一、输出过程中常见故障及解决方法的探讨（论文文献综述）
刘凯悦[1]（2021）在《复杂系统的解耦内模与事件触发故障补偿控制》文中研究表明随着社会的发展以及科学技术的进步,过程工业领域中对于控制品质的要求越来越高。同时,由于设备元器件数量以及系统复杂度的增加,使具有高品质性能的控制器设计愈发具有挑战性。本文针对过程工业被控对象具有多变量、强耦合、时滞、右半平面（Right Half Plane,RHP）零点、未知非线性、系统资源有限以及执行器易发生故障的特点,当存在外界干扰以及模型参数不确定时,开展倒置解耦（Inverted Decoupling）内模控制（Internal Model Control,IMC）方法以及事件触发（Event-triggered）控制方法的研究。本文主要工作如下:1、将倒置解耦方法推广到带有多时滞、多RHP零点的多维复杂系统中,首次对解耦器存在的必要条件进行了理论分析与推导,在满足该条件前提下讨论了解耦矩阵元素的设计步骤以及可实现性问题,并提出了针对右半平面零点的近似补偿方法;所提出的方法不受系统形式的限制,同时适用于方形系统以及非方形系统,且解耦器具有计算简单、形式灵活的优点;2、将传统的巴特沃斯（Butterworth）滤波器进行改进,设计改进型巴特沃斯滤波器,并将改进前与改进后滤波器的特性进行对比分析,表明了改进型滤波器具有更好的调节性能,可以实现闭环系统跟踪性能与鲁棒性的良好折衷,并分析滤波器设计参数变化对系统性能的影响;随后利用内模控制的经典结构,将改进型巴特沃斯滤波器作为内模滤波器,进行内模控制器的设计,并基于闭环系统性能研究控制参数选取方法;3、将分数阶理论引入到内模滤波器的设计中,设计了分数阶改进型巴特沃斯滤波器;进而考虑实际计算机控制系统的需要,对滤波器离散化方法进行研究,得到了离散分数阶改进型巴特沃斯滤波器;之后基于被控过程离散传递函数矩阵模型,利用内模控制结构对控制器进行设计,提出了基于分数阶改进型巴特沃斯滤波器的离散内模控制器。分数阶滤波器的引入更加精确地满足了内模滤波器阶次的要求;4、考虑过程工业系统中的非线性特性,利用径向基函数（Radial Basis Function,RBF）神经网络实现对未知非线性函数的逼近,并通过预设性能指标误差变换将误差始终约束在预设的性能指标函数边界内。结合切换阈值事件触发机制（Switching Threshold Event-triggering Mechanism,SWT-ETM）设计自适应神经网络事件触发控制器（Event-triggered Controller,ETC）,使系统误差能够始终按预设性能指标收敛的同时可以降低系统通信压力,减小执行器负担;5、对于系统执行器可能发生的未知故障,利用自适应方法对故障参数加权求和的上界进行估计,能够避免直接对故障参数估计所造成的系统震荡;在设置执行器冗余的条件下,结合切换阈值事件触发机制设计自适应神经网络事件触发故障补偿控制器。由于事件触发机制的引入可以降低系统通信负担,减少执行器不必要的操纵,从而所提出的控制方法对执行器故障成功补偿的同时也尽量降低潜在执行器故障的发生率,提高执行器工作的可靠性。
刘沁[2]（2021）在《船舶舵机液压系统的智能故障诊断方法研究》文中研究表明舵机液压系统作为掌控船舶航向的执行机构,对于船舶的安全航行至关重要,舵机系统的故障将可能引发严重的海难事故,会造成巨大的人员和经济损失。因此,实现船舶舵机液压系统的故障诊断对提高船舶航行的安全性和可靠性具有重要的意义。然而,液压系统是集机械、电气、流体特性于一体的耦合复杂系统,具有不确定性、非线性和时变性等特点,其故障形式多样,引发某种故障的因素通常不单一,且故障具有隐蔽性,对系统进行快速准确的故障诊断已成为亟待解决的科学问题。本文以船舶舵机液压系统为对象,研究基于数据的智能故障诊断方法。此类方法中样本数据的质量和数量对故障诊断模型的精度有重要影响,但在液压系统的故障诊断领域,已有的研究成果并未考虑数据不充足的情况。为此,本文探索了在数据充足程度不同的情况下,设计相应的故障诊断方法,并在现有的通用方法基础上,针对船舶舵机液压系统的数据特点进行一定的算法改进。具体研究工作如下:（1）在数据充足的情况下,针对数据时序性的特点,提出了基于LSTM（long short-term memory）神经网络的船舶舵机液压系统的故障诊断方法。首先,对船舶舵机液压系统的工作原理及各故障工况的现象进行了详细的理论分析,在AMESim和Matlab中搭建了联合仿真平台,用于模拟多种系统工况。其次,从仿真平台中采集充足的样本数据,为LSTM神经网络的训练和测试提供数据支持。然后,设计了多种LSTM神经网络结构和参数配置方案,通过大量对比实验确定了最优的监测器网络结构,并通过FPGA完成了算法的硬件加速,使运算速度提升了约10倍。最终,实验表明本研究所提出的故障诊断方法在计算和资源开销、分类准确率等各方面都优于其他神经网络,信噪比高于70dB的噪声干扰下的故障诊断准确率可达到99.5%以上。（2）针对数据集不平衡的问题,提出了基于GAN-RF（generative adversarial network and random forest）的船舶舵机液压系统的故障诊断方法。从实际船舶舵机液压系统中可获取的故障样本数往往远少于正常工况的样本数,而基于这种不平衡数据集设计的故障诊断方法准确率往往不高。目前,在液压系统中对该类问题的研究尚处于空白。本文通过联合仿真平台获得不平衡的时序样本数据,提出将时序数据的时频特征转换为二维图像来训练GAN神经网络,并用直观的样本特征分布图展示GAN生成样本的可行性。时频特征的提取采用MEMD（multivariate empirical mode decomposition）,样本特征分布图显示了所设计的GAN深度学习网络结构能够合成特征分布趋向于真实的样本。用GAN生成的故障样本扩充不平衡的数据集,再应用CFS（correlation-based feature selection）进行特征选择,实验表明所选择的特征在不同工况下具有可区分性。最后,设计了RF分类器实现故障诊断,信噪比在50dB以上的分类准确率超过98.5%。