一、子波神经网络在故障诊断中的应用研究（论文文献综述）
胡瑞卿[1]（2021）在《无人机飞行姿态的故障检测方法研究》文中提出无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:（1）针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。（2）针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。（3）针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。（4）由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
陈卓[2]（2021）在《齿轮箱故障智能诊断方法研究》文中进行了进一步梳理随着机械设备越来越复杂化、智能化,产生的经济效益也随之增加。齿轮箱作为机械设备的核心部件,决定着机械设备的运转状态,在机械工业的发展中起着关键作用,因此对齿轮箱故障诊断方法的研究具有重要的研究价值。同时人工智能技术的蓬勃发展,为齿轮箱故障诊断提供了新方法。本文对齿轮箱的故障诊断技术进行研究,将人工智能技术引入齿轮箱故障诊断,进行齿轮箱故障智能诊断方法的研究。主要研究内容如下:（1）对传统故障诊断技术和智能故障诊断技术进行对比分析确定了智能诊断方法的研究意义。分析齿轮的振动机理并建立对应的力学模型,对不同状态振动信号模型进行仿真,分析了其对应的调制信息及边频带的分布特征。（2）设计了一种以FPGA为核心的齿轮箱振动信号采集系统,完成数据的采样、转换、存储和传输。对齿轮箱运行过程中齿轮的啮合频率以及轴转频率进行分析和实验验证,结果表明该采集系统用5 kHz的采样频率可不失真的采样和传输500 Hz的振动信号,能满足本文所用振动实验台齿轮啮合频率及其边频带的不失真采样和传输,验证了信号采集系统的可行性。（3）对齿轮箱在不同工况下的振动信号进行小波包分解,分析小波包能量谱中不同频带段对应的能量特征。研究表明能量特征中包含着丰富的工况信息,可以作为齿轮箱故障智能诊断的样本数据。（4）对齿轮箱智能诊断方法进行研究,分别以人工神经网络为基础建立GA-BP故障诊断模型,以支持向量机为基础建立SVM故障诊断模型;针对支持向量机最优参数难以确定的问题,引入粒子群算法和遗传算法分别建立PSO-SVM故障诊断模型和GA-SVM故障诊断模型;综合评价四种模型的诊断性能,结果表明GA-SVM故障诊断模型具有较高的故障识别准确率,平均准确率为97.68%,且运行时间最短,平均运行时间为20.02 s。
解宵[3]（2021）在《面向电力变压器油色谱数据特征参量的研究》文中认为电力变压器（PowerTransformer）是供电系统的枢纽,对其进行及时检测和准确诊断不仅为电力变压器正常运行和实施状态检修提供了基础,而且对于人民的生活、社会的稳定也有着重要的意义。目前,变压器在线故障诊断常用的方法是油中溶解气体分析（Dissolved Gas Analysis,DGA）,但是传统的DGA比值方法存在着所建立的编码组合表并不能覆盖所有的故障类型,在实际应用中存在一些编码组合在编码表里找不到对应类型以及不同文献中对于诊断模型的训练所选用的输入特征有差异。对于以上研究中存在的不足,本文从输入特征着手研究,将优选的特征组合与支持向量机多分类模型结合,选择最优的特征组合来训练变压器故障模型,进一步提高变压器的准确诊断。本文将进行以下几个内容研究:针对于不同文献所采用的特征组合各不相同,忽略了所选用的特征组合是否能有效反映故障类型这一问题,通过阅读大量文献并且结合《大型电力变压器故障诊断及案例》,建立了一个基于DGA的故障特征集,为后续方法提供一个特征寻优的空间。其次,结合了信息增益和F-Score两种评价函数来对故障特征进行定量计算,通过计算后的数值对故障特征进行排序,引入了支持向量机多分类模型来对排序后的特征进行验证。实验分别从不同的特征集及常用的分类器方法进行了对比验证,实验结果发现了优选后的特征组合相较于传统的特征参量训练得到的模型性能更优,提高了故障诊断模型的识别率。最后,考虑到Filter模型仅仅是通过对特征进行定量计算从而来筛选特征,忽视了不同特征间的组合关系以及与训练模型的紧密结合。故引入粒子群算法（Particle Swarm Optimization,PSO）与支持向量机（Support Vector Machine,SVM）算法,设计了一个 PSO 与SVM结合的特征优选的变压器故障诊断算法。利用离散粒子群算法对特征进行寻优的同时用标准粒子群算法进行支持向量机参数的优化,采用五折交叉验证的结果来对所选的特征组合进行评估。实验从气体组合、气体比值组合、故障实例及文献[16]进行对比分析,实验结果表明:特征选择后的子集故障诊断率较气体含量、IEC比值提高了 11%到23%左右,相较于常用的几种故障特征具有更好的诊断性能;较文献[16]故障诊断率提升了 8%。考虑到在实际现场应用中数据缺失的情况下,会影响变压器故障诊断的结果,分析几种常用的插补方法后,引入K-近邻算法（K-Nearest Neighbor,KNN）来对缺失数据进行填补。实验结果表明该方法对于缺失数据存在的情况下有较好的表现能力,能在缺失数据存在的情况下对变压器故障诊断提供一定的帮助。
陈皓[4]（2021）在《基于小波神经网络的输电线路故障诊断研究》文中认为向广大电力用户提供高质量的能源供给服务,是电力系统的首要任务。当电力系统发生故障时,需要借助于继电保护,尽可能地缩短故障发生的时间,减轻故障所带来的危害。传统继电保护使用的设备功能较为单一,容易受到诸如环境等因素的干扰,精确度不高,且消耗较多的人力。因此如何在保障电力系统安全运行同时节约成本,便成为现代继电保护技术的一个研究重点。人工神经网络技术的迅速发展,给继电保护技术提供了一种全新的发展方向。将人工神经网络技术应用于继电保护,可以提高系统的智能化,有效地节约成本,提高继电保护装置的抗干扰能力。BP神经网络是目前技术最成熟、应用最广泛的神经网络,所以在相关应用方案的研究中人们多以BP神经网络作为研究对象。而BP神经网络容易陷入局部最优的情况,训练时间过长,诊断结果误差较大。因此为了提高神经网络在输电线路故障诊断中的性能,本文以110KV中性点接地的电力系统作为研究对象,将神经网络和小波理论相结合的方法应用于电力系统的故障诊断中。首先,本文针对最常见、危害性最大的短路故障进行建模分析,将大量的实测数据应用于建立短路故障类型判别,筛选出正确的不同故障类型。在分析神经网络和小波理论的基础上,构建了小波神经网络,并将归一化共轭梯度法用于优化小波神经网络,提高了输电线路故障诊断的精确度。文中采用Matlab软件建立小波神经网络,使用从某110KV电力系统获取的故障数据完成对小波神经网络训练和测试。用相同的故障数据去训练BP神经网络。通过将BP神经网络和小波神经网络的训练结果进行对比,表明小波神经网络可以满足输电线路故障诊断要求,且性能优于传统BP神经网络。最后,在构建的小波神经网络基础上,从考虑迭代次数和误差等因素的角度出发,对小波神经网络提出了多种改进方案。通过对比各自的训练结果,采用归一化共轭梯度法对小波神经网络进行了优化,提高了小波神经网络在输电线路故障诊断上的性能。
