一、BP旋转算法在故障诊断中的应用（论文文献综述）
师诗[1]（2021）在《基于深度自编码神经网络的滚动轴承故障诊断方法研究》文中指出随着工业化的快速发展,保证机械特别是大型旋转机械的正常有序运行,对工业生产和生活起着至关重要的作用。滚动轴承是许多大型旋转机械的关键部件,旋转机械的长期安全运行与滚动轴承的稳定性密切相关。因此,研究针对于滚动轴承的故障诊断方法具有十分重要的意义。大数据时代以来,传统的故障诊断方法需要大量的人工处理过程,已经无法顺应大数据时代的发展要求。由于可以从原始数据中自动提取特征的优势,深度学习在机械故障诊断领域得到了越来越多的青睐。然而,深度学习暴露出参数选择困难、训练困难以及训练时间长的问题,因此很难训练出泛化性好、精度高的深度学习模型。为了解决这些问题,本文提出了一种基于改进的深度堆栈自编码神经网络（DSAE）的故障诊断模型。为了对DSAE网络模型的超参数设置对模型性能的影响进行研究,本文构建了振动仿真信号对网络中各类超参数设置了对比实验,通过学习率、训练时间以及误差收敛曲线等对性能进行了衡量。并针对DSAE网络对大样本的需要,而传统的时频预处理方法处理时间较长的问题,提出了一种新的数据预处理方案,其可以在较短时间内提取数据的复合信息。确定了基于DSAE的故障诊断模型基本框架。神经网络的性能在很大程度上取决于它的模型结构和相应的学习优化算法。针对深度自编码神经网络（DSAE）在微调过程中受内部协变量迁移导致梯度传递缓慢问题,基于批量归一化（BN）算法在DSAE网络微调阶段加入自适应平衡处理层对编码层的输入进行正则化处理,以自适应地纠正特征空间以提升训练效果。在DSAE网络中,针对基于梯度算法的固定学习率导致网络参数更新缓慢且适应度不够的问题,本文对比了各个基于梯度的优化算法,选定有自适应学习率的Adam算法对网络进行学习。并针对Adam算法中矩估计的指数衰减速率的设定问题,用自适应机制对Adam算法进行了改进,使得此新增超参数可以实现自适应变化。然后用改进的Adam算法优化了BN-DSAE网络的权重分布。为检验所提方法的有效性,在MATLAB平台上分别将改进的BN-DSAE网络、改进带自适应机制的Adam算法以及最终提出的BN-DSBAE故障诊断框架在电机滚动轴承数据集上进行了验证,并与DSAE以及常见的学习分类算法BP以及SVM进行对比,实验结果验证了所提方法在分类准确度以及损失值方面均使得DSAE网络有效的提升,经过优化后的DSAE框架也优于其它深度学习方法和传统的机器学习方法。
薛勇[2]（2021）在《滚动轴承故障数据集的降维与分类方法研究》文中研究说明随着大数据、工业互联网等技术的快速发展,作为流程工业核心关键设备的旋转机械其智能化程度正在快速得到提升。这种趋势使其运行过程中需要采集的状态监测数据量与日俱增,促使关于旋转机械的智能故障诊断技术研究必须尽快步入“工业大数据”时代。但这诱发了如何有效地从低价值密度的海量数据资源中挖掘出有价值的故障状态信息和决策知识这种新问题。滚动轴承作为旋转机械中最常用的关键部件,其轻微缺陷就可能导致整个机械系统发生故障,因此对滚动轴承开展降低故障数据集规模的降维与分类问题研究,这对于推动智能故障决策技术向可持续的数据科学方向发展,具有非常重要的科学研究意义和工程应用价值。基于上述缘由,故本研究以滚动轴承故障振动信号的高维数据集作为研究对象,针对故障数据集的降维和分类方法开展研究工作。整个研究工作概况如下:（1）针对传统降维方法难以保持数据集其局部与全局几何结构特征的问题,以测地距离（GD）作为度量指标,提出一种改进t-SNE的故障数据集降维方法D-t-SNE。该方法的特点是将GD指标嵌入t-SNE算法中,利用此指标使算法具有保证降维前后两种数据集局部与全局几何结构特征基本保持不变的性能,从而达到有效减小高维与低维两种数据集概率分布之间的差异性及其造成的分类误差的效果。通过UCI数据集和轴承故障数据集验证了该方法的有效性。（2）针对高维故障数据集中有效信息利用率低导致的故障分类难度偏大问题,提出一种线性主成分判别分析（LPCDA）的故障数据集降维方法。该方法将类间可分性判别与主成分计算的思想融入线性判别分析（LDA）中,通过这两种思想使算法拥有剔除相关信息和冗余特征的能力,从而更好地保留能够反映机械运行状态中有价值的故障状态信息以及特征的主要成分。利用两种不同的数据集验证了该方法的有效性。（3）针对先进故障诊断技术落地应用较难、监测数据中有效信息利用率低,导致无法及时发现机械设备故障的问题,开发一种基于My SQL数据库的滚动轴承故障诊断系统,并将D-t-SNE和LPCDA算法嵌入到系统中。该系统由数据库和故障诊断过程中各个步骤对应的功能模块所组成,使用该系统能够快速准确地对机械设备进行故障诊断,并且还能够根据机械设备当前的异常状态,在数据库面板中对数据库中的典型故障案例进行查询。利用滚动轴承故障诊断实验,验证了该系统的可行性。
杨静[3]（2020）在《旋转机械早期故障诊断关键技术研究》文中指出旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