（3）针对无法获取实测数据的情况,提出了基于MTES（multidimensional time-series trend extracted shapelet）的船舶舵机液压系统的故障诊断方法。在船舶舵机液压系统的研发阶段或运行初期,可获得实际系统的实测数据很少,尤其是故障工况下的数据。根据仿真系统与实际系统的信号具有趋势变化（即形状特征）一致的特点,本文从仿真系统的时序数据中提取形状特征（shapelets）设计分类器,使其能够在实际系统中进行故障诊断。在训练过程中,将舵机液压系统中的多通道时序信号看作是多个独立的一元时间序列,提出了基于多趋势特征的快速shapelet发现方法获得候选集,然后以信息增益为依据,为各信号分别筛选k个最佳的shapelets。实验结果显示所选择的shapelet具备区分于其他类的形状特征。在测试过程中,提出了基于贝叶斯概率的加权投票机制,综合多通道信号的分类结果,实现对船舶舵机液压系统的故障诊断。最终,用加入噪声的测试样本模拟真实系统数据进行测试,结果表明信噪比高于30dB的情况下,分类准确率均在98%以上,验证了该方法对真实系统有效且可靠性很高。（4）为验证所提出的三种方法在实际舵机液压系统中的故障诊断效果,提出了基于负载模拟器的实验验证方法。本文设计了一套舵机工况模拟试验系统来模拟多种系统工况,采集系统的信号输出,为验证故障诊断方法提供数据。在该试验系统中,需为舵机系统建立带载环境,使采集的数据包含反映真实系统响应的信息,实验中利用负载模拟器实现。为此,本文提出了基于IAKF（improved adaptive Kalman filter）的速度前馈加载力控制策略,提升负载模拟器对舵机系统的变力加载能力。通过试验系统与仿真系统的实验结果对比,表明两者的故障现象具有一致性,验证了仿真系统的准确性。最终,三种方法对试验系统的故障诊断准确率均超过85%,验证了所提出故障诊断方法的有效性,体现了对不同场景下实际工程的应用价值和指导意义。
吴昊天[3]（2021）在《基于永磁风机并网技术的微电网优化运行研究》文中研究说明能源是人类社会发展的重要要素,在降低温室气体二氧化碳排放已经成为全球共识的情况下,作为清洁能源的风能是各国开发的重点领域之一。将风能转化为可以利用的电能涉及到了风力发电技术。风力发电技术包括风力机的设计、变频技术、电机电子技术和芯片控制技术等。现阶段,因风力发电具有很高的间歇性和不稳定性,为了最大限度地利用风能资源,降低风电对电网带来的不利影响,电力电子化的风电并网及相关系统的优化运行控制正在成为人们研究的热点,其中基于柔性直流输电技术的多端直流微电网系统和基于大容量储能技术的交流微电网系统是风电并网和风能利用的两种有效途径。本文围绕永磁直驱风机的拓扑结构及数学模型、永磁风机的交流并网控制策略、永磁风机交流接入的交流微电网优化运行研究、永磁风机直流并网控制策略、永磁风机直流接入的多端直流微电网优化运行研究等问题展开研究,主要创新工作如下:（1）永磁风机的交流并网控制策略改进本文基于“不可控整流器+Boost升压斩波电路+三相电压型PWM逆变器”的永磁风机拓扑结构,深入阐述了机侧的最大功率跟踪控制（MPPT）原理和网侧的双闭环控制原理;针对机侧的最大功率跟踪控制,提出了“转速外环电流内环”的双闭环控制策略;针对网侧主流的“电压外环电流内环”双闭环并网控制策略,通过对控制算法的改进,提高永磁风机的交流并网控制性能,达到以下三个交流并网的目标:1)减少电流谐波,提高动态响应速度;2)实现有功量与无功量的解耦,达到单位功率因数并网和直流母线电压的稳定输出;3)提高系统的控制精度、抗干扰能力和鲁棒性。（2）基于永磁风机交流并网的交流微电网优化运行本文基于含有风电、可调度分布式发电（柴油发电机）、储能系统和局部负荷的交流微电网,根据当前新的主流智能算法,提出一种新的高效的电力管理方法,并采用适当的预测技术来处理微电网中风能和电能消耗的不确定性。提出的能源管理优化目标旨在使微电网在燃料、运行和维护以及主电网电力进口方面的支出最小化,同时最大限度地利用微电网对上游电网的能源输出。本文立足于交流微电网的优化运行研究,以最优运行成本为控制目标,提出了一种基于混合启发式群优化算法的交流微电网优化运行控制策略。首先,依据各分布式发电单元的运行特性建立各分布式发电单元的等效数学模型,进而清晰地表述交流微电网的运行控制过程和各种模态的切换;其次,在建立各等效模型的基础之上,建立交流微电网优化运行的目标函数;再次,依据各分布式单元的特性列出目标函数的约束条件;此外,运用本文提出的混合启发式群优化算法,在约束条件下求解该交流微电网的目标函数,得出各分布式电源的具体出力和投切状态;最后,将本文提出的运行控制策略在一个具体案例上进行仿真,同时与传统PS算法的仿真结果进行对比,进行仿真分析。（3）基于柔性直流输电技术的永磁风机直流并网控制策略本文基于VSC换流站的控制策略分析,提出了一种基于VSC-HVDC的永磁风机直流并网的控制策略;首先,建立了一个三端的永磁风机直流并网系统,包括永磁风机侧和两个交流侧;然后,基于三端直流并网系统提出了一种三层控制策略,包括系统级、换流站级和换流器阀级。对于风机侧的换流站控制,利用改进PR控制可以无静差跟踪的特点,将传统的定交流电压单环控制改造为“电压外环PR-电流内环解耦”的双闭环控制,解决了风机侧交流电压畸变时,VSC换流站对称性故障穿越的难题。（4）基于永磁风机直流并网的多端直流微电网优化运行控制本文立足于风电机组参与功率调节时直流微电网试验平台的优化运行,以微电网智能多代理技术和隔离型双向全桥DC-DC储能技术为基础,设计一种新的并网运行优化控制策略。首先,建立了六端直流微电网系统的模型,研究各端口的数学模型及控制策略;其次,以直流微电网的优化运行和故障穿越为控制目标,以微电网智能多代理技术和隔离型双向全桥DC-DC储能技术为基础,设计了一种新的直流微电网并网运行控制策略和一种新的直流微电网故障穿越控制策略,实现了对风力发电机组出力波动的有效控制和多端直流微电网的稳定运行,保证了直流微电网内负荷的稳定供电和成本优化;最后,在“直流微电网试验平台”上进行仿真验证和故障运行研究,验证新的直流微电网并网优化控制策略和故障穿越控制策略是否可以有效地协调和控制直流微电网的稳定运行,同时最大限度地利用风能资源。
