一、神经网络和证据理论集成的数据融合故障诊断方法研究（论文文献综述）
杨晋玲[1]（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。
鲁继瑶[2]（2021）在《基于信息融合的齿轮箱磨损故障诊断》文中研究说明齿轮箱作为机械设备的重要传动部件,其运行状态直接影响整体机械设备的稳定运行,由于其大多工作在高速度、重载荷、强冲击的恶劣工况下,因此齿轮箱故障频次较高。因磨损而产生的齿轮箱故障和失效是引发设备严重事故的主要原因之一。目前齿轮箱故障诊断通常采用振动监测、声信号监测和油液监测等方法。其中,振动监测与声信号监测易受噪声影响,不适用于恶劣环境及噪声频繁的工况。油液监测抗干扰能力强,适用于各类复杂工况。本文以装甲车辆齿轮箱故障诊断为研究对象,针对基于油液信息的齿轮箱磨损故障诊断算法展开研究,并针对单一故障诊断模型诊断精度低、稳定性较差,提出一种基于信息融合的齿轮箱磨损故障诊断方法。论文的研究内容如下:（1）研究齿轮箱磨损故障机理,分类齿轮箱的磨损失效形式和常见故障类型,对齿轮箱故障诊断技术展开研究,对比振动监测、声信号监测和油液监测方法的适用情况和优缺点。（2）基于齿轮箱的油液监测信息,分别建立BP神经网络（Back Propagation Neural Network,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）三种特征级故障诊断模型。其中,针对传统BP神经网络识别准确率较低、收敛速度慢等缺点,提出采用增加动量项和自适应学习率的改进方法。对三种齿轮箱故障诊断分类模型的诊断结果进行对比分析。（3）建立三个特征级齿轮箱故障诊断模型,将单一故障诊断模型的输出结果作为证据体,通过模型的误差函数或识别错误率分别赋予各证据体基本概率分配函数,并基于D-S证据理论对各组证据进行融合,得出最终的诊断结果。鉴于经典D-S证据理论无法处理高度冲突证据的合成,提出基于证据距离加权的改进方法。最后,对齿轮箱信息融合系统进行抗干扰性验证。仿真实验结果表明,基于改进D-S证据理论融合的齿轮箱故障诊断方法可以有效提高齿轮箱磨损故障类型的识别准确率,并增强网络的抗干扰能力,能够较好的满足实际工程需要。
李贵珍[3]（2021）在《自取力供电系统建模仿真与故障诊断方法的研究》文中提出国产自取力供电系统是军队配备至连级的一种野外作训保障设备,确保该系统安全可靠的运行是设备管理的重中之重。此系统具有非线性、强耦合等复杂特性,且长期工作于较恶劣环境下,其部分元件出现不同程度的故障无法避免,若不及时采取有效措施,轻者会因武器装备系统得不到正常供电影响作训,重者甚至会危害人员生命安全。由于目前自取力供电系统投入使用不久,可用的故障数据相对匮乏,因此,借助于虚拟仿真技术构建自取力供电系统的仿真平台,无论为后续故障诊断方法的研究,还是未来数字孪生系统的开发,都可提供有益的技术积累。基于此,本文以我国自主研发的某型号自取力供电系统为研究对象,围绕系统仿真平台的构建和智能故障诊断方法,主要开展了以下研究工作:1)建立了自取力供电系统的数学模型。本文首先从分析自取力供电系统的工作原理及结构组成入手,将其划分为异步发电机、发电机控制模块和逆变模块等核心模块;接着,结合各模块的运行机理及其控制策略,以模块化方式建立了自取力供电系统的数学模型,为仿真平台的建立奠定了理论基础。2)构建了自取力供电系统的仿真平台。文中借助于Matlab/Simulink仿真软件,首先完成了各模块数学模型的仿真实现,并结合外围元器件将各个仿真模块封装连接,构建了自取力供电系统的仿真平台。接着,对照自取力供电实体系统的测试大纲和试车数据,定量分析了驻车和行车状态下仿真系统与实体系统的运行数据误差,验证了所建仿真平台的可靠性,为智能故障诊断方法的研究提供了数据获取平台。3)基于K折优化投票集成学习的故障诊断方法研究。考虑自取力供电系统工况多变,单一模型难以准确识别其故障,基于集成学习理论,文中提出了一种基于K折优化投票集成学习的故障诊断方法。该方法结合优选后的故障特征数据,先采用K折交叉验证法对逻辑回归（Logistic Regression,LR）、线性判别分析（Linear Discriminant Analysis,LDA）、K最近邻（k-Nearest Neighbor,KNN）、决策树（Classification And Regression Tree,CART）、支持向量机（Support Vector Machines,SVM）等5种初级学习器进行训练,并兼顾诊断准确率和拟合度,分别以K折选优和K折加权集成等策略进一步优化初级学习器,最后进行投票集成。经对自取力供电系统几类常见故障诊断验证,结果表明所提方法较单一诊断模型及K折集成算法,均有更高的故障诊断准确率。4)基于改进D-S证据理论的故障诊断方法研究。为进一步有效融合异构学习器的诊断结果,考虑到决策融合时不同初级学习器故障诊断结果的不均衡问题,文中提出了一种改进D-S证据理论的故障诊断方法。该方法基于3)K折加权优化后的LR、LDA、KNN、CART、SVM等5种初级学习器,结合各学习器对不同状态优化集中的故障诊断准确率和验证集的诊断类别,构建识别框架的基本概率分配值,并采用权重系数对基本概率分配值进行修正,有效减弱了融合证据的不均衡问题,仿真结果表明所提方法较经典D-S证据法及K折优化投票集成法,故障诊断的准确率有了进一步的提高。