张宇婷[5]（2021）在《基于CVA的变压器故障诊断及预测研究》文中研究表明油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术（DGA）对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法（WPT-CVA）的故障诊断方法以及粒子群优化支持向量机（PSO-SVM）和小波变换时间序列（WPT-ARMA）的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型（SVM）以及自回归滑动平均模型（ARMA）的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
安然[6]（2021）在《基于特征增强去噪网络的沙漠地震资料噪声压制》文中研究指明地震勘探是判断油气储藏情况的重要手段。目前,由于地表处或其他容易进行开采油气资源的区域不断较少,人们把勘探目标重心转移到地质构造复杂的、开采难度大的区域,比如沙漠区域。由于沙漠区域地质情况和勘探环境的特殊性,获取的地震勘探资料伴随着强沙漠随机噪声。另外,由于沙漠区域的复杂地理条件对地震信号的吸收衰减,地震反射信号能量较弱,沙漠地震资料信噪比（Signalto-Noise Ratio,SNR）较低。随着科学和勘探手段的进步,地震勘探任务对地质解释精度的要求不断提高,地震勘探人员对地震资料质量提出了更高的要求。因此,开发出一种从沙漠随机噪声背景中有效恢复地震信号、提高沙漠地震数据信噪比的去噪器是当前的首要任务。沙漠区域的随机噪声具有低频、非高斯、强能量、高幅值、非线性等复杂特性。传统的地震数据处理算法在应用于沙漠地震数据上虽然能够一定程度地提高数据的信噪比,但是去噪效果仍然不能达到高信噪比、高分辨率的要求。由于卷积神经网络具有在不同训练集上可以自适应提取特征与编码的优势,本文致力于利用它来抑制沙漠环境中地震数据的噪声。然而,随着深度的增加,网络可能面临着浅层对深层影响减小的问题,不利于复杂沙漠噪声的抑制。本文考虑网络模型的推理速度和特征提取性能两个方面,提出了一种基于特征增强去噪网络（Feature Enhancement Denoising Network,FEDnet）的沙漠地震资料噪声压制新方法。首先,本文设计一种新的特征增强的连接方式,以此来增加网络的宽度,融合不同卷积层的特征信息。该设计充分利用原始带噪输入和多层特征信息对网络的影响,所以有利于网络捕捉隐藏在复杂背景中的更多沙漠噪声特征。其次,本文将混合膨胀卷积设计融入到网络模型中,以改善感受野,这对于在去噪任务中获得更多的上下文信息起到了重要的作用。最后,本文还采用了残差学习技术来促进网络训练。除了设计网络结构,本文还构建了一组适用于沙漠地震数据去噪任务的训练集。由于噪声的类型和自身特征会直接影响网络的训练精度,本文采用在塔里木地震实际采集的沙漠随机噪声数据用以噪声集的构建。关于纯净信号集,本文采取Ricker子波,并进行合适参数的设置,包括子波的主频和弯曲程度等信息,以此尽可能地接近和表达出实际资料中信号的特征。最终的实验结果证明了本文训练集的有效性。本文选取Shearlet滤波、小波变换、带通滤波器三种传统的经典去噪算法,还有经典的去噪卷积神经网络（Denoising Convolutional Neural Network,Dn CNN）作为对比实验。在模拟记录去噪的实验中,本文的网络在信噪比提升和信号幅度保留上都具有较好的优势,尤其是输入记录在低信噪比的情况下,特征增强去噪网络能够提升信噪比在20d B左右。在实际记录实验中,四种对比算法都呈现出不同的去噪劣势,本文的算法仍能表现出最好的效果。
魏子涵[7]（2021）在《基于深度学习的混合轮系齿轮箱故障诊断方法研究》文中进行了进一步梳理齿轮箱是机械设备的核心部件之一,尤其是在工业机械、航空航天机械、煤矿机械等领域的机械设备中具有齿轮数量多、级数多、结构复杂等特点,且又经常在高速重载的恶劣环境下持续运行,故障易发。混合轮系齿轮箱的齿轮传动中既有定轴传动也有行星传动,因此故障形式表现复杂,除了齿轮单一故障,更常见的情况是多种齿轮故障同时存在时的复合故障。复合故障信号与单故障信号相比,信号更加复杂、特征更不明显,不同种类的故障信号之间还可能存在耦合现象,加大了故障诊断的难度。因此,机械设备中齿轮箱齿轮的复合故障诊断方法也一直是国内外学者关心的热点问题,受到了广泛关注。为了提高混合轮系齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,提出了基于卷积神经网络CNN（Convolutional Neural Network）的混合轮系齿轮箱故障诊断方法。首先利用加速度传感器采集故障齿轮的连续周期性信号,然后对其进行时域、频域、时频域分析,将其分别制作成为可供卷积神经网络训练学习的样本集,最后导入卷积神经网络中,进行故障诊断。在每次训练学习完成后,对网络模型的参数进行调整,最终得到适合于故障诊断的最佳模型。统计故障分类识别的结果,对混合轮系齿轮箱8种类型齿轮复合故障的识别准确率最高可以达到99.51%。为了进一步提高深度学习故障诊断模型的鲁棒性与泛化能力,将无监督学习的思想融入有监督学习中,使用卷积神经网络与生成对抗网络GAN（Generative Adversarial Network）两种神经网络构建深度学习模型,结合两者的优势提出一种半监督卷积对抗神经网络模型SCGAN（Semi-supervised Convolutional Generative Adversarial Network）。首先将CNN中的结构进行调整,然后使用两个CNN网络分别作为对抗性网络中的生成网络与判别网络,从而实现无监督学习机制向半监督学习机制的转变。实验对比了不同参数规格的样本集、不同网络参数等对诊断精度的影响,结果表明:SCGAN模型的鲁棒性与泛化能力均比CNN有所提高,在故障诊断精度上也有一定改善。在混合齿轮箱4种单齿轮故障和4种复合齿轮故障的数据集上加以验证,分别获得了99.67%与99.5%的诊断精度,8种类型故障诊断的平均值最高可以达到99.58%;也证明了利用无监督学习模型对有监督学习模型进行改造能够起到良好的效果。