赵子凌龙[4]（2021）在《光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究》文中进行了进一步梳理光伏逆变器是光伏发电系统的枢纽设备,其运行状况对于整个光伏发电系统的可靠运行具有重要的影响。然而,光伏电站实际所处的自然环境一般较为恶劣,内部的设备都会长时间承受高电应力和高热应力。同时,电网和直流侧扰动的影响也会提高光伏逆变器的故障发生率。光伏逆变器发生故障将对光伏电站整体效能造成严重损失,为了提高光伏逆变器的故障诊断能力,并量化故障导致的效能损失程度,本文提出了基于极值比值法与支持向量机的故障诊断模型和基于最优最劣法与熵值法相结合的逆变器故障效能损失评估模型。首先,基于带LCL型滤波器的光伏并网逆变器及其电流双闭环控制策略,从多个角度对逆变器故障进行分类,归纳出了光伏逆变器中常见的故障类型及其外在表现,其中对于光伏逆变器IGBT开路、短路的故障原因进行了着重说明。其次,利用Matlab/Simulink仿真平台实现了光伏并网逆变器模型的建立,有效模拟IGBT各种开路故障,对交流侧输出的三相电流波形进行故障分析。在此基础上提出了极值比值故障特征量提取方法,有效降低了特征量的维数,为故障诊断识别提供了良好的条件。然后,将支持向量机（SVM）运用到光伏逆变器故障诊断中,提出了基于极值比值法与支持向量机的故障诊断方法。利用SVM优越的寻优分类特性,对22类IGBT开路故障提取出的特征量进行诊断分类。并将诊断结果与传统神经网络故障诊断方法进行比较,结果表明SVM分类方法具有抗干扰能力强、故障诊断正确率高的特点。最后,建立了一种基于组合赋权法的光伏逆变器IGBT开路故障效能损失评估模型,针对主客观赋权法的特点,采用最优最劣法（BWM）主观赋权与熵值法（EWM）客观赋权组合方式来确定评估指标权重。通过仿真实验论证,该评估方法可以有效量化反映逆变器发生IGBT各类开路故障的严重性及效能损失程度。
李宣[5]（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。
范邦稷[6]（2021）在《基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究》文中指出传统的设备故障诊断方法以频谱分析为主,随着计算机硬件水平的提高及机器学习算法的发展,基于智能数据驱动的设备故障诊断方法成为了主流。通过对采集的设备信号进行处理和分析,提取出能表征设备运行状况的信号特征量,利用这些特征量进行模式识别,以实现设备的故障诊断。本论文在上述背景下,综合信号处理技术、数学基础理论、机器学习算法等多领域知识,对现有技术进行优化改进,并提出了一种新的多域故障诊断方法,并将其应用于风电机组的设备诊断。具体研究工作如下:首先,对现有的各种风电机组进行了分类,说明了直驱型和双馈型风电机组的区别,针对主流的双馈型机组进行了着重介绍,并阐述了其工作原理。针对风电机组高故障率的问题,对双馈型机组的常见故障进行了统计。由统计结果的分析表明,齿轮箱故障是导致双馈型机组经济损失的重要原因。因此,对齿轮箱中齿轮和轴承的各种故障进行了整理与分析,并对其故障机理及振动信号特征进行了研究。其次,在风电机组信号处理方法上,本文以最小平均包络熵（MAEE）作为适应度函数,引入快速灰狼优化算法（F-GWO）对变分模态分解算法（VMD）进行优化,提出了一种自适应VMD（AVMD）方法。通过在MATLAB中建立仿真信号,分别使用该方法和EMD等递归式分解方法对其进行处理,证明了 AVMD方法的可行性和优越性。再次,信号特征提取是故障诊断的核心,是影响最终诊断正确率的根本原因。因此,本文提出了一种全新的多域特征提取方法,根据信号在时域、频域和时频域中的特点,设计信号在各域的特征量,并根据主成分分析（PCA）简化特征信息,提取出能全面表征设备运行状况的特征向量。通过特征向量对极限学习机（ELM）进行训练,构建了一种双馈型风电机组齿轮箱多域故障诊断模型。最后,以实际齿轮箱滚动轴承的振动信号为例,第一,验证了 AVMD方法在传统频谱分析中的有效性;第二,通过三种设计方案及多种方法的对比分析,AVMD-ELM多域故障诊断方法在三种方案中的诊断正确率都是四个方法中最高的,其中不同故障的诊断方案正确率达到了 98.8%之高,充分说明了该方法在风电机组故障诊断中的非凡意义。
赵孝礼[7]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中提出滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
李骥[8]（2021）在《计及不确定故障特征的风电机组轴承故障诊断方法研究》文中进行了进一步梳理当前我国正处在能源转型的关键时期,风力发电作为一种重要的低碳能源,在碳达峰和碳中和背景下,风电机组的总体装机容量不断攀升。同时,大规模风电并网下的机组运维技术和故障诊断方法的研究,对于风电机组乃至电力系统的安全稳定运行意义重大。然而,实际风电机组运行过程中由于风速、设备参数等因素的影响,会引发风电机组的故障特征产生一定的不确定性,使得现有的故障诊断方法在工程实际中的应用面临巨大的挑战。基于此,本文在国家自然基金和陕西省自然科学基础研究计划的资助下,开展了计及不确定故障特征的的风电机组轴承故障诊断方法研究,具体研究内容如下:首先,本文在简要介绍风电机组结构的基础上,论述了风电机组轴承故障诊断的必要性。重点分析了复杂环境下环境风速和轴承参数变化导致故障特征发生变化情况,为后文的研究奠定了基础。其次,针对风电机组运行工况恶劣和噪声干扰严重的问题,通过度量噪声与故障特征概率密度分布的差异性,提出了基于EMD连续几何分布相似性的风电机组振动信号降噪方法,有效抑制了噪声对于风电机组故障诊断方法的干扰。再次,针对风电机组故障特征频率不确定的问题,本文通过构建不同频谱区间能量的方法对故障特征进行搜索,利用信号噪声共振的方法将噪声能量向低频故障特征进行转移,提出了一种基于自适应最优共振的风电机组不确定故障特征增强方法,实现了故障特征不确定的风电机组故障诊断。最后,应用典型风电机组滚动轴承的故障实验信号对算法进行验证,实验表明,本文所提算法能够有效地对强背景噪声下的风电机组振动信号进行降噪,并且能够对风电机组的不确定故障特征实现特征增强。
