一、设备诊断技术的发展趋势（论文文献综述）
闫斌斌[1]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中指出叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
姜俊玲[2]（2021）在《农业机械故障诊断技术研究进展与趋势》文中研究说明科学技术的发展和进步,我国农业发展的现代化水平在不断提升,农业机械的精密程度也越来越复杂,如含有传感器的收割机、播种机,还有红外湿度监测技术的应用等,很多先进的技术在农业机械中得到了广泛的应用,在很大程度上提升了农业生产效率,同时也对农业机械故障诊断监测技术提出了更高的要求,农业机械一旦出现故障,会影响到农业生产顺利进行,也会因设备损坏带来修理费用等。因此,在农业机械设备运行中,必须重视做好监测和诊断工作,并及时采取相关措施降低损失,确保机械设备的安全,促进农业的现代化发展水平。文章主要分析了我国农业机械故障诊断技术研究进展及发展趋势。
杨彦军[3]（2021）在《基于多维监测的风电齿轮箱动态预警及应用研究》文中研究指明齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:（1）针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析（Kernel Principal Component Analysis,KPCA）以及T2和平方预测误差（Square Prediction Error,SPE）统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）的状态变量和状态监测系统（Condition Monitoring System,CMS）的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。（2）通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归（Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR）的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。（3）将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解（Variational Mode Decomposition,VMD）和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解（Emprical Mode Decomposition,EMD）和集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。（4）为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
韩璐[4]（2021）在《制造企业供应链数字化转型机理与决策模型》文中指出在数字化时代,零售商、分销商以及最终消费者对供应链的期待越来越高。为了满足客户需求并帮助企业实现数字化运营,供应链管理需要进行数字化转型。然而,对于生产环节众多、管理内容复杂的制造企业来讲,供应链的数字化转型是一项极为艰难的任务。转型方案与业务需求脱节、转型管理效率低下等原因致使很多实践以失败告终。关于制造企业供应链的数字化转型问题,目前行业和学术界的研究成果往往将管理、技术以及组织支持相混淆,对转型驱动要素、转型机理、转型研究方法以及转型管理方案尚无清晰的认识和有效的建议。针对这一现状,本文从管理层面对以上不足展开深入研究,帮助制造企业对供应链数字化转型形成理论认识与进行科学管理。本文从制造企业供应链数字化转型的难点出发,以供应链管理理论、信息管理理论和系统工程理论为理论基础,提出制造企业供应链数字化转型的三个关键驱动要素,即数据管理（对数据资源的获取与管理）、信息融合（对信息到相关决策点的可达性管理）以及智能优化（对数字化供应链管理点的系统性优化）,构建转型驱动机理概念模型,并分析运作管理中三个驱动要素的内在联系,对制造企业供应链数字化转型的管理思想进行系统阐述,所提出的观点得到了上市公司真实数据的实证支持。另外,本文提出了制造企业供应链数字化转型驱动要素的研究方法,为驱动要素的深入研究提供思路指导。基于所提出的制造企业供应链数字化转型机理和转型驱动要素研究方法,本文对每一个驱动要素展开了进一步研究。首先为驱动要素构建完整的管理内容体系,帮助制造企业明确驱动要素的管理范围。然后针对驱动要素关键问题的管理需求构建决策模型,依据建模结果制定驱动要素的管理方案。最后结合驱动要素的数字化属性,提出管理方案中不同对象的管理策略,帮助企业实现驱动要素的高效管理。实例分析章节的模型计算结果表明,本文所提出的数据管理决策模型对数据的相对重要性具有良好的区分度,所提出的信息融合仿真模型对信息的关联性具有良好的识别能力,所提出的智能优化决策模型对决策效用的提升具有良好的规划能力。本文的创新成果主要体现在3个方面:（1）阐明了制造企业供应链数字化转型驱动机理。现有研究供应链数字化转型影响因素尚不完整或者分散于人力资源等供应链管理之外的领域,对供应链数字化转型中的管理分析不够聚焦与完善,缺乏综合性研究视角。为了分析制造企业供应链数字化转型管理问题,本文从供应链管理的本质出发,结合数字化特点与信息管理学理论,对制造企业供应链数字化转型的影响因素进行分析和归纳,系统性地提出了制造企业供应链数字化转型的驱动要素——数据管理、信息融合以及智能优化,构建了转型驱动机理概念模型,探讨了驱动要素的运作机理与递进关系,从理论角度阐明了制造企业供应链数字化转型的基本原理,并且通过上市公司的真实数据,使用Malmquist指数法和回归分析法对所提出的驱动要素和驱动机理进行验证,进一步证明了本文所提出驱动要素和驱动机理的有效性。