一、复合材料疲劳剩余寿命预测的动态小波神经网络方法（论文文献综述）
董健[1]（2021）在《风电机组关键部件故障预警与寿命评估方法及其应用研究》文中研究说明2020年9月我国正式提出“2030年碳达峰,2060年碳中和”的减排目标,这为我国能源清洁低碳转型指明了方向、擘画了具体路线图,展现了中国应对气候变化的坚定决心和重信守诺的责任担当。风力发电作为清洁能源的主要利用方式之一,在未来必将更快速度、更大规模、更高质量的发展,这对风电装备设计制造及运维技术水平提出更高的要求。我国在大规模风力发电建设初期存在风电机组设备故障率高和运维成本高的突出问题,特别是关键大部件（齿轮箱、发电机及主轴承等）故障率偏高,严重影响发电量,增加风电场的后期运维和检修成本,给风电场运营带来较大的经济损失。随着风力发电行业逐步朝着大型化和海上化的发展趋势,这就对风电机组运行安全可靠性和经济性提出了更高要求。因此,不断提升风电机组关键部件状态监测及故障诊断技术水平,使部件监测范围更宽、故障预警更及时、故障诊断更准确,必将成为风电全行业的共识。本文的研究结果可为风电场关键部件的检修时机提供科学合理的依据,也可为风电场的安全经济运行提供重要的技术支持。本文针对风电机组关键部件故障诊断及寿命评估的关键技术问题,依托2015年度国家科技支撑计划项目“大型风电场智能化运行维护关键技术研究及示范（2015BAA06B03）”开展深入研究,主要的研究内容及结论如下。（1）基于振动信号复合分解结合特征降维的故障诊断方法:风电机组传动链结构复杂、故障模式多,振动监测信号存在多源耦合调制的特点,这就给快速全面提取微弱故障特征信息造成困难,针对这一关键问题,本文研究并提出一种振动信号复合分解结合主分量分析的降维处理方法。首先采用先进的集合经验模态分析方法（Ensemble Empirical Mode Decomposition,简称 EEMD）和局部均值分解方法（Local Mean Decomposition,简称LMD）对振动监测信号进行复合分解,以全面揭示隐含在振动监测信号中造成状态变化的微弱故障信息;其次选择分解出的高频分量进行特征提取,将两种分解方法得到的各个分量特征值进行融合,构成高维特征向量;最后采用主分量分析（Principal Component Analysis,简称PCA）进行降维处理,采用欧几里得距离或平方预测误差（Squared Prediction Error,简称SPE）指标作为反映状态变化的量化评价指标。通过风电机组实际故障信号分析实例,将该方法的分析效果与其它几种基于不同信号分析方法的特征提取及降维方法进行对比,结果表明,所提出的“复合分解结合主分量分析”的方法既满足特征提取精度要求又可提高特征识别效率。（2）基于盲解卷积结合稀疏分解的微弱故障特征提取方法:针对风电机组振动监测信号的干扰噪声强、故障信息分布频率范围宽、具有强非平稳性等特点,本文研究并提出一种将盲解卷积和稀疏分解相结合的振动信号分析方法。首先采用基于最小熵解卷积（MED）方法对振动监测信号进行预处理,从而抑制监测信号中的随机噪声成分,增强信号中的故障冲击成分;其次对经预处理的振动信号进行稀疏分解,根据风电机组传动链故障周期性冲击成分出现的最小间隔,对振动监测信号进行分段处理,采用匹配追踪算法对每一段信号分解,提取故障成分,再将得到的故障冲击成分按照顺序重构信号。通过对风电机组实际运行监测信号的分析对比,结果表明,该方法可以同时实现微弱故障信息增强和提取的目的,选择合适的解卷积滤波器参数,可以获得明显的振动信号提取效果。