申欣艳[9]（2021）在《多模型自适应故障诊断及其在高速列车上的应用》文中进行了进一步梳理随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵引电机故障的情况下仍能实现对给定速度曲线的渐近跟踪,保障了高速列车的安全可靠运行。具体工作内容包括以下两个方面:针对一般多变量系统,设计了基于多模型自适应方法的多变量系统执行器故障诊断与调节策略。首先,通过分析执行器常见故障,建立故障模式集,得到其在每种故障模式下的参数化模型;再基于每种故障模式下的参数化模型设计自适应估计器,并基于估计误差设计性能损失函数进行多变量系统执行器自适应故障诊断;最后根据诊断出的故障模式和大小等信息设计自适应故障调节控制器,保证系统稳定,实现对给定的预期输出渐近跟踪。仿真结果表明,本文设计的多变量系统故障自适应诊断与调节策略能有效地实现对未知执行器故障的诊断和补偿。以遭受未知牵引电机故障的高速列车为研究对象,研究其自适应故障诊断和调节策略。首先,建立考虑牵引电机特性的高速列车纵向动力学模型,再通过对牵引电机常见的故障进行分析,建立故障模式集,得到高速列车在每种牵引电机故障模式下的参数化模型。接着,针对每种参数化模型建立这种故障模式下的故障估计器,根据估计误差设计性能损失函数进行高速列车牵引电机自适应故障诊断。最后根据诊断出的故障模式和大小设计自适应故障调节控制器,保证高速列车系统稳定和对给定速度曲线的渐近跟踪。仿真结果表明,本文设计的自适应故障诊断与调节策略能有效地实现对高速列车未知牵引故障的诊断和补偿,保障高速列车的安全可靠运行。
丁健[10]（2021）在《SL-Z25010Y智能电容主控电路故障诊断方法及实现》文中进行了进一步梳理近年来在我国电网中,无功功率日益增加,而电网中无功功率过大会增加线路损耗,引起电压跌落,影响电能质量。供电局为解决这一问题,会要求产生大量无功的用户进行无功功率就地补偿,同时,对功率因数不达标的用户进行罚款。智能电容就是为解决电网中无功功率过大这一问题而广泛应用于电网中。智能电容主控电路故障会导致电网无功功率过大,功率因数达不到要求而让用户遭到供电局罚款。传统的智能电容主控电路故障维修主要依赖维修人员的经验,缺乏针对其故障诊断系统的研究,因此,对智能电容主控电路故障理论和技术进行研究很有必要。本文以扬州某公司的SL-Z25010Y智能电容为研究对象,建立SL-Z25010Y智能电容主控电路故障诊断系统专家系统,具体内容如下:首先介绍了SL-Z25010Y智能电容故障诊断的目的和意义,以及国内外故障诊断方法研究现状,具体介绍了几种典型的方法,阐述了故障树分析法和专家系统,针对SLZ25010Y智能电容主控电路故障诊断,提出了将故障树分析法和专家系统相结合作为SL-Z25010Y智能电容主控电路故障诊断方法。其次针对缺乏SL-Z25010Y智能电容主控电路故障这一问题,通过电路分析和专家交流解决,利用SL-Z25010Y智能电容特有的工作方式是组网工作且分主机和从机,为提高诊断效率,明确主机故障、从机故障和主从机共有故障内容。鉴于主机故障会对SL-Z25010Y智能电容组网工作产生较大消极影响,以主机故障为例,建立主机故障树并进行定性分析和定量分析,针对测试顺序因定量分析中有些底事件近似结构重要度相同无法解决,引入改进层次分析法计算权值,根据权值大小确定测试顺序。通过权值大小发现最有可能出现故障的是电压采样电路。将上述分析得到的结果用于专家系统知识库的建立和推理机的设计。采用基于知识的推理方法,正向推理模式和纵向优先的搜索策略来实现推理过程。最后,采用Visual Studio 2017开发平台与Microsoft SQL Server 2015数据库联合构建了智能电容故障诊断专家系统的软件架构,使用SCPI和GPIB总线,完成SL-Z25010Y智能电容主控电路故障诊断专家系统的开发。以电压采样电路故障为例,经测试能够满足SL-Z25010Y智能电容主控电路的故障诊断的需求。
二、输出过程中常见故障及解决方法的探讨（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、输出过程中常见故障及解决方法的探讨（论文提纲范文）
（1）复杂系统的解耦内模与事件触发故障补偿控制（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 多变量系统解耦方法 |
| 1.3 内模控制 |
| 1.4 事件触发控制 |
| 1.5 故障诊断与故障补偿控制 |
| 1.5.1 故障诊断 |
| 1.5.2 故障补偿控制 |
| 1.6 本文主要研究工作 |
| 第二章 复杂多变量系统的倒置解耦方法 |
| 2.1 引言 |
| 2.2 经典解耦方法 |
| 2.2.1 理想解耦 |
| 2.2.2 简单解耦 |
| 2.2.3 倒置解耦 |
| 2.3 倒置解耦器的设计 |
| 2.3.1 倒置解耦器的设计流程 |
| 2.3.2 倒置解耦器的可实现性问题 |
| 2.3.3 RHP零点的近似与补偿 |
| 2.4 举例说明 |
| 2.5 小结 |
| 第三章 基于改进型巴特沃斯滤波器的多变量系统倒置解耦内模控制 |
| 3.1 引言 |
| 3.2 内模控制的基本原理 |
| 3.2.1 内模控制的基本结构 |
| 3.2.2 内模控制的基本性质 |
| 3.2.3 内模控制器的设计 |
| 3.3 改进型巴特沃斯滤波器的设计 |
| 3.3.1 标准型巴特沃斯滤波器的基本原理 |
| 3.3.2 改进型巴特沃斯滤波器的基本原理 |
| 3.3.3 改进型巴特沃斯滤波器的参数整定 |
