一、质量信息获取及其在汽车故障诊断中的应用（论文文献综述）
赫修智[1]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中研究表明齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:（1）结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。（2）研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。（3）针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解（AVMD）方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数（SII）,在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。（4）针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法（LEASgram）。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。（5）针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除（MSANC）的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
杨静[2]（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。
范家铭[3]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中提出伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
黄玮[4]（2020）在《基于FA优化SOM-BP神经网络的混合动力汽车故障诊断》文中指出全球汽车产业的迅速发展带来了大气污染和能源消耗等问题,混合动力汽车成为解决该问题的有效方法之一。混合动力汽车的安全性和可靠性是保证驾乘人员人生安全和财产安全的重要因素,故障诊断技术通过分析混合动力汽车参数判断是否有故障发生。因此,有必要对混合动力汽车故障诊断技术进行深入研究。本文通过对混合动力汽车系统组成、故障类型和故障原因进行分析,并将智能算法应用到混合动力汽车故障诊断中,具体研究内容如下:（1）首先,简单介绍了混合动力汽车结构组成,并对常见故障及原因进行总结。研究了传统故障诊断方法与基于智能算法的故障诊断方法的优点和局限性。（2）针对混合动力汽车信息的冗余性,使用PCA（主成分分析法）对原始信息进行降维;针对汽车传统故障诊断方法的局限性以及混合动力汽车故障信息与类型的非线性映射问题,使用非线性处理能力强的神经网络进行故障诊断。阐述了基于SOM-BP（SOM神经网络与BP神经网络串联网络）神经网络进行故障诊断的算法流程,通过仿真验证方法的可行性。（3）针对SOM-BP神经网络的网络性能受到连接权值和阈值影响的问题,本文提出使用FA（萤火虫算法）对SOM-BP神经网络进行优化;分析了FA的基本思想和算法流程,构建基于FA优化SOM-BP神经网络的混合动力汽车故障诊断模型,并进行仿真,仿真结果验证该方法具有更高的准确度和快速收敛性。
党金金[5]（2020）在《基于信息融合的氢发动机故障诊断及优化控制》文中指出现如今全球化石燃料短缺,世界各国研究开发新型能源的任务迫在眉睫。氢气以其自身的清洁性和永久可再生性受到了社会各界的青睐,氢燃料取代常规的汽油、柴油用于发动机时具有很多的优点,但同时也存在着一定的问题,如它有着比汽油机低的输出功率、易发生回火、早燃等异常燃烧,氢发动机的异常燃烧现象将会影响其正常的运行生产。本文以信息融合技术为基础,展开的研究包括了:基于自组织映射神经网络（Self Organizing Maps,SOM）和多Agent系统融合的氢发动机早燃的诊断研究、基于蚁群-Fletcher-Reeves共轭梯度法（Ant Colony Optimization-CGF,ACO-CGF）融合的氢发动机早燃的优化控制研究、基于粒子群-BP神经网络（Particle Swarm Optimization-Back Propagation,PSO-BP）融合的氢发动机整体性能优化研究。具体而言,阐述了氢发动机的优点与异常燃烧的机理,以压力升高率为线索对氢发动机的早燃进行诊断并对其性能进行优化控制。本文的研究内容包括:1.对氢发动机早燃的现象采用SOM神经网络的方法进行诊断,对于轻度早燃的诊断结果,文中又采用基于多Agent系统对氢发动机的拓扑结构变化进行跟踪验证。根据验证结果可以得出训练的故障线路与所提供的样本数据出现的故障位置相吻合,该方法提高了诊断结果的准确性,克服了只诊断单一故障的局限。2.采用ACO-CGF融合对氢发动机全工况下的点火正时进行了优化,通过试验得出了最佳点火提前角的预测,成功构建了氢发动机的最佳点火MAP图,在不同的工况下采用所得到的最佳点火提前角能有效避免氢发动机早燃的发生,ACO-CGF训练训练的实际值与预测值的拟合度为0.99921,满足预期要求。3.采用PSO-BP信息融合通过改变喷氢方式的方法,探究不同转速下两种喷射方式（单路单次喷射和分路喷射）对氢发动机性能的影响,其训练的实际值与预测值的拟合度高达0.95592。且对比两种喷射方式可以得出采用分路喷射的喷氢方式可以提高气缸内的温度和压力,使得缸内混合气的放热率增大,燃烧持续期缩短,从而使氢发动机的动力性与经济性得到提高,但氮氧化物排放量将会增多,即排放性能降低。