穆鹏丞[4]（2020）在《基于自适应VMD和优化神经网络的滚动轴承故障诊断》文中提出滚动轴承作为旋转机械中最基本的传动元件,其良好的运转状况决定着机械系统的工作性能与安全性能。但是因为轴承的生产工艺、运行环境等诸多因素会使其发生失效或故障,因此需要有效监测和诊断滚动轴承的运转状态。随着轴承故障诊断技术的诞生,摆脱了定期停机检测、维修的弊端,提高了旋转机械的生产效率。本文以采集到的轴承信号为研究对象。针对使用变分模态分解方法处理轴承信号时需要人为设定待分解轴承信号的模态数以及BP神经网络的训练过程易于停滞等问题,从信号处理和模式识别两个方向展开了研究,主要的研究内容如下:首先,介绍了监测滚动轴承状态对工业生产的意义,并阐述了滚动轴承故障诊断中常用的技术手段以及优劣性。深入剖析了变分模态分解算法的基本原理,针对其对轴承信号处理时需要预设模态数的限制,提出了一种基于自适应阈值与频谱极值点之间的关系确定变分模态分解算法中最佳模态个数的策略,本文称之为自适应变分模态分解,简称AVMD。通过对仿真信号和轴承信号的多方面分析,验证了AVMD能够有效的对复杂多频带信号进行有效的分解且信号不发生混叠现象。此外,AVMD在对滚动轴承故障信号的处理过程中能够有效分离出被噪声因素淹没的周期冲击特性,并且能够获得转频及故障特征频率。其次,由于BP神经网络在训练过程中容易出现过早收敛的现象,而目前较好的改进策略是引进智能算法,但是大多数智能算法具有共同的缺陷即学习方向单一、训练过程容易停滞,因此本文提出了一种改进的智能算法称为排斥差分进化算法,简称RBDE。该算法的核心思想是子代不再单纯地向最优个体学习,这种机制增加了种群学习方向的多样性。RBDE算法中存在两种独特的学习机制,其一是RBDE选择两个父代个体作为排斥源并产生两种不同方向的排斥力,排斥力将推动子代探索最优位置;其二是将两个父代个体之间产生的历史梯度作为后代学习的方向。通过CEC2017测试函数集证明了RBDE在求解具有复杂性、随机性的问题时具有较为出色的能力,且明显优于粒子群等算法。因此RBDE算法应用于优化BP神经网络中（简称RBDE-BP神经网络）,将有利于网络快速收敛到全局最优点,为提高轴承故障识别率提供了一种新的思路。最后,以西储大学七种运行状态的轴承信号作为研究对象。将各类信号经过AVMD处理后使用峭度指标对信号进行重构,提取重构信号的多尺度排列熵值作为轴承的特征向量,并使用这些特征向量完成对RBDE-BP神经网络的训练和测试。结果表明,各类轴承故障信号的多尺度排列熵值具有可分性,此外基于RBDE算法优化的BP神经网络模型在七类轴承故障识别中的迭代次数和训练误差均得到了明显降低且诊断率可达98.57%。
余萍[5]（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》文中进行了进一步梳理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。
熊檬[6]（2020）在《基于极限学习机与深度学习理论的滚动轴承故障诊断研究》文中研究表明近年来,我国科技水平得到了进一步的提升,信息化的发展带动了工业化的进步,使得机械化生产日益普及。滚动轴承是机械系统的重要组成成分,轴承的失效可能会导致机械系统的损坏,对机械设备中的滚动轴承进行状态监测与故障诊断具有重要意义。传统的智能故障诊断方法主要采用人工提取特征,并将被提取出的特征输入到所运用的机器学习方法中进行训练,以此得到模型进行诊断。随着深度学习等人工智能方法的发展,越来越多的深度学习方法被运用于滚动轴承故障诊断中。本文将深度学习理论与极限学习机相结合,提出一种深层极限学习机的深度学习方法,并搭建了滚动轴承故障诊断实验平台,研究深层极限学习机在滚动轴承故障诊断中的有效性。本文的主要内容分为以下三个部分:1.本文引入了一种深层极限学习机的故障诊断算法。深层极限学习机联合了自编码器的特征提取能力与极限学习机的快速训练能力,相比于SAE、DBN等其他深度学习方法,深层极限学习机极大的缩短了网络的训练时间,提高了应用效率,同时,其可直接采用不经特征提取的原始数据进行训练,避免了人工选取敏感故障特征困难等问题。2.本文提出了一种稀疏近邻深层极限学习机的滚动轴承故障诊断方法,将稀疏保持投影与近邻保持投影两种流形学习方法引入极限学习机中,对深层极限学习机的分类能力进行改进,并搭建了滚动轴承故障诊断实验平台,针对实际生产环境下存在的振动信号难提取的问题,采用电流信号作为诊断数据,研究了电流信号在故障诊断中有效性,诊断结果表明,所提出的算法达到了97.933%的准确率。3.针对实际生产环境中存在的数据标签难获取的问题,提出了一种改进半监督深层极限学习机的故障诊断算法,半监督深层极限学习机融合了深层极限学习机的逐层特征提取能力与半监督极限学习机的半监督学习能力,在有标签数据较少的情况下,能够充分利用无标签数据所包含的信息训练网络的分类器,提高诊断正确率。同时本文搭建了风机轴承故障诊断实验平台,与其他几种有监督、半监督方法的实验对比结果表明,所提出的方法在只有少量有标签数据的情况下达到了95.60%的准确率,且稳定性较好。
