一、基于神经网络的远程网络故障诊断系统（论文文献综述）
张岚清[1]（2021）在《多缸液压圆锥破碎机智能故障诊断系统研究》文中研究表明当前,随着环保扮演着越来越重要的角色以及机制砂需求量的快速增长,国内破碎机市场也迎来了又一个春天,多缸液压圆锥破碎机因其破碎特性和优越的性能,逐渐成为了破碎流程中第二、三阶段（中细碎）的首要选择。但因国内起步晚,经验少,电控配套差,缺少技术指标等原因,导致该型破碎故障率非常高,极大影响了生产。所以我们应该向国外先进企业和技术学习,首先把基于建立一套完善准确故障指标体系的破碎机监控系统建立起来,从而实现了初步的故障诊断预警;然后结合当下热门的人工智能中BP神经网络算法,利用其模式识别的独到优势,研究探索出一个更进一步的,基于多个传感器参数综合分析的智能故障诊断系统,以弥补第一种主要以监控某个传感器阈值实现故障诊断的方式在许多故障上的局限性。基于上述内容,本文主要完成了以下几个研究内容:（1）通过了解破碎机的结构和组成以及各部和破碎机整体的运作原理,从多缸液压圆锥破碎机自身的结构组成因素以及恶劣的工作环境,分析出该型破碎机故障率高的原因,并通过选取破碎机一些主要的,典型的故障进行分析,分析出故障的具体原因和故障会对相关参数产生影响,为下一步选取传感器和设计电控系统做准备。（2）根据之前的分析,选取相应的检测传感器,结合美卓公司最新参数和韶瑞重工有限公司多年生产、运维收集的数据,对相关传感器的标准值或阈值进行设定;通过分析多缸液压圆锥破碎机的启动流程和当前国内一般破碎机电控逻辑,重新优化和设计了新的电控逻辑;并绘制了对应的电气原理图,应用PLC和触摸屏实现远程监视和操控的功能。（3）采集和分析多缸液压圆锥破碎机故障的原始数据,根据BP神经网络输入输出特点和多缸圆锥破碎机实际的工作状态,选取合适的与各类型故障所相对应的故障数据,建立故障样本的特征参数矩阵,为诊断模型的训练和测试提供故障样本集。（4）通过研究BP神经网络的概念、原理、特点,并结合多缸液压圆锥破碎机实际工作中故障发生的情况,分析出BP神经网络应用于多缸圆锥破碎机故障诊断领域的办法,将故障特征样本数据输入网络,以故障类型作为期望网络输出,设置相应训练样本,建立故障诊断网络,并通过训练结果对比确定了网络的具体结构,建立了BP神经网络多缸液压圆锥破碎机故障诊断模型。（5）多缸液压圆锥破碎机故障诊断模型验证和测试。以韶瑞重工SCH8000破碎机的真实故障参数为例,利用现实工程运用中收集到的真实故障样本对前面部分已经初步确立的运用BP神经网络算法的多缸液压圆锥破碎机故障诊断模型进行训练,并对训练完成后的诊断模型进行结果测试,最终验证了该多缸液压圆锥破碎机故障诊断系统对故障的诊断能力。
杨晋玲[2]（2021）在《基于信息融合技术的采煤机液压系统故障诊断研究》文中研究表明针对当前煤矿安全事故频发以及深井采煤日益增多的趋势,西山煤电集团提出了综采无人工作面建设项目,本课题即源于该项目。液压系统是采煤机行走、调高、切割等作业动作的重要系统,绝大多数采煤机故障都与其有关,是采煤机智能无人化改造的关键。本文基于信息融合技术对采煤机液压系统的故障诊断展开研究,主要研究工作内容如下:（1）将测试性分析技术应用于采煤机液压系统故障诊断系统的构建,以液压系统典型故障模式及其监测方式分析为基础,确定了采煤机液压系统各组成部分的传感器布置初步方案,探究并验证预设构想,给出故障诊断系统测试性设计的预期实现目标、基本原理框架、硬件参数要求、软件功能逻辑。分析了当前故障诊断技术的优缺点,确立了“时频域分析-RBF神经网络-D-S证据理论”的分层次故障诊断思路。（2）结合采煤机液压系统常用实时状态监测数据开展故障诊断的特点,分析了采煤机液压系统常用的监测参数如振动、压力、温度等,并给出了不同参数信息的处理方法。通过对采煤机液压系统故障诊断问题的实质性分析,依据实时状态诊断数据与故障模式之间存在的非线性关系,采用K-means聚类方法确定神经网络数据中心,建立了基于RBF神经网络的特征层信息融合故障诊断模型,并进一步采用D-S证据理论,本文构建了基于“时频域分析-RBF神经网络-D-S证据理论”多理论的故障诊断信息融合模型,解决了来自不同信息源的故障诊断结果相互间存在的融合问题。（3）以西山煤电集团MG400（450）/930（1030）-GWD型采煤机液压系统双联齿轮泵的状态监测数据为基础,对本文给出的故障诊断信息融合模型开展了实证研究。结果表明,本文构建的采煤机液压系统故障诊断两级信息融合模型,可以避免单独依靠神经网络故障诊断而造成的诊断结果错误,故障诊断准确率得到优化,可应用于采煤行业的综采无人工作面建设。
张明[3]（2021）在《风电机组故障检测方法研究及远程监控装置设计》文中进行了进一步梳理为解决能源与环境问题,世界各国纷纷将目光投向新能源发电技术,风力发电迅速发展,风机故障问题逐渐突出。轴承是风力发电机的关键部件,故障率较高,因此研究风力发电机轴承故障诊断方法具有重要意义。本文首先对风机轴承振动信号进行故障特征提取。针对风机轴承振动信号非线性和非平稳性的特点,采用小波包分解这种时频域分析方法提取风机轴承故障特征,小波包分解层数设置为3层,对第三层中得到的8个子频带信号进行处理,计算各子频带的能量占总能量的比例,以此能量比来表征风机轴承故障特征。其次,本文完成了基于神经网络的风机轴承故障诊断分析。风机故障诊断采用BP神经网络和PNN神经网络相结合的方法,创建了BP神经网络模型和PNN神经网络模型,然后对隐含层神经元数、传递函数和spread值等参数进行分析和确定,从而得出风机故障诊断神经网络模型。文中对风机轴承故障诊断方法进行了仿真分析,仿真结果表明BP和PNN神经网络均得到了理想效果,但从模型设计难度和故障诊断总耗时长上看,PNN神经网络要明显优于BP神经网络。最后,本文设计了基于物联网的风机轴承故障监测系统。该系统采用CC2530为主控芯片。Zig Bee终端节点安装在风机上实时监测风机轴承振动参数,各节点采集的振动参数在协调器上完成汇总打包,经网关模块发送给web服务器。风机振动数据可显示并存储在监控中心上位机中,上位机根据振动数据进行故障诊断显示风机的运行状态,管理人员可在上位机上进行数据查询与管理等操作。