（3）基于运行监控数据分类识别的故障预警方法:风电机组运行监控系统（Supervisory Control And Data Acquisition,简称 SC ADA）中拥有海量的大数据,其中数据间各种逻辑关系复杂,干扰数据繁多,这就对快速准确的构建目标模型从而高效诊断和预测各类典型故障带来不小的困难,针对这一难点,本文利用SCADA系统中各类数据的属性构建了分类识别的建模方法。首先针对SCADA系统中同类监控指标的数据（齿轮箱油温）提出一种工况细化的故障预警方法,该方法针对风电机组并网段的不同叶轮转速分仓,建立齿轮箱油温正常行为模型并划定油温分布和变化率异常限值,采用定时执行、定量分析、定窗评估的手段实现齿轮箱油温异常检测和故障预警的功能;最后针对SCADA数据之间关联性较为直接且可以快速识别关联性的部件（叶片结冰故障）,采用BPAdaboost故障检测强分类器构建模型,其精度优于单一 BP神经网络构建的风电机组叶片结冰故障检测模型。（4）基于疲劳累计损伤理论的风电机组寿命评估系统:由于风电机组的结构、运行工况及环境条件具有复杂多变特点,国内对于处于设计寿命中后期的风电机组,针对整机及特殊关键结构部件寿命评估技术的研究基础相对薄弱,针对这一瓶颈问题,本文开发了一套风电机组关键部件疲劳载荷及寿命评估系统。首先构建了风电机组载荷数据库（包含空气密度、湍流强度和计算风速工况）;其次基于Miner疲劳累计损伤理论,开发出风电机组关键部件寿命评估系统。通过对两个风电场的关键部件剩余寿命预测作为算例进行验证,结果表明,该系统可实现对限电风电场的优化配置及预测会发生疲劳破坏的部位等功能。
赵金金[2]（2020）在《基于智能算法的IGBT寿命研究》文中研究表明IGBT（绝缘栅双极型晶体管）因为其优良的性能,现如今已经在可再生能源发电领域、机车牵引领域、航空航天等众多领域都得到了广泛的应用。IGBT模块在电力电子系统中占至关重要的地位,因此要想令系统运行起来更安全可靠,就需要找到一种能够对IGBT器件的状态进行监测、对器件的故障进行诊断,对器件的寿命及可靠性进行预测的有效方法,以此来提高电力电子系统运行管理的自动化水平。本文以IGBT器件的失效机理及失效原因为基础,并依靠小波神经网络建立了IGBT模块故障状态监测模型,并且还利用蒙特卡罗模拟的方法建立了IGBT剩余使用寿命预测模型。本文主要依靠NASA Pcoe实验室的IGBT老化实验提供的数据集来预测IGBT的故障发生情况和剩余使用寿命。首先,通过对IGBT器件的原理及失效机理进行详细了解,又通过对一些与IGBT寿命预测模型有关的的文献进行了深入分析和研究,总结对比了各种失效模式下有关IGBT特征参数的监测方法。其次,选取了一个最能表征IGBT故障的特征参数即集电极-发射极电压,并通过小波神经网络对IGBT集射级电压进行预测,以监测IGBT故障状态的发生。最后,根据数据集提供的集射级电压(VCE)与老化时间的关系,将蒙特卡罗模拟方法与集射极电压(VCE)相结合,并利用泊松分布建立了预测IGBT剩余使用寿命（RUL）的预测模型。本文主要分析了表征IGBT故障的特征参数(VCE),通过分析VCE与IGBT故障状态的关系以及VCE与老化时间的关系得出了IGBT故障状态监测模型与寿命预测模型,这为IGBT器件健康状态监测和安全评估提供了理论基础,同时对于IGBT可靠性研究来说有一定的参考意义。