郑浩[7]（2020）在《基于声学信号的滚动轴承故障诊断方法研究》文中认为滚动轴承在各个工业领域都扮演着至关重要的角色,但它也是最主要的机械故障来源之一。长期以来,研究人员将振动信号作为故障诊断领域的主要研究对象,导致声学信号分析方法的研究落后于振动信号。然而,相比于振动信号,声学信号能够实现非接触测量,还具有设备简单、传感器易安装、信号易获取等优点。因此,研究基于声学信号的故障诊断方法具有重要的现实意义和广阔的应用前景。传统的故障诊断思路是先对原始信号进行复杂的映射和变换,降低噪声和冗余信息,突出故障特征,然后对故障特征进行分类。但是,面对信噪比低、故障特征微弱的滚动轴承声学信号,传统思路下的特征提取算法的降噪过程变得非常复杂,很难满足实时性要求。因此,本文结合图像特征提取算法和词袋模型,省略复杂的降噪过程,分别针对单一工况和多工况提出了两种基于声学信号的滚动轴承故障诊断方法。实验结果表明,这些方法诊断效果理想,且能够满足实时性要求,具有较高的实际应用价值。首先,本文对滚动轴承的故障机理和常见的基于声学信号的故障诊断方法进行介绍。在分析滚动轴承固有频率和故障特征频率的基础上,说明单纯通过频谱分析方法完成故障诊断的局限性。通过分析振动与声音的关系,从理论上说明通过声学信号进行故障诊断的可行性。其次,基于研究目标制定总体实验方案,采集声学信号,并对声学信号进行前期处理。实验内容包括5种转速下的6种故障类型的滚动轴承的声学信号采集。采集实验过程中,实验人员在实验台周围来回走动和交谈,模拟现实场景。将采集到的声学信号转换成灰度图,为后续的研究工作做准备。再次,结合FAST特征点检测算法和SIFT特征提取算法,提出FASTUnoriented-SIFT特征提取算法。该算法忽略了特征点主方向信息,能够实现快速提取大量特征的目的。在此基础上,提出基于FAST-Unoriented-SIFT特征提取和词袋模型的故障诊断方法。通过一系列实验,说明该故障诊断方法在故障识别准确率、识别稳定性、运算效率上的优秀表现,以及FAST-Unoriented-SIFT算法相比于SIFT算法在特征提取量和提取速度上的优势。然后,在FAST-Unoriented-SIFT特征提取算法的基础上提出局部峭度特征和局部二维信息熵特征。针对多工况故障诊断问题,提出能够自适应选取基础词汇数量的自适应扩展词袋模型。利用局部峭度特征、局部二维信息熵特征和Unoriented-SIFT特征分别构建三层词袋模型上每一层的码本,通过层层诊断,层层筛选,得出最终诊断结果。通过实验说明自适应扩展词袋模型针对多工况故障诊断问题,在故障识别准确率以及运算效率上相对于传统词袋模型有明显优势。最后,本文对本次研究工作进行总结,并对相关研究的未来发展进行展望。该论文共有图37幅,表9个,参考文献136篇。
马森财[8]（2020）在《旋转机械典型故障辨识及分类可视化问题研究》文中研究表明随着旋转机械装置不断向先进智能化方向迈进,如何提高智能故障诊断的决策水平,是我们最新面临的挑战。故障辨识是智能故障诊断中最关键的一步,它能有效、准确地挖掘出丰富的设备故障信息,找出不同类别的样本群在特征空间中的分布区域和边界,为后续的决策知识库构建提供最重要的参考和指导。因此,训练出能有效辨识出故障并有一定泛化能力和容错性的分类器、重视故障发生的不确定性（随机性和模糊性的统称）和故障数据中的随机量,是本项研究工作关注的重点问题。本研究围绕机械故障分类展开,具体关注点有:集成学习用于故障识别时基分类器差异性的提高、故障数据中不确定性知识的表达、计算与故障分类过程中的可视化表达。具体研究内容及与取得的研究成果如下:（1）针对Bagging集成学习中基分类器之间差异性偏低的问题,提出一种改进型集成神经网络算法并将其用于双跨转子故障模式辨识。通过Relief-F算法和改进轮盘赌法扰动低维转子故障数据集中的特征,通过Bagging学习的重采样算法扰动训练样本。经过两次扰动后,使得训练后的基分类器之间有了更高的差异性,让最终的分类结果可信度更高。最后在低维双跨转子故障数据集上验证了以BP网络为基分类器的双扰动集成学习方法的辨识性能,结果表明,双重扰动法能够明显的提升BP神经网络的辨识能力。（2）针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法。将经预处理之后的信号进行云化,提取出各状态下信号分布云的三个参数:期望、熵和超熵,将这三个参数作为表征轴承状态的特征数据;将数据集归一化处理后送入集成极限学习机进行识别。研究结果表明,云-集成极限学习机与传统神经网络识别方法相比,能有效地实现轴承故障模式识别,有更高的识别率和稳定性,且在抗噪性方面有较好的表现。（3）为了充分利用海量数据中所蕴含的信息对轴承故障进行有效识别,利用云理论建立起轴承故障数据与故障类别之间的映射,得到了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法结合云分布隶属度系数,提出了任意样本对于故障类别的最终隶属度计算方法。通过由不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力;将该分类方法与常用的分类方法在含噪声的测试样本上进行对比实验,结果证明了该分类方法在抗噪性方面的优越性。云理论可以将语义概念的表达可视化,统一数据中的模糊性和随机性,在机械大数据背景下的故障辨识领域具有广阔的前景,后续研究将重点探索利用云模型衍生虚拟样本实现不平衡学习、利用云模型实现故障数据降维。