周云风[4]（2021）在《基于卷积神经网络的局域网故障诊断技术研究》文中研究指明随着以太网的日益发展,局域网的复杂程度也随着用户数和网络终端的增多而越发提高。为了保证局域网运行环境的健康稳定,在局域网的故障管理过程中,网络管理员需要对网络的整体运行状态把控和对网络故障进行成因分析和经验式诊断。但由于局域网往往承载着特殊业务,传统方法非常耗时耗力,于是现阶段对故障诊断的响应以及智能程度提出了新的要求。因此,本文从深度学习角度出发,研究了基于卷积神经网络模型的网络故障诊断方法。本论文的主要工作如下:论文首先介绍了网络故障诊断的研究现状,以及故障诊断过程将面对的两大核心问题:网络故障信息的采集和分析、网络故障问题的发现和检测。最后,给出本文的主要研究内容。论文第二部分,对局域网网络故障进行了物理侧分层结构以及业务侧分服体系的故障成因理论分析,并对现有网络故障诊断技术按照定性经验和数据驱动的类别对专家系统、图搜索模型、支持向量机、软件定义网络等四类典型网络故障诊断技术进行了详细的阐释,为后文的章节做铺垫。论文第三部分,基于KDD99数据集[48],对卷积神经网络进行研究,提出灰度矩阵化原始数据的数据转换操作,并根据数据特征规模进行卷积神经网络结构设计,并以此为基础开展了一系列的包括丢弃学习、梯度优化算法、数据增强在内的优化研究,完成整个故障诊断的模型建立。论文第四部分,分析了现存数据采集方法的优劣,提出了一种不新增网内流量、不改变网络结构的旁路被动分布式数据采集方法,并进行了旁路采集板卡的原型设计。同时,提出了基于特征工程的数据集构建方法,提出了分层结构下较为完备的数据字典,为故障诊断的故障多样化做原始数据维度支撑。论文最后,设计并模拟了真实局域网故障场景,完成数据采集、数据集构建。并在KDD99数据集[48]和自建数据集上进行模型验证。通过对模型不同激活函数、学习率、数据增强的测试下,提高模型泛化能力,最终结果表明,该模型在KDD99数据集[48]上进行训练测试,准确率达96.8%,在自建数据集上,训练测试准确率可达88.3%。综合实验表明,基于卷积神经网络的故障诊断具备良好的诊断效率且具备可完整落地的潜质。
聂明明[5]（2021）在《水泥射袋机控制系统的设计》文中指出我国是一个水泥需求大国,每年水泥的产量也非常巨大,但是国内水泥包装系统的自动化程度无法满足新时代发展的需要,为响应国家工业4.0号召,发展我国水泥包装工业,迫切需要开发出水泥套袋高度自动化的控制系统。针对水泥套袋自动化系统对应的设备—水泥射袋机,本文介绍了其机械结构的设计并给出了系统的控制方案。在对射袋机系统进行模块化分类后,通过建立各个模块的模型,对系统进行故障分析。射袋机系统结构复杂,故障种类繁多,各部分之间存在耦合性,基于此,本文采用BP神经网络的方法对水泥射袋机系统进行故障诊断,通过测试,达到了很高的正确故障判断率,能够达到预期效果。此外,本文根据实际工况对控制系统的元器件进行选型,包括控制器、编码器、伺服电机的选型等。本文讲述了系统软硬件的设计,控制系统硬件设计:设计了PLC各个模块外部接线图、动力电路电路图等。控制系统软件设计:以博图中STEP7为编译环境,对控制逻辑进行编程,实现自动送袋、自动拨袋、自动取袋、自动射袋等功能。文章最后是对系统进行调试:系统调试分为单机调试和联动调试两部分进行,调试结果表明,本文设计的水泥射袋机能与包装机部分高度配合,上袋率达98%以上,再加上可视化人机界面—触摸屏的设计,使操作人员能够实时监控射袋机的运行情况,整个系统达到了预期的设计目标。
张建永[6]（2020）在《沙漠物联网环境监测系统故障诊断研究与实现》文中研究指明物联网技术被视为继计算机、互联网之后世界信息产业发展的第三次信息革命浪潮。当前,物联网技术已被广泛应用于各个领域,在环境监测领域中物联网的应用尤其广泛。在沙漠治理中,通过布设沙漠专用物联网系统,实现对沙漠特殊环境信息的智能监测,可为沙漠科学生态治理提供数据支撑。由于沙漠环境的复杂性和恶劣性,对沙漠专用物联网系统的稳定可靠性提出了严峻挑战。在沙漠环境中,物联网系统往往会经受高温、低温及强紫外线照射等多种外界恶劣环境的影响和破坏,容易引发系统崩溃、采集数据不准确、数据传输不稳定等故障。为提高沙漠区域物联网系统的稳定可靠性,以及系统维护的及时性和便利性,充分利用故障诊断理论与技术,开展沙漠物联网系统故障诊断技术研究,研究沙漠物联网故障诊断方法,以期为物联网系统故障类型智能诊断与故障远程或自动处理奠定基础。具体研究内容如下:（1）针对沙漠物联网系统中出现的故障进行分析,研究确定系统常见故障类型以及故障的征兆信息,建立系统故障类型和故障征兆信息间的关系。研究故障诊断方法,并提出基于BP神经网络的故障诊断方案。（2）通过BP神经网络开展故障诊断分类方法研究,以阿木古龙B站、杨树柴登、甘肃古浪、新疆南疆育苗基地和西藏山南等沙漠监测站点的故障信息为例进行故障诊断分类,故障诊断的准确率为76.79%;为进一步提高故障分类精度,提出了量子蚁群优化算法解决方案。通过引入量子蚁群优化算法对BP神经网络的权值和阈值进行优化,优化后的模型准确率达到了90.94%,极大提高了故障诊断的准确率。量子蚁群优化算法的引入解决了BP神经网络诊断模型陷入局部最优的问题,显着提高了故障精确诊断精度。（3）利用故障诊断模型实现故障类型自动诊断,结合沙漠专用物联网系统维护实际需求,分别从感知处理层、网络通讯层与应用服务层对系统进行设计,研究并实现沙漠物联网故障诊断系统,实现了沙漠物联网系统的故障类型自动诊断与处理。
杨灿[7]（2020）在《基于BP神经网络故障推理模型的智能网络管理系统的研究与实现》文中研究说明随着我国计算机网络的发展和5G时代的来临,国内网络建设突飞猛进、网络设施规模不断增加,业务功能越来越强。传统网络管理方式工作量大、效率低,故而基于三层组织架构的网络管理系统因其易管理、功能强大、可扩展等突出优势成为未来网络管理系统的发展方向。此外,随着新兴技术的出现,网络管理行业进入了全新发展模式,因此具有智能故障诊断功能的网络管理系统也成为实际的需求和行业重点研究内容之一。本文在全面综述的基础上,深入分析了基于人工智能技术在网络诊断中的应用,在此基础上重点研究了以路由接口为对象的BP网络故障诊断模型。论文采用6种物理故障指标、9种运行状态指标,训练获得针对网络接口故障的BP神经网络诊断模型。以此为基础,经需求分析,根据实际应用结合BP神经网络技术设计并实现了智能网络管理系统,系统分为:用户管理、设备监控、配置管理、和故障诊断四个模块,用户管理模块用于管理系统用户;配置管理模块可由用户远程对网络拓扑中的设备进行配置;故障诊断模块作为论文研究的重点,采用BP网络故障诊断模型实现网络故障的分析与诊断;设备监控模块展示网络设备运行参数与运行状态。本文将BP神经网络结合现有网络管理技术,设计并实现了具有智能故障诊断功能的网络管理系统,为以后开发此类系统提供了一定的参考和借鉴。