（2）构建了制造企业供应链数字化转型数据管理决策模型。现有文献对于制造企业供应链数字化转型中数据管理方面的讨论多为定性分析,没有考虑投入产出效率问题。为了提升数据管理效率、有效分配企业资源和精力,本文针对数据管理的方案制定问题,建立了数据管理体系,构建了基于DEMATEL方法和HOQ方法的数据管理决策模型,从信息需求决定数据需求的角度,对数据的相对重要性进行区分,依据结果提出数据的分级管理方案,并且结合数据管理的数字化属性提出不同分级中数据的管理建议,从而实现对制造企业供应链数字化转型中数据的高效管理。（3）构建了制造企业供应链数字化转型智能优化决策模型。以往对于制造企业供应链数字化转型中管理决策方面的研究多为单一管理点的决策效率提升,没有考虑所有管理点的整体决策效率问题。为了系统性地提升智能优化的决策效率,以及帮助企业在有限的计算能力与众多优化需求之间取得平衡,本文针对智能优化的路径规划问题,建立了智能优化体系,构建了基于ISM方法和NK模型的智能优化决策模型,从系统结构、优化目标、决策效用三个角度对所构建的智能优化分析系统进行建模与仿真,求解出提升整体决策效用的最佳优化路径作为智能优化的路径方案,从而实现对制造企业供应链数字化转型智能优化的高效管理。本研究针对制造企业供应链数字化转型缺乏理论指导的问题提出了转型驱动机理;针对转型驱动要素管理的深入研究问题形成了转型驱动要素研究方法;针对转型管理内容零散不全问题构建了驱动要素的内容体系与架构;针对转型管理效率问题分别构建了转型驱动要素决策模型与管理方案。综上所述,本文从管理与决策的角度为制造企业供应链数字化转型建立了一套完整的基本思想和管理方案,有利于构建制造企业供应链数字化转型理论;有利于建立制造企业供应链数字化转型管理体系;并且有利于提升制造企业供应链数字化转型管理效率。
郝伟[5]（2021）在《基于PHM技术的高速动车组关键部件智能检修理论与方法研究》文中研究指明随着我国高速动车组运行速度的提高和运用规模的增长,动车组运营安全和保障技术挑战日趋突出。故障预测与健康管理（Prognostics and Health Management,PHM）作为一种设备健康管理技术,可以实现设备状态监控、异常预测、故障诊断、维修预测和维修决策等功能。为了提升高速动车组安全保障能力、降低检修成本、提高检修效率,本文将高速动车组检修业务和PHM技术深度融合,探索基于PHM技术的高速动车组关键部件智能检修理论与方法。重点研究基于风险预判防范的部件状态预测、故障诊断技术,以及基于固定修程计划预防的部件维修预测和维修决策技术,为动车组检修模式从“计划修”向“计划修+预测性维修”转变提供理论依据和技术支撑。主要研究内容包括以下四个方面:（1）针对高速动车组关键部件服役环境复杂、故障模式多样背景下的状态异常预测问题,提出一种在线监测与多隐藏层神经网络预测相结合的方法。该方法对高速动车组关键部件轴承开展状态在线监测,采集动车组齿轮箱轴承、牵引电机驱动端轴承等8类关键位置累计约30000公里样本数据,分析不同温度条件、不同运行状态各区间的轴承温度变化规律,研究轴承温度与时间、行驶特征的相关性,通过多隐藏层神经网络预测方法预判部件健康状况。实验结果表明,与常见方法相比,轴承温度预测精度提升显着,MAPE均在3%以内,RMSE在1以内。（2）针对高速动车组关键部件故障样本数据少导致的识别精度问题,提出一种面向非均衡数据的优化在线序贯极限学习机故障诊断方法。该方法采用K-Means SMOTE方法和基于欧氏距离的欠采样方法重构样本数据集,并利用非均衡数据分类评价函数作为适应度函数,全局寻优故障诊断模型参数,构建故障诊断模型。同时,准确分类的数据作为序贯样本持续更新诊断模型。以实际运营的动车组轴箱轴承数据为样本进行验证,结果表明,与已有方法相比,G-mean值提高了6.9%以上,F1-measure值提高了9%以上。（3）针对高速动车组高级修计划中的运行里程难以预测的问题,提出一种基于经验模态分解与优化深度学习的里程预测算法。该方法采用经验模态分解方法将里程时间序列分解为高低频时间序列,通过构建优化深度置信网络预测模型计算里程预测结果,实现对高级修时间窗的预测。以动车组3年的运行数据为样本,分析样本周期对预测结果的影响,确定里程预测模型的样本周期,实验结果表明,所提方法相对于传统预测方法,MSE降低23.9%以上,MAE降低22%以上,RMSE降低12.7%以上,可作为编制动车组高级修计划的有效依据。（4）针对检修需求非均衡导致的检修资源空置和挤兑、动车组利用率低等问题,提出一种基于粒子群算法的高级修计划优化方法。该方法综合分析动车组高级修计划的影响因素,建立基于损失里程、检修能力和节假日检修天数的高级修计划评价指标,并将评价指标作为粒子群算法适应度函数,构建高级修计划优化模型,全局寻优检修计划方案。实验结果表明,所提方法与传统高级修计划编制方法相比,评价指标降低35.9%,编制耗时大幅减少。本文从关键部件安全保障和能力保持两个方面展开研究,构建智能检修模型,通过动车组实际运营数据和真实业务场景,验证了所提方法的有效性。本文包含图70幅,表35个,参考文献153篇。
李鑫[6]（2021）在《铁路机车设备画像理论及关键技术研究》文中指出铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