宋房全[9]（2020）在《类别不平衡下的航空发动机故障诊断方法研究》文中研究表明在实际情况下,航空发动机的故障数据的获取代价大,数量少于正常数据,且误诊的后果远远大于将正常数据误诊的后果,因此航空发动机的故障诊断本质是类别不平衡问题。本文以极限学习机和类别不平衡学习为研究主线,为提升诊断的性能进行了相关研究,其主要内容如下:针对极限学习机的不足之处,采用?-dragging的思想,使用重定向策略对目标矢量进行修改,使不同标签之间的间隔尽可能的大。根据将“?1”标签沿原始方向移动的重定向策略,从而提出重定向极限学习机算法。在此基础上,针对衡量的基准点是否是?1并不重要,移除?1的基准点,获得一种更加灵活的移动策略,从而提出改进重定向极限学习机算法。实验仿真结果表明,所提出的重定向极限学习机算法和改进重定向极限学习机算法,相比于正则化极限学习机算法,通过重定向策略,对发动机的诊断性能的确得到提升。并且相比于重定向极限学习机算法,改进重定向极限学习机算法采用更加灵活的重定向策略,诊断性能进一步得到提升。研究了类别不平衡下的发动机故障诊断问题,针对重定向极限学习机算法在类别不平衡下的诊断性能较差的问题,研究了基于上采样的类别不平衡方法,结合自适应半监督加权上采样算法和重定向极限学习机算法,使得算法在数据层面更加关注故障类,从而提升了发动机故障诊断的诊断性能。针对上采样方法可能存在的泛化性能不佳的问题以及上采样训练时间较长的问题,研究了类别不平衡下的代价敏感学习方法,以极限学习机算法为主线,对故障类和正常类的误分类代价赋予不同的正则化参数,在此基础上,提出采用?-dragging的思想,将重定向策略与用于类别不平问题的极限学习机算法结合,在使用重定向策略使得不同类别之间的间隔加大的基础上,又对故障类更加关注,从而进一步提升诊断的性能。在实验的结果表明,所提的算法在航空发动机故障诊断中的性能更加优秀。
黄定洪[10]（2020）在《基于深度置信网络的旋转机械设备故障诊断方法研究》文中认为随着科学技术的不断进步,机械设备不断朝着大型化、复杂化方向发展。轴承、齿轮作为机械设备中的关键零部件,由于其长期处于恶劣的工作环境中,极易发生各种机械故障,从而导致整个设备无法正常运行。同时,由于现代机械设备的机械系统变得日益复杂化,采集的故障振动信号往往具有高维海量、非线性、非平稳性等特点,使得设备的故障诊断越来越具有挑战性。深度置信网络（Deep Belief Networks,DBN）作为经典深度学习算法之一,具有强大的自适应特征提取和非线性数据处理能力,为故障诊断提供了一种新的特征提取方法。基于此,本文提出基于深度置信网络的旋转机械设备故障诊断模型,并开展相应的实验研究,论文的主要工作包括:（1）在对旋转机械设备故障诊断技术国内外研究现状进行分析的基础上,提出基于DBN的旋转机械设备故障诊断模型,并对DBN的网络结构、训练过程以及逐层特征提取能力进行研究。（2）针对DBN模型用于故障诊断时,结构参数的选择依赖于一定的专家经验等问题,提出基于改进混合蛙跳算法（Improve Shuffled Frog Leaping Algorithm,ISFLA）优化DBN的滚动轴承故障诊断模型,对算法的参数选择和寻优过程进行了分析,并以凯斯西储大学轴承数据开展实验研究。包括改进网络与未改进网络的对比、浅层网络和深层网络的对比、优化算法与其他经典算法的对比。实验结果表明,优化模型能有效提高故障识别精度,避免了因人为选择结构参数不当导致模型故障诊断性能下降的问题。（3）针对复杂机械设备进行故障诊断时,使用多传感器采集的多维时间序列数据往往呈现出高维海量、非线性、非平稳性等的特点,并结合流形学习能有效挖掘高维观测数据中的内在低维流形特征分布,提出基于数据融合及局部线性嵌入（Locally Linear Embedding,LLE）算法降维的ISFLA-DBN故障诊断模型,并以自测数据展开对比实验研究。实验结果表明,所提方法能够有效降低模型的训练时间,且保持较高的故障识别率,在未知数据集上具有较好的泛化性能。（4）论文最后对全文工作进行了总结,并对后一步工作进行了展望。
二、BP旋转算法在故障诊断中的应用（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、BP旋转算法在故障诊断中的应用（论文提纲范文）
（1）基于深度自编码神经网络的滚动轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 滚动轴承故障诊断技术发展现状 |
| 1.2.1 滚动轴承基本结构及运行机理分析 |
| 1.2.2 滚动轴承典型故障振动信号特征 |
| 1.2.3 滚动轴承传统故障诊断方法研究现状 |
| 1.3 深度学习概述及研究现状 |
| 1.3.1 深度学习发展及基本模型 |
| 1.3.2 深度学习在故障诊断中的应用 |
| 1.3.3 深度自编码神经网络存在的问题 |
| 1.4 本文主要研究工作及结构安排 |
| 2 深度自编码神经网络原理及相关工作基础 |
| 2.1 自动编码器 |
| 2.1.1 自动编码器的基本结构 |
| 2.1.2 自动编码器的训练 |
| 2.1.3 稀疏约束 |
| 2.2 深度堆栈自编码神经网络 |