刘腾发[8]（2020）在《金属带锯床在线监测与故障诊断系统研究》文中指出随着国内金属带锯床需求的不断增加,金属带锯床能否安全平稳运行直接决定了金属加工企业的效益。因此构建金属带锯床实时监测与故障诊断系统是工业生产的迫切需要。本文选取GZK4232单导向柱式金属带锯床作为研究对象,通过传感器监测锯床多项参数,结合智能算法、通信手段等,对金属带锯床在线监测与故障诊断系统进行研究。主要工作如下:分析金属带锯床故障类型:研究了单导向柱式金属带锯床原理,总结现场采集的故障信息,将金属带锯床常见故障分为:锯切异常、锯条断裂或损坏、限位开关不动作、液压系统故障和电机故障五类并分析了产生故障的原因。金属带锯床在线监测与故障诊断系统设计:为了提高金属带锯床的故障诊断效率,构建了金属带锯床在线监测与故障诊断系统,主要分为下位机数据采集模块和上位机监测模块两部分。下位机数据采集模块将采集的转速和温度等数据通过RS485传输至上位机。当上位机接收到超过阈值的数据时,系统发出声光报警提示,并给出故障诊断结果,同时通过TC35模块向工作人员发送故障短信。引入改进粒子群算法优化BP神经网络进行故障诊断:通过故障树和二进制编码的分析方法,对金属带锯床的常见故障进行分类和编码。针对BP神经网络不能保证收敛到全局最小点的缺陷,采用了改进粒子群算法优化BP神经网络故障诊断策略。分别对BP神经网络和改进BP神经网络进行仿真,BP神经网络的故障诊断准确率为84.6%,改进BP神经网络的故障诊断准确率为96.1%。实物系统平台测试:现场测试以GZK4232单导向立柱式金属带锯床为研究对象,通过锯切Q235、45#等不同材质的钢材,测量锯床的转速及工作开始后锯床油温和水温的变化情况。模拟锯床故障,上位机监测模块声光报警并输出故障类型和原因,同时向工作人员发送故障信息。实验结果及分析:经过现场测试,锯床锯切45#钢材转速误差最大为1.8%,锯切Q235钢材转速误差最大为2.1%,油温误差最大为2.6%,水温误差最大为1.4%。系统能够检测锯床锯条断裂、水温过高、液压油温过高等故障,故障诊断正确率93.3%。实现了金属带锯床在线监测与故障诊断功能。在线监测系统和智能故障诊断技术在金属带锯床上的应用,解决了工作人员对于锯床出现故障后难以获取有效数据分析故障原因的困难,同时也提高了解决故障的速度和锯床的自动化程度。
贾善坤[9]（2020）在《电动汽车远程诊断与服务系统的研究》文中认为能源问题和环境污染问题促使电动汽车在人们的生活中逐渐普及,与此同时也带来了更多的安全隐患,电动汽车的安全性和可靠性是电动汽车最重要的性能。目前电动汽车的故障诊断和处理方式还有不足之处,电动汽车售后服务系统还有提升的空间。因此,对智能诊断处理技术进行研究,提高车辆安全性变得十分重要。本文通过研究了电动汽车故障诊断所存在的问题,设计了一套电动汽车远程诊断与服务系统,系统的主要研究内容如下。首先,从电动汽车远程诊断与服务系统的服务对象入手,通过研究分析系统的适用对象,对系统进行功能需求分析,确定系统的需求和设计目标,对系统的架构方案作出了详细安排。然后,研究了电动汽车常见的故障类型,对电动汽车故障类型进行了详细分类。分析了现有的故障诊断技术的缺点,针对传统故障诊断算法的局限性,研究基于人工神经网络的电动汽车智能故障诊断方法。在MATLAB中建立基于概率神经网络的电动汽车故障诊断模型,针对概率神经网络需要寻优的问题,采用改进的粒子群算法优化概率神经网络的平滑因子,仿真结果验证了诊断模型的可行性,提高了故障诊断的准确率。最后,基于B/S架构设计开发了电动汽车远程诊断与服务系统的远程客户端,并对远程客户端进行了功能性验证。
韩延[10]（2020）在《协同卷积神经网络的风电齿轮箱故障诊断方法研究》文中进行了进一步梳理随着我国风电产业的快速发展,高速发展时期安装的大量风电机组开始逐步走出质保期,风电运维工作日益成为行业发展关注的焦点。然而,风电机组分布广泛、地处偏远,传统运维模式运维成本高、运维效率低。目前,为了更加有效监测风电机组健康状态,排布在风电机组的监测传感器越发密集、监测量类别日益丰富,风电监测数据规模呈现井喷式增长,风电运维进入“大数据”时代,为全面掌握风电机组的健康服役状态、提高运维效率、降低运维成本提供有力数据支撑。然而,风电运维大数据包含的监测量类型多、跨度大、数据冗余、价值密度低,导致基于信号处理和传统机器学习的运维方法运算效率低、精度不高,已无法有效挖掘风电运维大数据中的风电机组状态信息。深度学习作为一种极具潜力的大数据智能分析处理方法,通过构建深层模型,可端对端地自适应学习海量数据中的有效特征,挖掘数据中丰富的潜在信息,为风电机组智能运维提供了新的思路。风电齿轮箱作为风电机组关键部件之一,尽管故障频率相对较低,但其每次故障停机维护时间长,严重影响着风力发电的经济效益。卷积神经网络是一种非常具有代表性的深度学习方法,能够从高维数据中自适应地挖掘出风电齿轮箱的判别性故障特征,表征隐藏在数据内部的复杂多变状态信息。然而,风电齿轮箱具有故障特征微弱、多传感器监测和有标签故障样本少等特点,直接利用单一卷积神经网络难以满足风电齿轮箱在不同特点下的故障诊断需要。因此,本文针对风电齿轮箱故障诊断的难题,结合风电齿轮箱不同特点,在研究和拓展卷积神经网络的基础上,充分利用卷积神经网络的特征自适应提取的优势,提出包括视野增强卷积神经网络、动态集成卷积神经网络以及半监督卷积神经网络等故障诊断方法,从不同侧面协同进行风电齿轮箱的故障诊断。论文主要研究工作如下:（1）针对风电齿轮箱因结构复杂、工况多变以及强背景噪声干扰导致故障特征微弱、难以提取的问题,提出了视野增强卷积神经网络的风电齿轮箱故障诊断方法。该方法直接以原始振动数据作为输入,通过在传统卷积神经网络基础上加入一维卷积层和空洞卷积方法增强卷积神经网络的视野范围,使得模型更加容易捕获振动信号中存在长时间依赖关系中的故障信息,增强模型对风电齿轮箱故障特征的提取能力,以提高故障诊断的准确率。