张亚楠[3]（2020）在《基于声发射信号处理的风力机叶片损伤演化研究》文中研究表明叶片是风力机获取风能的关键部件,在叶片的生产过程中,往往因为其制作工艺的特殊,自动化程度不高,使生产出来的叶片存在内部缺陷,如褶皱、分层、缺胶等。由于这些随机分布的工艺缺陷存在,导致复合材料的疲劳破坏通常从缺陷处开始,并在随机交变应力作用下逐步扩展贯通成为宏观裂纹,继而逐步扩展到界面上引发疲劳损伤,对叶片结构造成破坏。考虑风电场大多位于偏远地区,存在维护、监测困难的问题,如果早期损伤未被及时发现,有可能在恶劣工况下发展为恶性事故而造成巨大的经济损失。因此,研究风力机叶片的损伤演化识别,对于保障叶片长时间安全运行具有重要意义。本文研究采用声发射技术对叶片复合材料损伤演化状态进行识别和预测,为风力机叶片健康状态监测提供新思路,论文的主要研究内容如下:（1）以损伤力学理论为基础,通过分析不同阶段损伤演化的能量耗散,建立了风力机叶片复合材料的损伤演化模型,从而明晰声发射能量耗散和复合材料损伤演化规律的关系。通过复合材料层合板Lamb理论讨论了不同类型的Lamb频散控制方程以及频散特性。利用声发射断铅实验分析了不同Lamb波传播方式,并讨论了不同损伤程度对Lamb波的影响,为损伤演化过程中声发射信号波形分析提供理论依据。（2）依据风电发电机组风轮叶片质量标准中对叶片质量影响最大的褶皱和分层工艺缺陷,针对性的建立了GFRP复合材料声发射实验平台,并详细阐述了实验步骤和人工缺陷制作方法。实验分析了分层缺陷位置、大小和不同高宽比褶皱缺陷对复合材料力学性能的影响。使用聚类分析算法识别了复合材料损伤模式,并利用电镜扫描验证的损伤模式识别的正确性。通过对不同缺陷复合材料的声发射特征分析,明晰了缺陷类型和几何参数对叶片损伤规律的影响,为缺陷复合材料损伤模式识别和状态监测提供依据。（3）褶皱缺陷在损伤演化过程中,由于损伤模式的多样性使得观测AE信号源的数目小于声发射源信号数目,本文提出一种改进的K-means欠定盲源分离方法,有效提取了褶皱缺陷损伤演化过程中基体开裂,纤维剥离,界面分层和纤维断裂的频率特征,最后计算并分析疲劳损伤演化中各类损伤特征的声能耗散趋势。研究结果表明,褶皱缺陷在稳定损伤阶段,纤维及纤维束纵向所产生的纤维剥离是能量耗散的主要来源,失稳破坏阶段出现的裂纹和脱粘以及纤维断裂为主要的声发射激励源,并呈现高幅值能量释放的态势,从而明晰了褶皱缺陷的损伤演化机理。（4）针对叶片层合板分层缺陷损伤演化中多组分材料所导致交叉项干扰问题,提出了一种基于自适应VMD-WVD时频分析方法,通过利用交替方向乘子法迭代搜索求取增广Lagrange函数的鞍点,获取声发射模态分量和中心频率。实验结果表明,通过二维时频分布相关系数和时频分辨率对算法性能进行评价,该方法使得交叉项干扰有效降低,还能保证较高的时频聚集性和时频分辨率,能够细致地刻画声发射信号在时频平面上所发生的变化过程,表征分层缺陷损伤的复杂动态过程。（5）考虑叶片复合材料在应力达到最大之前便已经发展为宏观失效,造成失稳破坏的识别和预测难度较大。针对该问题,提出一种基于声发射信号聚类分析和神经网络的复合材料失稳破坏前兆特征识别和预测方法,通过对比每种声发射信号类型的时序演化特征,筛选出合适的前兆特征信号建立神经网络预测模型。结果表明,该方法相比于声发射积累能量和积累计数等参数可有效的对其失稳破坏状态进行识别和预测。