王萌[8]（2021）在《基于数据驱动的采煤机关键零部件故障诊断系统》文中研究指明采煤机作为煤炭开采的重要装备,拥有庞大的体型和复杂的构造,其设备安全和稳定对煤炭开采效率有极大影响。由于采煤机工作环境恶劣和长期遭受电磁干扰等因素,导致采煤机故障时常发生。采煤机一旦发生故障,势必影响生产效率,甚至造成重大伤亡事故。因此对采煤机进行实时故障诊断和分析具有重要意义。煤矿为保证采煤机安全生产安装了具有监测和诊断功能的软件,但软件采用的诊断方法较为简单,通常只能够对明显的故障进行诊断且结果片面,未能精准确定具体故障部位、诊断效果差、准确率低、智能化程度滞后。此外,采煤机维护人员依旧使用传统诊断方法,诊断耗时较长且准确率不高,通常需专业设备的协助,对诊断人员也有较高的要求。随着大数据和人工智能的迅速发展,神经网络技术在故障诊断领域取得了大量的研究成果,但在采煤生产中应用仍较少。针对上述问题,本文以采煤机关键零部件为研究对象,研究基于传统诊断方法的参数诊断法和基于神经网络技术的深度残差网络故障诊断方法,分析上述两种方法在采煤机关键零部件故障诊断中应用的可行性。在诊断方法研究的基础上,搭建采煤机故障诊断系统,并验证系统的可靠性和稳定性。结合采煤机常见故障和传统诊断方法,提出了采煤机在线实时诊断的参数诊断方法。根据采煤机使用说明书和实际生产等方面要求,为采煤机故障设置报警阈值,经过参数诊断流程实现故障的诊断。选取煤矿生产现场采集的采煤机数据作为数据源,使用两台电脑模拟矿井数据传输和现场故障诊断进行验证实验,实验结果为参数诊断方法的综合准确率为98.9%,表明该方法对采煤机有较高的故障识别率,具有实用性。此外,设置了不同时间间隔的数据读取方式进行对比实验,结果表明了参数诊断时两条数据的时间间隔为5秒较为合适。基于深度残差网络理论提出了采煤机的深度残差网络（Res Net）故障诊断方法,首先构建深度残差网络故障诊断模型,然后通过dropout策略、BN层和合适的激活函数优化了模型的结构。该方法主要是对采煤机摇臂齿轮箱中的齿轮和轴承进行诊断,诊断结果更加详细,精准确定故障类型和位置。利用摇臂齿轮箱振动数据对深度残差网络故障诊断模型进行验证实验,实验结果为故障诊断的准确率可以达到99.6%,说明模型具有较高的故障识别率。采用混淆矩阵的评估方式分析模型的分类性能,结果为模型的平均分类精度可以99.6%,证明了模型具有较高的分类精度和分类稳定性。利用深度残差网络故障诊断方法和参数诊断方法智能融合的方式,共同完成采煤机摇臂齿轮箱内部齿轮和轴承的故障,既具有实时性,又丰富了诊断结果。使用Visual Studio 2010开发平台和SQL数据库设计并搭建了采煤机故障系统,实现采煤机的监测、故障诊断以及数据查询等功能。系统以逻辑代码实现了参数诊断方法的应用,以调用执行深度残差网络故障诊断模型的方法实现其故障诊断方法的应用。最后经系统测试验证了系统运行稳定,诊断结果可靠。
陈涛[9]（2021）在《三相电压源逆变器功率管开路故障诊断方法研究》文中提出三相电压源逆变器在轨道交通、电力系统、航空航天、机器人、电动汽车及工业通用变频器等领域被广泛应用,其可靠性能已经成为保证系统安全运行的关键技术。三相电压源逆变器的故障表现主要分为开路故障和短路故障,现阶段针对短路故障一般采用成熟的硬件电路进行处理,而开路故障诊断技术尚处于研究和发展之中。本文针对三相电压源逆变器功率管开路故障问题,从多个角度对故障特征分析、故障影响机理、故障检测和定位技术等方面进行了深入研究,提出了四种不同的故障诊断方法,主要研究内容和研究成果如下:（1）提出了基于电流矢量相位的三相电压源逆变器功率管开路故障诊断方法。详细分析三相电压源逆变器健康状态、单管故障、单相故障、异相同侧双管故障、异相异侧双管故障下的电流矢量相位变化特征,归纳电流矢量相位在不同故障下的变化规律,为利用电流矢量相位进行故障诊断提供依据。设计基于电流矢量相位标准差的故障检测算法和基于电流矢量相位特征值的故障定位算法,实现仅利用电流矢量相位信息完成功率器件开路故障的在线快速检测和定位。（2）提出了基于故障在线模拟的三相电压源逆变器功率管开路故障诊断方法。剖析电力电子电路的混杂动态特性,归纳基于混杂自动机的电力电子电路一般建模步骤及分析三相电压源逆变器-电机系统运行机理,并在此基础上利用混杂自动机建立逆变器-电机系统的混杂模型。利用健康混杂模型构建电流估计器实现故障检测,有效消除转速和负载突变的影响及提高对误警报的抗扰度;利用电流矢量相位信息实现故障类判断以减小计算负担及提高诊断可靠度;提出基于故障在线模拟技术的故障定位方法,利用混杂模型在线模拟可能发生的故障,再根据模拟电流残差完成故障定位,并将电流矢量相位特征应用于逆变器故障类判断,有效地提高诊断速度和可靠性。（3）提出了基于输出线电压残差分析的三相电压源逆变器功率管开路故障诊断方法。建立单相和双相开路故障下输出线电压残差的数学描述,并分析不同开路故障条件下输出线电压残差的特性规律。推导线电流残差与相应输出线电压残差正负极性的一致性关系,从而通过对输出线电压残差分析实现基于线电流残差信息的故障检测和定位方法,在避免使用额外的传感器的同时提高了故障诊断速度。（4）提出了基于卷积神经网络的三相电压源逆变器功率管开路故障诊断方法。选取电流矢量相位作为故障特征量以降低故障数据维度,并建立逆变器22种功率管故障类型（含健康状态）的数据集。通过引入大卷积核的第一层卷积构建适用于一维信号特征提取的ConvNet模型,从而提高网络诊断准确率,基于该模型实现逆变器开路故障的分类诊断,并进行可视化分析和验证。通过在改进版残差块中增加最大池化层构建的ResNet模型实现网络运算加快和特征信息筛选强化,基于该模型实现扰动下逆变器开路故障诊断,并将其与ConvNet、VGGNet模型进行对比分析,说明了 ResNet模型在实际中应用的可行性和有效性。本文从不同的角度深入探究了三相电压源逆变器功率器件单管、单相和双管开路的故障特征和影响机理,为三相电压源逆变器功率管状态监测和开路故障诊断提供了新的解决方案和技术支撑。