（2）针对风电齿轮箱上单个振动传感器采集的监测信号经常难以全面有效地反映其健康状态的问题,提出了动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断方法。该方法将卷积神经网络与集成学习有机结合,考虑不同振动传感器由于安装位置、传递路径以及故障产生位置的影响包含的故障信息不一致的问题,充分地发挥多个子卷积神经网络强大特征学习能力的优势,并动态加权将不同位置的振动传感器所采集的信息进行有效的融合,进一步提高风电齿轮箱故障诊断的准确率和可靠性。（3）针对部分风场难以获取足够多的有标记故障样本,导致卷积神经进行故障诊断容易出现过拟合、分类精度不高的问题,提出了一种半监督卷积神经网络的风电齿轮箱故障诊断方法。该方法在继承传统卷积神经网络强大的自适应地提取故障特征能力的基础上,引入领域自适应方法对有标签样本和无标签样本的分布进行适配,从特征分布空间上综合利用无标签数据中的全局结构分布信息和有标签样本的故障标签信息,促进半监督卷积神经网络提取到更具判别性的故障特征信息,降低传统卷积神经网络对昂贵数据标签的依赖,提升模型的泛化能力。（4）根据不同应用需求,实现了协同卷积神经网络的风电齿轮箱故障诊断方法在课题组前期开发的风电机组传动系统网络化监测诊断系统的集成以及在风电大数据平台的部署,并通过实例应用对系统模块进行验证。文章最后对本文的工作进行了总结,并展望下一步的研究方向。
二、基于神经网络的远程网络故障诊断系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的远程网络故障诊断系统（论文提纲范文）
（1）多缸液压圆锥破碎机智能故障诊断系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外现状及趋势 |
| 1.2.1 多缸液压圆锥破碎机故障诊断研究现状及趋势 |
| 1.2.2 BP神经网络故障诊断研究现状及趋势 |
| 1.3 论文内容安排 |
| 2 多缸液压圆锥破碎机典型故障分析 |
| 2.1 多缸液压圆锥破碎机基本介绍 |
| 2.1.1 基本组成与结构 |
| 2.1.2 工作基本原理 |
| 2.2 破碎机运行不稳定故障率高的原因 |
| 2.2.1 自身结构因素 |
| 2.2.2 恶劣的工作环境 |
| 2.3 典型故障类型分析 |
| 2.3.1 典型故障类型 |
| 2.3.2 故障对相关参数指标的影响 |
| 2.4 本章小结 |
| 3 基于优化逻辑和参数的故障诊断电控系统 |
| 3.1 传感器的选定与电控参数设定 |
| 3.1.1 相关传感器的选定 |
| 3.1.2 电控参数的设定 |
| 3.2 电控系统基本原理 |
| 3.2.1 多缸液压圆锥破碎机启停运行逻辑 |
| 3.2.2 一般破碎机电控 |
| 3.3 电气控制电路设计 |
| 3.3.1 优化电控后的电气原理图 |
| 3.3.2 结合PLC和触摸屏的控制系统 |
| 3.4 本章小结 |
| 4 基于BP神经网络算法的故障诊断系统 |
| 4.1 BP神经网络原理 |
| 4.1.1 人工神经网络 |
| 4.1.2 BP 神经网络算法 |
| 4.2 基于BP神经网络的多缸液压圆锥破碎机故障诊断模型 |
| 4.2.1 BP神经网络与破碎机领域的结合 |
| 4.2.2 BP神经网络故障诊断模型基本流程 |
| 4.2.3 建立故障样本集 |
| 4.2.4 BP神经网络的构建 |
| 4.2.5 BP神经网络的学习 |
| 4.2.6 BP 神经网络精度与网络性能评估 |
| 4.3 本章小结 |
| 5 多缸液压圆锥破碎机诊断模型实例分析 |
| 5.1 故障诊断模型训练样本准备 |
| 5.2 故障训练样本数据预处理 |
| 5.3 故障诊断模型训练与性能测试 |
| 5.4 BP神经网络训练方法的比较选择 |
| 5.5 BP神经网络结构比较选择 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点概述 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
（2）基于信息融合技术的采煤机液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 采煤机液压系统故障诊断研究现状 |
| 1.2.2 采煤机液压系统故障诊断常用技术 |
| 1.2.3 信息融合技术研究现状 |
| 1.3 论文主要内容和结构安排 |
| 第2章 基于测试性理论的采煤机液压系统故障诊断系统设计 |
| 2.1 测试性理论 |
| 2.1.1 测试性基本概念 |
| 2.1.2 测试性设计的主要工作项目 |
| 2.2 采煤机液压系统组成及原理 |
| 2.3 采煤机液压系统故障诊断系统设计 |
| 2.3.1 采煤机液压系统故障诊断方案设计 |
| 2.3.2 采煤机液压系统典型故障模式及检测方式分析 |
| 2.3.3 采煤机液压系统故障诊断系统测试性设计准则 |
| 2.3.4 采煤机液压系统故障诊断的软硬件要求 |
| 2.3.5 采煤机液压系统故障诊断关键技术 |
| 2.4 本章小结 |
| 第3章 基于RBF神经网络的信息融合故障诊断方法 |
| 3.1 RBF神经网络 |
| 3.1.1 神经网络结构 |
| 3.1.2 神经网络的径向基函数 |
| 3.1.3 RBF神经网络参数设置 |
| 3.2 液压系统特征层故障诊断 |
| 3.2.1 问题的本质 |
| 3.2.2 基于神经网络的液压系统故障诊断系统 |
| 3.3 特征层信息融合的故障诊断建模 |
| 3.3.1 数据的预处理 |
| 3.3.2 训练RBF神经网络 |
| 3.3.3 模型评价 |
| 3.4 特征层模型应用 |
| 3.4.1 特征层模型背景 |
| 3.4.2 基于RBF神经网络的信息融合步骤 |
| 3.4.3 特征层案例故障诊断融合结果 |
| 3.5 本章小结 |
| 第4章 基于D-S证据理论的信息融合故障诊断方法 |
| 4.1 经典D-S证据理论 |
| 4.1.1 基本概念 |