王智[4]（2020）在《基于数据的雷达伺服系统故障诊断研究》文中提出雷达伺服系统作为雷达系统的重要子系统,其性能的好坏直接影响了雷达系统运行精度的高低。雷达伺服系统在运行的过程中会出现各种类型的故障,快速准确的进行雷达伺服系统的故障诊断是保障其稳定运行的基础。现阶段的雷达伺服系统故障诊断通常由人工或传统的机理模型完成,故障诊断的效率及精确性难以得到保证。雷达伺服系统的历史故障数据中存在着故障的产生规律,基于数据进行故障诊断研究有助于提升故障诊断的效率和精确性,具有很高的理论意义和应用价值。本课题是与南京某研究所合作的项目,以该所某型雷达伺服系统为研究对象进行相关的故障诊断研究。对此,本文的主要工作如下:首先,给出了雷达伺服故障诊断系统的总体设计方案,完成了该故障诊断系统的总体架构设计和各个功能模块设计,选取了适用于该方案的开发工具与编程语言。其次,基于雷达伺服系统的开关量历史故障数据,建立了开关量故障诊断模型。在建立开关量故障诊断模型之前,采用了多信号流图模型和改进的遗传算法对测试点的选取进行了优化,使得在保障测试性指标的同时,尽可能的减少测试代价。在完成测试点优化之后,本文选取了贝叶斯网络模型作为开关量故障诊断模型。同时,为了解决贝叶斯网络模型结构学习困难、精度存在瓶颈等问题,提出了一种基于K2算法、MHS算法和MMHC算法的结构融合学习方法。然后,根据雷达伺服系统的模拟量历史故障数据,设计了模拟量故障诊断模型。在建立模拟量故障诊断模型之前,通过孤立森林模型去除样本中的异常值,通过针对性的特征工程给数据加入时序特性,采用SMOTE算法解决样本不平衡问题,保证了模拟量故障数据的准确性,使得数据对故障的描述更加完备。为解决传统模拟量故障诊断中单学习器诊断准确率存在瓶颈的问题,提出了一种基于Stacking集成方法的故障诊断模型。接着,考虑到开关量故障数据和模拟量故障数据对雷达伺服系统的故障描述不尽相同,单纯地根据开关量故障数据或模拟量故障数据进行故障诊断存在一定的局限性。因此,本文最终提出了一种信息融合故障诊断模型,该模型根据D-S证据理论对开关量故障诊断的输出结果和模拟量故障诊断的输出结果进行融合。实验结果表明,该方法优化了雷达伺服系统故障诊断的结果,大幅提升了故障诊断的准确率,具有较高的实用价值。最后,基于本文设计的雷达伺服系统故障诊断模型,完成了雷达伺服系统故障诊断软件的开发。通过对实际需求的分析,给出了雷达伺服系统故障诊断软件的总体设计和各个功能模块的设计。同时,结合实例说明了该软件的运行过程,体现了软件的智能化和人性化。
杨海坤[5]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中进行了进一步梳理对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
孙文卿[6]（2020）在《基于多源信息融合的风电滚动轴承故障诊断研究》文中研究表明风电作为一种储能丰富、低碳无污染的绿色能源,是解决生态环境问题和能源短缺的重要选择。近年来,我国风电累计装机容量和新增装机容量均位列全球第一,装机规模和单机容量也在不断的提高。随着风电事业的迅猛发展,机组部件的故障率也受到越来越多的关注。对机组进行实时有效的评估,避免重大事故的发生,是风电领域研究的热点。风电滚动轴承是风电传动系统的关键部件,在运行中承受着很强的时变载荷和冲击载荷,经常出现故障导致机组停运。大数据时代下,将统计学习模型与风电领域海量运行数据相结合,运用多源信息融合的方法,能够全面地把握风电关键部件的健康状态、减少故障诊断过程中对专业知识的依赖。基于此,本文提出了基于多源信息融合的风电滚动轴承故障诊断方法。主要内容如下:（1）介绍了风电传动链模拟试验台的组成部件及相应的信号采集系统,分析了振动信号和声发射信号（Acoustic Emission,AE）的故障敏感程度。（2）提出了滚动轴承多视角特征提取方法。针对传统方法的特征集维度低、单视角特征无法全面把握轴承状态的问题,将Tsfresh和信号处理技术相结合,从时域、频域和时频域的角度,考察信号的原始波形、频谱、包络谱、经验模态分解（Empirical Mode Decomposition,EMD）分量以及连续小波变换（Continuous wavelet transform,CWT）二维系数矩阵,构造了高维的特征集。实验证明了振动与声发射信号特征的互补性以及振动信号多视角特征的有效性。（3）基于机器学习模型,提出了特征融合的方法。针对轴承振动信号高维特征集中无效特征和冗余特征的问题,将随机森林模型和自编码模型相结合对高维特征进行筛选和降维。首先,利用随机森林模型计算出每一个特征的重要度并将特征排序,选择合适数量的重要特征并剔除与故障诊断关联较小的特征;然后将选择出的特征送入到自编码器中进行非线性映射实现降维,进一步减少特征中的冗余;最后将形成的冗余小的低维特征集作为分类模型的输入进行诊断。实验中利用凯斯西储大学的轴承振动信号数据来构造高维特征集并进行特征融合,进而对9种不同的轴承故障状态进行分类识别,结果表明,与PCA、KPCA和LLE等常见的融合模型相比,该方法具有最佳的分类准确率。（4）针对齿轮箱中滚动轴承与其他部件的复合故障现象,提出了基于第6类比例冲突分配规则（Proportional conflict redistribution No.6,PCR6）的多模型融合的故障诊断方法。为保证子模型差异性,选择支持向量机、逻辑斯蒂回归、梯度提升树和深度信念网络等4种子模型进行初步诊断,并输出每个样本的分类概率;然后将子模型分类概率进行匹配和折扣后送入到PCR6中进行最后的决策融合。实验结果证明,该方法取得了比常见投票表决法和Stacking方法更加可靠和稳定的诊断结果。
陈莉芬[7]（2020）在《面向多源特征的模式识别算法及应用研究》文中研究说明当针对电力系统中相关设备或者波形等开展研究时,单一信息源的特征不足以对其进行全面刻画能力。近年来,随着大数据、物联网和云计算时代的到来,电网数据量不断庞大,特征种类日益增多,为设备状态诊断等各种模式的辨识提供了多源化的信息支撑。但这些特征来源增多、分布差异大、信息之间关系复杂,仅凭传统的单核分类器难以保证分类效果。因此,有必要研究如何有效分析和处理高维特征及保持分类器的辨识稳定性。为提高面向多源特征模式识别算法的精度和性能,本文分别在特征提取、模式分类、决策环节引入融合算法,进而构建面向多源特征模式识别算法的框架,以满足不同场景的应用需求。为实现提取环节的融合,考虑到成对特征联合作用对特征与类别相关度的影响以及度量尺度规范化问题,本文对最大相关最小冗余准则进行改进,提出了基于联合交互-冗余的最大相关最小冗余准则的特征选择算法。在完成模式分类环节融合时,考虑到不同来源特征获取途径不一,选用支持向量机作为分类器来克服某些来源样本量较少的问题。同时由于不同核函数或同一核函数不同参数的学习性能差异较大,因此通过组合多个核函数把多源特征映射至不同高维空间,并且由于此时多源特征样本空间不固定,提出了集成半径信息的多核SVM算法,将半径信息引入多核SVM模型,从而联合间隔来选取核函数权重。