| 3.4 基于改进型巴特沃斯滤波器的多变量系统倒置解耦内模控制器设计 |
| 3.5 鲁棒性分析 |
| 3.6 仿真验证 |
| 3.7 小结 |
| 第四章 基于分数阶改进型巴特沃斯滤波器的多变量系统离散倒置解耦内模控制 |
| 4.1 引言 |
| 4.2 分数阶改进型巴特沃斯滤波器的设计 |
| 4.2.1 分数阶微分的基本理论 |
| 4.2.2 分数阶改进型巴特沃斯滤波器的设计流程 |
| 4.2.3 分数阶改进型巴特沃斯滤波器的稳定性分析 |
| 4.3 基于分数阶改进型巴特沃斯滤波器的多变量系统离散倒置解耦内模控制器设计 |
| 4.3.1 Z变换的定义 |
| 4.3.2 离散倒置解耦内模控制器的设计 |
| 4.3.3 离散倒置解耦器的可实现性问题 |
| 4.3.4 离散滤波器的设计 |
| 4.4 仿真验证 |
| 4.5 小结 |
| 第五章 具有预设性能指标的非线性化工过程自适应神经网络事件触发控制 |
| 5.1 引言 |
| 5.2 非线性CSTR建模及预备知识 |
| 5.2.1 连续搅拌反应釜的结构及工作原理 |
| 5.2.2 CSTR模型建立 |
| 5.3 具有预设性能指标的自适应神经网络事件触发控制器设计 |
| 5.3.1 RBF神经网络原理与预备知识 |
| 5.3.2 具有预设性能指标的误差变换 |
| 5.3.3 自适应神经网络事件触发控制器设计 |
| 5.4 稳定性与可实现性分析 |
| 5.4.1 稳定性分析 |
| 5.4.2 可实现性分析 |
| 5.5 仿真验证 |
| 5.6 小结 |
| 第六章 执行器故障时非线性化工过程自适应神经网络事件触发故障补偿控制 |
| 6.1 引言 |
| 6.2 执行器故障模型 |
| 6.3 自适应神经网络事件触发故障补偿控制 |
| 6.3.1 切换阈值事件触发机制设计 |
| 6.3.2 自适应神经网络事件触发故障补偿控制器设计 |
| 6.4 稳定性与可实现性分析 |
| 6.4.1 稳定性分析 |
| 6.4.2 可实现性分析 |
| 6.5 仿真验证 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 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 |
（2）船舶舵机液压系统的智能故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 液压系统故障诊断的国内外研究现状 |
| 1.2.1 液压系统故障诊断的特点 |
| 1.2.2 基于经验的液压系统故障诊断方法 |
| 1.2.3 基于模型的液压系统故障诊断方法 |
| 1.2.4 基于数据的液压系统故障诊断方法 |
| 1.2.5 在数据不充足时的故障诊断方法 |
| 1.3 主要研究内容安排 |
| 2 船舶舵机液压伺服系统的建模及故障仿真结果分析 |
| 2.1 引言 |
| 2.2 船舶舵机液压系统建模 |
| 2.2.1 液压系统工作原理 |
| 2.2.2 液压系统模型 |
| 2.2.3 液压缸模型 |
| 2.2.4 电液换向阀模型 |
| 2.2.5 位置随动控制系统 |
| 2.3 故障仿真及结果分析 |
| 2.3.1 液压油混入空气故障 |
| 2.3.2 液压缸内泄漏故障 |
| 2.3.3 力矩马达线圈损坏 |
| 2.3.4 反馈弹簧损坏 |
| 2.3.5 喷嘴堵塞 |
| 2.3.6 阀芯单向卡死 |
| 2.3.7 液压泵泄漏故障 |
| 2.3.8 油滤堵塞 |
| 2.3.9 防浪阀弹簧失效 |
| 2.3.10 溢流阀弹簧失效 |
| 2.3.11 伺服放大器失效 |
| 2.3.12 仿真工况总结 |
| 2.4 本章小结 |
| 3 基于LSTM神经网络的船舶舵机液压系统的故障诊断方法 |
| 3.1 引言 |
| 3.2 Long Short-Term Memory算法 |
| 3.3 基于LSTM神经网络的故障诊断方法 |
| 3.3.1 离线监测器模型的构建 |
| 3.3.2 在线监测的实现 |
| 3.4 船舶舵机液压系统故障诊断的实现 |
| 3.4.1 数据采集情况 |
| 3.4.2 三种LSTM神经网络的对比 |
| 3.4.3 不同网络超参数的对比 |
| 3.4.4 算法的硬件加速效果对比 |
| 3.4.5 抗噪能力分析 |
| 3.4.6 与其他神经网络的对比 |
| 3.5 本章小结 |
| 4 基于GAN-RF的船舶舵机液压系统的故障诊断方法 |
| 4.1 引言 |
| 4.2 基于MEMD和CFS的特征工程 |
| 4.2.1 特征提取 |
| 4.2.2 特征选择 |
| 4.3 基于GAN神经网络的数据合成 |
| 4.4 基于RF的故障分类 |
| 4.5 基于GAN-RF的故障诊断方法 |
| 4.6 船舶舵机液压系统故障诊断的实现 |
| 4.6.1 数据采集情况 |
| 4.6.2 特征提取及选择结果 |
| 4.6.3 GAN合成样本质量的评估 |
| 4.6.4 抗噪能力分析 |
| 4.6.5 算法的硬件实现 |
| 4.7 本章小结 |
| 5 基于MTES的船舶舵机液压系统的故障诊断方法 |
| 5.1 引言 |
| 5.2 MTES方法的提出 |
| 5.2.1 相关定义 |
| 5.2.2 基于多趋势特征的快速shapelet发现方法 |
| 5.2.3 数据转换和shapelet的选择 |
| 5.2.4 多元时序的加权投票分类机制 |
| 5.2.5 基于MTES的故障诊断方法 |
| 5.3 船舶舵机液压系统故障诊断的实现 |
| 5.3.1 数据采集情况 |
| 5.3.2 Shapelet候选集的获取 |
| 5.3.3 Shapelet的选择 |
| 5.3.4 故障诊断结果 |
| 5.3.5 算法的硬件实现 |
| 5.4 本章小结 |
| 6 基于负载模拟器的实验验证 |
| 6.1 引言 |
| 6.2 舵机工况模拟试验系统的组成及工作原理 |