张安逸[6]（2020）在《基于贝叶斯方法的汽车天窗制造过程异常问题分析》文中研究表明汽车天窗是一个较为复杂的汽车外饰系统,它由框架组,机械组、马达组、玻璃组和遮阳帘构成。如今,汽车天窗逐渐成为汽车的标准配置,汽车外饰的美观性以及功能性逐渐被人们重视,但是发生于汽车外壳的异常超过一半都是来源于汽车天窗,尤其是异响问题一直影响汽车使用者的驾驶体验,因此在汽车天窗不拆解的情况下,对所发生的故障做出及时准确的判断,判明故障部位、找出故障原因、提出故障解决办法,减少汽车天窗修理的盲目性就显得尤为重要了。在汽车天窗的故障诊断过程中,由于天窗结构的复杂性、检测系统的局限性和信息表达的不精确性,特别是对于汽车天窗此类复杂的诊断对象,其内部和部件之间可能存在着多种复杂形式的多源故障和相关故障,而故障现象与故障原因之间的因果关系并不一定确定,但它具有很强的不确定性和随机性,很难确定故障的真正原因。因此,传统的故障诊断技术越来越难以满足人们对复杂设备诊断的可靠性要求,这就要求我们探索一种有较强分析能力和解决不确定性问题的诊断方法,基于贝叶斯方法的贝叶斯网络在分析、解决不确定性因素上具有许多优点。汽车天窗生产过程中的质量控制对于提高成品率,降低成本具有重要意义,在汽车天窗制造行业中,由于人、机器、物料、制造方法、测量方式、环境因素等都会对最终的产品素质产生影响。所以传统的专家系统诊断分析方法的应用受到限制。针对这种情况,论文采用贝叶斯网络建立用于诊断汽车天窗生产中质量异常的诊断方法,利用天窗制造过程中的先验知识,结合需要诊断的异常征兆,为汽车天窗生产过程中的异常诊断提供思路。针对汽车天窗的工作原理及其故障征兆,采用了质朴型贝叶斯拓扑结构建立了汽车天窗系统故障信息贝叶斯网络模型,同时以粒子群算法和贝叶斯算法为理论基础,研究了贝叶斯网络结构、参数学习方法,并利用该方法实现了对汽车天窗网络诊断模型的在线式样本学习,然后通过应用实例分析验证了在线式贝叶斯网络故障诊断模型比传统的贝叶斯网络模型具有更高的故障诊断准确率,并在此基础上利用Matlab、VB等开发工具完成了对汽车天窗故障诊断系统对应模块的设计,最终将该系统应用于汽车天窗的故障诊断中。
陈志成[7]（2020）在《基于需求驱动的发动机故障诊断知识抽取与推送方法研究》文中指出随技术发展,发动机结构复杂性大幅提高,导致发动机保养维护和维修过程的难度大幅提升,对维修工程人员的知识水平提出了较高要求。企业里长期积累的故障诊断知识数据则成为维修工程人员的故障诊断处理活动的重要参考。然而,随着知识规模的不断扩张,在面对多源异构、数量庞大但缺乏有效组织的故障诊断知识数据时,维修工程人员在获取所需知识时变得十分困难。针对上述问题,本文提出一种基于需求驱动的发动机故障诊断知识抽取与推送方法,对发动机故障诊断文本数据的知识抽取、故障需求匹配及推送模型、算法和关键实现技术进行了相关研究。具体研究内容如下:（1）对发动机常见故障与诊断流程和发动机故障诊断知识文本数据特征进行分析,以发动机无法启动和发动机怠速不稳两类故障为例,研究了发动机常见故障的特点,并进一步研究了发动机故障诊断的流程,分析了流程中不同阶段对故障诊断知识的需求;另外,结合发动机常见故障的特点,研究了发动机故障诊断知识文本数据特征。分析结果表明:发动机故障类型繁杂,故障知识间往往存在强的耦合关系,故障诊断的知识需求随故障诊断的流程是不断变化的;（2）针对发动机故障诊断知识文本特点,构建了基于BERT-Bi LSTM-AttCRF深度神经网络的故障诊断知识命名实体模型和基于SVM机器学习方法的实体关系分类模型,对发动机加故障诊断知识文本进行了预处理,并提取知识文本的深度特征,完成故障诊断知识实体的序列标注,并在此基础上对知识实体关系进行分类,进而实现了故障诊断知识文本数据的知识抽取;（3）针对故障诊断过程中的动态知识需求,提出了基于需求驱动的故障诊断知识推送方法。构建了需求驱动的知识推送方法模型和故障诊断知识本体,并给出了基于本体描述的故障知识匹配方法和基于置信度连接的故障原因和故障处理方法推理方法;（4）搭建了汽车发动机故障诊断知识推送服务平台,分别实现了发动机故障诊断文本知识抽取、故障需求知识匹配和故障原因和故障处理方推理知识推送服务。本论文研究成果为实现发动机故障诊断知识按需推送提供了新的思路和方法,对提升发动机故障维修质量、提高维修效率、降低维修成本,具有较高的理论指导和实践意义。
刘森,张书维,侯玉洁[8]（2020）在《3D打印技术专业“三教”改革探索》文中研究说明根据国家对职业教育深化改革的最新要求,解读当前"三教"改革对于职教教育紧迫性和必要性,本文以3D打印技术专业为切入点,深层次分析3D打印技术专业在教师、教材、教法（"三教"）改革时所面临的实际问题,并对"三教"改革的一些具体方案可行性和实际效果进行了探讨。