| 2.2.1 贪心逐层无监督预训练 |
| 2.2.2 有监督的全局微调 |
| 2.2.3 深度堆栈自编码神经网络模型 |
| 2.3 分类器训练 |
| 2.4 仿真信号的构建 |
| 2.5 深度自编码网络的特征提取性能研究 |
| 2.5.1 基于DSAE的数据重构性能研究 |
| 2.5.2 常用特征提取方法 |
| 2.5.3 基于DSAE的特征提取性能对比分析 |
| 2.5.4 DSAE网络特征提取可视化 |
| 2.6 本章小结 |
| 3 基于DSAE的故障诊断模型及其关键参数研究 |
| 3.1 基于DSAE的故障诊断模型 |
| 3.2 数据预处理方案设计 |
| 3.3 网络参数研究 |
| 3.3.1 隐层节点数 |
| 3.3.2 隐层层数 |
| 3.3.3 迭代次数 |
| 3.4 正则化参数研究 |
| 3.5 优化参数研究 |
| 3.5.1 小批量梯度下降算法 |
| 3.5.2 动量算法 |
| 3.5.3 Adam算法 |
| 3.6 本章小结 |
| 4 基于DSAE故障诊断模型的优化研究 |
| 4.1 基于自适应机制的Adam优化算法研究 |
| 4.1.1 自适应机制原理 |
| 4.1.2 改进的自适应学习率的Adam算法 |
| 4.1.3 AEDR-Adam优化算法的仿真分析 |
| 4.2 自适应平衡标准化优化算法 |
| 4.2.1 批量标准化 |
| 4.2.2 带自适应平衡层的DAE |
| 4.2.3 BN-DSAE模型的仿真分析 |
| 4.3 基于改进算法的DSAE故障诊断模型 |
| 4.3.1 基于改进算法的DSAE故障诊断模型框架 |
| 4.3.2 基于改进算法的DSAE故障诊断模型仿真分析 |
| 4.4 本章小结 |
| 5 基于改进的DSAE模型在滚动轴承故障诊断中的应用 |
| 5.1 滚动轴承数据集描述及分析 |
| 5.2 基于DSAE模型优化算法性能的验证 |
| 5.2.1 基于改进的Adam算法性能验证 |
| 5.2.2 基于BN-DSAE模型性能验证 |
| 5.3 与其他学习模型对比分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 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 |
（2）滚动轴承故障数据集的降维与分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景简介 |
| 1.2 旋转机械智能故障诊断技术简介 |
| 1.3 线性和非线性降维方法的国内外研究现状 |
| 1.3.1 线性降维方法 |
| 1.3.2 非线性降维方法 |
| 1.4 本研究的意义 |
| 1.5 本论文的研究内容 |
| 第2章 相关算法的基本原理简介 |
| 2.1 引言 |
| 2.2 经典降维方法的数学原理 |
| 2.2.1 t-分布随机近邻嵌入 |
| 2.2.2 线性判别分析 |
| 2.2.3 主成分分析 |
| 2.3 故障诊断中经典的分类器简介 |
| 2.3.1 KNN分类器 |
| 2.3.2 支持向量机分类器 |
| 2.3.3 BP神经网络分类器 |
| 2.4 讨论与分析 |
| 2.5 本章小结 |
| 第3章 改进的D-t-SNE滚动轴承故障数据集降维方法 |
| 3.1 引言 |
| 3.2 算法原理简介 |
| 3.2.1 测地距离指标GD |
| 3.2.2 t-SNE算法原理 |
| 3.3 建立的D-t-SNE降维算法与流程 |
| 3.3.1 建立的D-t-SNE算法 |
| 3.3.2 参数对降维效果的影响作用分析 |
| 3.3.3 确定的降维效果评价指标 |
| 3.3.4 建立的D-t-SNE算法与故障诊断模型 |
| 3.4 实验验证情况 |
| 3.4.1 Iris数据集的仿真实验结果 |
| 3.4.2 轴承故障模拟实验的验证情况 |
| 3.5 本章小结 |
| 第4章 改进的LPCDA算法及其在滚动轴承故障诊断中的应用 |
| 4.1 引言 |
| 4.2 基本原理简介 |
| 4.2.1 类间可分性判别 |
| 4.2.2 线性判别分析(LDA)算法 |
| 4.2.3 主成分计算 |
| 4.3 建立的降维算法LPCDA与应用流程 |
| 4.3.1 建立的LPCDA算法 |
| 4.3.2 算法的优点分析 |
| 4.3.3 参数的影响作用分析 |
| 4.3.4 降维效果评价指标 |
| 4.3.5 基于LPCDA算法的故障诊断应用流程 |
| 4.4 实例验证 |
| 4.4.1 Wine数据集的仿真实验情况 |
| 4.4.2 轴承故障模拟实验的验证情况 |
| 4.5 本章小结 |
| 第5章基于C#的故障诊断系统开发 |
| 5.1 引言 |
| 5.2 设计的故障诊断系统方案 |
| 5.3 开发的故障诊断系统 |
| 5.3.1 创建数据库 |
| 5.3.2 建立的故障诊断系统 |
| 5.4 故障诊断系统的功能验证情况 |
| 5.4.1 实验方案 |
| 5.4.2 验证结果 |
| 5.5 讨论与分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文 |