武乐[7]（2021）在《SG公司远程运维服务质量评价及提升对策研究》文中提出物联网技术将销售后的产品与其制造商连接起来,对销售后的产品进行远程运维服务,开启了制造企业服务化的新时代。远程运维服务是在与客户在不接触的情况下,为客户提供设备的诊断、维修、养护等功能的服务。SG公司在服务化转型过程中通过为其生产的设备安装智能监测软件,来为客户企业提供基于数据的远程运维服务。这一业务大大提升了公司的产品市场占有率,也为企业创造了可观的盈利来源。服务质量是远程运维服务业务持续发展的命脉,但公司目前缺乏一套系统科学的远程运维服务质量评价体系,不能满足客户对服务质量不断改善的诉求需要。因此,企业迫切需要为其建立一套系统科学的远程运维服务质量评价体系,发现其服务质量中的不足以便公司能够通过评估不断来提高企业的远程运维服务质量和客户满意度。本文以SG公司为研究对象,综合运用远程运维服务及服务质量评价等相关理论,采用基于层次分析法和熵值法的模糊综合评价法,对SG公司远程运维服务的服务质量进行综合评价,并提出相应的提升对策。首先,通过对远程运维服务及服务质量评价相关文献的梳理,厘清了远程运维服务概念的内涵和特征;其次,通过对SG公司的实地调研及相关人员的访谈,明确了企业远程运维服务质量评价的现状及存在问题;然后,基于B2B情境下的服务质量评价INDSERV模型,结合远程运维服务的特征以及企业的实际情况,构建了 SG公司远程运维服务质量评价指标体系,其中包含4个一级指标,22个二级指标。进一步地,运用层次分析法计算了指标的主观权重,运用熵值法计算指标的客观权重,进而确定出各评价指标的综合权重;接着,根据所构建的评价指标体系,结合模糊综合评价法对SG公司的远程运维服务质量做出评价,并依据对评价结果的分析发现了 SG公司目前远程运维服务质量的短板和不足;最后,针对这些不足提出了相应的改进对策建议。本文的研究为SG公司远程运维服务质量的系统科学评价提供了具有可操作性的评价模型,所提出的对策建议有助于SG公司提升其远程运维服务的服务质量,从而提高客户企业的满意度和可持续竞争优势。同时,本文的研究对于其他制造企业远程运维服务质量的评价和提升也具有参考价值。
杨楠[8]（2020）在《汽轮机智能诊断与健康管理关键技术研究》文中研究说明随着“中国制造2025”、“互联网+”、“新一代人工智能发展规划”等国家战略的提出,在人工智能技术的推动下,智慧电厂成为能源企业未来趋势。智能诊断与健康管理（Intelligent Diagnosis and Health Management,IDHM）技术,更是需要新一代人工智能技术的融入,用以辅助提高电厂对设备运行、诊断、维护的效率。当前关于故障诊断与维修决策的相关研究繁多,且各有特点。另一方面,又缺乏针对复杂系统构建IDHM技术体系的研究。导致当前各种新技术、新方法不能有效的被电厂认识和应用。由其是对汽轮机这类重大设备,其本身具有故障模式复杂、监测信息少、故障样本稀缺、诊断知识祭奠丰富等特点,需要有针对性的运用IDHM技术解决传统问题,同时,灵活的运用经验知识使IDHM技术更具智慧。因此,本文立足于IDHM是辅助运维人员发现异常、排除故障、降低风险的初衷,以汽轮机组这类重大设备为例,在总结其故障诊断难点问题的基础上,开展综合利用经验知识和机器学习的IDHM关键技术研究。首先,结合汽轮机组故障诊断与维护过程中经验知识依赖性强、知识重用性高、知识数据非结构化等特点,基于设备树分析、故障模式与影响分析和故障树分析方法,总结了故障机理的分析方法和步骤。基于知识图谱和本体理论,对具有复杂关系结构的诊断知识,提出了故障诊断知识图谱的构建流程。并以核电汽轮机例,建立了故障诊断知识图谱。通过采用知识图谱对诊断知识进行存储和表达,减少了系统中知识数据的冗余,提高了IDHM系统对知识数据的管理效率。其次,在总结汽轮机故障诊断常用的状态数据故障特征的基础上,对趋势型征兆和频谱型征兆的识别方法进行了研究。提出了一种与经验相结合的序列数据趋势特征量化方法,弥补了以往汽轮机故障诊断中对趋势型征兆识别方法的不足。基于汽轮发电机组振动故障发生时,激振力在非线性系统中传播的原理,提出了一种基于提取振源方向的频谱识别方法,相比传统方法,频谱识别准确率得到较大提高。本文基于汽轮机故障机理知识开展的征兆识别方法研究,弥补了当前汽轮机故障诊断中对趋势型征兆和频谱识别的不足,有助于IDHM系统实现自动征兆识别,提高系统诊断效率。再次,为了弥补征兆识别方法存在误报率和漏报率的情况,以及机器学习方法无法进行知识推理,得到故障原因和维修建议的缺陷,本文对故障隔离、故障诊断和故障严重程度评估方法进行了研究。本文提出了基于图数据库搜索技术的故障隔离方法,以解决由于测点冗余、征兆信息过剩、诊断知识重用造成的诊断目标范围过大的问题。通过故障隔离,也极大的缩小了后续故障诊断的目标范围。为进一步推理故障发生可能性,在提出故障因果网络概念的基础上,将知识图谱中的故障诊断知识转化为可进行模糊推理的贝叶斯网络（Bayesian Network,BN）诊断模型。基于在线征兆和人工排查信息实现了诊断系统与维修人员工作的交互式推理。为综合评估设备当前运行风险水平和优化故障排查顺序,提出了故障链严重程度计算方法,从多个角度综合评估诊断网络中的可能故障链,使维修建议可在较少维修次数下快速降低设备运行风险水平。最后,本文在上述研究的基础上,通过对核电汽轮机IDHM样机系统的开发,设计和开发了 IDHM系统的架构、数据仓库以及各主要功能,使各项技术在功能和数据流转方面得以有效的融合。通过样机系统的开发与测试,验证了本论文研究内容的可行性与有效性。
曾诚[9]（2019）在《基于web的卷烟厂动力关键设备故障诊断专家系统设计》文中进行了进一步梳理随着工业自动化与智能化快速发展,生产过程中提供能源的动力设备发生故障概率增加,动力设备故障诊断过程复杂性增加。传统的故障诊断方式主要依靠维修人员的技术水平和工作经验,故障诊断精确度不高,维修效率低,难以满足现代企业要求。本文将时间序列预测方法和模糊综合评判方法引入到动力设备故障诊断中,通过研究BP神经网络技术与模糊综合评判的相关理论,设计并实现了基于web的卷烟厂动力关键设备故障诊断专家系统。本文主要研究内容如下:（1）开展时间序列预测算法分析。对移动平均法、指数平滑法、ARMA模型、BP神经网络和改进的BP神经网络等五种预测模型进行了研究分析,分析了各种预测模型的特点及实现方法。（2）对模糊综合评判方法进行研究。针对一级模糊综合评判模型的不完善之处,开展了基于二级综合模糊综合评判模型的研究并设计了基于模糊综合评判的故障诊断案例。（3）对动力系统关键设备——锅炉和空压机进行故障诊断研究。基于采集的设备故障数据和收集的维修经验,针对工况数据进行预测,挖掘数据的潜在规律,为故障诊断推理提供依据。（4）依托.NET开发平台,设计并实现基于web的故障诊断系统。基于.NET平台,根据系统的功能结构分析,设计故障诊断系统的用户系统和用户界面,并对系统进行测试。实验结果表明,本文所设计的动力设备故障诊断系统具有良好的准确性,能够满足实际需求。