通过分析决策环节融合算法,发现其无法解决某一来源数据量较少时最终辨识精度降低的问题,因此采用集成分类器结构来构建各源特征对应的神经网络,并且为使小样本特征集对应神经网络更好地学习和表达其典型特征,先后利用多源特征样本和小样本特征集开展初步训练和二次训练,对初步训练得到的基神经网络进行权重系数修正,促进敏感性神经元动作和抑制不敏感性神经元动作。电能质量扰动辨识对电能质量扰动的分析及抑制措施的选取具有重要意义。以往大多研究是利用单一特征提取手段得到的特征来辨识各种单一电能质量扰动,但是现场往往是多种电能质量扰动同时发生,此时特征空间更为复杂、其边界也更为模糊,并且通过分析各种特征提取手段所得扰动特性曲线的特点,说明混合电能质量扰动辨识有必要引入不同特征提取手段提取的多源特征。接着将本文所提出的三种方法应用于混合电能质量扰动辨识。通过仿真数据的分析,验证了引入多源特征对混合电能质量扰动辨识的有效性以及本文所提出的三种方法应用在基于多源特征模式识别的混合电能质量扰动辨识方面的有效性。电力变压器是电力系统的关键环节,能否尽快发现变压器的各种潜伏性故障保证变压器的正常运行直接关系到电力系统的供电稳定性。电力变压器结构复杂,运行环境存在较多不确定性,其故障征兆与故障发生机理间关系多样、模糊,仅凭单一的信息来进行变压器故障诊断具有较大的局限性,并且通过分析变压器各种特征的特点,进一步说明综合引入油气特征和电气特征的必要性。接着将本文所提出的三种方法应用于变压器故障诊断。通过现场数据应用分析表明,同时引入油气和电气特征有助于提高变压器故障诊断的准确性,以及本文所提出三种方法应用在基于上述特征进行变压器故障诊断具有较高的精度。仿真数据和实例分析都验证了本文所提出三种方法的有效性。通过对基于联合交互-冗余的最大相关最小冗余准则的特征选择结果进行评估,说明该方法能够从众多特征中筛选出关键的特征子集,在较少特征的情况下保证辨识的精度;通过对集成半径信息的多核SVM辨识结果的分析,说明该方法能够有效地组合不同来源的信息,辨识精度高,鲁棒性较好;通过对多样本量通用的集成分类器算法辨识结果的分析,说明其他来源的信息能够为小样本特征集提供补充信息,并提高最终的辨识精度。
艾乐唯[8]（2020）在《基于信息融合的船舶制冷系统故障诊断研究》文中指出作为能耗大户,船舶的节能环保研究直接关系到绿色船舶的发展。船舶制冷系统运行工况的不稳定及故障的时有发生,不仅会恶化舱室内空气的质量,损害冷藏柜内食物的保鲜,降低了船员生活的舒适性,还会浪费大量能源,缩短设备的使用年限,降低了此次航运的经济性。这显然不利于绿色船舶的发展,亟需一种切实有效的制冷系统故障诊断方法。随着大数据和人工智能的发展,相关研究学者多采用数据驱动的方法进行故障诊断研究,并取得了大量成果。然而大多数研究方法的信息来源单一,仅依据单一诊断模型对故障进行识别,具有片面性。借鉴于相关学者的研究经验,本文侧重于综合多个诊断模型进行制冷系统故障诊断研究,提出了一种基于信息融合的故障诊断研究方法。本文主要进行了以下几点工作:（1）研究了船舶制冷系统的运行原理,对制冷系统的理想循环和实际循环进行了热力学分析,对船舶制冷系统进行了故障分析,为后文的故障诊断奠定理论基础。（2）对信息融合技术进行了大量研究,确定了以信息融合层级理论中特征级融合和决策级融合为主体的系统框架。在特征级融合上,建立了多个局部诊断模型对同一信息进行分析,并把分析结果当成证据输入决策级融合;在决策级融合上,基于DS合成规则对各局部模型的输出证据进行融合,从而做出最后的决策。（3）基于实验样本,分别建立了 BP神经网络、支持向量机和概率神经网络三种分类模型,分析了各诊断模型的建模原理、识别机制,并对各模型进行初步的比较分析:之后利用遗传算法对三种模型进行参数优化,分析了各模型的优化原理,并对优化后的模型进行比较分析。（4）以优化后各模型为基础,将各模型输出结果作为证据体,并利用模型的误差函数或识别错误率赋予证据体概率分配函数,基于传统的DS证据合成规则对各组证据进行信息融合。（5）传统DS证据合成规则对证据高度冲突问题束手无策,本文提出基于证据距离的决策级加权融合方法,通过赋予各组证据体不同的影响·权重,对各组证据体有差别信任,从而进行更有效地融合决策。论文中所有建模过程均由MATLAB编程实现。经仿真测试,验证了本文方法的独特优势;整个诊断系统具有强大的容错能力和扩展性能,可以更准确有效地判断出故障类型,有利于船舶的节能环保和航运经济性,具有一定的工程实践意义。
张欢[9]（2020）在《基于多源信息融合的轴承复合故障诊断技术研究》文中研究表明随着大数据、互联网、传感器以及人工智能技术的快速发展与日益广泛的应用,传统机械制造业引入人工智能技术是实现行业转型的必然趋势。轴承作为最为常见的机械零部件之一,在机械设备中承载着重要的作用。且随着传感器技术、数据处理技术与智能诊断技术的日新月异,轴承健康状况的智能诊断技术成为了学术研究热点。而实际生产中,某一不影响正常生产或未达到更换标准的初期故障可能继而促使轴承复合故障（Compound fault）的形成,且设备复杂的运行环境也常常导致复合故障发生的状况。因此,对轴承复合故障的检测和诊断存在着较大的困难,正因这些难题使得轴承复合故障检测和诊断技术的研究成为国内外研究的热点。另外随着采集数据量的增加,以数据驱动的方式挖掘有用信息成为可能,智能获取目标数据特征的方法也有了长足的发展。如何充分利用多源信息进行故障特征的智能挖掘和信息融合是本文的研究重点。主要研究工作有以下三点。首先提出了一种面向冲突改进的D-S（Dempster-Shafer）证据理论算法,该算法在针对传统D-S证据理论的缺陷问题上使用皮尔逊相关性系数（Pearson Correlation Coefficient,PCC）和0元素修正进行改进。改进后的方法在很大程度上考虑各个证据体在整体识别框架中的重要程度,使得融合后的结果在排除误差较大的证据体后能够保证融合后目标的一致性,从而提升了融合准确性和克服冲突的能力。随后在改进的D-S证据理论的基础上,结合轴承复合故障数据继续对D-S证据理论的实际应用进行改进。