庞彬[9]（2020）在《基于奇异谱分解的旋转机械故障诊断研究》文中研究指明旋转机械是许多工业设备不可或缺的功能单元,其运行状态直接影响生产的质量、效率和安全。开展旋转机械故障诊断技术研究,对于提高设备运行的可靠性和安全性具有重要意义。信号分解技术因其在处理非线性、非平稳信号方面的优良特性,被公认为是旋转机械故障诊断的最有效手段。本文针对奇异谱分解（SSD）这一新的自适应信号分解方法,开展了理论研究及旋转机械故障诊断应用研究。在深入分析SSD的算法特点的基础上,对其理论方法进行丰富和完善,为旋转机械关键元件的故障特征提取及模式识别问题探索有效的解决方案。论文的主要研究内容和创新点如下:（1）对SSD进行了分解特性研究及转子故障特征提取应用研究。分解特性研究方面,分析了 SSD的抗模态混叠性能和双谐波分解能力。分析结果表明:SSD能够有效克服“异常事件”引起的模态混叠问题,其双谐波分解能力优于经验模态分解（EMD）方法。转子故障特征提取方面,研究了基于SSD-HT时频分析的谐波故障检测方法。研究结果表明:SSD能够有效分离转子振动信号的特征分量,SSD-HT时频谱可精确呈现各分解分量的瞬时非平稳特征,为转子故障类型判定提供充分依据。（2）SSD将每次迭代分解的残余信号同原始信号的能量比作为分解迭代停止条件,故障诊断过程中无法预知最佳能量比阈值来确定合理的分解尺度。针对此问题,提出了一种优化奇异谱分解（OSSD）方法。此方法引入互相关系数作为SSD的迭代停止条件的补充判据和分量筛选准则,有效克服了能量比阈值设置不当所造成的过分解和欠分解问题,并减少了虚假分量,提高了分析稳定性。（3）如何克服环境噪声和振动谐波的干扰,以及如何实现复合故障特征的分离是旋转机械冲击故障特征提取的难点问题。为解决此问题,论文提出了一种基于增强奇异谱分解（ESSD）的微弱冲击故障检测方法。该方法通过在SSD分析中融入微分和积分算子,提升了 SSD对在信号中不占主导地位的微弱冲击特征分量的检测能力,以及对复合故障冲击信号的解耦能力。（4）研究了 SSD在变转速工况旋转机械故障特征提取中的应用。采用SSD-HT时频分析方法提取变转速工况的转子故障特征,另一方面将SSD结合转速变换（ST）提取变转速工况的滚动轴承故障特征。研究表明:转速缓变条件下,SSD依然具有良好的谐波故障检测和微弱冲击故障检测功能。（5）针对基于单通道信号的振动分析方法在故障特征提取中容易遗漏关键故障特征信息的问题,提出了复数奇异谱分解（CSSD）方法,实现了 SSD在复数域的拓展,构建出一种基于CSSD的同源信息融合故障诊断方案。实验分析表明:该诊断方案能够综合考虑双通道正交采样信号的故障特征差异,获取更全面的故障判定依据,提高了故障诊断效率。（6）针对旋转机械故障类型判定和故障程度评估问题,提出了一种基于层次瞬时能量密度离散熵（HIEDDE）和动态时间规整（DTW）的故障模式识别方法。HIEDDE同时融合了故障特征增强及信息评价环节,能够有效表征不同状态振动信号的特征差异,利用DTW对特征信息进行相似性度量可自动判定故障模式。实验分析表明:该方法在不依赖过多训练样本的条件下仍可保证较高的分析精度。论文的研究成果为旋转机械故障诊断过程中所涉及的谐波故障检测、微弱冲击故障检测、变转速时变故障特征提取、同源信息融合和故障模式识别等问题的研究提供了新的思路。
林月叠[10]（2020）在《基于局部均值分解的平行轴式汽车电驱动桥故障诊断方法研究》文中研究表明汽车保有量基数的不断增长,使得汽车各类故障问题日益突出,需要引起重视。汽车驱动桥受载复杂,长时间工作后零件不可避免地出现劣化,易引发故障影响车辆的安全与使用。因此,有必要对驱动桥的故障诊断方法进行研究。现代信号处理方法能够测取分析各类信号,并通过提取信号特征来判断故障现象,十分适合应用于汽车故障诊断领域。本文以一款平行轴式汽车电驱动桥为对象,研究局部均值分解（Local mean decomposition,LMD）的改进方法,将其与支持向量机（Support Vector Machine,SVM）相结合应用于电驱动桥的故障诊断之中,实现对齿面剥落、齿轮断齿、轴承内圈剥落、轴承外圈剥落以及正常5种状态的智能化识别。主要研究内容如下:首先陈述电驱动桥常见的故障类型,分析齿轮故障、轴承故障振动信号的调制特点。接着根据现有参数,利用Pro/E建立电驱动桥完整三维模型,通过ADAMS动力学仿真验证模了型的准确性。再利用Pro/E模拟出齿轮剥落、断齿、轴承内圈剥落、轴承外圈剥落四种故障类型,通过ADAMS动力学仿真获得相应的振动信号,供后续实验使用。对比了STFT、WT、WVD、HHT、LMD的信号处理效果,选用效果最好的LMD应用于汽车电驱动桥的故障诊断。对LMD的信号分解原理进行分析。对于LMD存在的不足,提出了相应的改进方法:提出一种基于匹配误差的四点波形延拓方法改善端点效应;提出分段有理样条插值法提高包络精度;应用自适应筛选终止条件来确定LMD分解的筛选次数;将综合特征指标与K-means聚类算法结合用于筛选“敏感分量”;研究了奇异值差分谱的降噪效果,将其作为信号LMD分解前的预处理方法。通过MATLAB仿真的形式,验证了改进方法的有效性。分析了SVM的分类原理。选用多尺度排列熵作为输入SVM的特征向量,并研究不同参数对于多尺度排列熵的影响。利用改进的LMD对电驱动桥故障信号进行分解并计算得到200组特征向量。采用粒子群算法优化SVM,对比SVM、PSO＿SVM和人工神经网络的分类结果,均能实现电驱动故障类型的智能化识别,而PSO＿SVM具有最高的分类精度。另外选用了实际的轴承故障数据进行重复实验,同样实现了故障类型的智能化识别。结果表明将改进的LMD与PSO＿SVM结合是一种有效的故障诊断方法,可以应用于汽车电驱动桥的故障诊断之中。