朱毅[10]（2019）在《齿轮箱运行状态综合诊断平台设计与开发》文中研究指明随着机械设备在工业领域的普及,齿轮箱作为必备传动机构也愈发重要,它直接关系机械设备能否正常运转。一般工厂通过定时检修的方式对齿轮箱进行维护,缺乏设备状态在线监测、智能评价诊断的手段。因此,本文借由江苏省泰隆集团“减速机监测实验平台”项目支持,满足企业对于其运行状态评估的现实需求,研究设计了针对齿轮箱监测和诊断的平台系统,以温度、振动等多源指标实时监控齿轮箱运行状况,通过指标数据完成其设备状态评价,并基于专家系统对异常进行诊断与反馈。首先,根据所要监测的指标,完成数据采集方案的设计,对系统整体架构与功能模块进行分析。按照对应分析结果,设计相应数据库,实现数据信息分类储存统计。接着基于J2EE平台及MVC架构完成系统的开发,通过ECharts完成指标数据的可视化。而后,对设备运行状态评价展开研究,引入设备可拓评价的方法,通过建立物元模型,计算优度值确定设备状态等级。其中,设备指标权重分别通过主观的层次分析法与客观的灰色关联度法综合计算得到。最后,建立基于Jess规则引擎的专家系统,完成故障诊断工作,同时完成对系统每个模块实际界面的综合展示。专家诊断系统分为两个方面:常规数据（温度、噪音...）依靠孤立森林算法（Isolation Forest）完成其异常程度计算,之后化为可信度因子后进行故障推导;非常规数据通过建立证据事实矩阵,与故障模糊矩阵进行贴近度匹配计算,录入非常规性规则库后进行综合判断。
二、设备诊断技术的发展趋势（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、设备诊断技术的发展趋势（论文提纲范文）
（1）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（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 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）农业机械故障诊断技术研究进展与趋势（论文提纲范文）
| 一、农业机械设备故障诊断技术现状分析 |
| （一）时域信号分析诊断技术 |
| （二）频域信号诊断分析技术 |
| （三）时频域信号分析技术 |
| （四）智能诊断技术 |
| （五）在线实时故障诊断系统 |
| 二、农业机械设备故障诊断技术发展趋势分析 |
| （一）通用诊断技术 |
| （二）智能化技术的应用 |
| （三）多种技术协调发展 |
| 三、农业机械设备诊断技术发展趋势 |
| （一）智能化程度越来越高 |
| （二）运用范围更加广泛 |
| （三）带动农业技术的革新 |
| （四）诊断时效性、准确率越来越高 |
| 四、结语 |
（3）基于多维监测的风电齿轮箱动态预警及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
| 1.2.2 风电齿轮箱在线监测系统发展现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第2章 风电机组状态参数分析与选取 |
| 2.1 引言 |
| 2.2 风电机组基本组成及齿轮箱结构特点 |
| 2.2.1 风电机组基本组成 |
| 2.2.2 齿轮箱结构特点 |
| 2.2.3 齿轮箱常见故障类型 |
| 2.3 状态参数分析及预处理 |
| 2.3.1 状态参数分析 |
| 2.3.2 状态参数预处理 |
| 2.4 状态参数相关性分析 |
| 2.4.1 相关性分析方法 |
| 2.4.2 齿轮箱温度关联参数的相关性分析 |
| 2.4.3 季节因素对状态参数的影响分析 |
| 2.5 风电齿轮箱振动监测分析 |
| 2.5.1 常规监测指标 |
| 2.5.2 行星轮系故障特征频率 |
| 2.6 本章小结 |
| 第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
| 3.1 引言 |
| 3.2 KPCA分析方法及异常检测指标 |
| 3.2.1 核主元成分分析(KPCA) |
| 3.2.2 基于KPCA方法的异常检测指标 |
| 3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
| 3.3.1 健康机组选取 |
| 3.3.2 滑动窗口模型 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱正常状态分析 |
| 3.4.2 齿轮箱异常状态分析 |
| 3.4.3 假数据注入攻击分析 |
| 3.4.4 多维监测分析 |
| 3.5 本章小结 |
| 第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
| 4.1 引言 |
| 4.2 基于IALO-SVR的预测方法 |
| 4.2.1 SVR方法 |
| 4.2.2 ALO算法 |
| 4.2.3 ALO算法的参数优化 |
| 4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
| 4.3.1 输入输出模型结构 |
| 4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
| 4.3.3 模型验证 |
| 4.3.4 季节因素对齿轮箱油温预测的影响分析 |