宋林[10]（2021）在《基于注意力机制与深度学习的故障诊断方法研究》文中提出机械系统越发趋于复杂、精密以及自动化,一旦发生故障将带来严重的安全问题,及时检出和识别故障至关重要。滚动轴承作为机械设备的重要部件,研究其故障诊断方法对于保障机械系统的安全稳定具有代表性意义。因此本文选择轴承振动信号作为对象,基于深度学习进行了故障诊断方法研究。一些故障的发生时间极短,有效样本极难获取,因此使用较少的样本获得更高的识别精度是一个重要的研究方向。本文为了获得更丰富的隐含特征,通过连续小波变换将轴承振动信号扩展到时频域;然后利用二维卷积神经网络天然的图像处理优势,设计故障诊断算法;利用信号处理技术,提升深度学习对样本的利用率。连续小波变换会扩充无效特征,影响诊断算法对噪声的抵抗能力。为了解决该问题,首先根据小波基参数对模型诊断结果的影响,进行了参数调整;然后利用平均池化降采样原理设计多尺度特征提取层,通过轴承振动信号多阶模态的特征减少了噪声带来的干扰;最后使用通道注意力机制对各阶特征评估加权,增强了模型对有效信息的利用率。故障诊断除了需要精准识别,还需要及时检出。嵌入式设备由于其低功耗、易部署的特性,更适合实时性要求较高的诊断现场。但基于深度学习的算法通常有高算法复杂度和大计算量的特点,其嵌入式应用需要提升诊断速度。本文从算法和硬件两个角度入手,基于一维卷积神经网络设计了轻量化的诊断算法模型,并利用FPGA对模型推理过程进行加速,提高了诊断的时效性。最后基于边缘计算框架设计搭建了故障诊断系统,对本文方法进行整合。边缘节点加载快速诊断模型在数据源进行快速分析,云端平台使用更复杂的二维卷积模型完成轴承状态更精确的识别。通过西储大学标准数据集进行验证,本文方法均具有极高的样本规模容忍度和较强的抗噪能力。而通过搭建故障诊断系统在振动试验台测试,系统可以快速精准的实现轴承故障诊断。故障检出率可以达到100%,识别率保持99%以上,边缘节点搭载的模型诊断耗时可以压缩到0.178s。
二、子波神经网络在故障诊断中的应用研究（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、子波神经网络在故障诊断中的应用研究（论文提纲范文）
（1）无人机飞行姿态的故障检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障检测技术的发展现状 |
| 1.3 国内外研究现状 |
| 1.4 课题主要研究内容以及章节安排 |
| 1.4.1 本课题主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于小波分析的无人机故障检测算法 |
| 2.1 小波分析原理 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 最佳小波基的选择 |
| 2.3 基于小波多尺度分析的故障特征提取 |
| 2.4 最佳分解层数的选择 |
| 2.5 小波阈值降噪 |
| 2.5.1 阈值降噪原理 |
| 2.5.2 阈值量化 |
| 2.6 利用小波分析进行故障检测的方法 |
| 2.6.1 小波故障检测原理 |
| 2.6.2 基于小波去噪的特征提取方法 |
| 2.6.3 基于小波分析的无人机故障检测 |
| 2.6.4 实验数据分析 |
| 2.7 本章小结 |
| 3 融合小波去噪和PCA的无人机故障检测算法 |
| 3.1 主元分析方法 |
| 3.1.1 PCA的基本原理 |
| 3.1.2 主元分析算法 |
| 3.2 基于主元分析的故障检测方法 |
| 3.2.1 主元选取方法 |
| 3.2.2 故障检测统计量 |
| 3.2.3 各变量贡献的计算 |
| 3.2.4 综合统计量的故障检测 |
| 3.3 融合小波去噪与PCA的故障检测方法 |
| 3.3.1 融合小波去噪与PCA的故障检测步骤 |
| 3.3.2 实验数据分析 |
| 3.4 本章小结 |
| 4 融合小波去噪和BP神经网络的无人机故障检测算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 BP神经网络的特点以及局限性 |
| 4.2 故障检测的BP网络结构确定 |
| 4.2.1 BP网络层数的确定 |
| 4.2.2 输入输出层及隐含层节点个数的确定 |
| 4.2.3 激活函数的确定 |
| 4.3 无人机故障检测方案设计 |
| 4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
| 4.4.1 BP神经网络的识别与分析 |
| 4.4.2 实验数据分析 |
| 4.5 本章小结 |
| 5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的基本操作 |
| 5.2.1 染色体编码 |
| 5.2.2 群体规模的设定 |
| 5.2.3 适应度函数值的计算 |
| 5.2.4 遗传操作的设计 |
| 5.3 遗传算法优化神经网络 |
| 5.4 实验数据分析 |
| 5.5 故障检测方法对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要学术成果 |
（2）齿轮箱故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱故障诊断技术发展 |
| 1.2.2 齿轮箱故障诊断的信号获取 |
| 1.2.3 齿轮箱故障诊断方法综述 |
| 1.3 论文内容安排 |
| 2.齿轮箱振动机理及其特性分析 |
| 2.1 齿轮的振动机理 |
| 2.2 齿轮振动信号模型 |
| 2.2.1 齿轮正常振动信号模型 |
| 2.2.2 齿轮故障振动信号模型 |
| 2.2.3 齿轮调制信号的仿真分析 |
| 2.3 本章小结 |
| 3.数据采集系统方案设计 |
| 3.1 信号采集模块 |
| 3.2 数据缓存模块 |
| 3.3 数据发送模块 |
| 3.4 上位机显示模块 |
| 3.5 系统设计验证 |
| 3.6 本章小结 |
| 4.振动信号分析及特征提取 |
| 4.1 齿轮箱实验平台介绍 |