| 6.3 基于IAKF的速度前馈加载力控制方法 |
| 6.3.1 加载系统数学模型 |
| 6.3.2 基于IAKF的速度估计 |
| 6.3.3 速度前馈的加载系统力控制 |
| 6.4 船舶舵机液压系统的故障诊断实验验证 |
| 6.4.1 故障工况模拟 |
| 6.4.2 故障诊断结果 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 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 |
（3）基于永磁风机并网技术的微电网优化运行研究（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 国内外研究现状及存在的问题 |
| 1.2.1 永磁风机交流并网控制研究现状 |
| 1.2.2 基于永磁风机交流并网的交流微电网优化运行研究现状 |
| 1.2.3 永磁风力发电系统的直流并网控制研究现状 |
| 1.2.4 基于永磁风机直流并网的多端直流微电网优化运行研究现状 |
| 1.2.5 现有研究存在的问题 |
| 1.3 本文主要工作 |
| 第2章 永磁风机的交流并网技术研究 |
| 2.1 永磁风力发电系统的拓扑结构设计及相关工作原理 |
| 2.1.1 永磁风力发电系统的拓扑结构设计 |
| 2.1.2 永磁风力发电系统机侧风能最大功率跟踪(MPPT)原理 |
| 2.1.3 永磁风力发电系统网侧三相逆变原理 |
| 2.2 永磁风力发电系统机侧整流器控制及设计 |
| 2.2.1 永磁风力发电系统的机侧数学模型 |
| 2.2.2 永磁风力发电系统的机侧控制策略分析 |
| 2.2.3 本文永磁风力发电系统机侧控制策略分析 |
| 2.3 永磁风力发电系统网侧逆变器控制及设计 |
| 2.3.1 永磁风力发电系统的网侧数学模型 |
| 2.3.2 永磁风力发电系统的网侧控制策略分析 |
| 2.3.3 本文永磁风力发电系统网侧控制策略分析 |
| 2.4 系统仿真与分析 |
| 2.4.1 永磁风力发电系统机侧的建模及仿真分析 |
| 2.4.2 永磁风力发电系统网侧的建模及仿真分析 |
| 2.5 本章小结 |
| 第3章 基于永磁风机交流并网技术的交流微电网优化运行策略 |
| 3.1 引言 |
| 3.2 交流微电网系统框架及微电网等值模型 |
| 3.2.1 交流微电网系统框架 |
| 3.2.2 永磁风力发电系统等值模型 |
| 3.2.3 储能系统等值模型 |
| 3.2.4 柴油发电机模型 |
| 3.3 交流微电网的优化运行策略 |
| 3.3.1 目标函数的确定 |
| 3.3.2 约束条件 |
| 3.3.3 基于混合启发式的蚁群优化算法 |
| 3.4 算例仿真与分析 |
| 3.4.1 交流微电网参数 |
| 3.4.2 启发式蚁群优化算法的仿真分析 |
| 3.4.3 启发式蚁群优化算法与传统PS算法的比较分析 |
| 3.5 本章小结 |
| 第4章 永磁风机的直流并网技术研究 |
| 4.1 引言 |
| 4.2 永磁风机模型及水动力性能研究 |
| 4.2.1 永磁风力发电系统模型 |
| 4.2.2 永磁风电机组的水动力性能研究 |
| 4.3 并网VSC换流站建模与控制 |
| 4.3.1 风电场并网VSC换流站模型 |
| 4.3.2 VSC换流站控制策略 |
| 4.4 基于VSC的永磁风力发电直流并网系统及控制 |
| 4.4.1 系统构成 |
| 4.4.2 直流并网系统控制策略 |
| 4.5 系统仿真与分析 |
| 4.5.1 仿真系统参数 |
| 4.5.2 电网侧VSC换流站仿真及分析 |
| 4.5.3 风机侧VSC换流站仿真及分析 |
| 4.6 本章小结 |
| 第5章 基于永磁风机直流并网技术的多端直流微电网优化运行控制 |
| 5.1 引言 |
| 5.2 直流微电网拓扑结构及各换流器控制 |
| 5.2.1 风机侧换流器建模及控制策略 |
| 5.2.2 储能系统侧换流器建模及控制策略 |
| 5.2.3 光伏侧换流器建模及控制策略 |
| 5.2.4 交流并网侧换流器建模及控制策略 |
| 5.2.5 交流负载侧换流器建模及控制策略 |
| 5.2.6 直流负载侧换流器建模及控制策略 |
| 5.3 含永磁风机的直流微电网并网运行控制系统 |
| 5.3.1 直流微电网并网运行的拓扑结构 |
| 5.3.2 直流微电网运行控制策略 |
| 5.4 系统仿真及实验 |
| 5.4.1 仿真系统参数 |
| 5.4.2 并网运行仿真(降压) |
| 5.4.3 并网运行仿真(全压) |
| 5.4.4 功率平滑控制仿真及实验 |
| 5.4.5 削峰填谷控制实验 |
| 5.4.6 系统故障穿越仿真及实验 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 光伏逆变器故障诊断技术研究现状 |
| 1.2.1 基于信号处理的方法 |
| 1.2.2 基于知识的方法 |
| 1.2.3 基于解析模型的方法 |
| 1.3 效能损失评估方法研究现状 |
| 1.4 本文的主要研究内容 |
| 第二章 光伏并网逆变器拓扑结构与故障机理分析 |
| 2.1 光伏并网逆变器的电路拓扑与数学模型 |
| 2.2 光伏并网逆变器电流双闭环控制方法 |
| 2.3 光伏逆变器常见故障类型及外在表现 |
| 2.4 光伏逆变器IGBT开路故障分析 |
| 2.4.1 光伏逆变器IGBT故障原因及危害 |
| 2.4.2 光伏逆变器IGBT开路故障分类及拓扑分析 |
| 2.5 本章小结 |
| 第三章 光伏逆变器故障建模分析及故障特征量提取 |
| 3.1 光伏并网逆变器电路仿真平台搭建及故障模拟 |
| 3.1.1 仿真模型搭建 |
| 3.1.2 故障仿真 |
| 3.2 训练数据和测试数据生成 |
| 3.2.1 训练数据生成 |
| 3.2.2 测试数据生成 |
| 3.3 基于极值比值法的故障特征量提取 |