| 4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
| 4.4.1 滑动窗的残差统计方法 |
| 4.4.2 残差的统计特性分析 |
| 4.5 本章小结 |
| 第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变分模态分解算法 |
| 5.2.1 算法原理 |
| 5.2.2 VMD算法过程 |
| 5.3 VMD分解性能分析 |
| 5.3.1 多谐波信号分析 |
| 5.3.2 含高频间歇扰动的信号 |
| 5.3.3 多分量调幅-调频信号 |
| 5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
| 5.4.1 启动限速运行模式 |
| 5.4.2 最大功率跟踪运行模式 |
| 5.4.3 额定功率运行模式 |
| 5.5 本章小结 |
| 第6章 风电场多维度智能监测系统设计与实现 |
| 6.1 引言 |
| 6.2 系统整体结构设计 |
| 6.3 系统硬件设计及安装 |
| 6.3.1 传感器布置方案 |
| 6.3.2 数据采集单元及无线网络部署 |
| 6.4 系统软件设计 |
| 6.4.1 客户端子系统设计 |
| 6.4.2 服务端系统设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）制造企业供应链数字化转型机理与决策模型（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 文献综述 |
| 1.2.1 企业供应链数字化转型相关概念 |
| 1.2.2 企业供应链数字化转型的因素分析 |
| 1.2.3 企业供应链数字化转型思路 |
| 1.3 研究意义 |
| 1.4 范围界定 |
| 1.4.1 研究层面界定 |
| 1.4.2 企业类型界定 |
| 1.4.3 供应链管理范围与成员地位界定 |
| 1.4.4 词汇用语简写 |
| 1.5 研究内容、方法与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究方法 |
| 1.5.3 技术路线 |
| 1.6 本章小结 |
| 2 相关基础理论与方法 |
| 2.1 基础理论 |
| 2.1.1 供应链管理理论 |
| 2.1.2 信息管理学理论 |
| 2.1.3 系统工程理论 |
| 2.2 模型方法 |
| 2.2.1 统计分析方法 |
| 2.2.2 复杂系统分析方法 |
| 2.2.3 仿真分析法 |
| 2.3 本章小结 |
| 3 制造企业供应链数字化转型机理分析 |
| 3.1 制造企业供应链数字化转型问题分析 |
| 3.1.1 供应链的数字化转型业务需求 |
| 3.1.2 供应链数字化转型内涵与目标 |
| 3.1.3 供应链数字化转型基本原则 |
| 3.2 制造企业供应链数字化转型驱动要素及概念模型 |
| 3.2.1 供应链数字化转型难点 |
| 3.2.2 供应链数字化转型驱动要素提出 |
| 3.2.3 供应链数字化转型驱动机理概念模型 |
| 3.2.4 供应链数字化转型驱动要素运作管理 |
| 3.3 制造企业供应链数字化转型驱动机理实证检验 |
| 3.3.1 实证方法与数据的选择 |
| 3.3.2 供应链数字化转型的测量与分析 |
| 3.3.3 供应链数字化转型驱动作用验证与分析 |
| 3.4 供应链数字化转型驱动要素研究方法 |
| 3.5 本章小结 |
| 4 制造企业供应链数字化转型数据管理决策 |
| 4.1 转型数据管理问题提出 |
| 4.1.1 数据管理业务需求与管理原则 |
| 4.1.2 数据管理的目标与问题描述 |
| 4.1.3 数据管理的研究思路 |
| 4.2 转型数据管理系统分析 |
| 4.2.1 数据管理的数字化属性 |
| 4.2.2 数据来源分类 |
| 4.2.3 数据内容与作用 |
| 4.2.4 数据管理与信息需求的关系 |
| 4.3 基于信息需求的转型数据管理决策建模 |
| 4.3.1 决策模型的选择与适用性 |
| 4.3.2 基于DEMATEL方法的信息需求重要度建模 |
| 4.3.3 基于HOQ方法的数据管理要素重要度建模 |
| 4.4 基于信息需求的数据管理方案制定 |
| 4.5 本章小结 |
| 5 制造企业供应链数字化转型信息融合建模 |
| 5.1 转型信息融合问题提出 |
| 5.1.1 信息融合的业务需求与管理原则 |
| 5.1.2 信息融合的目标与问题描述 |
| 5.1.3 信息融合的研究思路 |
| 5.2 转型信息融合系统分析 |
| 5.2.1 信息融合的数字化属性 |
| 5.2.2 信息的内容与作用 |
| 5.2.3 信息融合的主要环节 |
| 5.2.4 信息融合与业务流程的关系 |
| 5.3 基于业务流程的转型信息融合仿真建模 |
| 5.3.1 仿真模型的选择与适用性 |
| 5.3.2 基于供应链业务流程的Petri网建模 |
| 5.3.3 网系统的关联信息要素识别 |
| 5.4 基于业务流程的信息融合方案制定 |
| 5.5 本章小结 |
| 6 制造企业供应链数字化转型智能优化决策 |
| 6.1 转型智能优化问题提出 |
| 6.1.1 智能优化业务需求与管理原则 |
| 6.1.2 智能优化目标与问题描述 |
| 6.1.3 智能优化的研究思路 |
| 6.2 转型智能优化系统分析 |
| 6.2.1 智能优化的数字化属性 |
| 6.2.2 智能优化的内容与作用 |
| 6.2.3 智能优化系统架构 |
| 6.2.4 智能优化与决策效用的关系 |
| 6.3 基于决策效用的转型智能优化决策建模 |
| 6.3.1 决策模型的选择与适用性 |
| 6.3.2 基于ISM方法的智能优化结构建模 |
| 6.3.3 基于NK模型的智能优化路径建模 |
| 6.4 基于决策效用的智能优化方案制定 |