| 附录B 参加科研项目情况 |
（3）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（4）基于自适应VMD和优化神经网络的滚动轴承故障诊断（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 滚动轴承的振动机理分析 |
| 1.3 滚动轴承故障诊断技术研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 信号分析技术 |
| 1.4.1 时域信号分析技术 |
| 1.4.2 频域信号分析技术 |
| 1.4.3 时频域信号分析技术 |
| 1.5 故障识别技术 |
| 1.5.1 支持向量机 |
| 1.5.2 模糊C均值聚类 |
| 1.5.3 人工神经网络 |
| 1.6 主要研究内容及章节安排 |
| 第二章 自适应变分模态分解 |
| 2.1 变分模态分解 |
| 2.1.1 VMD理论基础 |
| 2.1.2 VMD原理 |
| 2.2 自适应变分模态分解 |
| 2.2.1 确实模态信号数量的策略 |
| 2.2.2 仿真信号分析 |
| 2.2.3 轴承故障信号分析 |
| 2.3 本章小结 |
| 第三章 排斥差分进化算法 |
| 3.1 差分进化算法 |
| 3.2 排斥差分进化算法 |
| 3.2.1 初始化过程 |
| 3.2.2 第一种排斥行为 |
| 3.2.3 第二种排斥行为 |
| 3.2.4 交叉机制 |
| 3.2.5 选择机制 |
| 3.3 数值实验 |
| 3.4 本章小结 |
| 第四章 RBDE优化BP神经网络的方法研究 |
| 4.1 人工神经网络概论 |
| 4.1.1 人工神经网络模型 |
| 4.1.2 神经元的激活函数 |
| 4.1.3 人工神经网络的结构 |
| 4.1.4 人工神经网络的学习方式 |
| 4.2 BP神经网络概论 |
| 4.2.1 BP神经网络结构 |
| 4.2.2 BP神经网络的训练过程 |
| 4.2.3 BP神经网络的局限性 |
| 4.3 RBDE优化的BP神经网络 |
| 4.4 本章小结 |
| 第五章 基于AVMD和 RBDE-BP神经网络的滚动轴承故障诊断 |
| 5.1 滚动轴承的故障特征提取 |
| 5.2 滚动轴承故障诊断模型 |
| 5.3 实验验证 |
| 5.3.1 实验简介 |
| 5.3.2 轴承信号的时频分析 |
| 5.3.3 滚动轴承故障信号的特征提取 |
| 5.3.4 滚动轴承故障类型的模式识别 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A CEC2017测试函数集 |
| 攻读硕士学位期间的科研成果 |
（5）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 |
（6）基于极限学习机与深度学习理论的滚动轴承故障诊断研究（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 故障诊断研究现状 |
| 1.2.1 基于信号处理方法的故障诊断 |
| 1.2.2 基于机器学习的故障诊断 |
| 1.2.3 基于深度学习的故障诊断 |
| 1.3 本文的主要工作 |
| 第二章 算法理论基础 |
| 2.1 引言 |
| 2.2 神经网络与极限学习机 |
| 2.2.1 神经网络 |
| 2.2.2 极限学习机 |
| 2.3 深度学习理论与深层极限学习机 |
| 2.3.1 无监督逐层训练 |
| 2.3.2 栈式自编码网络 |
| 2.3.3 深层极限学习机 |
| 2.4 本章小结 |
| 第三章 基于稀疏近邻保持深层极限学习机的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 近邻保持投影与稀疏保持投影 |
| 3.2.1 近邻保持投影 |
| 3.2.2 稀疏保持投影 |
| 3.3 稀疏近邻保持深层极限学习机 |
| 3.4 实验与验证 |
| 3.4.1 实验介绍 |
| 3.4.2 数据预处理 |
| 3.4.3 诊断结果评估与对比 |
| 3.4.4 算法参数分析 |
| 3.5 本章小结 |
| 第四章 基于半监督深层极限学习机的故障诊断算法研究 |
| 4.1 引言 |
| 4.2 半监督极限学习机 |
| 4.3 改进半监督深层极限学习机 |
| 4.3.1 稀疏相关性重构 |
| 4.3.2 改进半监督深层极限学习机 |
| 4.4 实验与验证 |
| 4.4.1 实验介绍 |
| 4.4.2 数据预处理 |
| 4.4.3 基于改进半监督深层极限学习机的故障诊断 |
| 4.4.4 算法参数分析 |
| 4.4.5 无标签数据对结果的影响 |
| 4.4.6 算法结果对比 |
| 4.5 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录 :作者在攻读硕士学位期间发表的论文 |