| 4.2 常见的信号分析方法 |
| 4.2.1 小波分析 |
| 4.2.2 小波包分析 |
| 4.3 实验数据的小波包能量谱分析 |
| 4.4 本章小结 |
| 5.齿轮箱故障诊断模型建立 |
| 5.1 GA-BP故障诊断模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 遗传算法 |
| 5.1.3 GA-BP诊断模型设计 |
| 5.1.4 GA-BP模型诊断结果分析 |
| 5.2 SVM故障诊断模型 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 SVM核函数选择与交叉验证 |
| 5.2.3 SVM诊断模型设计 |
| 5.2.4 SVM模型诊断结果分析 |
| 5.3 PSO-SVM故障诊断模型 |
| 5.3.1 粒子群算法 |
| 5.3.2 PSO-SVM诊断模型设计 |
| 5.3.3 PSO-SVM模型诊断结果分析 |
| 5.4 GA-SVM故障诊断模型 |
| 5.4.1 GA-SVM诊断模型设计 |
| 5.4.2 GA-SVM模型诊断结果分析 |
| 5.5 故障诊断模型对比分析 |
| 5.5.1 基于支持向量机的故障诊断模型结果对比 |
| 5.5.2 四种智能故障诊断模型结果对比 |
| 5.6 本章小结 |
| 6.结论 |
| 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 |
（3）面向电力变压器油色谱数据特征参量的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器特征参量研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 变压器油中气体产生机理及故障类型 |
| 2.1 变压器油中气体的产生 |
| 2.1.1 绝缘油的分解 |
| 2.1.2 固体绝缘材料的分解 |
| 2.1.3 气体的其他来源 |
| 2.2 正常状态下油中气体的含量 |
| 2.3 变压器故障类型与油中气体的关系 |
| 2.4 基于DGA技术的变压器故障诊断方法 |
| 2.4.1 特征气体法 |
| 2.4.2 三比值法 |
| 2.4.3 大卫三角形法 |
| 2.5 小结 |
| 3 粒子群算法与支持向量机理论 |
| 3.1 粒子群算法的理论 |
| 3.1.1 基本粒子群算法 |
| 3.1.2 标准粒子群算法 |
| 3.1.3 离散二进制粒子群算法 |
| 3.1.4 算法流程 |
| 3.2 支持向量机基本原理 |
| 3.2.1 线性可分情形 |
| 3.2.2 近似线性可分情形 |
| 3.2.3 非线性可分情形 |
| 3.2.4 核函数的选取 |
| 3.2.5 支持向量机参数的选取 |
| 3.3 支持向量机多分类方法介绍 |
| 3.3.1 一对一方法 |
| 3.3.2 一对多方法 |
| 3.4 小结 |
| 4 基于Filter和 SVM的故障特征优选 |
| 4.1 故障特征选择方法 |
| 4.1.1 信息增益 |
| 4.1.2 F-Score |
| 4.2 基于特征选择和SVM的变压器故障诊断模型 |
| 4.2.1 数据来源及预处理 |
| 4.2.2 特征筛选 |
| 4.2.3 不同评价函数对应的特征组合 |
| 4.3 实验验证 |
| 4.3.1 不同的特征子集 |
| 4.3.2 与BPNN对比实验 |
| 4.4 小结 |
| 5 基于PSO-SVM的故障特征优选 |
| 5.1 变压器油中溶解气体特征量 |
| 5.2 基于PSO-SVM特征参量优选实现过程 |
| 5.2.1 粒子群结构 |
| 5.2.2 编码方式 |
| 5.2.3 个体适应度评估 |
| 5.2.4 算法实现流程 |
| 5.3 实验环境 |
| 5.4 比值组合优选结果分析 |
| 5.5 不同的特征子集对比实验 |
| 5.5.1 气体含量作为故障特征实验 |
| 5.5.2 气体比值作为故障特征实验 |
| 5.5.3 与文献[16]实验的对比分析 |
| 5.5.4 实际故障实例实验 |
| 5.6 数据缺失情况下的变压器故障诊断 |
| 5.6.1 均值插补 |
| 5.6.2 回归插补 |
| 5.6.3 KNN插补 |
| 5.6.4 实验分析 |
| 5.7 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 油中溶解气体数据(μL/L) |
（4）基于小波神经网络的输电线路故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 输电线路故障诊断技术的发展及研究现状 |
| 1.2.2 神经网络的发展及研究现状 |
| 1.3 本文研究内容 |
| 2 输电线路故障及其保护原理研究 |
| 2.1 输电线路故障类型及原因 |
| 2.1.1 常见的故障类型 |
| 2.1.2 输电线路故障产生的原因 |
| 2.2 输电线路短路故障分析 |
| 2.2.1 单相接地短路 |
| 2.2.2 三相短路 |
| 2.2.3 两相相间短路 |
| 2.2.4 两相接地短路 |
| 2.2.5 故障相判别流程 |
| 2.3 电力系统接地方式及其故障研究 |
| 2.3.1 中性点接地系统 |
| 2.3.2 110KV中性点接地系统仿真 |
| 2.4 本章小结 |
| 3 基于小波分析的神经网络设计 |
| 3.1 神经网络在输电线路故障诊断中的应用 |
| 3.2 人工神经网络 |
| 3.2.1 人工神经网络的构成 |
| 3.2.2 神经网络结构的选择 |
| 3.3 小波分析 |
| 3.3.1 小波变换 |
| 3.3.2 小波基函数的选取 |
| 3.3.3 小波变换在电力系统中的应用 |
| 3.4 小波神经网络设计 |
| 3.5 小波神经网络的改进 |
| 3.6 本章小结 |
| 4 小波神经网络在故障诊断中的仿真研究 |
| 4.1 用于输电线路故障类型诊断的神经网络建模 |
| 4.1.1 神经网络隐含层节点选取 |
| 4.1.2 神经网络模型的建立 |
| 4.2 神经网络仿真实验及结果分析 |
| 4.2.1 单相接地短路故障 |
| 4.2.2 三相短路故障 |