二、质量信息获取及其在汽车故障诊断中的应用（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、质量信息获取及其在汽车故障诊断中的应用（论文提纲范文）
（1）齿轮箱关键部件故障振动特征提取与分析（论文提纲范文）
| 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 |
| 1.2.1 基于振动信号处理技术的故障特征提取方法概述 |
| 1.2.2 自适应信号分解在故障特征提取中的研究现状 |
| 1.2.3 信号解调分析在故障特征提取中的研究现状 |
| 1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容及章节安排 |
| 第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮啮合振动的产生机理 |
| 2.3 齿轮故障振动建模与特征分析 |
| 2.3.1 齿轮的典型故障形式 |
| 2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
| 2.4 滚动轴承的振动产生机理 |
| 2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
| 2.5.1 滚动轴承的典型故障形式 |
| 2.5.2 滚动轴承的典型故障振动信号特征 |
| 2.5.3 滚动轴承局部冲击故障振动的数学模型 |
| 2.6 本章小结 |
| 第3章 齿轮箱故障试验系统设计及试验条件 |
| 3.1 引言 |
| 3.2 齿轮箱故障试验系统设计 |
| 3.2.1 试验台架搭建 |
| 3.2.2 振动数据采集系统 |
| 3.3 齿轮箱故障试验条件 |
| 3.3.1 齿轮故障设置 |
| 3.3.2 测点布置与试验工况 |
| 3.4 现有齿轮与滚动轴承故障试验台 |
| 3.4.1 CWRU滚动轴承故障模拟试验台 |
| 3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
| 3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
| 3.5 本章小结 |
| 第4章 滚动轴承故障振动信号自适应分解与特征提取 |
| 4.1 引言 |
| 4.2 变分模态分解的基本原理 |
| 4.2.1 模态的定义 |
| 4.2.2 变分模态分解的实现过程 |
| 4.2.3 变分模态分解的主要影响参数及局限性 |
| 4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
| 4.3.1 人工蜂群优化算法概述 |
| 4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
| 4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
| 4.4 滚动轴承故障仿真验证 |
| 4.4.1 滚动轴承局部冲击故障振动信号模型 |
| 4.4.2 AVMD与现有方法的对比分析 |
| 4.5 滚动轴承故障试验验证 |
| 4.5.1 滚动轴承故障模拟试验验证 |
| 4.5.2 滚动轴承加速寿命试验验证 |
| 4.6 本章小结 |
| 第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
| 5.1 引言 |
| 5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
| 5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
| 5.2.2 盲识别谱图类解调频带选取方法的局限性 |
| 5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
| 5.3.1 LEASgram的基本原理 |
| 5.3.2 LEASgram的实现步骤 |
| 5.4 齿轮故障仿真验证 |
| 5.4.1 齿轮故障振动信号模型 |
| 5.4.2 相同共振频率激励的齿轮故障仿真验证 |
| 5.4.3 不同共振频率激励的齿轮故障仿真验证 |
| 5.5 齿轮箱齿轮故障试验验证 |
| 5.5.1 单级齿轮箱齿轮故障试验验证 |
| 5.5.2 二级齿轮箱齿轮故障试验验证 |
| 5.6 本章小结 |
| 第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
| 6.1 引言 |
| 6.2 自参考自适应噪声消除 |
| 6.2.1 自参考自适应噪声消除原理概述 |
| 6.2.2 最小均方算法 |
| 6.2.3 归一化最小均方算法 |
| 6.3 改进自参考自适应噪声消除(MSANC) |
| 6.3.1 收敛因子的选取 |
| 6.3.2 滤波器长度和时延长度的选取 |
| 6.3.3 MSANC的实现步骤小结 |
| 6.3.4 MSANC与现有方法的有效性对比 |