（7）基于声学信号的滚动轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义和目的 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 2 滚动轴承故障机理及声学信号故障诊断方法 |
| 2.1 滚动轴承的结构及故障类型 |
| 2.2 滚动轴承固有频率及故障特征频率 |
| 2.3 振动信号与声学信号 |
| 2.4 声学信号故障诊断方法 |
| 2.5 本章小结 |
| 3 声学信号采集及前期处理 |
| 3.1 总体方案 |
| 3.2 实验台与声学信号采集设备 |
| 3.3 实验内容与信号采集方案 |
| 3.4 声学信号前期处理 |
| 3.5 本章小结 |
| 4 基于FAST-Unoriented-SIFT特征提取和词袋模型的滚动轴承故障诊断方法 |
| 4.1 特征提取 |
| 4.2 词袋模型 |
| 4.3 基于FAST-Unoriented-SIFT特征提取和词袋模型的故障诊断方法 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 5 基于自适应扩展词袋模型的多工况滚动轴承故障诊断方法 |
| 5.1 特征提取 |
| 5.2 自适应扩展词袋模型 |
| 5.3 基于自适应扩展词袋模型的故障诊断方法 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）旋转机械典型故障辨识及分类可视化问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景简介 |
| 1.2 旋转机械故障诊断技术研究的内涵 |
| 1.3 旋转机械模式辨识问题的研究现状 |
| 1.3.1 故障分类问题研究现状 |
| 1.3.2 故障聚类问题研究现状 |
| 1.4 当前存在的问题 |
| 1.5 本研究工作的意义 |
| 1.6 本论文的内容安排 |
| 第2章 典型的模式辨识方法与云理论简介 |
| 2.1 引言 |
| 2.2 故障辨识中常用的分类方法 |
| 2.2.1 BP神经网络原理 |
| 2.2.2 极限学习机简介 |
| 2.2.3 支持向量机简介 |
| 2.2.4 KNN分类器 |
| 2.3 集成学习原理 |
| 2.3.1 Bagging集成学习简介 |
| 2.3.2 个体分类器差异性的增强措施 |
| 2.4 云理论 |
| 2.4.1 高斯云模型的数学原理和性能 |
| 2.4.2 云发生器 |
| 2.5 本章小结 |
| 第3章 基于双扰动集成神经网络的转子故障识别方法 |
| 3.1 引言 |
| 3.2 相关理论与应用分析 |
| 3.2.1 Relief-F特征评估算法简介 |
| 3.2.2 Bagging集成学习算法用于BP神经网络的有效性探究 |
| 3.3 建立的双扰动集成神经网络分类模型 |
| 3.3.1 振动信号的特征提取与特征降维 |
| 3.3.2 设计的双扰动总体流程 |
| 3.3.3 相关参数的设定情况 |
| 3.4 实验结果与分析 |
| 3.4.1 双扰动集成神经网络的辨识能力验证 |
| 3.4.2 变工况下DE-BP方法的辨识效果 |
| 3.4.3 DE-BP方法对含噪数据的敏感性验证 |
| 3.5 本章小结 |
| 第4章 云模型和集成极限学习机相结合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 云理论及其指标的含义 |
| 4.3 建立的特征提取及分类模型 |
| 4.3.1 信号采集 |
| 4.3.2 信号预处理与云特征提取结果 |
| 4.3.3 建立的集成极限学习机模型 |
| 4.4 模型应用及分析 |
| 4.4.1 轴承故障分类 |
| 4.4.2 E-ELM在变工况下的识别能力 |
| 4.4.3 E-ELM的抗噪性验证 |
| 4.4.4 建立的云-极限学习机的普适性性能验证 |
| 4.5 本章小结 |
| 第5章 基于云理论和Relief-F的滚动轴承故障识别方法研究 |
| 5.1 引言 |
| 5.2 建立的基于云理论的故障分类模型 |
| 5.2.1 滚动轴承振动信号的特征提取 |
| 5.2.2 建立的不同状态下各特征分布云模型 |
| 5.2.3 测试样本对不同状态的隶属度计算方法 |
| 5.2.4 特征评估结果 |
| 5.2.5 确定的最终隶属度 |
| 5.3 实验结果与分析 |
| 5.3.1 识别结果 |
| 5.3.2 建立的云分类器在变工况下的识别准确率 |
| 5.3.3 训练样本数目对云分类器性能的影响 |
| 5.3.4 云分类器的鲁棒性验证结果 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的科研成果目录 |
| 附录B 参加科研项目情况 |
（9）类别不平衡下的航空发动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外技术研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的内容安排 |
| 第二章 航空发动机故障诊断概述 |