| 6.5 本章小结 |
| 7 实例分析 |
| 7.1 实例介绍 |
| 7.2 数据管理决策分析 |
| 7.3 信息融合建模分析 |
| 7.4 智能优化路径分析 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 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 |
（5）基于PHM技术的高速动车组关键部件智能检修理论与方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动车组关键部件状态检测和故障诊断研究现状 |
| 1.2.2 动车组检修计划与检修决策研究现状 |
| 1.2.3 主要存在的问题 |
| 1.3 研究内容 |
| 1.4 组织结构 |
| 2 高速动车组关键部件检修业务与PHM技术分析 |
| 2.1 高速动车组关键部件检修业务 |
| 2.1.1 计划修 |
| 2.1.2 预测性维修 |
| 2.1.3 关键部件检修业务分析 |
| 2.2 PHM技术 |
| 2.2.1 PHM体系结构 |
| 2.2.2 极限学习机 |
| 2.2.3 支持向量机 |
| 2.2.4 神经网络 |
| 2.2.5 深度学习 |
| 2.2.6 PHM技术分析 |
| 2.3 本章小结 |
| 3 高速动车组轴承温度信息在线监测与预测 |
| 3.1 问题背景 |
| 3.2 相关研究 |
| 3.3 动车组轴承温度在线监测 |
| 3.4 动车组轴承温度预测模型 |
| 3.4.1 多隐藏层神经网络 |
| 3.4.2 轴承温度预测模型 |
| 3.5 实验与分析 |
| 3.5.1 数据描述 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 4 基于优化极限学习机的非均衡数据故障诊断 |
| 4.1 问题背景 |
| 4.2 相关研究 |
| 4.3 基于优化极限学习机的非均衡数据故障诊断模型 |
| 4.3.1 优化的极限学习机 |
| 4.3.2 非均衡数据处理策略 |
| 4.3.3 优化的故障诊断模型 |
| 4.4 实验与分析 |
| 4.4.1 数据描述 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 基于优化深度学习的动车组高级修计划预测 |
| 5.1 问题背景 |
| 5.2 相关研究 |
| 5.3 高级修计划时间模型及里程预测分析 |
| 5.3.1 高级修计划时间模型 |
| 5.3.2 里程预测分析 |
| 5.4 基于EMD与优化深度学习的动车组里程预测模型 |
| 5.4.1 经验模态分解 |
| 5.4.2 优化的深度学习预测模型 |
| 5.4.3 动车组里程预测模型 |
| 5.5 实验与分析 |
| 5.5.1 数据描述 |
| 5.5.2 评价指标 |
| 5.5.3 时序数据分解 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 6 基于粒子群算法的动车组高级修计划优化 |
| 6.1 问题背景 |
| 6.2 相关研究 |
| 6.3 高级修计划模型 |
| 6.3.1 模型设计难点 |
| 6.3.2 模型设计思路 |
| 6.3.3 数学模型 |
| 6.4 基于粒子群算法的高级修计划模型优化 |
| 6.4.1 粒子群算法 |
| 6.4.2 基于粒子群算法的高级修计划模型 |
| 6.5 实验与分析 |
| 6.5.1 数据描述 |
| 6.5.2 实验结果分析 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 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 |
（6）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（7）SG公司远程运维服务质量评价及提升对策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 现实背景 |
| 1.1.2 理论背景 |
| 1.1.3 研究意义 |
| 1.2 研究内容及方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 技术路线 |
| 2 理论基础及文献综述 |
| 2.1 远程运维服务相关研究 |
| 2.1.1 远程运维服务的内涵及相关术语 |
| 2.1.2 远程监控技术与服务化 |
| 2.1.3 远程运维服务特征 |
| 2.1.4 远程运维服务的服务内容及其实施的关键能力和驱动因素 |
| 2.2 服务质量的相关研究 |
| 2.2.1 服务质量的定义 |
| 2.2.2 服务质量的特征 |
| 2.3 服务质量评价相关研究 |
| 3 SG公司远程运维服务质量现状分析 |
| 3.1 SG公司基本情况 |
| 3.1.1 SG公司简介 |
| 3.1.2 SG公司组织结构 |
| 3.2 SG公司远程运维服务流程 |
| 3.3 SG公司远程运维服务的现状分析 |
| 3.4 SG公司远程运维服务质量现状调研 |
| 3.5 SG公司远程运维服务的服务质量存在问题分析 |
| 4 SG公司远程运维服务质量评价体系构建 |
| 4.1 服务质量评价体系构建原则和思路 |
| 4.1.1 服务质量评价体系构建的基本原则 |
| 4.1.2 服务质量评价体系的构建思路 |
| 4.2 远程运维服务质量评价指标体系设计 |
| 4.2.1 初始指标体系的构建 |
| 4.2.2 结合调研和访谈对指标体系进行修正 |
| 4.2.3 评价指标的解释 |
| 4.2.4 各指标评价标准 |
| 4.3 远程运维服务质量评价指标权重的确定 |