| 4.2.3 两相相间短路故障 |
| 4.2.4 两相接地短路故障 |
| 4.2.5 仿真结果分析 |
| 4.3 小波神经网络的优化 |
| 4.3.1 小波神经网络优化算法的选择 |
| 4.3.2 小波神经网络优化结果测试 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
（5）基于CVA的变压器故障诊断及预测研究（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 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 油浸式电力变压器故障诊断及预测技术 |
| 2.1 电力变压器故障分类 |
| 2.2 基于DGA的变压器故障诊断理论 |
| 2.2.1 溶解油中气体产生机理 |
| 2.2.2 DGA用于变压器故障判断 |
| 2.3 电力变压器故障诊断算法 |
| 2.3.1 常规算法 |
| 2.3.2 智能算法 |
| 2.4 电力变压器故障预测算法 |
| 2.4.1 SVM预测模型 |
| 2.4.2 ARMA预测模型 |
| 2.4.3 组合预测模型 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的电力变压器故障诊断研究 |
| 3.1 基于小波变换的变压器故障诊断理论 |
| 3.2 小波神经网络故障诊断模型建立 |
| 3.2.1 输入输出神经元的确定 |
| 3.2.2 隐含层的确定 |
| 3.3 小波神经网络故障诊断模型训练 |
| 3.3.1 训练样本数据的选取 |
| 3.3.2 小波变换去噪处理 |
| 3.3.3 小波神经网络模型训练 |
| 3.4 故障诊断结果分析 |
| 3.5 本章小结 |
| 第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
| 4.1 基于CVA的变压器故障诊断理论 |
| 4.2 CVA故障诊断模型建立 |
| 4.3 CVA优化小波神经网络故障诊断模型训练 |
| 4.3.1 特征值提取 |
| 4.3.2 训练和测试阶段 |
| 4.4 故障诊断结果分析 |
| 4.5 本章小结 |
| 第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
| 5.1 基于PSO-SVM模型预测 |
| 5.1.1 PSO-SVM模型建立 |
| 5.1.2 PSO-SVM模型的误差评价 |
| 5.2 基于WPT-ARMA模型预测 |
| 5.2.1 ARMA模型的建立 |
| 5.2.2 ARMA模型的预报 |
| 5.3 组合预测的电力变压器故障预测 |
| 5.3.1 组合预测的主要思想 |
| 5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
| 5.4 变压器预测模型维数的实例仿真分析 |
| 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 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（6）基于特征增强去噪网络的沙漠地震资料噪声压制（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文选题的背景及意义 |
| 1.2 国内外地震信号去噪技术研究现状 |
| 1.3 研究内容及章节安排 |
| 第2章 沙漠地震噪声压制基本理论与人工神经网络 |
| 2.1 沙漠地震资料中的噪声分类及性质分析 |
| 2.1.1 沙漠地震资料中的噪声分类 |
| 2.1.2 沙漠地震资料中的噪声性质分析 |
| 2.1.3 经典地震记录压噪算法介绍 |
| 2.1.4 地震资料去噪质量评价 |
| 2.2 人工神经网络 |
| 2.2.1 神经元 |
| 2.2.2 激活函数 |
| 2.2.3 人工神经网络结构 |
| 2.3 本章总结 |
| 第3章 基于FEDnet的沙漠随机噪声压制算法设计 |
| 3.1 卷积神经网络结构 |
| 3.1.1 卷积层 |
| 3.1.2 激活层 |
| 3.1.3 池化层 |
| 3.1.4 全连接层 |
| 3.2 DnCNN去噪结构及原理介绍 |
| 3.2.1 DnCNN去噪结构 |
| 3.2.2 DnCNN原理介绍 |
| 3.3 基于FEDnet的沙漠地震随机噪声压制方案设计 |
| 3.3.1 感受野 |
| 3.3.2 膨胀卷积设计 |
| 3.3.3 特征增强设计 |
| 3.3.4 损失函数 |
| 3.3.5 训练集 |
| 3.4 本章总结 |
| 第4章 实验结果与分析 |
| 4.1 网络分析 |
| 4.1.1 不同膨胀卷积网络对比 |
| 4.1.2 不同连接方法的对比 |
| 4.2 模拟记录处理结果 |
| 4.3 实际记录处理结果 |
| 4.4 本章总结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（7）基于深度学习的混合轮系齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 故障特征提取与信号处理方法 |
| 1.2.2 齿轮故障及复合故障诊断 |
| 1.2.3 人工智能在故障诊断中的应用 |
| 1.3 主要研究内容 |
| 第2章 基于深度学习的混合轮系齿轮复合故障诊断理论基础 |
| 2.1 引言 |
| 2.2 混合轮系齿轮箱故障分析 |
| 2.2.1 常见齿轮故障分类 |
| 2.2.2 引发齿轮箱故障的因素 |
| 2.2.3 齿轮复合故障特点 |
| 2.3 深度学习相关理论 |
| 2.3.1 深度学习发展历程 |
| 2.3.2 数据预处理 |
| 2.3.3 激活函数 |
| 2.3.4 过拟合处理方法 |
| 2.4 数据分类流程 |
| 2.4.1 前向传播 |
| 2.4.2 反向传播 |
| 2.4.3 权值更新 |
| 2.4.4 Softmax分类函数 |
| 2.4.5 损失函数 |
| 2.4.6 优化器算法原理 |
| 2.5 本章小结 |
| 第3章 试验方案与数据集制作 |
| 3.1 引言 |
| 3.2 试验技术路线 |
| 3.3 试验台简介 |