| 3.3.1 极值比值法原理 |
| 3.3.2 极值比值法特征量提取 |
| 3.4 本章小结 |
| 第四章 基于ERM-SVM光伏并网逆变器故障诊断方法 |
| 4.1 支持向量机原理 |
| 4.1.1 支持向量机基本思想 |
| 4.1.2 线性不可分情况 |
| 4.1.3 非线性情况 |
| 4.2 故障诊断步骤及诊断结果 |
| 4.2.1 故障诊断步骤 |
| 4.2.2 故障诊断结果 |
| 4.3 本章小结 |
| 第五章 基于BWM-EWM光伏逆变器效能损失评估模型 |
| 5.1 建立故障损失评估指标体系 |
| 5.2 确定评估指标的权重 |
| 5.2.1 最优最劣法主观赋权 |
| 5.2.2 熵值法客观赋权 |
| 5.2.3 组合赋权法模型构建 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）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 |
（6）基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号预处理方法 |
| 1.2.2 特征提取方法 |
| 1.2.3 故障模式识别方法 |
| 1.3 本文创新点及主要内容 |
| 2 风电机组主要结构及常见故障分析 |
| 2.1 风电机组种类及基本原理 |
| 2.2 双馈型风电机组的构成 |
| 2.3 双馈型风电机组常见故障统计及机理分析 |
| 2.3.1 常见故障统计及机理分析 |
| 2.3.2 齿轮箱的典型故障及机理分析 |
| 2.4 本章小结 |
| 3 基于自适应变分模态分解的信号处理方法 |
| 3.1 变分模态分解的基本原理 |
| 3.2 自适应变分模态分解原理 |
| 3.3 仿真分析 |
| 3.3.1 方法验证 |
| 3.3.2 对比分析 |
| 3.4 本章小结 |
| 4 基于AVMD-ELM的双馈风电机组多域故障诊断模型 |
| 4.1 特征值设计 |
| 4.1.1 奇异值分解 |
| 4.1.2 排列熵 |
| 4.2 多域特征提取方法 |
| 4.3 极限学习机的基本原理 |
| 4.4 基于AVMD-ELM的多域故障诊断方法 |
| 4.5 本章小结 |
| 5 实例验证及分析 |
| 5.1 数据来源 |
| 5.2 基于AVMD方法的故障诊断 |
| 5.3 基于AVMD-ELM方法的故障诊断 |
| 5.3.1 多故障类型诊断 |
| 5.3.2 多工况诊断 |
| 5.3.3 多故障程度诊断 |
| 5.4 对比分析 |
| 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 |
（7）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（8）计及不确定故障特征的风电机组轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题来源 |
| 1.1.2 课题的研究背景 |
| 1.2 选题的目的和意义 |
| 1.3 国内外研究进展与现状 |
| 1.3.1 风电机组轴承故障特征增强技术 |
| 1.3.2 风电机组轴承故障特征提取方法 |
| 1.3.3 复杂工况下轴承故障诊断方法研究概述 |
| 1.4 论文研究的主要内容和论文结构 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构 |
| 2 风电机组复杂环境下轴承振动信号特性分析 |
| 2.1 风电机组的构成 |
| 2.2 风电机组轴承常见故障分析 |
| 2.3 风电机组轴承特性分析 |
| 2.3.1 滚动轴承结构 |
| 2.3.2 滚动轴承的故障特征频率 |
| 2.3.3 滚动轴承振动信号分析 |
| 2.4 考虑未知先验条件的轴承振动信号特性分析 |
| 2.4.1 风电机组运行的不同工况分析 |
| 2.4.2 风电机组轴承参数变化分析 |
| 2.5 本章小结 |
| 3 基于EMD几何分布相似性的风电机组振动信号降噪方法研究 |
| 3.1 引言 |
| 3.2 经验模态分解理论 |
| 3.3 基于EMD连续几何分布相似性的风电机组振动信号降噪方法 |
| 3.3.1 包络解调 |
| 3.3.2 非参数核密度估计 |
| 3.3.3 量化几何分布相似性指标 |
| 3.3.4 基于EMD连续几何分布相似性的风电机组振动信号降噪方法流程 |
| 3.4 仿真分析 |
| 3.4.1 正弦信号 |
| 3.4.2 风电机组轴承故障仿真信号 |
| 3.5 本章小结 |
| 4 基于频率搜索的自适应最优共振特征增强研究 |
| 4.1 引言 |
| 4.2 随机共振理论 |
| 4.2.1 双稳态系统模型 |
| 4.2.2 参数对于双稳态随机共振效果的影响 |
| 4.2.3 自适应双稳态随机共振 |
| 4.3 基于频率搜索的自适应最优共振特征增强研究 |
| 4.3.1 随机共振评价指标 |
| 4.3.2 适应度函数的构建 |
| 4.3.3 粒子群算法 |
| 4.3.4 基于频率搜索的自适应最优共振特征增强算法流程 |
| 4.4 仿真分析 |
| 4.4.1 风电机组恒功率调节工况的轴承内圈故障 |
| 4.4.2 风电机组轴承参数变化的轴承外圈故障 |
| 4.5 本章小结 |
| 5 实验分析 |
| 5.1 引言 |
| 5.2 基于EMD连续几何分布相似性的风电机组振动信号降噪 |
| 5.3 基于最优共振的自适应平均最大能量频率搜索算法 |
| 5.4 实例验证 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（9）多模型自适应故障诊断及其在高速列车上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状与发展 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 自适应故障诊断研究现状 |