在特征自提取上使用SAE（Sparse Auto-encoder,SAE）,自动提取来自各个传感器各类别的故障特征,得到所有故障类型的压缩特征用于分类模型的训练,实验验证了该方法在轴承单一故障检测（Single Fault Detection,SFD）的结果上表现出较高的识别精度。接着在单一故障检测研究的基础上,通过对所有实验标签进行重新计算,对融合后的样本单一检测相加的结果作为复合故障类型,与真实的样本标签进行准确率计算。结果展示了从单一故障检测到复合故障诊断研究的意义和准确性,也证明了改进的融合方法的适用性。最后本文考虑复合故障诊断过程以及特征提取方法和融合方法的简化,以减少复杂的人工改进和计算,做到特征提取和融合的自动化。摒弃所有的复杂计算和融合手段,由繁到简的思路设计了两级卷积神经网络（Convolutional Neural Networks,CNN）的轴承复合故障诊断的方法,通过多组实验分析和比较,在轴承复合故障诊断的识别上具有较高的识别效果,由此证明了两级CNN融合的有效性和优势。综上研究内容与实验验证,多源信息融合技术可以在复杂的轴承复合故障诊断问题上综合不同来源信息的优势,实现诊断目标与实际情况的尽可能一致,提升轴承复合故障诊断的精度。另外,前沿的算法技术在轴承复合故障特征自动提取和诊断精度的提升上具有重要的作用。因此,特征自提取和多源信息融合的结合研究在应对轴承复合故障诊断上存在很大的研究潜力和价值。
朱兴统[10]（2020）在《旋转机械智能故障诊断方法的研究》文中指出随着现代工业科技的发展与进步,旋转机械在企业生产中发挥着越来越重要的作用。同时,旋转机械越来越趋于大型化、自动化和智能化,机械结构也越趋于复杂化。虽然旋转机械的这些新发展有助于提高生产效率、降低了生产成本,但是对保障旋转机械的可靠运行和故障维修提出了更高的要求,增加了难度。如何及时、准确地诊断出旋转机械故障成为重要的研究问题。旋转机械的故障诊断在企业生产系统中有广阔的应用前景。旋转机械振动机理复杂,所产生的振动信号具有非线性和非平稳性,故障的特征信号存在着大量的强噪声,造成难以有效提取故障特征,以至影响故障的准确诊断。在旋转机械故障诊断中,故障特征提取和模式识别是关键环节。现代信号处理技术和人工智能技术的迅猛发展,为旋转机械故障诊断提供新的技术途径。本文以现代信号处理技术和人工智能技术为工具,以旋转机械的重要部件轴承和齿轮为具体研究对象,围绕旋转机械的故障特征提取和模式识别展开研究。本文的主要内容如下:1.旋转机械产生的振动信号是非平稳和不规则的,难以直接通过振动信号波形分析进行故障诊断,研究基于信号模态分解的故障诊断方法。首先对振动信号进行模态分解,接着对得到的各个本征模态函数分量提取故障特征,构造成特征向量集;然后进行特征降维处理;最后利用朴素贝叶斯分类器进行故障识别。采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好。2.针对支持向量机的参数值设置不合理影响诊断精度问题,研究基于优化参数的支持向量机的故障诊断方法。首先研究两种方法优化支持向量机参数:（1）利用量子遗传算法优化支持向量机的参数,（2）改进量子粒子群优化算法优化支持向量机的参数;然后将训练数据集训练优化的支持向量机;最后将测试数据集输入到支持向量机模型中进行故障识别。实验结果表明,该方法具有较高的故障诊断准确率。3.针对相关向量机的参数设置问题,研究基于蝙蝠算法（BA）优化相关向量机（RVM）的故障诊断方法。首先利用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量机模型;最后使用训练后的相关向量机进行故障识别。进行仿真实验,将BA-RVM故障诊断方法与SVM方法、RVM方法进行比较。实验结果表明,BA-RVM故障诊断方法的准确率高于SVM方法、RVM方法。4.针对旋转机械故障的征兆复杂,以及从旋转机械测量获得的振动信号受不确定因素影响,进而影响诊断结果的准确率,研究基于改进证据理论的信息融合故障诊断方法。研究两种改进的证据合成方法:（1）基于Tanimoto相似性测度和信息熵的证据合成方法,（2）基于静态折扣因子和权重系数的证据合成方法。将两种改进的证据合成方法应用于旋转机械故障诊断。首先从采集到机械振动信号提取故障特征,构成特征向量集;然后分别利用支持向量机、K最近邻算法得到基本概率分配值;最后利用改进的证据合成方法进行融合,从而形成最终的诊断结果。
二、神经网络和证据理论集成的数据融合故障诊断方法研究（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、神经网络和证据理论集成的数据融合故障诊断方法研究（论文提纲范文）
（1）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 |
（2）基于信息融合的齿轮箱磨损故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 齿轮箱故障诊断技术 |
| 1.2.1 故障诊断技术研究概述 |
| 1.2.2 齿轮箱故障诊断国内外研究现状 |
| 1.3 信息融合技术 |
| 1.3.1 信息融合的定义及原理 |
| 1.3.2 信息融合的级别 |
| 1.3.3 信息融合技术的国内外研究现状 |
| 1.4 论文安排和主要内容 |
| 2 齿轮箱磨损故障机理和油液数据采集 |
| 2.1 齿轮箱磨损故障机理 |
| 2.1.1 磨损的定义 |
| 2.1.2 齿轮箱磨损过程分析 |
| 2.1.3 齿轮箱磨损失效分类 |
| 2.1.4 齿轮箱主要故障模式 |
| 2.2 齿轮箱油液数据采集及分析 |
| 2.2.1 集成油液传感器概述 |
| 2.2.2 常用油液性能指标分析 |
| 2.3 本章小结 |
| 3 齿轮箱特征级故障诊断算法研究 |
| 3.1 基于改进BP神经网络的齿轮箱故障诊断方法 |
| 3.1.1 BP神经网络的基本原理 |
| 3.1.2 基于BP神经网络的齿轮箱故障诊断 |
| 3.1.3 BP神经网络算法的改进 |
| 3.1.4 基于改进BP神经网络的齿轮箱故障诊断 |