王玉洁[4]（2020）在《基于磁声融合的再制造构件剩余寿命预测》文中进行了进一步梳理随着社会经济的飞速发展,全世界每年有大量废旧产品被淘汰,这在导致资源浪费的同时也造成了环境污染,因此如何充分利用其剩余价值就显得十分重要。再制造工程就是一种通过修复或改造报废产品而延长其剩余使用寿命的新兴产业,而无损检测和寿命预测技术对再制造毛坯的可再制造性评价以及再制造产品是否符合生产使用标准起到了关键性作用。本文的目的就是基于无损检测和数据融合技术对再制造构件的剩余寿命进行评估,进而确定毛坯的可再制造性。基于拉-拉疲劳试验,利用金属磁记忆和声发射监测系统对试件在疲劳循环过程中的关键部位进行了同步在线监测。试验结果表明,每个监测点处的磁记忆和声发射信号变化趋势均表现为明显的三个阶段,与疲劳损伤演变过程中的裂纹萌生、裂纹稳态扩展和裂纹失稳扩展阶段相对应。通过分析疲劳循环过程中的磁记忆信号变化规律,提取了合成磁信号、法向幅值差和法向偏差等3个特征参数。通过对声发射监测数据进行小波包能量谱分析,得到不同寿命阶段的声发射信号高频能量占比;通过对监测信号进行小波分解与重构,然后对重构的信号进行信息熵提取,得到声发射信号的小波熵值;最终确定了声发射幅值、能量、高频占比和小波熵等4个特征参数。利用BP神经网络对磁记忆和声发射的特征参数进行数据层融合,根据正态分布函数对试件寿命的概率分配进行模糊指派,分别预测试件在磁记忆和声发射单一无损检测方法下寿命所在各区间的概率。在此基础上,基于Bayes理论对磁记忆和声发射两种方法的基本概率分配进行指标层融合,得到融合后各寿命区间的概率分配结果,该结果的预测精度比单一方法更高。基于D-S证据理论对磁记忆监测和声发射监测结果进行融合,得到了比Bayes方法更加准确的预测结果;提出基于加权融合算法的D-S证据优化方法,通过引入权重系数,将D-S证据理论的基本概率分配值进行修正,然后对修正后的基本概率分配值重新进行数据融合,进一步提高了预测精度,结果表明比原始的模糊概率分配精度提高了近10%。
王福民[5]（2020）在《基于监测数据的汽轮机汽缸结构剩余寿命预测》文中认为作为蒸燃联合循环发电机组的主要设备,大型汽轮机组由于频繁启停和变负荷运行需要满足操作灵活和使用寿命长等要求。诸如汽缸等汽轮机耐用件的使用寿命是影响汽轮机长期灵活和安全运行的限制因素之一。在机组参与调峰过程中,低周疲劳是影响汽轮机汽缸使用寿命的主要因素,在运行使用过程中频繁的热交换导致汽缸形成较大的温差,由此产生的交变热应力会随着时间积累导致金属材料的低周疲劳,严重时会造成巨大的经济损失和运行安全隐患。因此在大型汽轮机的运行使用阶段,希望通过寿命预测、寿命监控以及运行维护来保证汽轮机长周期的安全可靠运行。同时目前的工业生产广泛应用先进的数据采集技术和传感物联技术,大规模的设备群、高能效的传感器以及先进的数据采集系统会产生海量的设备监测数据,数据监测分析已成为机械设备健康状态管理的重要手段。本文开展了基于监测数据的汽轮机汽缸结构的低周疲劳剩余寿命研究。考虑到汽轮机的实际运行工况和汽缸结构的复杂运行条件,本研究融合了监测数据挖掘和失效机理有限元模拟,发展了数据物理混合建模方法来预测汽轮机汽缸结构低周疲劳剩余使用寿命。具体研究工作包括:（1）收集整理汽轮机运行数据以及汽轮机汽缸金属壁温度数据,通过先进的数据清洗技术进行监测数据的预处理,解决监测数据中存在的传感器异常以及噪声干扰等数据缺陷,为后续的方法应用提供了准确的数据支持;（2）通过汽轮机组长周期的运行监测数据对机组历经的启动工况进行了判别统计,分析机组在运行使用过程中的启停工况信息;（3）在每种典型工况下利用有限元分析方法对汽轮机汽缸结构的温度场和热应力场进行精确的分析,得到每种典型工况下汽缸结构的低周疲劳寿命损耗;（4）通过监测数据的工况统计结果和计算得到的寿命损耗情况建立汽轮机汽缸结构的剩余寿命预测模型,并将模型嵌入到监测数据管理分析平台以实现汽轮机汽缸结构剩余使用寿命的实时预测。