| 6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
| 6.4.1 快速谱相关 |
| 6.4.2 多点最优最小熵解卷积 |
| 6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
| 6.5 齿根裂纹故障仿真验证 |
| 6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
| 6.5.2 仿真验证结果分析 |
| 6.6 二级齿轮箱齿轮故障试验验证 |
| 6.6.1 齿轮齿根裂纹故障试验验证 |
| 6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结与结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（2）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 |
（3）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于FA优化SOM-BP神经网络的混合动力汽车故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 汽车故障诊断发展与研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 汽车常见故障诊断方法 |
| 1.3.1 传统故障诊断技术 |
| 1.3.2 基于智能算法的故障诊断技术 |
| 1.4 本文主要研究内容 |
| 第二章 混合动力汽车故障诊断方法研究 |
| 2.1 混合动力汽车故障分析 |
| 2.1.1 混合动力汽车故障类型 |
| 2.1.2 混合动力汽车故障产生原因 |
| 2.2 智能算法 |
| 2.2.1 BP神经网络基本理论 |
| 2.2.2 SOM神经网络基本理论 |
| 2.2.3 仿生群智能算法 |
| 2.3 故障数据采集 |
| 2.4 本章小结 |
| 第三章 基于SOM-BP神经网络的混合动力汽车故障诊断 |
| 3.1 基于主成分分析法的故障数据处理 |
| 3.1.1 主成分分析法的基本思想 |
| 3.1.2 基于主成分分析法的故障数据处理 |
| 3.2 基于SOM-BP神经网络的混合动力汽车故障诊断方法 |
| 3.2.1 SOM-BP神经网络基本思想 |
| 3.2.2 基于SOM-BP神经网络的混合动力汽车故障诊断模型 |
| 3.3 基于SOM-BP神经网络的混合动力汽车故障诊断仿真分析 |
| 3.3.1 SOM-BP神经网络初始参数设置 |
| 3.3.2 仿真分析 |
| 3.4 本章小结 |
| 第四章 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断 |
| 4.1 FA算法简介 |
| 4.1.1 FA算法基本理论 |
| 4.1.2 FA算法流程 |
| 4.1.3 FA算法主要参数 |
| 4.2 FA算法优化SOM-BP神经网络 |
| 4.3 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断模型设计 |
| 4.3.1 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断流程 |
| 4.3.2 参数选择 |
| 4.4 基于FA优化SOM-BP神经网络的混合动力汽车故障诊断仿真 |
| 4.5 网络性能对比 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）基于信息融合的氢发动机故障诊断及优化控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景、目的及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究目的和意义 |
| 1.3 氢与氢燃料用于车辆的概述 |
| 1.3.1 氢的概述 |
| 1.3.2 氢燃料用于车辆的概述 |
| 1.4 发动机故障诊断的发展现状 |
| 1.5 本文主要研究内容 |
| 1.6 本章小结 |
| 2 基于信息融合的氢发动机异常燃烧的诊断 |
| 2.1 信息融合的概述 |
| 2.2 信息融合在故障诊断中的应用 |
| 2.3 氢发动机混合气形成及燃烧方式 |
| 2.4 氢发动机异常燃烧的分类和机理 |
| 2.4.1 氢发动机异常燃烧的分类 |
| 2.4.2 氢发动机异常燃烧的机理 |
| 2.5 异常燃烧的诊断原理与抑制策略 |
| 2.5.1 异常燃烧的诊断原理 |
| 2.5.2 异常燃烧的抑制策略 |
| 2.6 本章小结 |
| 3 基于SOM神经网络和多Agent系统的氢发动机早燃的诊断 |
| 3.1 试验系统 |
| 3.1.1 试验装置的介绍 |
| 3.1.2 电控系统 |
| 3.2 SOM神经网络和多Agent系统的介绍 |
| 3.2.1 SOM神经网络的概述 |
| 3.2.2 多Agent系统的概述 |
| 3.3 基于SOM神经网络和多Agent系统的氢发动机早燃的诊断 |
| 3.3.1 诊断模型的构建 |
| 3.3.2 氢发动机早燃诊断结果的分析 |