| 4.3.1 层次分析法确定指标主观权重 |
| 4.3.2 熵值法确定指标客观权重 |
| 4.3.3 基于AHP-熵权法的指标综合权重 |
| 5 SG公司远程运维服务质量评价及结果分析 |
| 5.1 模糊综合评价过程 |
| 5.1.1 建立因素集 |
| 5.1.2 建立评价集 |
| 5.1.3 建立权重集 |
| 5.1.4 构建模糊评判矩阵 |
| 5.1.5 计算综合评价值 |
| 5.2 评价结果分析 |
| 5.2.1 潜在质量评价结果分析 |
| 5.2.2 过程技术质量评价结果分析 |
| 5.2.3 过程交互质量评价结果分析 |
| 5.2.4 结果质量评价结果分析 |
| 6 SG公司远程运维服务质量提升对策及建议 |
| 6.1 提升远程运维服务的潜在质量 |
| 6.2 加强远程运维服务的过程技术质量 |
| 6.3 优化远程运维服务的过程交互质量 |
| 6.4 重视远程运维服务的结果质量 |
| 7 总结及展望 |
| 7.1 全文总结 |
| 7.2 本文的创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 SG公司远程运维服务质量现状访谈提纲 |
| 附录2 |
| 附录3 SG公司远程运维服务质量评价意见调查表 |
（8）汽轮机智能诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息获取的研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 设备健康管理的研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第2章 基于知识图谱的诊断知识获取与表达 |
| 2.1 引言 |
| 2.2 故障机理分析方法与步骤 |
| 2.2.1 名词解释 |
| 2.2.2 设备树分析 |
| 2.2.3 故障模式及影响分析 |
| 2.2.4 故障树分析 |
| 2.2.5 基于Neo4j的知识图谱构建 |
| 2.2.6 故障机理分析步骤 |
| 2.3 诊断知识图谱的建立 |
| 2.3.1 知识图谱构建流程 |
| 2.3.2 类和实体属性定义 |
| 2.3.3 关系定义 |
| 2.4 核电汽轮机诊断知识图谱的构建 |
| 2.4.1 核电汽轮机设备树分析 |
| 2.4.2 汽轮机组故障机理分析 |
| 2.4.3 核电汽轮机诊断知识图谱 |
| 2.5 本章小结 |
| 第3章 汽轮机典型故障征兆识别 |
| 3.1 引言 |
| 3.2 基于模糊矢量映射的序列数据趋势型征兆识别 |
| 3.2.1 模糊矢量空间映射 |
| 3.2.2 案例验证 |
| 3.3 基于独立元空间重构的频谱类征兆识别 |
| 3.3.1 频谱中的方向概念 |
| 3.3.2 独立元空间重构方法 |
| 3.3.3 案例验证 |
| 3.4 本章小结 |
| 第4章 基于知识图谱与贝叶斯网络的智能诊断与维修决策 |
| 4.1 引言 |
| 4.2 基于知识图谱确定性推理的故障隔离 |
| 4.2.1 Cypher查询语句 |
| 4.2.2 基于图数据搜索的故障隔离 |
| 4.2.3 案例测试 |
| 4.3 基于贝叶斯网络不确定性推理的故障诊断 |
| 4.3.1 贝叶斯网络的定义 |
| 4.3.2 BN诊断模型构建关键技术 |
| 4.3.3 基于联合树算法的BN推理 |
| 4.3.4 案例测试 |
| 4.4 基于故障链严重程度评估的维修决策 |
| 4.4.1 独立严重程度指标 |
| 4.4.2 故障链严重程度 |
| 4.4.3 与PM和传统CM的对比 |
| 4.4.4 实例测试 |
| 4.5 结论 |
| 第5章 智能诊断与健康管理原型系统设计与实现 |
| 5.1 引言 |
| 5.2 原型系统基本框架 |
| 5.3 智能诊断与健康管理系统主要功能设计 |
| 5.3.1 基于数据仓库技术的存储设计 |
| 5.3.2 基于机器学习算法框架的征兆识别模块设计 |
| 5.3.3 基于确定性和不确定性推理的诊断推理模块设计 |
| 5.4 样机系统实现 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士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 |
（9）基于web的卷烟厂动力关键设备故障诊断专家系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源与研究背景 |
| 1.2 研究目的与研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断系统的国内外研究现状 |
| 1.3.2 专家系统的国内外研究现状 |
| 1.4 本文研究内容 |
| 1.5 本章小结 |
| 第二章 时间序列预测算法分析 |
| 2.1 时间序列的基本概念 |
| 2.2 趋势预测算法 |
| 2.2.1 移动平均法 |
| 2.2.2 指数平滑法 |
| 2.3 ARMA时间序列预测算法 |
| 2.4 神经网络时间序列预测算法 |
| 2.4.1 BP神经网络时间序列预测算法 |
| 2.4.2 改进的BP神经网络时间序列预测算法 |
| 2.5 时间序列的预测误差和残差分析 |
| 2.5.1 预测误差 |
| 2.5.2 残差分析 |
| 2.6 时间序列预测模型性能比较 |
| 2.6.1 预测模型性能 |
| 2.6.2 实验结论 |
| 2.7 本章小结 |
| 第三章 基于模糊综合评判的故障推理设计 |
| 3.1 一级模糊综合评判 |
| 3.1.1 模糊评判问题的特征 |
| 3.1.2 评判步骤 |
| 3.2 二级模糊综合评判 |
| 3.3 故障诊断设计 |
| 3.3.1 故障诊断对象 |
| 3.3.2 评价的性能指标 |
