
| 3.1.2 神经网络简介 |
| 3.2 磁选管回收率特性分析 |
| 3.3 磁选管回收率预报方法 |
| 3.3.1 磁选管回收率预报策略 |
| 3.3.2 磁选管回收率预报算法 |
| 3.4 磁选管回收率预报模型参数确定及方法比较 |
| 3.4.1 实验仿真确定磁选管回收率预报模型参数 |
| 3.4.2 各种方法进行磁选管回收率预报比较实验 |
| 3.5 磁选管回收率预报实验研究 |
| 3.6 本章小结 |
| 第4章 竖炉焙烧运行工况故障诊断与容错控制方法 |
| 4.1 基于规则推理的故障工况诊断方法 |
| 4.1.1 竖炉故障工况诊断现状分析 |
| 4.1.2 基于层次分析(AHP)的规则推理方法 |
| 4.1.3 基于规则推理的故障工况诊断方法 |
| 4.2 基于案例推理的容错控制方法 |
| 4.2.1 故障工况处理现状分析 |
| 4.2.2 基于案例描述权值优化的案例推理方法 |
| 4.2.3 基于案例推理的故障工况容错控制方法 |
| 4.2.4 故障工况容错控制方法实验研究 |
| 4.3 故障工况诊断与容错控制策略 |
| 4.4 本章小结 |
| 第5章 故障工况诊断与容错控制软件系统的设计与开发 |
| 5.1 软件系统的设计 |
| 5.1.1 功能模块设计 |
| 5.1.2 算法模块设计 |
| 5.2 软件系统的开发 |
| 5.3 本章小结 |
| 第6章 实验研究 |
| 6.1 实验对象的描述 |
| 6.1.1 控制系统硬件与软件平台 |
| 6.1.2 实验数据的采集与描述 |
| 6.1.3 故障工况诊断与容错控制方法中的参数选择 |
| 6.1.4 本文软件实验方法 |
| 6.2 实验过程及结果分析 |
| 6.3 本章小结 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 博士期间完成的论文、参加的科研项目 |
| 作者简介 |
（10）基于神经网络的电梯门系统故障预测方法的研究（论文提纲范文）
| 1 电梯门系统常见故障 |
| 2 基于神经网络的电梯门系统故障预测 |
| 2.1 神经网络的训练算法 |
| 2.2 电梯门系统故障预测实例 |
| 3 结 论 |
四、基于ControlNet的软测量技术及其在电梯故障预测中的应用（论文参考文献）
- [1]半自磨机负荷软测量研究与应用[D]. 韩昌希. 上海应用技术大学, 2021
- [2]基于智能技术的一类非线性系统故障诊断与预测方法研究[D]. 余萍. 兰州理工大学, 2020
- [3]数据挖掘技术在电梯综合监管和质量提升中的应用研究[D]. 高逸夫. 东南大学, 2019(06)
- [4]群组电梯运行过程仿真及运行策略优化[D]. 孙哲伟. 北京化工大学, 2019(06)
- [5]电梯故障预测技术研究[J]. 张绪鹏,赵勇. 中国电梯, 2019(05)
- [6]A公司电梯故障预测与健康管理系统设计与应用[D]. 郑龙. 上海交通大学, 2019(06)
- [7]电梯运行监控预警系统研究与实现[D]. 冯雪. 中国科学技术大学, 2017(01)
- [8]基于高速电梯运行特征大数据分析的急停故障诊断技术及应用[D]. 王志平. 浙江大学, 2016(06)
- [9]竖炉焙烧运行工况故障诊断与容错控制的研究[D]. 吴峰华. 东北大学, 2011(07)
- [10]基于神经网络的电梯门系统故障预测方法的研究[J]. 李俊芳,曲照伟,窦立谦,宗群. 天津理工大学学报, 2009(01)