| 4.1.2 证据理论经典融合规则 |
| 4.1.3 证据理论基本性质 |
| 4.2 常见决策方法 |
| 4.3 决策层信息融合诊断应用 |
| 4.3.1 决策层问题背景 |
| 4.3.2 基于D-S证据理论的信息融合步骤 |
| 4.3.3 决策层案例故障诊断融合结果 |
| 4.3.4 决策层案例诊断结果分析 |
| 4.4 决策层信息融合的故障诊断模型 |
| 4.5 本章小结 |
| 第5章 采煤机液压泵故障诊断实证研究 |
| 5.1 实证研究背景 |
| 5.2 双联齿轮泵故障诊断参数及故障模式 |
| 5.2.1 齿轮泵故障诊断参数 |
| 5.2.2 齿轮泵故障模式 |
| 5.3 信息融合故障诊断模型 |
| 5.4 数据层信息融合 |
| 5.5 特征层信息融合故障诊断 |
| 5.5.1 RBF神经网络的参数设置 |
| 5.5.2 RBF神经网络训练 |
| 5.5.3 基于RBF神经网络的信息融合模型评价及故障诊断 |
| 5.6 决策层信息融合故障诊断 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本研究的主要工作 |
| 6.2 本研究的未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（3）风电机组故障检测方法研究及远程监控装置设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 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 风电机组故障检测方法国内外研究现状 |
| 1.2.2 风电机组监测装置国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 风电机组故障类型及分析方法 |
| 2.1 风力发电机类型及结构 |
| 2.2 风机叶片故障类型及分析方法 |
| 2.3 风机齿轮箱故障类型及分析方法 |
| 2.4 风机轴承故障类型及分析方法 |
| 2.5 本章小结 |
| 3 风电机组轴承故障特征提取及仿真分析 |
| 3.1 振动信号分析方法 |
| 3.2 基于小波包分解的风机轴承故障特征提取方法 |
| 3.3 基于小波包分解的风机轴承故障特征提取仿真分析 |
| 3.4 本章小结 |
| 4 基于神经网络的风机轴承故障诊断 |
| 4.1 基于BP神经网络的风机轴承故障诊断 |
| 4.1.1 BP神经网络模型 |
| 4.1.2 BP神经网络参数设计 |
| 4.1.3 BP神经网络风机轴承故障诊断仿真分析 |
| 4.2 基于概率神经网络的风机轴承故障诊断 |
| 4.2.1 概率神经网络模型 |
| 4.2.2 概率神经网络参数设计 |
| 4.2.3 概率神经网络风机轴承故障诊断仿真分析 |
| 4.3 BP与PNN神经网络对比 |
| 4.4 本章小结 |
| 5 基于物联网的风机轴承故障监测装置设计 |
| 5.1 系统整体架构 |
| 5.2 ZigBee通信协议设计 |
| 5.3 协调节点设计 |
| 5.3.1 协调节点总体设计 |
| 5.3.2 最小系统电路设计 |
| 5.3.3 网关模块电路设计 |
| 5.3.4 协调节点软件设计 |
| 5.4 振动监测终端节点设计 |
| 5.4.1 振动监测终端节点总体设计 |
| 5.4.2 振动检测电路设计 |
| 5.4.3 振动监测节点软件设计 |
| 5.5 本章小结 |
| 6 风机轴承故障监测装置管理系统设计 |
| 6.1 风机轴承故障监测界面设计 |
| 6.1.1 上位机开发环境及主要功能 |
| 6.1.2 管理员登陆模块设计 |
| 6.1.3 数据监测模块设计 |
| 6.1.4 数据管理模块设计 |
| 6.1.5 故障诊断与停机控制模块设计 |
| 6.2 web服务器设计 |
| 6.3 数据库设计 |
| 6.4 系统测试 |
| 6.4.1 风机振动监测节点测试 |
| 6.4.2 上位机功能测试 |
| 6.5 本章小结 |
| 7 结论 |
| 参考文献 |
| 致谢 |
（4）基于卷积神经网络的局域网故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 数学符号表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容与创新 |
| 1.4 本论文的结构与安排 |
| 第二章 网络故障诊断相关概述 |
| 2.1 局域网的复杂环境网络故障诊断 |
| 2.1.1 网络故障物理侧层级分析 |
| 2.1.2 网络故障业务侧服务分析 |
| 2.2 基于定性经验的网络故障诊断技术 |
| 2.2.1 网络故障专家系统 |
| 2.2.2 图搜索模型 |
| 2.3 基于数据驱动的网络故障诊断技术 |
| 2.3.1 支持向量机 |
| 2.3.2 软件定义网络 |
| 第三章 基于卷积神经网络的网络故障诊断 |
| 3.1 网络故障场景分析 |
| 3.2 故障的卷积神经网络检测实现 |
| 3.2.1 卷积神经网络实现原理 |
| 3.2.2 基于卷积神经网络的网络故障检测设计 |
| 3.2.3 基于卷积神经网络的网络故障检测模型 |
| 3.3 卷积神经网络检测模型优化 |
| 3.3.1 丢弃学习优化 |
| 3.3.2 Adam梯度优化 |
| 3.3.3 数据集均衡化 |
| 第四章 局域网数据捕获与故障数据集构建 |
| 4.1 局域网网络数据采集与分析 |
| 4.1.1 局域网故障问题描述与解决 |
| 4.1.2 局域网数据采集方法分析 |
| 4.1.3 局域网数据分布式被动采集 |
| 4.2 基于LibPcap的数据采集板卡原型设计 |
| 4.2.1 LibPcap组成架构 |
| 4.2.2 LibPcap板卡原型实现 |
| 4.3 基于特征工程的数据集构建 |
| 4.3.1 数据字典化清洗 |
| 4.3.2 数据特征提取 |
| 第五章 实验与结果分析 |
| 5.1 评价指标 |
| 5.2 实验环境 |
| 5.3 基于KDD99 数据集的网络故障诊断实验 |
| 5.3.1 实验数据集分析 |