吴波[6]（2019）在《立井提升刚性罐道系统健康监测研究》文中研究指明刚性罐道系统作为提升容器的导向装置,是立井提升装备的重要组成部分,其作用是限制容器在提升过程中产生的横向位移,保证容器沿井筒方向的安全稳定运行。由于处于矿山运输的咽喉部位,刚性罐道系统出现故障不仅会激发异常振动影响提升系统的正常运行,严重时故障引发的链式反应还将威胁到整个矿山的安全生产。传统的事后和定期维护方法不仅成本高、效率低、实时性差,而且容易受到人为主观因素的影响。因此,需要对刚性罐道系统进行健康监测,包括及时发现系统的故障、诊断故障的类型、预测关键部件的剩余使用寿命,从而动态合理地安排维护操作,保证刚性罐道系统运行的安全性和可靠性。立井提升刚性罐道系统包括刚性罐道和滚轮罐耳两个部分,本课题以刚性罐道和滚轮罐耳为研究对象,结合信号处理、特征提取、模式识别和寿命预测的理论和方法,开展刚性罐道系统的健康监测研究,形成基于振动信号分析的刚性罐道故障检测和诊断方法以及滚轮罐耳故障诊断和寿命预测方法,为保障刚性罐道系统的安全运行提供理论支撑和技术解决方案。首先,开展刚性罐道故障特性与影响因素研究。对刚性罐道不同故障模式的振动响应进行分析,通过与提升过程相对应,获得提升容器振动特性与故障种类之间的关系,为后续罐道故障诊断方法的提出奠定基础。对比分析了不同特性提升绳牵引下提升容器对罐道故障的振动响应,得到提升速度、提升质量和故障程度对容器振动的影响规律,为后续罐道故障检测方法的提出提供依据。其次,开展刚性罐道故障检测与诊断方法研究。针对提升容器的故障响应,利用尺度平均小波能量百分比表征罐道故障相关频率上的能量随提升过程的变化,从而削弱了随机噪声的干扰;通过Tukey控制图法自适应地设定健康监测阈值,消除了工况变化对检测效果的影响,实现了不同工况下罐道故障的有效检测。根据不同类型罐道故障下提升容器响应形式的差异,提出了基于动态时间规整的罐道故障诊断方法,消除了工况变化对诊断效果的影响,实现了不同工况下罐道故障的有效诊断。最后,开展滚轮罐耳故障诊断与寿命预测方法研究。为了充分利用罐耳故障振动数据,降低故障特征在不同时刻的波动现象,提出了基于随机平均算法的特征提取方法,结合集合经验模态分解和熵理论,构建了改进的排列熵作为故障特征,从而改善了样本特性,实现了滚轮罐耳故障信息的充分表达;借助支持向量机在分类上的优良性能,实现了滚轮罐耳故障的有效诊断。在对滚轮罐耳频谱演化规律分析的基础上,提出了敏感频带的概念,构建了以敏感频带能量为退化指标的罐耳性能退化曲线。针对噪声和随机干扰等因素在退化曲线中引起的波动现象,使用广义威布尔故障率函数对退化曲线进行拟合,达到了退化曲线与罐耳退化方向的严格一致。以RBF神经网络为预测模型,拟合后的特征为模型输入,罐耳的寿命百分比为模型输出,实现了滚轮罐耳的剩余使用寿命预测。该论文有图122幅,表23个,参考文献225篇。