| 3.4 本章小结 |
| 4 基于ACO-CGF融合的氢发动机早燃的优化控制 |
| 4.1 点火提前角对发动机性能的影响 |
| 4.1.1 点火提前角对发动机动力性的影响 |
| 4.1.2 点火提前角对发动机经济性的影响 |
| 4.1.3 点火提前角对发动机排放性的影响 |
| 4.2 ACO-CGF算法的介绍 |
| 4.2.1 ACO算法概述 |
| 4.2.2 CGF算法概述 |
| 4.3 基于ACO-CGF的氢发动机早燃的优化控制 |
| 4.3.1 ACO-CGF优化模型的构建 |
| 4.3.2 试验结果与分析 |
| 4.4 本章小结 |
| 5 基于PSO-BP融合的氢发动机整体性能的优化控制 |
| 5.1 PSO-BP算法介绍 |
| 5.1.1 PSO算法概述 |
| 5.1.2 BP算法概述 |
| 5.2 PSO-BP优化模型 |
| 5.2.1 优化模型的构建 |
| 5.2.2 优化模型的参数设置 |
| 5.3 试验结果分析 |
| 5.3.1 动力性分析 |
| 5.3.2 经济性分析 |
| 5.3.3 排放性分析 |
| 5.3.4 试验结论 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 前景展望 |
| 攻读硕士学位期间参加的科研项目及发表的学术论文 |
| 致谢 |
| 参考文献 |
（6）基于贝叶斯方法的汽车天窗制造过程异常问题分析（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 故障诊断技术概述 |
| 1.2.1 故障诊断的过程 |
| 1.2.2 常规诊断方法 |
| 1.2.3 智能诊断方法 |
| 1.3 智能算法在故障诊断中的研究历史和现状 |
| 1.3.1 基于专家系统的智能诊断技术 |
| 1.3.2 基于神经网络的智能诊断技术 |
| 1.3.3 基于模糊逻辑的诊断方法 |
| 1.3.4 基于故障树分析的诊断方法 |
| 1.3.5 基于贝叶斯方法的诊断方法 |
| 1.4 贝叶斯网络在汽车故障诊断中的应用 |
| 1.5 本文的主要工作 |
| 第二章 贝叶斯网络构建研究 |
| 2.1 贝叶斯网络的基本理论 |
| 2.1.1 基本定义与定理 |
| 2.1.2 贝叶斯网络的图形描述 |
| 2.2 贝叶斯网络的特征 |
| 2.3 贝叶斯网络学习 |
| 2.3.1 贝叶斯网络结构学习 |
| 2.3.2 贝叶斯网络参数学习 |
| 2.4 贝叶斯网络推理 |
| 2.4.1 精确推理算法 |
| 2.4.2 近似推理算法 |
| 2.5 本章小结 |
| 第三章 基于贝叶斯网络的汽车天窗故障诊断模型 |
| 3.1 汽车天窗的信息融合 |
| 3.2 贝叶斯网络模型的建立 |
| 3.2.1 贝叶斯网络的建模一般步骤 |
| 3.2.2 贝叶斯网络节点及映射关系的确定 |
| 3.2.3 贝叶斯网络结构的确定 |
| 3.2.4 先验网络的节点概率计算 |
| 3.3 基于贝叶斯网络模型的汽车天窗故障诊断模型 |
| 3.3.1 汽车天窗异响诊断模型 |
| 3.3.2 汽车天窗漏水诊断模型 |
| 3.3.3 汽车天窗玻璃无法驱动诊断模型 |
| 3.4 本章小结 |
| 第四章 汽车天窗故障诊断贝叶斯网络学习 |
| 4.1 汽车天窗诊断模型贝叶斯网络结构学习 |
| 4.1.1 贝叶斯网络结构学习的修正规则 |
| 4.1.2 贝叶斯网络在线结构学习 |
| 4.1.3 汽车天窗贝叶斯网络结构学习算法选择 |
| 4.1.4 基于粒子群算法的贝叶斯网络结构学习 |
| 4.1.4.1 数据收集及征兆关联 |
| 4.1.4.2 多样本训练结果 |
| 4.2 汽车天窗贝叶斯网络参数学习 |
| 4.2.1 常见的参数学习方法 |
| 4.2.2 汽车天窗贝叶斯网络的参数学习 |
| 4.3 汽车天窗故障诊断的网络推理 |
| 4.4 本章小结 |
| 第五章 汽车天窗故障诊断专家系统的实现与应用 |
| 5.1 汽车天窗诊断系统整体设计 |
| 5.1.1 汽车天窗故障诊断系统的基本功能 |
| 5.1.2 汽车天窗故障诊断系统的整体结构 |
| 5.2 汽车天窗诊断模型的设计和实现 |
| 5.2.1 汽车天窗信息的获取 |
| 5.2.2 信息在贝叶斯网络结构中的表达 |
| 5.2.3 诊断推理模块 |
| 5.2.4 汽车天窗故障诊断系统的实现 |
| 5.3 诊断结果准确率对比 |
| 5.3.1 专家系统 |
| 5.3.2 静态贝叶斯诊断模型 |
| 5.3.3 学习后的贝叶斯诊断模型 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（7）基于需求驱动的发动机故障诊断知识抽取与推送方法研究（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 国内外研究现状 |
| 1.2.1 汽车发动机故障诊断知识抽取方法研究现状 |
| 1.2.2 汽车发动机故障诊断知识推送方法研究现状 |
| 1.3 论文研究内容 |
| 1.4 本论文结构安排 |
| 第二章 汽车发动机故障诊断知识特征分析 |
| 2.1 汽车发动机常见故障分析 |
| 2.2 发动机故障诊断知识文本数据特征分析 |