| 3.4 实验结果与分析 |
| 3.4.1 锅炉故障的推理模型性能评价 |
| 3.4.2 空压机故障的推理模型性能评价 |
| 3.4.3 实验结论 |
| 3.5 本章小结 |
| 第四章 动力系统关键设备故障诊断研究 |
| 4.1 故障诊断工艺流程简介 |
| 4.2 故障诊断对象 |
| 4.3 实验结果与分析 |
| 4.3.1 锅炉故障的诊断模型性能评价 |
| 4.3.2 空压机故障的诊断模型性能评价 |
| 4.3.3 实验结论 |
| 4.4 本章小结 |
| 第五章 基于web的故障诊断系统的实现 |
| 5.1 基于web的故障诊断系统 |
| 5.1.1 总体设计方案 |
| 5.1.2 系统整体框架 |
| 5.2 基于web的故障诊断系统功能结构 |
| 5.2.1 故障诊断系统的业务需求 |
| 5.2.2 故障诊断系统的数据库设计 |
| 5.2.3 故障诊断系统的公共类设计 |
| 5.3 故障诊断系统设计原则 |
| 5.4 基于web的故障诊断系统实现与测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）齿轮箱运行状态综合诊断平台设计与开发（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 设备状态监测 |
| 1.3.2 设备状况评价 |
| 1.3.3 设备故障诊断 |
| 1.3.4 齿轮箱诊断研究 |
| 1.4 研究内容与结构 |
| 2 齿轮箱运行状态综合诊断平台需求分析及总体设计 |
| 2.1 江苏泰隆企业基本情况 |
| 2.2 运行状态综合诊断平台开发现状分析 |
| 2.2.1 齿轮箱行业发展简介 |
| 2.2.2 齿轮箱设备监测技术 |
| 2.2.3 齿轮箱监测模块开发现状分析 |
| 2.2.4 评价诊断模块开发现状 |
| 2.3 系统需求分析 |
| 2.3.1 开发目的 |
| 2.3.2 开发思路 |
| 2.3.3 需求分析 |
| 2.3.4 总体设计 |
| 2.4 本章小结 |
| 3 数据采集系统设计 |
| 3.1 方案设计 |
| 3.2 各类模块设计分析 |
| 3.2.1 轴承温度监测模块 |
| 3.2.2 油参数信号监测模块 |
| 3.2.3 环境参数信号监测模块设计 |
| 3.2.4 振动信号监测模块设计 |
| 3.2.5 中控模块设计 |
| 3.3 数据传输与储存 |
| 3.3.1 数据传输格式 |
| 3.3.2 数据储存 |
| 3.3.3 实时数据转换 |
| 3.4 数据维护 |
| 3.5 本章小结 |
| 4 齿轮箱监测子系统设计 |
| 4.1 监测子系统体系 |
| 4.2 监测子系统构架分析 |
| 4.2.1 技术构架 |
| 4.3 功能模块详细介绍 |
| 4.3.1 工厂建模分析 |
| 4.3.2 数据管理 |
| 4.3.3 数据分析展观 |
| 4.4 报表管理 |
| 4.4.1 导出报表设计 |
| 4.4.2 数据库详细设计 |
| 4.5 本章小结 |
| 5 设备运行状态评价 |
| 5.1 设备运行规律分析 |
| 5.2 各类评价方法概述 |
| 5.3 机械设备可拓评价方法 |
| 5.3.1 可拓学概述 |
| 5.3.2 可拓评价方法步骤 |
| 5.4 设备指标权重确定方法 |
| 5.4.1 主观赋值法 |
| 5.4.2 客观赋值法 |
| 5.4.3 组合权重计算模型 |
| 5.4.4 优度评价算例分析 |
| 5.5 本章小结 |
| 6 诊断专家系统实现 |
| 6.1 技术思路 |
| 6.1.1 故障诊断技术 |
| 6.1.2 专家系统简介 |
| 6.1.3 专家系统开发工具 |
| 6.1.4 专家知识表示 |
| 6.1.5 设计思路 |
| 6.2 常规性专家系统建立 |
| 6.2.1 孤立森林算法 |
| 6.2.2 证据事实获取 |
| 6.2.3 规则推理的实现 |
| 6.3 非常规性专家系统建立 |
| 6.3.1 故障模糊关系矩阵建立 |
| 6.3.2 模糊模式识别 |
| 6.3.3 模糊诊断矩阵的改进 |
| 6.3.4 非常规性专家规则确立 |
| 6.3.5 推理实现 |
| 6.4 本章总结 |
| 7 系统实现 |
| 7.1 环境配置 |
| 7.2 系统优势 |
| 7.3 运行实例 |
| 7.4 本章总结 |
| 8 总结与展望 |
| 8.1 全文总结 |
| 8.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、设备诊断技术的发展趋势（论文参考文献）
- [1]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021(02)
- [2]农业机械故障诊断技术研究进展与趋势[J]. 姜俊玲. 中国集体经济, 2021(28)
- [3]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [4]制造企业供应链数字化转型机理与决策模型[D]. 韩璐. 北京交通大学, 2021(02)
- [5]基于PHM技术的高速动车组关键部件智能检修理论与方法研究[D]. 郝伟. 北京交通大学, 2021
- [6]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [7]SG公司远程运维服务质量评价及提升对策研究[D]. 武乐. 西安理工大学, 2021(01)
- [8]汽轮机智能诊断与健康管理关键技术研究[D]. 杨楠. 华北电力大学(北京), 2020(06)
- [9]基于web的卷烟厂动力关键设备故障诊断专家系统设计[D]. 曾诚. 西南科技大学, 2019(08)
- [10]齿轮箱运行状态综合诊断平台设计与开发[D]. 朱毅. 南京理工大学, 2019(06)