| 3.1.5 改进前后的BP神经网络齿轮箱故障诊断比较分析 |
| 3.2 基于支持向量机的齿轮箱故障诊断方法 |
| 3.2.1 SVM的基本原理 |
| 3.2.2 核函数原理 |
| 3.2.3 基于支持向量机的齿轮箱故障诊断 |
| 3.3 基于极限学习机的齿轮箱故障诊断方法 |
| 3.3.1 极限学习机的基本原理 |
| 3.3.2 基于极限学习机的齿轮箱故障诊断 |
| 3.4 齿轮箱单一故障诊断模型对比分析 |
| 3.5 本章小结 |
| 4 基于改进D-S证据理论的齿轮箱故障诊断决策融合 |
| 4.1 经典D-S证据理论 |
| 4.1.1 基本概念 |
| 4.1.2 合成规则 |
| 4.1.3 决策准则 |
| 4.1.4 经典D-S证据理论的缺陷 |
| 4.2 基本概率分配函数 |
| 4.2.1 BP神经网络的基本概率赋值转换 |
| 4.2.2 SVM的基本概率赋值转换 |
| 4.2.3 ELM的基本概率赋值转换 |
| 4.3 改进的D-S证据理论 |
| 4.4 基于决策级信息融合的齿轮箱磨损故障诊断 |
| 4.5 基于信息融合齿轮箱故障诊断算法的抗干扰性分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）自取力供电系统建模仿真与故障诊断方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 自取力供电系统建模仿真研究概述 |
| 1.3 基于数据驱动的故障诊断研究概述 |
| 1.4 基于D-S证据理论的故障诊断研究概述 |
| 1.5 论文体系结构及章节内容安排 |
| 第2章 自取力供电系统的工作机理及数学建模 |
| 2.1 引言 |
| 2.2 自取力供电系统的总体构架 |
| 2.2.1 组成结构 |
| 2.2.2 工作原理 |
| 2.3 笼型异步发电机模块的数学建模 |
| 2.3.1 三相静止坐标系下的数学模型 |
| 2.3.2 两相静止坐标系下的数学模型 |
| 2.4 发电机控制模块建模 |
| 2.4.1 转子磁场矢量控制原理 |
| 2.4.2 转子磁链观测器模型 |
| 2.4.3 电流滞环PWM控制 |
| 2.5 三相四线制逆变模块的数学建模 |
| 2.5.1 三相四线制逆变器的数学模型 |
| 2.5.2 三相四桥臂逆变器的控制策略 |
| 2.6 本章小结 |
| 第3章 自取力供电系统的仿真建模及模型验证 |
| 3.1 引言 |
| 3.2 系统子模块的仿真 |
| 3.2.1 笼型异步发电机仿真模型 |
| 3.2.2 转子磁链观测器仿真模型 |
| 3.2.3 逆变器仿真模型 |
| 3.2.4 逆变器控制策略仿真模型 |
| 3.3 系统元件的参数选取 |
| 3.3.1 直流母线电容的选取 |
| 3.3.2 逆变器输出滤波器选取 |
| 3.4 自取力供电系统仿真建模 |
| 3.4.1 异步电机发电系统的仿真建模 |
| 3.4.2 三相四线制逆变器的仿真建模 |
| 3.4.3 自取力供电系统的仿真建模 |
| 3.5 仿真系统正确性与可用性实验分析 |
| 3.5.1 系统关键参数 |
| 3.5.2 自取力供电系统实体测试大纲 |
| 线性负载实验与实体实验性能指标对比分析 |
| 3.6 本章小结 |
| 第4章 基于K折优化投票集成学习的故障诊断方法 |
| 4.1 引言 |
| 4.2 故障描述 |
| 4.2.1 定子绕组匝路短路故障 |
| 4.2.2 转子断条故障 |
| 4.2.3 逆变器开路故障 |
| 4.3 自取力供电系统采集数据分析 |
| 4.3.1 数据预处理 |
| 4.3.2 特征重要性分析 |
| 4.4 基于K折优化投票集成学习的故障诊断方法研究 |
| 4.4.1 基于K折优化集成学习故障诊断算法思想 |
| 4.4.2 K折交叉验证优化策略 |
| 4.4.3 K折交叉验证集成方法 |
| 4.4.4 基于投票集成学习故障诊断模型 |
| 4.5 仿真研究与结果分析 |
| 4.5.1 数据集的划分 |
| 4.5.2 故障诊断模型和参数设置 |
| 4.5.3 初级学习器诊断结果分析 |
| 4.5.4 集成模型结果分析 |
| 4.6 本章小结 |
| 第5章 基于改进D-S证据理论的故障诊断方法 |
| 5.1 引言 |
| 5.2 证据理论 |
| 5.2.1 基本定义 |
| 5.2.2 Dempster的合成规则 |
| 5.3 基于改进的D-S证据理论故障诊断方法 |
| 5.3.1 基于改进D-S证据理论的故障诊断思想 |
| 5.3.2 构建基本概率分配函数 |
| 5.3.3 对证据源的修正 |
| 5.3.4 基于改进证据理论故障诊断模型 |
| 5.4 算法实现及结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
（4）基于数据的雷达伺服系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达开关量故障诊断国内外研究现状 |
| 1.2.2 雷达模拟量故障诊断国内外研究现状 |
| 1.2.3 信息融合技术发展现状 |
| 1.3 雷达故障诊断存在的问题 |
| 1.4 本文内容安排 |
| 第二章 雷达伺服故障诊断系统总体方案设计 |
| 2.1 雷达伺服故障诊断系统总体设计 |
| 2.1.1 雷达伺服故障诊断系统的诊断方法设计 |
| 2.1.2 雷达伺服故障诊断系统的总体流程 |
| 2.2 雷达伺服故障诊断系统各模块介绍 |
| 2.2.1 开关量故障诊断模块 |
| 2.2.2 模拟量故障诊断模块 |
| 2.2.3 信息融合决策模块 |
| 2.3 开发工具与编程语言选择 |
| 2.4 本章小结 |
| 第三章 基于开关量的雷达伺服系统故障诊断 |
| 3.1 雷达伺服系统的测试点优化 |
| 3.1.1 雷达伺服系统多信号流模型 |
| 3.1.2 测试点优化数学描述 |
| 3.1.3 遗传算法基本理论及改进 |
| 3.1.4 基于改进遗传算法的雷达伺服系统测试点优化 |