| 5.3.2 网络故障诊断过程结果与分析 |
| 5.4 基于本地局域网的网络故障诊断实验 |
| 5.4.1 实验环境与数据收集 |
| 5.4.2 本地局域网数据集分析 |
| 5.4.3 本地局域网故障诊断实验结果与分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 数据集特征位表 |
| 个人简历 |
（5）水泥射袋机控制系统的设计（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外水泥射袋机的发展与现状 |
| 1.2.1 国内水泥射袋机的发展与现状 |
| 1.2.2 国外水泥射袋机的发展与现状 |
| 1.3 本文主要工作 |
| 第二章 水泥射袋机控制系统的总体方案设计 |
| 2.1 水泥射袋机机械结构的介绍 |
| 2.1.1 送袋部分装置设计 |
| 2.1.2 回转平台装置设计 |
| 2.1.3 拨袋部分装置设计 |
| 2.1.4 取袋部分装置设计 |
| 2.1.5 射袋部分装置设计 |
| 2.2 水泥射袋机功能需求分析 |
| 2.2.1 水泥射袋机工艺介绍 |
| 2.2.2 水泥射袋机功能需求 |
| 2.3 水泥射袋机系统的控制方案 |
| 2.4 本章小结 |
| 第三章 水泥射袋机控制系统建模与故障分析 |
| 3.1 水泥射袋机控制系统模块化建模 |
| 3.1.1 水泥射袋系统模块的分类 |
| 3.1.2 送袋控制系统建模 |
| 3.1.3 回转平台控制系统建模 |
| 3.1.4 拨袋控制系统建模 |
| 3.1.5 取袋控制系统建模 |
| 3.1.6 射袋控制系统建模 |
| 3.3 水泥射袋机故障分析 |
| 3.3.1 射袋机系统的故障分类 |
| 3.3.2 射袋机系统故障诊断方法 |
| 3.4 基于BP神经网络的水泥射袋机故障诊断 |
| 3.4.1 BP神经网络 |
| 3.4.2 射袋机系统故障诊断仿真 |
| 3.5 本章小节 |
| 第四章 水泥射袋机控制系统硬件设计 |
| 4.1 控制系统硬件选型 |
| 4.1.1 控制器的选型 |
| 4.1.2 触摸屏的选型 |
| 4.1.3 编码器的选型 |
| 4.1.4 接近传感器的选型 |
| 4.1.5 伺服电机的选型 |
| 4.1.6 远程模块的选型 |
| 4.2 控制系统硬件设计 |
| 4.2.1 驱动电路的设计 |
| 4.2.2 信号输入输出电路的设计 |
| 4.3 本章小结 |
| 第五章 水泥射袋机控制系统软件设计 |
| 5.1 软件及编程参数介绍 |
| 5.1.1 组态软件介绍 |
| 5.1.2 系统的组态 |
| 5.1.3 各模块具体编程参数 |
| 5.2 程序编写 |
| 5.2.1 PLC程序块功能介绍 |
| 5.2.2 PLC程序流程编写 |
| 5.2.3 触摸屏程序的编写 |
| 5.2.4 远程模块部分程序的编写 |
| 5.4 本章小结 |
| 第六章 水泥射袋机系统调试 |
| 6.1 对控制系统进行上电检查 |
| 6.2 系统单元调试 |
| 6.2.1 系统各个电机及传感器调试 |
| 6.2.2 PLC与触摸屏之间的通讯调试 |
| 6.2.3 PLC与编码器之间的通讯调试 |
| 6.3 系统联动调试 |
| 6.4 远程模块的调试 |
| 6.5 调试结果分析 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）沙漠物联网环境监测系统故障诊断研究与实现（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 物联网环境监测系统 |
| 1.2.2 故障诊断方法 |
| 1.2.3 基于神经网络的故障诊断方法 |
| 1.2.4 研究现状小结 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文的创新之处 |
| 1.5 章节安排 |
| 2 相关理论与技术 |
| 2.1 神经网络 |
| 2.1.1 人工神经网络 |
| 2.1.2 BP神经网络 |
| 2.2 蚁群算法 |
| 2.2.1 蚁群算法原理 |
| 2.2.2 蚁群算法的基本步骤 |
| 2.3 量子理论 |
| 2.3.1 量子位 |
| 2.3.2 量子门 |
| 2.4 物联网理论与技术 |
| 2.4.1 物联网体系架构 |
| 2.4.2 通信技术 |
| 2.4.3 感知技术 |
| 2.5 本章小结 |
| 3 沙漠物联网环境监测系统故障分析 |
| 3.1 沙漠物联网环境系统介绍 |
| 3.1.1 沙漠物联网环境监测系统 |
| 3.1.2 沙漠生态大数据平台 |
| 3.2 沙漠物联网系统故障分类 |
| 3.2.1 沙漠物联网系统的工作模式 |
| 3.2.2 沙漠物联网系统的故障分类与征兆分析 |
| 3.2.3 系统故障征兆信息与故障类型的关系 |
| 3.3 故障诊断分类方案 |
| 3.4 本章小结 |
| 4 量子蚁群算法优化的BP神经网络故障诊断模型 |
| 4.1 BP故障诊断模型 |
| 4.1.1 BP算法原理 |
| 4.1.2 数据预处理 |
| 4.1.3 BP神经网络故障诊断模型的建立 |
| 4.1.4 实验分析 |
| 4.2 基于QACO-BP的故障诊断模型 |
| 4.2.1 量子理论优化蚁群算法 |
| 4.2.2 QACO-BP神经网络故障诊断模型的建立 |
| 4.2.3 实验分析 |
| 4.3 对比实验验证 |
| 4.4 本章小结 |
| 5 沙漠物联网故障诊断系统的设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 系统总体框架设计 |
| 5.3 系统详细设计 |
| 5.3.1 感知处理层设计 |
| 5.3.2 网络通讯层设计 |
| 5.3.3 应用服务层设计 |
| 5.4 系统实现 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间获得的研究成果 |