| 2.3 本章小结 |
| 第三章 汽车发动机故障诊断文本知识抽取 |
| 3.1 发动机故障诊断知识命名实体识别方法 |
| 3.1.1 发动机故障诊断知识命名实体识别模型建模 |
| 3.1.2 发动机故障诊断知识命名实体识别模型实现方法 |
| 3.1.3 实验设置与结果分析 |
| 3.2 基于机器学习的故障诊断知识实体关系抽取方法 |
| 3.2.1 基于SVM的故障诊断知识实体关系分类 |
| 3.2.2 实验设置与结果分析 |
| 3.3 本章小结 |
| 第四章 基于需求驱动的发动机故障诊断知识推送方法 |
| 4.1 基于需求的故障诊断知识推送方法 |
| 4.1.1 基于需求驱动的故障诊断知识推送方法建模 |
| 4.1.2 基于需求驱动的故障诊断知识推送流程建模 |
| 4.2 基于本体的发动机故障诊断知识的统一描述 |
| 4.3 基于本体描述的故障表现知识匹配方法 |
| 4.4 基于置信度连接算法的故障原因与故障处理方法推理 |
| 4.5 本章小结 |
| 第五章 发动机故障诊断知识提取与推送系统的设计实现 |
| 5.1 汽车发动机故障诊断知识提取与推送系统架构 |
| 5.1.1 汽车发动机故障诊断知识提取与推送难点 |
| 5.1.2 系统架构 |
| 5.2 平台开发环境 |
| 5.3 汽车发动机故障诊断知识提取与推送系统的实现 |
| 5.3.1 故障诊断知识抽取 |
| 5.3.2 故障诊断知识管理 |
| 5.3.3 故障诊断需求知识匹配推理 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A攻读硕士阶段的研究成果 |
（8）3D打印技术专业“三教”改革探索（论文提纲范文）
| 引言 |
| 1 3D打印技术专业“三教”面临的突出问题 |
| 1.1 师资团队的教学素养相对偏差 |
| 1.2 3D打印技术专业教材不成体系，资源匮乏 |
| 1.3 教法难以提升学生参与的主动性 |
| 2 3D打印技术应用专业“三教”改革措施 |
| 2.1 通过“名师引领、双元结构、分工协作”的准则塑造团队 |
| 2.1.1 依托有较强影响力的带头人，有效开发名师所具备的引领示范效果 |
| 2.1.2 邀请大师授教，提升人才的技术与技能水准 |
| 2.2 推进“学生主体、育训结合、因材施教”的教材变革 |
| 2.2.1 设计活页式3D打印教材 |
| 2.2.2 灵活使用信息化技术，形成立体化的教学 |
| 2.3 创新推行“三个课堂”教学模式，推进教法改革 |
| 2.3.1 采取线上、线下的混合式教法 |
| 2.3.2 构建与推进更具创新性的“三个课堂”模式 |
（9）基于奇异谱分解的旋转机械故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 故障诊断流程 |
| 1.2.2 故障特征描述 |
| 1.3 旋转机械故障诊断几个关键问题的研究现状 |
| 1.3.1 故障特征检测的研究现状 |
| 1.3.2 变转速故障分析的研究现状 |
| 1.3.3 同源振动信息融合的研究现状 |
| 1.3.4 故障模式识别的研究现状 |
| 1.4 论文主要研究对象 |
| 1.5 论文主要研究内容 |
| 第2章 奇异谱分解及其在转子谐波故障检测中的应用 |
| 2.1 引言 |
| 2.2 奇异谱分解的原理 |
| 2.2.1 SSA方法 |
| 2.2.2 SSD方法 |
| 2.3 SSD的分解特性研究 |
| 2.3.1 抗模态混叠性能分析 |
| 2.3.2 双谐波分解能力研究 |
| 2.4 SSD在转子故障谐波检测中的应用研究 |
| 2.4.1 SSD-HT时频分析方法 |
| 2.4.2 转子故障仿真信号分析 |
| 2.4.3 转子故障实验信号分析 |
| 2.4.4 汽轮机碰摩故障分析 |
| 2.5 本章小结 |
| 第3章 优化奇异谱分解方法 |
| 3.1 引言 |
| 3.2 基于能量比迭代停止条件的局限性分析 |
| 3.3 OSSD方法 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 第4章 ESSD及其在微弱冲击故障检测中的应用 |
| 4.1 引言 |
| 4.2 微分算子及其在信号处理中的作用 |
| 4.2.1 微分算子 |
| 4.2.2 微分算子对双谐波信号分析模型的影响 |
| 4.2.3 微分算子对于SIR的增强性能分析 |
| 4.3 积分算子及其在信号处理中的作用 |
| 4.4 ESSD方法 |
| 4.5 ESSD分解能力研究 |
| 4.6 仿真分析 |
| 4.7 实验分析 |
| 4.7.1 实验台介绍 |
| 4.7.2 圆柱滚子轴承内圈故障诊断 |
| 4.7.3 深沟球轴承复合故障诊断 |
| 4.8 工程应用 |
| 4.9 本章小结 |
| 第5章 SSD在变转速故障特征提取中的应用 |
| 5.1 引言 |
| 5.2 多分量时变非平稳仿真信号分析 |
| 5.3 基于SSD-HT时频分析的变转速转子故障诊断 |
| 5.4 转速变换 |
| 5.5 滚动轴承变转速故障诊断 |
| 5.5.1 故障诊断流程 |
| 5.5.2 仿真分析 |
| 5.5.3 实验分析 |
| 5.6 本章小结 |
| 第6章 CSSD及其在旋转机械故障诊断中的应用 |