许颜涛[7]（2019）在《铸钢及其对接焊缝疲劳裂纹扩展及声发射监测研究》文中提出铸钢节点有着良好的力学性能、机械加工性能和可焊性,广泛应用于桥梁、海洋平台和房屋建筑中,承受汽车、火车、海浪、风等往复荷载,易在节点倒角和对接焊缝（用于和其他构件连接）处萌生疲劳裂纹,面临疲劳问题。疲劳裂纹扩展具有隐蔽性:在大尺寸构件中,疲劳裂纹扩展往往持续较长时间,且仅在裂纹周围引起应力应变集中,而构件的变化并不明显。疲劳裂纹引起的破坏具有突发性:当裂纹达到临界值,会导致构件脆性破坏。铸钢节点的突然退出工作,对整个结构的应力分布产生较大影响,甚至会引起结构坍塌。因此,及时发现疲劳裂纹、评估疲劳裂纹损伤、计算疲劳裂纹剩余寿命对铸钢节点的安全使用具有重要意义。基于以上背景,本文以G20Mn5QT铸钢及其对接焊缝为研究对象,以疲劳裂纹剩余寿命预测为落脚点,研究了两种材料的疲劳裂纹扩展性能,建立了双参数裂纹扩展驱动力模型作为裂纹扩展的计算模型,揭示了两种材料的疲劳裂纹扩展机理,提出了基于声发射技术的疲劳裂纹监测方法。1)研究了铸钢及其对接焊缝的疲劳裂纹扩展性能。通过试验得到了铸钢及其对接焊缝的基本力学性能、化学成分和微观组织结构。完成了3种应力比、多种最大荷载、2种试件厚度下铸钢及其对接焊缝的疲劳裂纹扩展试验,得到了疲劳裂纹扩展速率曲线。讨论了各变量对裂纹扩展速率的影响:应力比影响显着,较高应力比下疲劳裂纹扩展速率较快;在10 mm以内,试件厚度对铸钢的疲劳裂纹扩展速率影响较小;而在相同应力比条件下,最大荷载较大则疲劳裂纹扩展速率较小;相比于G20Mn5QT铸钢材料,焊缝的疲劳裂纹扩展初始速率较低,但其疲劳裂纹扩展速率的增长率较高。采用完全数据法和参数估计法对试验数据进行了可靠性分析。基于Paris裂纹扩展速率模型,给出了各工况下具有50%置信度和95%置信度的裂纹扩展速率方程,为疲劳设计和剩余寿命预测提供了疲劳裂纹扩展本构方程。2)建立了双参数裂纹扩展驱动力模型。该模型基于裂纹尖端钝头假设和材料离散化假设,将裂纹扩展过程简化为裂纹扩展路径上一系列有限单元体的依次失效,将修正的SWT损伤参数作为裂纹扩展驱动力,进而与裂纹扩展速率建立起函数关系。该模型统一考虑应力比、试件厚度、最大荷载和加载历史对裂纹扩展速率的影响,针对一种材料给出统一的裂纹扩展速率方程。基于该模型,实现了疲劳裂纹扩展过程的有限元模拟,计算得到了不同裂纹扩展长度所需要的疲劳荷载循环次数。模拟结果与试验结果对比具有较高的精度,所有数据点的误差均小于20%。给出了铸钢及其对接焊缝的具有50%置信度和95%置信度的疲劳裂纹扩展速率方程,简化了疲劳裂纹扩展计算,改进了疲劳设计和剩余寿命的计算方法。3)揭示了铸钢及其对接焊缝的疲劳裂纹扩展机理。进行了G20Mn5QT铸钢及其对接焊缝疲劳裂纹扩展过程中的声发射采集试验。建立了基于门槛值法和平行试验法的噪音信号滤除方法和基于小波阈值降噪的信号噪音成分滤除方法。基于声发射信号特征分析与裂纹断口微观结构分析,建立了声发射信号、疲劳裂纹扩展过程、裂纹损伤开裂模式三者之间的对应关系。铸钢及其对接焊缝的疲劳裂纹扩展是拉伸断裂、剪切断裂和裂纹尖端循环塑性变形的组合:循环塑性变形在裂纹尖端不断累积损伤,当损伤达到临界值后,裂纹尖端材料发生大量拉伸断裂和少量间断性的剪切断裂。从能量的角度而言,循环塑性变形下的疲劳损伤累积阶段释放了最多的应变能,占到整个疲劳裂纹扩展释放应变能的50%左右。剩余的应变能主要由材料拉伸断裂释放,但是单个拉伸断裂释放的应变能很小。剪切断裂释放的总的应变能相较于前两者而言很小,但是单个剪切断裂所释放的应变能最大。紧凑拉伸试件疲劳裂纹扩展过程中的剪切断裂主要是由材料内部缺陷及其周围的复杂应力应变引起。4)提出了一种基于声发射信号的铸钢及其对接焊缝疲劳裂纹监测方法。该方法包含5个步骤,实现了疲劳裂纹的识别、定位、损伤定量和剩余寿命预测。