（7）基于BP神经网络故障推理模型的智能网络管理系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 神经网络在网络管理中的适用性分析 |
| 1.4 本文主要研究目标 |
| 1.4.1 本文研究目标 |
| 1.4.2 技术路线 |
| 1.5 本文组织结构 |
| 2 相关概念及相关技术 |
| 2.1 网络管理概述 |
| 2.2 SNMP协议 |
| 2.2.1 SNMP管理模型与信息模型 |
| 2.2.2 SNMP通讯模型 |
| 2.2.3 SNMP组织模型 |
| 2.3 Vue |
| 2.4 Echarts |
| 2.5 目前常见的故障诊断方法 |
| 2.5.1 基于专家系统的故障诊断方法 |
| 2.5.2 基于模糊理论的故障诊断方法 |
| 2.5.3 基于免疫算法的故障诊断方法 |
| 2.5.4 基于神经网络的故障诊断方法 |
| 2.5.5 基于故障树的故障诊断方法 |
| 2.6 神经网络理论 |
| 2.6.1 神经网络基本概念 |
| 2.6.2 神经网络的特点 |
| 2.6.3 神经网络分类 |
| 2.7 本章小结 |
| 3 基于BP神经网络故障推理模型 |
| 3.1 BP算法 |
| 3.1.1 前向传播与代价函数 |
| 3.1.2 梯度下降 |
| 3.2 BP神经网络模型训练步骤 |
| 3.3 BP神经网络诊断模型实验设计 |
| 3.3.1 通信网故障概述 |
| 3.3.2 接口故障诊断实验对象 |
| 3.3.3 故障诊断模型特征值 |
| 3.3.4 故障诊断模型训练与参数设置 |
| 3.4 故障诊断模型诊断结果与精度分析 |
| 3.5 本章小结 |
| 4 智能网络管理系统分析与系统设计 |
| 4.1 需求分析 |
| 4.1.1 功能需求 |
| 4.1.2 非功能性需求 |
| 4.2 系统总体架构设计 |
| 4.3 系统主要功能模块设计 |
| 4.3.1 系统功能模块 |
| 4.3.2 用户管理模块设计 |
| 4.3.3 配置管理模块设计 |
| 4.3.4 设备监控模块 |
| 4.3.5 故障诊断模块 |
| 4.4 数据库设计 |
| 4.4.1 系统E-R图 |
| 4.4.2 数据库表结构设计 |
| 4.5 本章小结 |
| 5 智能网络管理系统实现 |
| 5.1 总体开发流程 |
| 5.2 用户管理模块实现 |
| 5.2.1 用户添加和删除 |
| 5.2.2 用户修改 |
| 5.3 配置管理模块实现 |
| 5.3.1 资源添加和删除 |
| 5.3.2 设备配置参数 |
| 5.4 监控模块实现 |
| 5.5 故障模块实现 |
| 5.6 本章小结 |
| 6 系统测试与结果 |
| 6.1 功能测试与性能测试 |
| 6.1.1 功能测试 |
| 6.1.2 性能测试 |
| 6.2 结果分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（8）金属带锯床在线监测与故障诊断系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 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 目前存在的问题和解决方法 |
| 1.4 本课题主要研究内容 |
| 第二章 金属带锯床概述 |
| 2.1 金属带锯床简介 |
| 2.2 金属带锯床工作原理 |
| 2.3 金属带锯床常见故障 |
| 2.4 本章小结 |
| 第三章 金属带锯床在线监测与故障诊断系统设计 |
| 3.1 系统硬件设计 |
| 3.1.1 系统总体设计 |
| 3.1.2 核心控制模块 |
| 3.1.3 无线通信模块 |
| 3.1.4 传感器模块设计 |
| 3.2 系统软件设计 |
| 3.2.1 短信发送程序设计 |
| 3.2.2 温度测量程序设计 |
| 3.2.3 转速测量程序设计 |
| 3.3 上位机监测系统设计 |
| 3.3.1 LabVIEW前面板设计 |
| 3.3.2 LabVIEW串行通信和数据处理模块设计 |
| 3.3.3 LabVIEW与 MATLAB通信模块设计 |
| 3.4 本章小结 |
| 第四章 基于神经网络的金属带锯床智能故障诊断 |
| 4.1 智能故障诊断技术概述 |
| 4.2 神经网络 |
| 4.3 粒子群优化算法 |
| 4.3.1 标准粒子群算法 |
| 4.3.2 粒子群算法优化 |
| 4.4 优化粒子群算法改进BP神经网络 |
| 4.5 仿真分析 |
| 4.5.1 数据处理 |
| 4.5.2 神经网络结构及粒子群算法取值 |
| 4.5.3 金属带锯床故障诊断正确率分析 |
| 4.6 本章小结 |
| 第五章 系统测试运行 |
| 5.1 下位机数据采集 |
| 5.1.1 金属带锯床转速测试 |
| 5.1.2 金属带锯床液压油温测试 |
| 5.1.3 金属带锯床水温测试 |
| 5.2 上位机监测系统 |
| 5.2.1 上位机监测测试 |
| 5.2.2 故障诊断测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（9）电动汽车远程诊断与服务系统的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 电动汽车故障诊断方法 |
| 1.4 课题来源和本文主要研究内容 |
| 第二章 系统需求与架构方案设计 |
| 2.1 系统需求目标分析 |
| 2.1.1 系统服务对象研究 |
| 2.1.2 系统需求分析 |
| 2.1.3 系统设计目标 |
| 2.2 系统架构方案设计 |
| 2.2.1 系统总体架构 |
| 2.2.2 诊断算法方案设计 |
| 2.2.3 客户端架构模式选择 |
| 2.2.4 服务器与数据库选择 |
| 2.3 本章小结 |
| 第三章 电动汽车故障诊断算法研究 |
| 3.1 电动汽车故障分析 |
| 3.1.1 故障发生的原因 |
| 3.1.2 常见故障类型 |
| 3.1.3 基于神经网络的汽车故障诊断 |
| 3.2 概率神经网络简介 |
| 3.3 粒子群算法简介 |
| 3.4 基于PSO-PNN故障诊断算法 |