| 6.1 引言 |
| 6.2 CSSD方法 |
| 6.2.1 CSSD的原理 |
| 6.2.2 CSSD的等效滤波特性 |
| 6.2.3 CSSD-HT时频分析 |
| 6.2.4 CSSD-HT包络解调分析 |
| 6.3 基于CSSD的旋转机械故障诊断方法 |
| 6.4 实验分析 |
| 6.4.1 转子碰摩故障分析 |
| 6.4.2 滚动轴承复合故障分析 |
| 6.5 本章小结 |
| 第7章 基于HIEDDE和DTW的故障模式识别 |
| 7.1 引言 |
| 7.2 基于SSD的IED分析 |
| 7.3 HIEDDE的原理 |
| 7.3.1 DE算法 |
| 7.3.2 HDE算法 |
| 7.3.3 HDE同MDE的性能对比 |
| 7.3.4 HIEDDE算法 |
| 7.4 DTW的原理 |
| 7.5 基于HIEDDE和DTW的故障模式识别 |
| 7.6 实验验证 |
| 7.6.1 齿轮箱故障实验分析1 |
| 7.6.2 齿轮箱故障实验分析2 |
| 7.7 本章小结 |
| 第8章 结论与展望 |
| 8.1 全文总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（10）基于局部均值分解的平行轴式汽车电驱动桥故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究对象 |
| 1.2 国内外研究现状 |
| 1.2.1 旋转机械故障诊断技术的发展和现状 |
| 1.2.2 基于局部均值分解的故障诊断研究 |
| 1.2.3 汽车驱动桥故障诊断技术的发展和现状 |
| 1.2.4 目前存在的主要问题 |
| 1.3 论文工作的目的和意义 |
| 1.4 论文课题支撑和研究内容 |
| 1.4.1 课题支撑 |
| 1.4.2 研究内容 |
| 第2章 汽车电驱动桥常见故障与模型 |
| 2.1 汽车电驱动桥常见故障 |
| 2.1.1 主减速器齿轮故障 |
| 2.1.2 电驱动桥轴承故障 |
| 2.1.3 其他故障 |
| 2.1.4 故障振动信号调制特征 |
| 2.2 平行轴式汽车电驱动桥仿真模型与故障模型 |
| 2.2.1 平行轴式汽车电驱动桥的结构与仿真模型 |
| 2.2.2 平行轴式汽车电驱动桥仿真模型的验证 |
| 2.2.3 平行轴式汽车电驱动桥的故障模型 |
| 2.3 常见时频分析方法对比 |
| 2.4 本章小节 |
| 第3章 局部均值分解及其改进方法研究 |
| 3.1 局部均值分解理论 |
| 3.2 端点效应及其改进方法 |
| 3.2.1 端点效应 |
| 3.2.2 基于匹配误差的四点波形延拓方法 |
| 3.3 分段有理样条插值法 |
| 3.3.1 有理样条(Rational spline)函数 |
| 3.3.2 分段有理样条插值 |
| 3.4 自适应筛选终止条件 |
| 3.5 敏感分量筛选 |
| 3.5.1 综合特征指标 |
| 3.5.2 K-means聚类算法 |
| 3.5.3 敏感分量筛选实例分析 |
| 3.6 奇异值差分谱降噪 |
| 3.6.1 奇异值差分谱降噪 |
| 3.6.2 仿真信号分析 |
| 3.6.3 SVD预处理的LMD故障分析 |
| 3.7 本章小节 |
| 第4章 电驱动桥故障诊断方法研究 |
| 4.1 汽车机械故障诊断中的SVM理论 |
| 4.2 特征向量 |
| 4.2.1 多尺度排列熵 |
| 4.2.2 不同参数对多尺度排列熵的影响 |
| 4.3 基于改进LMD与 PSO_SVM的汽车电驱动桥故障诊断方法 |
| 4.3.1 基于改进LMD的特征向量提取 |
| 4.3.2 基于PSO优化的SVM |
| 4.3.3 基于PSO_SVM的汽车电驱动桥故障分类 |
| 4.4 本章小节 |
| 第5章 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果 |
四、质量信息获取及其在汽车故障诊断中的应用（论文参考文献）
- [1]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [2]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
- [3]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [4]基于FA优化SOM-BP神经网络的混合动力汽车故障诊断[D]. 黄玮. 合肥工业大学, 2020(02)
- [5]基于信息融合的氢发动机故障诊断及优化控制[D]. 党金金. 华北水利水电大学, 2020(01)
- [6]基于贝叶斯方法的汽车天窗制造过程异常问题分析[D]. 张安逸. 华东理工大学, 2020(01)
- [7]基于需求驱动的发动机故障诊断知识抽取与推送方法研究[D]. 陈志成. 昆明理工大学, 2020(05)
- [8]3D打印技术专业“三教”改革探索[J]. 刘森,张书维,侯玉洁. 数码世界, 2020(04)
- [9]基于奇异谱分解的旋转机械故障诊断研究[D]. 庞彬. 华北电力大学(北京), 2020
- [10]基于局部均值分解的平行轴式汽车电驱动桥故障诊断方法研究[D]. 林月叠. 武汉理工大学, 2020(08)