（1）进行声发射信号的特征值提取,包括使用小波包分析法提取信号不同频段能量占比作为信号频率-能量维度的特征值。（2）引入人工神经网络识别疲劳裂纹,包括判断裂纹是否存在和识别开裂材料。（3）使用时差定位法,确定声发射源的空间位置。（4）借助人工神经网络建立声发射信号与疲劳裂纹损伤之间的定量关系,其中疲劳裂纹损伤由双参数裂纹扩展驱动力模型中的Dm,swt表示。（5）引入双参数裂纹扩展驱动力模型,进行疲劳裂纹剩余寿命预测。该监测方法对疲劳裂纹识别有很高的精度,对疲劳裂纹定位精度较低,对疲劳裂纹损伤定量和剩余寿命预测有一定的精度保证,可以用于实际中的疲劳裂纹监测。本研究弥补了G20Mn5QT铸钢及其对接焊缝疲劳裂纹研究领域的空白,提出了疲劳裂纹扩展计算方法和监测方法,为G20Mn5QT铸钢的工程应用提供了保障。
黄承赓[8]（2019）在《基于监测大数据的产品剩余寿命预测方法研究》文中指出随着传感器技术、信息与通信技术及物联网等技术的快速发展,状态监测技术已被广泛应用于各类产品。不同类型的传感器被广泛地部署于产品的各个部位并以极高的采样频率对其退化状态进行实时在线监测,所获得监测数据呈现井喷式的增长,这不可避免地将我们带入了工业大数据时代。在工业大数据背景下,有效地利用海量的监测数据能实现对产品剩余寿命更为准确的估计,有助于产品实现提前报警,从而预防灾难性事故的发生,进一步优化产品的维护策略,最终降低昂贵且非必需的维护费用,同时还能提升产品的可靠性、可用性和安全性。因此,本文将重点研究基于监测大数据的产品剩余寿命预测方法。针对产品群规模大、传感器多、数据采样频率高、动态工况和多失效模式耦合、复杂产品失效物理模型不可获知等诸多挑战,本文研究了基于退化轨迹相似性分析的剩余寿命预测方法,构建了产品动态工况和多失效模式耦合作用下基于深度学习模型的剩余寿命预测方法,再融合粒子滤波技术和深度学习模型提出了混合剩余寿命预测方法,最后在Bootstrap实施框架下提出了更泛化的基于深度卷积神经网络的剩余寿命预测方法。本文主要研究内容及创新成果如下:（1）提出一种改进的基于退化轨迹相似性的产品剩余寿命预测方法。当存在大量相似产品历史监测数据时,传统的基于退化轨迹相似性的方法能精确地预测该类工程背景下产品的剩余寿命,但仅能给出剩余寿命点估计的结果。因此,需对传统的基于退化轨迹相似性的方法进行更加深入的研究以突破仅能对产品剩余寿命进行点估计的应用限制。基于轨迹相似性分析方法和核密度估计技术,同时结合β准则,提出了改进的基于退化轨迹相似性的产品剩余寿命预测方法。（2）提出一种基于深度学习模型的产品剩余寿命预测方法。现代工程系统常常工作在动态工况下且存在多失效模式耦合的情形,传统的基于数据驱动的方法尚不能处理该类情况下复杂产品的剩余寿命预测问题。本文利用深度学习模型中双向长短期记忆神经网络对时间序列数据的建模优势与极强的非线性建模分析能力,构建一种基于深度学习模型的方法,从而能够为复杂产品剩余寿命预测提供一种端对端的解决方案,且能给出比其他方法更为精确的估计结果。（3）提出融合粒子滤波技术和深度学习模型的混合剩余寿命预测方法。当某些特定产品的关键失效模式和失效模型已知时,传统的混合方法能够依据产品的失效物理模型并利用产品的状态监测数据对产品剩余寿命分布进行预测。但传统的混合方法较为繁琐,包含特征提取、选择、降维和退化指标回归分析等步骤。上述步骤的实施不仅需要充分利用领域内的专业知识,并且最终的预测性能较大地依赖于各个步骤的精确性。因此,传统的混合剩余寿命预测方法效率低且稳健性差。