| 3.1.5 测试点优化实例 |
| 3.2 贝叶斯网络基本理论 |
| 3.3 雷达伺服系统的贝叶斯网络结构学习算法及改进 |
| 3.3.1 贝叶斯网络结构学习算法 |
| 3.3.2 贝叶斯网络结构学习算法改进 |
| 3.4 雷达伺服系统的贝叶斯网络参数学习 |
| 3.5 雷达伺服系统的贝叶斯网络推理 |
| 3.6 基于改进贝叶斯网的雷达伺服系统故障诊断实例 |
| 3.7 本章小结 |
| 第四章 基于模拟量的雷达伺服系统故障诊断 |
| 4.1 雷达伺服系统模拟量数据预处理 |
| 4.1.1 基于孤立森林模型的雷达伺服系统模拟量故障数据异常点检测 |
| 4.1.2 雷达伺服系统模拟量故障数据的特征工程 |
| 4.1.3 基于SMOTE算法的雷达伺服系统模拟量故障数据样本不平衡处理 |
| 4.2 雷达伺服系统模拟量故障诊断的Stacking集成模型 |
| 4.2.1 基分类器 |
| 4.2.2 模型集成 |
| 4.3 基于Stacking集成模型的雷达伺服系统故障诊断实例 |
| 4.4 本章小结 |
| 第五章 基于信息融合的雷达伺服系统故障诊断 |
| 5.1 D-S证据理论 |
| 5.1.1 D-S证据基本理论 |
| 5.1.2 D-S证据合成规则 |
| 5.1.3 D-S证据推理模型 |
| 5.2 雷达伺服系统信息融合故障诊断模型 |
| 5.3 基于信息融合的雷达伺服系统故障诊断实例 |
| 5.4 本章小结 |
| 第六章 基于数据的雷达伺服系统故障诊断软件实现 |
| 6.1 软件需求分析 |
| 6.2 软件总体设计 |
| 6.3 功能模块设计和实例展示 |
| 6.3.1 登录模块设计 |
| 6.3.2 数据采集模块设计 |
| 6.3.3 故障诊断模块设计 |
| 6.3.4 模型管理模块设计 |
| 6.3.5 图形界面模块设计和实例展示 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（6）基于多源信息融合的风电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 研究背景和意义 |
| 1.2 多源信息融合的故障诊断技术研究现状 |
| 1.2.1 多视角特征提取技术 |
| 1.2.2 特征融合研究 |
| 1.2.3 模型融合研究 |
| 1.3 主要研究内容及安排 |
| 第二章 风电机组传动试验系统 |
| 2.1 前言 |
| 2.2 传统系统模拟试验台 |
| 2.2.1 驱动电机和负载电机 |
| 2.2.2 转矩转速传感器 |
| 2.2.3 联轴器 |
| 2.2.4 齿轮箱 |
| 2.2.5 滚动轴承及其典型故障 |
| 2.3 信号采集系统 |
| 2.3.1 振动信号采集系统 |
| 2.3.2 声发射信号采集系统 |
| 2.4 本章小结 |
| 第三章 风电滚动轴承多视角特征提取研究 |
| 3.1 引言 |
| 3.2 Tsfresh介绍 |
| 3.2.1 简单特征 |
| 3.2.2 组合特征 |
| 3.3 频谱及时频分析方法 |
| 3.3.1 傅里叶变换 |
| 3.3.2 Hilbert变换及包络谱分析 |
| 3.3.3 经验模态分解 |
| 3.4 实验验证 |
| 3.4.1 风电传动链试验台3 分类轴承数据集 |
| 3.4.2 凯斯西储大学多分类轴承数据集 |
| 3.5 本章小结 |
| 第四章 基于随机森林和自编码器的滚动轴承多视角特征融合 |
| 4.1 引言 |
| 4.2 特征选择 |
| 4.2.1 随机森林原理 |
| 4.2.2 随机森林特征选择 |
| 4.2.3 支持向量机特征有效性验证 |
| 4.2.4 实验验证 |
| 4.3 自编码非线性降维 |
| 4.3.1 自编码模型 |
| 4.3.2 参数寻优及SVM分类结果分析 |
| 4.4 本章小结 |
| 第五章 基于模型融合的风电机组轴承复合故障诊断 |
| 5.1 引言 |
| 5.2 小波时频特征提取原理 |
| 5.2.1 连续小波变换 |
| 5.2.2 卷积神经网络原理 |
| 5.3 故障诊断子模型 |
| 5.3.1 逻辑斯蒂回归(LR) |
| 5.3.2 深度信念网络(DBN) |
| 5.3.3 梯度提升树(GBDT) |
| 5.4 模型融合算法 |
| 5.4.1 Stacking融合 |
| 5.4.2 第6 类比例冲突分配规则(PCR6) |
| 5.5 实验验证 |
| 5.5.1 构造数据集 |
| 5.5.2 多视角特征集提取 |
| 5.5.3 诊断及融合 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间研究成果 |
（7）面向多源特征的模式识别算法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向多源特征模式识别算法的发展 |
| 1.2.2 面向多源特征模式识别算法在电力系统中的应用 |
| 1.3 本文主要工作 |
| 第二章 面向多源特征模式识别算法研究 |
| 2.1 引言 |
| 2.2 特征提取环节融合辨识算法研究 |
| 2.2.1 信息论的基础知识 |
| 2.2.2 最大相关最小冗余准则 |
| 2.2.3 联合交互-冗余的最大相关最小冗余准则研究 |
| 2.2.4 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法研究 |
| 2.3 模式分类环节融合辨识算法研究 |
| 2.3.1 SVM算法 |
| 2.3.2 多核SVM算法 |
| 2.3.3 集成半径信息的多核SVM算法研究 |
| 2.3.4 多分类集成半径信息的多核SVM实现 |
| 2.4 分类-决策双环节融合辨识算法研究 |
| 2.4.1 大样本特征集对应神经网络的建立 |
| 2.4.2 小样本特征集对应神经网络的建立 |
| 2.4.3 多源融合决策 |
| 2.4.4 多样本量通用的集成分类器算法流程 |
| 2.5 三类融合算法的对比 |
| 2.6 本章总结 |