| 3.4.1 PNN故障诊断模型 |
| 3.4.2 PSO-PNN故障诊断模型 |
| 3.5 基于IPSO-PNN故障诊断算法 |
| 3.5.1 IPSO优化平滑因子 |
| 3.5.2 基于IPSO-PNN模型的故障诊断过程 |
| 3.6 故障诊断仿真与分析 |
| 3.6.1 故障数据采集 |
| 3.6.2 故障诊断仿真结果及分析 |
| 3.6.3 IPSO-PNN电动汽车故障诊断仿真结果 |
| 3.7 本章小结 |
| 第四章 远程服务客户端设计 |
| 4.1 系统开发环境及工具介绍 |
| 4.1.1 Sublime Text网页开发工具简介 |
| 4.1.2 Dreamweaver网页调试工具简介 |
| 4.2 数据中心设计 |
| 4.2.1 数据接收模块 |
| 4.2.2 数据存储模块 |
| 4.2.3 故障诊断模块 |
| 4.3 远程客户端功能模块设计 |
| 4.4 本章小结 |
| 第五章 远程客户端功能实现与分析 |
| 5.1 系统测试环境 |
| 5.2 客户端功能 |
| 5.2.1 用户注册和登录功能 |
| 5.2.2 车辆管理功能 |
| 5.2.3 个人中心 |
| 5.2.4 车辆监控功能 |
| 5.2.5 诊断功能与统计分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）协同卷积神经网络的风电齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状与分析 |
| 1.3.1 风电齿轮箱故障诊断方法研究现状 |
| 1.3.2 深度学习故障诊断方法研究现状 |
| 1.3.3 深度学习融合多传感器故障诊断方法研究现状 |
| 1.3.4 少标签样本条件下深度学习故障诊断方法研究现状 |
| 1.4 基于卷积神经网络的风电齿轮箱故障诊断存在的关键难题 |
| 1.5 本文研究内容及结构安排 |
| 2 视野增强卷积神经网络的风电齿轮箱故障诊断 |
| 2.1 引言 |
| 2.2 风电齿轮箱故障信号特点分析 |
| 2.3 卷积神经网络基本原理 |
| 2.4 视野增强卷积神经网络的风电齿轮箱故障诊断方法 |
| 2.4.1 一维卷积层 |
| 2.4.2 多尺度空洞卷积层 |
| 2.4.3 RFECNN整体框架 |
| 2.4.4 基于RFECNN模型的风电齿轮箱故障诊断流程 |
| 2.5 实验验证与实例分析 |
| 2.5.1 台架实验数据验证 |
| 2.5.2 风电齿轮箱故障诊断实例分析 |
| 2.6 本章小结 |
| 3 动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断 |
| 3.1 引言 |
| 3.2 集成学习 |
| 3.3 动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断方法 |
| 3.3.1 DECNN融合多传感器故障诊断模型整体框架 |
| 3.3.2 动态集成原理 |
| 3.3.3 基于DECNN模型融合多传感器的风电齿轮箱故障诊断流程 |
| 3.4 实验验证与实例分析 |
| 3.4.1 台架实验数据验证 |
| 3.4.2 风电齿轮箱故障诊断实例分析 |
| 3.5 本章小结 |
| 4 少标签样本下半监督卷积神经网络的风电齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 半监督学习 |
| 4.3 少标签样本下半监督卷积神经网络的故障诊断方法 |
| 4.3.1 小波包分解 |
| 4.3.2 领域自适应 |
| 4.3.3 SSCNN整体框架 |
| 4.3.4 基于SSCNN模型的故障诊断流程 |
| 4.4 实验验证与实例分析 |
| 4.4.1 台架实验数据验证 |
| 4.4.2 风电齿轮箱故障诊断实例分析 |
| 4.5 本章小结 |
| 5 协同卷积神经网络的风电齿轮箱故障诊断模型集成与应用 |
| 5.1 引言 |
| 5.2 协同卷积神经网络模型在风电机组传动系统网络化监测诊断系统的集成与应用 |
| 5.2.1 风电机组传动系统网络化监测诊断系统整体架构 |
| 5.2.2 协同卷积神经网络的风电齿轮箱故障诊断模块设计与应用 |
| 5.3 协同卷积神经网络模型在风电大数据平台集成与应用 |
| 5.3.1 风电大数据平台整体架构 |
| 5.3.2 数据库设计 |
| 5.3.3 协同卷积神经网络故障诊断模型在大数据平台的部署与应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.1.1 全文总结 |
| 6.1.2 论文创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读博士学位期间发表的论文目录 |
| B.作者在攻读博士学位期间参加的科研项目 |
| C.学位论文数据集 |
| 致谢 |
四、基于神经网络的远程网络故障诊断系统（论文参考文献）
- [1]多缸液压圆锥破碎机智能故障诊断系统研究[D]. 张岚清. 中北大学, 2021(09)
- [2]基于信息融合技术的采煤机液压系统故障诊断研究[D]. 杨晋玲. 中北大学, 2021(09)
- [3]风电机组故障检测方法研究及远程监控装置设计[D]. 张明. 辽宁工业大学, 2021(02)
- [4]基于卷积神经网络的局域网故障诊断技术研究[D]. 周云风. 电子科技大学, 2021(01)
- [5]水泥射袋机控制系统的设计[D]. 聂明明. 合肥工业大学, 2021(02)
- [6]沙漠物联网环境监测系统故障诊断研究与实现[D]. 张建永. 山东农业大学, 2020(01)
- [7]基于BP神经网络故障推理模型的智能网络管理系统的研究与实现[D]. 杨灿. 北京林业大学, 2020(03)
- [8]金属带锯床在线监测与故障诊断系统研究[D]. 刘腾发. 河北大学, 2020(08)
- [9]电动汽车远程诊断与服务系统的研究[D]. 贾善坤. 合肥工业大学, 2020(02)
- [10]协同卷积神经网络的风电齿轮箱故障诊断方法研究[D]. 韩延. 重庆大学, 2020