| 3.3.1 驱动模块 |
| 3.3.2 传动模块 |
| 3.3.3 采集模块 |
| 3.4 数据集介绍 |
| 3.4.1 信号处理方法 |
| 3.4.2 数据采集过程 |
| 3.4.3 样本集的制作 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络(CNN)的混合轮系齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 有监督学习理论 |
| 4.3 CNN基本结构 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.3.3 全连接层 |
| 4.4 CNN模型的构建 |
| 4.5 CNN模型工作原理与流程 |
| 4.6 试验结果及对比分析 |
| 4.6.1 CNN模型网络结构对比分析 |
| 4.6.2 CNN模型鲁棒性验证 |
| 4.6.3 CNN模型泛化能力验证 |
| 4.7 本章小结 |
| 第5章 基于卷积对抗神经网络(SCGAN)的混合轮系齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 无监督学习理论 |
| 5.3 生成对抗网络(GAN) |
| 5.4 半监督学习 |
| 5.4.1 SCGAN基本结构 |
| 5.4.2 SCGAN损失函数 |
| 5.4.3 SCGAN参数设置 |
| 5.5 SCGAN模型工作原理与流程 |
| 5.6 试验结果及对比分析 |
| 5.6.1 SCGAN各类特征图对比分析 |
| 5.6.2 SCGAN模型鲁棒性验证 |
| 5.6.3 SCGAN模型泛化能力验证 |
| 5.7 CNN与 SCGAN对比分析 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要结论 |
| 6.3 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于数据驱动的采煤机关键零部件故障诊断系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械故障诊断方法 |
| 1.2.2 采煤机故障诊断方法 |
| 1.2.3 存在的问题 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第2章 采煤机结构及故障分析 |
| 2.1 引言 |
| 2.2 采煤机结构 |
| 2.2.1 采煤机组成及工作方式 |
| 2.2.2 采煤机摇臂结构 |
| 2.3 采煤机故障分析 |
| 2.4 采煤机关键零部件智能融合故障诊断方法 |
| 2.5 本章小结 |
| 第3章 基于参数诊断的采煤机关键零部件故障诊断方法与实现 |
| 3.1 引言 |
| 3.2 采煤机传统故障诊断方法 |
| 3.3 采煤机关键零部件参数诊断方法 |
| 3.3.1 参数诊断原理 |
| 3.3.2 采煤机关键零部件参数诊断故障 |
| 3.4 采煤机关键零部件参数诊断方法的实现 |
| 3.4.1 数据存储 |
| 3.4.2 参数诊断法流程 |
| 3.4.3 参数诊断法的代码实现 |
| 3.5 采煤机参数诊断法验证实验 |
| 3.5.1 数据准备 |
| 3.5.2 实验过程 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于深度残差网络的采煤机摇臂齿轮箱故障诊断方法与实现 |
| 4.1 引言 |
| 4.2 深度残差网络故障诊断方法 |
| 4.2.1 深度残差网络原理 |
| 4.2.2 深度残差网络的优化 |
| 4.2.3 深度残差网络故障诊断模型的构建 |
| 4.3 采煤机摇臂齿轮箱深度残差网络故障诊断方法的实现 |
| 4.3.1 数据采集和存储 |
| 4.3.2 深度残差网络故障诊断流程 |
| 4.3.3 深度残差网络故障诊断的代码实现 |
| 4.3.4 深度残差网络故障诊断可视化 |
| 4.4 采煤机摇臂齿轮箱深度参数网络故障诊断方法验证实验 |
| 4.4.1 数据准备 |
| 4.4.2 实验评估方式 |
| 4.4.3 实验过程 |
| 4.4.4 实验结果和分析 |
| 4.5 本章小结 |
| 第5章 采煤机故障诊断系统实现与应用 |
| 5.1 引言 |
| 5.2 系统功能设计 |
| 5.2.1 系统整体框架 |
| 5.2.2 系统功能结构 |
| 5.3 系统开发 |
| 5.3.1 开发环境 |
| 5.3.2 系统实现 |
| 5.4 系统测试 |
| 5.4.1 测试原则 |
| 5.4.2 测试内容 |
| 5.4.3 测试方法和过程 |
| 5.4.4 测试结果 |
| 5.5 应用实例 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）三相电压源逆变器功率管开路故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 逆变器拓扑结构及故障分析 |
| 1.3 逆变器开路故障诊断研究现状 |
| 1.3.1 基于信号的方法 |
| 1.3.2 基于模型的方法 |
| 1.3.3 基于数据驱动的方法 |
| 1.3.4 诊断方法比较与总结 |
| 1.4 本文的主要内容及结构安排 |
| 2 基于电流矢量相位的故障诊断方法 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.3 电流矢量相位特征分析 |
| 2.3.1 健康状态 |
| 2.3.2 单管故障 |
| 2.3.3 单相故障 |
| 2.3.4 异相同侧双管故障 |
| 2.3.5 异相异侧双管故障 |
| 2.4 故障诊断方案 |
| 2.4.1 故障检测 |
| 2.4.2 故障定位 |
| 2.5 实验验证 |
| 2.5.1 多类型故障诊断 |
| 2.5.2 瞬态抗扰性分析 |
| 2.5.3 故障诊断的时间 |
| 2.5.4 与同类算法比较 |
| 2.6 本章小结 |
| 3 基于故障在线模拟的故障诊断方法 |
| 3.1 引言 |
| 3.2 混杂系统一般理论概述 |
| 3.2.1 混杂系统基本概念及特点 |
| 3.2.2 混杂系统建模方法与比较 |