| 第三章 基于多源特征模式识别的混合电能质量扰动辨识 |
| 3.1 引言 |
| 3.2 原始特征空间的提取 |
| 3.2.1 电能质量扰动信号建模 |
| 3.2.2 原始扰动特征量提取 |
| 3.3 基于多源特征模式识别的混合电能质量扰动辨识逻辑 |
| 3.4 基于多源特征模式识别的混合电能质量扰动辨识仿真分析 |
| 3.4.1 混合电能质量扰动数据的获取 |
| 3.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
| 3.4.3 集成半径信息的多核SVM算法有效性验证 |
| 3.4.4 多样本量通用的集成分类器算法有效性验证 |
| 3.5 本章总结 |
| 第四章 基于多源特征模式识别的变压器故障诊断 |
| 4.1 引言 |
| 4.2 特征空间的获取及故障类型的划分 |
| 4.2.1 变压器故障特征的特点 |
| 4.2.2 变压器故障特征空间 |
| 4.2.3 变压器故障类型的分类空间 |
| 4.3 基于多源特征模式识别的变压器故障诊断逻辑 |
| 4.4 基于多源特征模式识别的变压器故障诊断实例分析 |
| 4.4.1 变压器故障数据的获取 |
| 4.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
| 4.4.3 集成半径信息的多核SVM算法有效性验证 |
| 4.4.4 多样本量通用的集成分类器算法有效性验证 |
| 4.5 本章总结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究生期间发表的学术论文 |
| 学位论文评阅及答辩情况表 |
（8）基于信息融合的船舶制冷系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 故障检测与诊断 |
| 1.3 FDD在制冷系统的研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 信息融合技术 |
| 1.4.1 信息融合概述 |
| 1.4.2 基于信息融合的故障诊断 |
| 1.4.3 基于多模型的证据理论 |
| 1.5 本文主要的研究内容 |
| 2 船舶制冷系统介绍及故障分析 |
| 2.1 船舶制冷系统 |
| 2.1.1 船舶制冷系统工作原理 |
| 2.1.2 VLCC及VLCC轮机模拟器 |
| 2.1.3 制冷系统热力学分析 |
| 2.2 制冷系统故障分析 |
| 2.2.1 制冷系统的常见故障 |
| 2.2.2 所研究的船舶制冷系统故障 |
| 2.3 本章小结 |
| 3 特征级融合局部模型的建立 |
| 3.1 故障数据提取与处理 |
| 3.1.1 样本数据的提取 |
| 3.1.2 样本数据的归一化 |
| 3.2 基于BP神经网络的故障诊断 |
| 3.2.1 BP神经网络建模原理 |
| 3.2.2 BP神经网络建模过程 |
| 3.2.3 结果分析 |
| 3.3 基于SVM的故障诊断 |
| 3.3.1 支持向量机建模原理 |
| 3.3.2 支持向量机建模过程 |
| 3.3.3 结果分析 |
| 3.4 基于PNN的故障诊断 |
| 3.4.1 概率神经网络建模原理 |
| 3.4.2 概率神经网络建模过程 |
| 3.4.3 结果分析 |
| 3.5 各单项模型对比分析 |
| 3.6 本章小结 |
| 4 特征级融合局部模型的优化 |
| 4.1 遗传算法概述 |
| 4.2 GA优化BP |
| 4.2.1 GA优化BP原理 |
| 4.2.2 GA-BP结果分析 |
| 4.3 GA优化SVM |
| 4.3.1 GA优化SVM原理 |
| 4.3.2 GA-SVM结果分析 |
| 4.4 GA优化PNN |
| 4.4.1 GA优化PNN原理 |
| 4.4.2 GA-PNN结果分析 |
| 4.5 对比分析 |
| 4.6 本章小结 |
| 5 基于改进证据理论的决策级融合 |
| 5.1 经典DS证据理论 |
| 5.1.1 证据理论的基本概念 |
| 5.1.2 证据理论的合成规则 |
| 5.1.3 证据理论的决策规则 |
| 5.1.4 经典DS证据理论的缺陷 |
| 5.2 基本概率分配函数 |
| 5.2.1 BP的基本概率赋值转换 |
| 5.2.2 SVM的基本概率赋值转换 |
| 5.2.3 PNN的基本概率赋值转换 |
| 5.3 基于证据距离的决策级加权融合 |
| 5.4 基于信息融合的船舶制冷系统故障诊断 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A |
| 致谢 |
| 作者简介 |
（9）基于多源信息融合的轴承复合故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 多源信息融合与轴承复合故障诊断研究现状及分析 |
| 1.2.1 多源信息融合技术的研究现状 |
| 1.2.2 轴承复合故障诊断的研究现状 |
| 1.3 论文主要内容、结构及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 主要创新点 |
| 第2章 多源信息融合轴承复合故障诊断理论基础与框架 |
| 2.1 引言 |
| 2.2 多源信息融合技术 |
| 2.3 数据驱动的特征提取方法 |
| 2.4 轴承复合故障诊断实验平台 |
| 2.5 基于多源信息融合的轴承复合故障诊断框架 |
| 2.6 本章小结 |
| 第3章 面向冲突证据的改进D-S证据理论算法研究 |
| 3.1 引言 |
| 3.2 经典D-S证据理论及其存在的缺陷 |
| 3.2.1 D-S证据理论 |
| 3.2.2 经典D-S证据理论存在的缺陷 |
| 3.3 基于皮尔逊相关性系数的改进D-S证据理论算法 |
| 3.4 实验仿真分析 |
| 3.4.1 四种常见证据冲突分析 |
| 3.4.2 多证据融合比较 |
| 3.4.3 皮尔逊相关性系数改进D-S证据理论比较 |
| 3.5 本章小结 |