| 2.1 航空发动机模型 |
| 2.2 航空发动机故障诊断的概念 |
| 2.3 基于数据驱动的发动机故障诊断方法 |
| 2.4 类别不平衡学习方法 |
| 2.5 实验准备 |
| 2.5.1 发动机耦合因子和实验数据 |
| 2.5.2 性能评价指标 |
| 2.6 本章小结 |
| 第三章 基于重定向极限学习机的故障诊断 |
| 3.1 引言 |
| 3.2 极限学习机 |
| 3.2.1 单隐层前馈神经网络 |
| 3.2.2 极限学习机及正则化 |
| 3.3 重定向极限学习机 |
| 3.3.1 算法原理 |
| 3.3.2 D-RELM算法 |
| 3.3.3 ID-RELM算法 |
| 3.4 发动机故障诊断实验验证与分析 |
| 3.4.1 实验结果与分析 |
| 3.4.2 CIL下的实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于ASUWO的重定向极限学习机的故障诊断 |
| 4.1 引言 |
| 4.2 ASUWO上采样算法 |
| 4.2.1 半监督聚类 |
| 4.2.2 自适应调整子簇大小 |
| 4.2.3 合成样本生成 |
| 4.3 ASUWO-RELM 算法、ASUWO-DRELM 算法和ASUWO-IDRELM 算法 |
| 4.4 故障诊断实验验证与结果分析 |
| 4.5 本章小结 |
| 第五章 基于代价敏感的重定向极限学习机的故障诊断 |
| 5.1 引言 |
| 5.2 WELM 算法和CS-ELM 算法 |
| 5.2.1 WELM算法 |
| 5.2.2 CS-ELM算法 |
| 5.3 DCS-ELM 算法和IDCS-ELM 算法 |
| 5.3.1 DCS-ELM算法 |
| 5.3.2 IDCS-ELM算法 |
| 5.4 故障诊断实验验证与结果分析 |
| 5.5 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 |
| 在学期间的研究成果及发表的学术论文 |
（10）基于深度置信网络的旋转机械设备故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 传统的机械设备故障诊断方法 |
| 1.2.2 基于深度学习的机械设备故障诊断方法 |
| 1.2.3 基于深度置信网络的机械设备故障诊断方法 |
| 1.3 全文结构安排 |
| 第2章 基于DBN的旋转机械设备故障诊断模型 |
| 2.1 深度置信网络 |
| 2.1.1 DBN模型结构 |
| 2.1.2 受限玻尔兹曼机 |
| 2.2 DBN训练过程 |
| 2.3 基于DBN的旋转机械设备故障诊断模型 |
| 2.4 本章小结 |
| 第3章 基于ISFLA优化DBN的滚动轴承故障诊断 |
| 3.1 基于滚动轴承故障诊断模型的参数优化算法 |
| 3.1.1 ISFLA寻优过程 |
| 3.1.2 ISFLA参数选择 |
| 3.2 基于ISFLA优化DBN的滚动轴承故障诊断模型 |
| 3.3 实验研究 |
| 3.3.1 数据来源 |
| 3.3.2 实验模型构建 |
| 3.3.3 结果分析与讨论 |
| 3.4 本章小结 |
| 第4章 基于数据融合及LLE降维的ISFLA-DBN齿轮故障诊断 |
| 4.1 多维时间序列数据融合及LLE数据降维 |
| 4.1.1 多维时间序列数据融合 |
| 4.1.2 基于LLE流形学习数据降维 |
| 4.2 齿轮故障诊断模型 |
| 4.3 实验研究 |
| 4.3.1 数据来源 |
| 4.3.2 数据融合及样本划分 |
| 4.3.3 实验模型构建 |
| 4.3.4 结果分析与讨论 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A:攻读硕士期间发表的学术论文 |
四、BP旋转算法在故障诊断中的应用（论文参考文献）
- [1]基于深度自编码神经网络的滚动轴承故障诊断方法研究[D]. 师诗. 北京交通大学, 2021(02)
- [2]滚动轴承故障数据集的降维与分类方法研究[D]. 薛勇. 兰州理工大学, 2021(01)
- [3]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [4]基于自适应VMD和优化神经网络的滚动轴承故障诊断[D]. 穆鹏丞. 沈阳化工大学, 2020(02)
- [5]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
- [6]基于极限学习机与深度学习理论的滚动轴承故障诊断研究[D]. 熊檬. 江南大学, 2020(01)
- [7]基于声学信号的滚动轴承故障诊断方法研究[D]. 郑浩. 中国矿业大学, 2020(01)
- [8]旋转机械典型故障辨识及分类可视化问题研究[D]. 马森财. 兰州理工大学, 2020
- [9]类别不平衡下的航空发动机故障诊断方法研究[D]. 宋房全. 南京航空航天大学, 2020(07)
- [10]基于深度置信网络的旋转机械设备故障诊断方法研究[D]. 黄定洪. 武汉理工大学, 2020(08)