| 3.3 基于混杂系统理论的三相电压源逆变器-电机系统建模 |
| 3.3.1 基于混杂自动机的电力电子电路一般建模步骤 |
| 3.3.2 三相电压源逆变器-电机系统运行机理 |
| 3.3.3 逆变器-电机系统的混杂模型 |
| 3.4 逆变器故障在线模拟诊断方法 |
| 3.4.1 故障检测 |
| 3.4.2 故障定位 |
| 3.5 仿真与实验验证 |
| 3.5.1 仿真结果 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 基于输出线电压残差分析的故障诊断方法 |
| 4.1 引言 |
| 4.2 输出线电压残差分析 |
| 4.3 故障诊断方案 |
| 4.4 仿真与实验验证 |
| 4.4.1 参数变化的影响 |
| 4.4.2 单管和双管故障 |
| 4.4.3 抗负载扰动性能 |
| 4.4.4 故障诊断的时间 |
| 4.4.5 与以往方法比较 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的故障诊断方法 |
| 5.1 引言 |
| 5.2 卷积神经网络的基础理论 |
| 5.2.1 卷积层 |
| 5.2.2 批标准化 |
| 5.2.3 激活层 |
| 5.2.4 池化层 |
| 5.2.5 舍弃层 |
| 5.2.6 全连接层 |
| 5.2.7 损失函数 |
| 5.3 基于ConvNet模型的故障诊断 |
| 5.3.1 故障数据集 |
| 5.3.2 网络的结构 |
| 5.3.3 超参数设置 |
| 5.3.4 验证与分析 |
| 5.4 基于ResNet模型的故障诊断 |
| 5.4.1 高斯白噪声 |
| 5.4.2 基本残差块 |
| 5.4.3 网络的结构 |
| 5.4.4 验证与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（10）基于注意力机制与深度学习的故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于模型的诊断方法 |
| 1.2.2 基于信号的诊断方法 |
| 1.2.3 基于知识的诊断方法 |
| 1.2.4 基于深度学习的诊断方法 |
| 1.3 本文主要研究内容与组织结构 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文组织结构 |
| 2 基于小波变换与二维卷积的轴承故障诊断方法 |
| 2.1 引言 |
| 2.2 基于连续小波变换的特征升维 |
| 2.2.1 小波变换简介 |
| 2.2.2 小波基函数选择 |
| 2.3 基于二维卷积神经网络的特征提取 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 损失函数和优化器 |
| 2.3.5 轴承故障诊断算法模型搭建 |
| 2.4 轴承故障诊断方法验证 |
| 2.4.1 CWRU数据集预处理 |
| 2.4.2 小波时频图数据集创建 |
| 2.4.3 故障诊断算法的训练与测试 |
| 2.5 本章小结 |
| 3 基于注意力机制的故障诊断方法改进研究 |
| 3.1 引言 |
| 3.2 故障诊断方法抗噪声干扰能力改进 |
| 3.2.1 小波基参量选择抑制噪声特征 |
| 3.2.2 多尺度特征提取增强抗噪能力 |
| 3.3 基于注意力机制的模型性能改进 |
| 3.3.1 通道注意力机制实现原理 |
| 3.3.2 基于通道注意力机制的特征融合 |
| 3.4 改进方法的性能测试 |
| 3.4.1 含噪声的测试样本准备 |
| 3.4.2 实验及结果分析 |
| 3.5 本章小结 |
| 4 基于深度学习的故障诊断方法加速技术研究 |
| 4.1 引言 |
| 4.2 基于一维卷积的轴承故障诊断算法 |
| 4.2.1 深度学习模型轻量化 |
| 4.2.2 算法的训练与应用 |
| 4.3 轴承故障诊断硬件加速技术 |
| 4.3.1 基于DMA的数据采集加速 |
| 4.3.2 基于FPGA的矩阵运算加速 |
| 4.3.3 IP核链接与功能集成 |
| 4.4 实验与分析 |
| 4.4.1 算法模型性能测试 |
| 4.4.2 硬件加速功能测试 |
| 4.5 本章小结 |
| 5 轴承故障诊断系统搭建与测试 |
| 5.1 引言 |
| 5.2 基于边缘计算的轴承故障诊断系统框架 |
| 5.2.1 系统整体架构设计 |
| 5.2.2 边缘诊断节点设计 |
| 5.2.3 云端监控平台设计 |
| 5.3 轴承振动实验平台搭建 |
| 5.3.1 硬件平台介绍 |
| 5.3.2 故障诊断技术流程 |
| 5.4 实验与分析 |
| 5.4.1 轴承振动试验台数据集准备 |
| 5.4.2 边缘节点诊断结果分析 |
| 5.4.3 云端节点诊断结果分析 |
| 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 |
| 攻读学位期间的研究成果 |
四、子波神经网络在故障诊断中的应用研究（论文参考文献）
- [1]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [2]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)
- [3]面向电力变压器油色谱数据特征参量的研究[D]. 解宵. 西安理工大学, 2021(01)
- [4]基于小波神经网络的输电线路故障诊断研究[D]. 陈皓. 安徽理工大学, 2021
- [5]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [6]基于特征增强去噪网络的沙漠地震资料噪声压制[D]. 安然. 吉林大学, 2021(01)
- [7]基于深度学习的混合轮系齿轮箱故障诊断方法研究[D]. 魏子涵. 太原理工大学, 2021(01)
- [8]基于数据驱动的采煤机关键零部件故障诊断系统[D]. 王萌. 太原理工大学, 2021(01)
- [9]三相电压源逆变器功率管开路故障诊断方法研究[D]. 陈涛. 北京科技大学, 2021(08)
- [10]基于注意力机制与深度学习的故障诊断方法研究[D]. 宋林. 西南科技大学, 2021(08)