| 1.2.3 高速列车故障诊断与容错控制研究现状 |
| 1.3 基础知识 |
| 1.3.1 故障诊断基本知识 |
| 1.3.2 自适应控制基本原理 |
| 1.3.3 模型参考自适应控制基本原理 |
| 1.4 论文研究内容与框架 |
| 第二章 多变量系统执行器故障多模型自适应诊断与调节 |
| 2.1 存在执行器故障的多变量系统模型 |
| 2.2 多变量系统的多模型自适应故障诊断与调节策略 |
| 2.2.1 故障模式集 |
| 2.2.2 不同故障模式下的多变量系统模型 |
| 2.2.3 多模型自适应故障诊断 |
| 2.2.4 故障调节策略 |
| 2.3 仿真验证 |
| 2.3.1 系统模型 |
| 2.3.2 多模型自适应故障诊断与调节效果 |
| 2.4 本章小结 |
| 第三章 高速列车牵引电机多模型自适应故障诊断与调节 |
| 3.1 引言 |
| 3.2 存在牵引电机故障的高速列车动力学模型 |
| 3.2.1 高速列车纵向运动学模型 |
| 3.2.2 存在牵引电机故障的高速列车模型 |
| 3.2.3 控制目标 |
| 3.3 高速列车自适应故障诊断与调节 |
| 3.3.1 故障模式集 |
| 3.3.2 不同故障模式下的高速列车参数化模型 |
| 3.3.3 基于多模型的自适应故障诊断 |
| 3.3.4 牵引电机故障调节 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 个人简历 在读期间的学术成果 |
| 致谢 |
（10）SL-Z25010Y智能电容主控电路故障诊断方法及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 故障诊断方法研究概况 |
| 1.2.1 基于解析模型的方法 |
| 1.2.2 基于信号处理的方法 |
| 1.2.3 基于知识的方法 |
| 1.3 主要研究内容与结构安排 |
| 第二章 专家系统与故障树分析 |
| 2.1 专家系统 |
| 2.1.1 专家系统概述 |
| 2.1.2 专家系统的结构 |
| 2.1.3 专家系统的分类 |
| 2.2 故障树分析法 |
| 2.2.1 故障数的建造步骤 |
| 2.2.2 故障树符号 |
| 2.2.3 故障树分析法的数学表示 |
| 2.2.4 故障树的定性分析 |
| 2.2.5 故障树的定量分析 |
| 2.3 基于故障树的专家系统 |
| 2.4 本章小结 |
| 第三章 SL-Z25010Y智能电容故障分析 |
| 3.1 SL-Z25010Y智能电容的组成 |
| 3.2 SL-Z25010Y智能电容工作原理 |
| 3.3 SL-Z25010Y智能电容技术指标 |
| 3.4 SL-Z25010Y智能电容的工作方式 |
| 3.4.1 主机工作方式 |
| 3.4.2 从机工作方式 |
| 3.5 SL-Z25010Y智能电容故障分析 |
| 3.5.1 电源电路5V与采样电路故障分析 |
| 3.5.2 通信电路与显示电路故障分析 |
| 3.5.3 指示灯不亮与按键电路故障分析 |
| 3.5.4 电压过零电路与磁保驱动电路故障分析 |
| 3.5.5 电容器与晶振电路故障分析 |
| 3.5.6 组网故障分析 |
| 3.6 本章小结 |
| 第四章 SL-Z25010Y主机智能电容故障树建立 |
| 4.1 故障树的建立 |
| 4.2 故障树定性与定量分析 |
| 4.2.1 定性分析 |
| 4.2.2 定量分析 |
| 4.2.3 改进层次分析法 |
| 4.3 本章小结 |
| 第五章 SL-Z25010Y主控电路故障诊断专家系统设计与实现 |
| 5.1 开发环境与开发分析 |
| 5.1.1 开发分析 |
| 5.1.2 开发环境 |
| 5.2 知识库的设计 |
| 5.2.1 知识的表示方法 |
| 5.2.2 知识的存储 |
| 5.2.3 知识的管理 |
| 5.3 推理机的设计 |
| 5.3.1 诊断流程设计 |
| 5.3.2 SL-Z25010Y主控电路故障诊断系统推理机的设计 |
| 5.4 专家系统人机界面介绍 |
| 5.4.1 系统总体设计 |
| 5.4.2 测试仪器与计算机连接 |
| 5.4.3 主界面 |
| 5.4.4 知识库管理功能 |
| 5.4.5 诊断实例 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、输出过程中常见故障及解决方法的探讨（论文参考文献）
- [1]复杂系统的解耦内模与事件触发故障补偿控制[D]. 刘凯悦. 北京化工大学, 2021(02)
- [2]船舶舵机液压系统的智能故障诊断方法研究[D]. 刘沁. 北京交通大学, 2021(02)
- [3]基于永磁风机并网技术的微电网优化运行研究[D]. 吴昊天. 华北电力大学(北京), 2021(01)
- [4]光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究[D]. 赵子凌龙. 合肥工业大学, 2021(02)
- [5]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)
- [6]基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究[D]. 范邦稷. 西安理工大学, 2021(01)
- [7]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [8]计及不确定故障特征的风电机组轴承故障诊断方法研究[D]. 李骥. 西安理工大学, 2021
- [9]多模型自适应故障诊断及其在高速列车上的应用[D]. 申欣艳. 华东交通大学, 2021(01)
- [10]SL-Z25010Y智能电容主控电路故障诊断方法及实现[D]. 丁健. 南京信息工程大学, 2021(01)