| 第4章 基于SAE与 IDS的轴承单一故障检测与复合故障诊断模型 |
| 4.1 引言 |
| 4.2 稀疏自编码(SAE) |
| 4.3 基于SAE与改进D-S的轴承单一故障检测与复合故障诊断 |
| 4.3.1 单一故障检测框架 |
| 4.3.2 单一故障检测规则 |
| 4.3.3 改进的D-S证据理论 |
| 4.3.4 基于单一故障检测的复合故障诊断 |
| 4.4 数据准备与实验分析 |
| 4.4.1 数据准备 |
| 4.4.2 基于SAE与 IDS的单一故障检测实验分析 |
| 4.4.3 基于单一故障检测的复合故障诊断实验分析 |
| 4.5 本章小结 |
| 第5章 集成两级CNN融合的轴承复合故障诊断模型 |
| 5.1 引言 |
| 5.2 卷积神经网络(CNN) |
| 5.3 复合故障诊断框架 |
| 5.3.1 基于一级CNN的多传感器特征提取模型 |
| 5.3.2 基于二级CNN的多传感器融合模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 一级CNN模型分析 |
| 5.4.3 二级CNN融合模型分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 主要符号对照表 |
| 附录B 在学期间发表的学术论文与研究成果 |
（10）旋转机械智能故障诊断方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 旋转机械故障诊断方法的研究现状 |
| 1.2.1 旋转机械故障特征提取方法的研究现状 |
| 1.2.2 旋转机械故障识别方法的研究现状 |
| 1.3 存在的主要问题和挑战 |
| 1.4 本文主要内容及章节安排 |
| 第二章 旋转机械故障诊断基本原理 |
| 2.1 旋转机械典型部件及故障 |
| 2.2 旋转机械故障诊断的一般流程 |
| 2.3 信号处理与特征提取 |
| 2.3.1 时域特征提取 |
| 2.3.2 频域特征提取 |
| 2.3.3 时频域特征提取 |
| 2.3.4 其它特征提取方法 |
| 2.4 本章小结 |
| 第三章 基于信号模态分解的故障诊断方法 |
| 3.1 引言 |
| 3.2 经验模态分解 |
| 3.3 变分模态分解及参数优化 |
| 3.3.1 变分模态分解 |
| 3.3.2 人工蜂群算法及其优化变分模态分解参数 |
| 3.4 核主成分分析 |
| 3.5 朴素贝叶斯 |
| 3.6 实验 |
| 3.6.1 实验数据来源 |
| 3.6.2 基于经验模态分解的故障诊断实验 |
| 3.6.3 基于变分模态分解的故障诊断实验 |
| 3.7 本章小结 |
| 第四章 基于支持向量机的故障诊断方法 |
| 4.1 引言 |
| 4.2 支持向量机原理 |
| 4.3 量子遗传算法及其优化支持向量机 |
| 4.3.1 遗传算法 |
| 4.3.2 量子遗传算法 |
| 4.3.3 量子遗传算法优化SVM参数 |
| 4.4 改进粒子群优化算法及其优化支持向量机 |
| 4.4.1 粒子群优化算法 |
| 4.4.2 量子粒子群优化算法 |
| 4.4.3 改进量子粒子群优化算法 |
| 4.4.4 改进量子粒子群优化算法优化SVM参数 |
| 4.5 故障诊断模型 |
| 4.6 实验 |
| 4.7 本章小结 |
| 第五章 基于相关向量机的故障诊断方法 |
| 5.1 引言 |
| 5.2 相关向量机原理 |
| 5.2.1 相关向量机模型 |
| 5.2.2 相关向量机分类 |
| 5.3 蝙蝠算法及其优化相关向量机 |
| 5.3.1 蝙蝠算法基本原理 |
| 5.3.2 蝙蝠算法优化相关向量机参数 |
| 5.4 实验 |
| 5.5 本章小结 |
| 第六章 基于证据理论的信息融合故障诊断方法 |
| 6.1 引言 |
| 6.2 D-S证据理论 |
| 6.2.1 基本定义 |
| 6.2.2 Dempster合成规则 |
| 6.3 基于支持向量机和改进证据理论的故障诊断方法 |
| 6.3.1 支持向量机概率输出 |
| 6.3.2 基于Tanimoto相似性测度和信息熵的证据合成方法 |
| 6.3.3 基于支持向量机和改进证据理论的故障诊断流程 |
| 6.3.4 实验 |
| 6.4 基于K最近邻算法和改进证据理论的故障诊断方法 |
| 6.4.1 K最近邻算法 |
| 6.4.2 基于静态折扣因子和权重系数的证据合成方法 |
| 6.4.3 基于KNN算法和改进证据理论的故障诊断流程 |
| 6.4.4 实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 本文的主要工作 |
| 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
四、神经网络和证据理论集成的数据融合故障诊断方法研究（论文参考文献）
- [1]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)
- [2]基于信息融合的齿轮箱磨损故障诊断[D]. 鲁继瑶. 大连理工大学, 2021(01)
- [3]自取力供电系统建模仿真与故障诊断方法的研究[D]. 李贵珍. 兰州理工大学, 2021(01)
- [4]基于数据的雷达伺服系统故障诊断研究[D]. 王智. 东南大学, 2020(01)
- [5]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [6]基于多源信息融合的风电滚动轴承故障诊断研究[D]. 孙文卿. 东南大学, 2020(01)
- [7]面向多源特征的模式识别算法及应用研究[D]. 陈莉芬. 山东大学, 2020(10)
- [8]基于信息融合的船舶制冷系统故障诊断研究[D]. 艾乐唯. 大连海事大学, 2020(01)
- [9]基于多源信息融合的轴承复合故障诊断技术研究[D]. 张欢. 贵州大学, 2020(04)
- [10]旋转机械智能故障诊断方法的研究[D]. 朱兴统. 广东工业大学, 2020(02)