本文在粒子滤波的技术框架下,有效地利用双向长短期记忆神经网络和前馈神经网络的复杂结构,提出融合粒子滤波技术和深度学习模型的混合剩余寿命预测方法。（4）提出基于深度卷积神经网络和Bootstrap的剩余寿命预测方法。在工程实践中,当某些复杂产品关键失效模式未知且失效模型难以构建时,基于物理模型和深度学习模型的混合方法不能有效地对其剩余寿命预测区间进行量化。因此,本文在Bootstrap实施框架内提出一种更加泛化的基于深度卷积神经网络的剩余寿命预测方法,该方法能突破混合方法需要建立产品退化模型的限制,进一步拓宽基于深度学习模型的方法在复杂产品剩余寿命预测中的应用范围。
邱晓梅[9]（2019）在《滚动轴承的故障诊断与剩余寿命预测方法研究》文中研究指明滚动轴承作为机械装备的核心组成部分,其工作状态直接决定着设备整机性能,在机械工业产品的应用中有着不可替代的地位。对滚动轴承进行故障诊断和剩余寿命预测,既可以避免机械设备意外事故的发生,又可以为设备后期维修计划提供安全性与可靠性决策支持。如何有效地进行滚动轴承的故障诊断,预测滚动轴承剩余寿命对于机械设备健康管理具有十分重要的意义。本文在试验平台采集的原始振动信号的基础上,基于数据驱动的方法对滚动轴承故障诊断和剩余寿命预测方法展开研究,主要内容如下:（1）针对滚动轴承故障特征难以提取的问题,提出一种基于参数优化变分模态分解（Variational mode decomposition,VMD）的滚动轴承故障诊断方法。针对VMD分解算法的模态分量个数和惩罚因子这两个参数难以确定的问题,本文提出利用差分进化算法（Differential Evolution,DE）和网格搜索算法对两个参数进行优化。根据参数优化后的VMD分解算法对滚动轴承的仿真信号和实测信号进行了分析处理,从而证明该方法的可行性和有效性。（2）表征滚动轴承性能退化状态的特征的提取与剩余寿命预测模型的建立是展开滚动轴承剩余寿命预测的前提。以加速试验平台的轴承振动数据为研究对象,首先对原始振动信号进行了降噪处理,提取了信号时域特征、频域特征以及小波包能量特征;然后利用相关系数和互信息对特征进行了约简,形成预测模型的特征集;最后建立BP神经网络（Back propagation neural networks,BPNN）剩余寿命预测模型,采用粒子群算法优化BP神经网络权值和阈值,利用优化后的模型来预测测试轴承剩余寿命,同时对比了两种特征约简方法对剩余寿命预测结果的影响,证明了通过相关系数约简的特征更加有效。（3）为了准确预测滚动轴承剩余使用寿命,采用模糊综合评价法解决轴承退化状态难以划分的问题,并借助支持向量机在小样本数据分析方面具有的良好能力,以及差分进化方法高效的并行搜索信息的方式,提出了一种基于支持向量回归和差分进化算法混合的滚动轴承剩余寿命预测模型。该模型通过差分进化算法优化获得支持向量回归模型的最优参数,结合试验平台采集的加速寿命试验数据,验证了基于支持向量回归和差分进化算法结合的剩余寿命预测模型的可行性。
杨明[10]（2019）在《基于Hilbert边际谱与RVM的包装件振动损伤预测技术研究》文中研究说明电商的快速发展带动物流快递行业规模不断扩大,商品运输过程的包装问题越来越成为人们关注的焦点。为了节约资源,提高资源的利用率,包装件循环使用是非常有效的途径。在运输过程中,包装件承受着由于振动带来的损伤。为了保证商品的安全,研究包装件的损伤程度,对其未来的损伤状况进行精确地预测,是判断包装箱是否可再循环使用的基础。本文通过对包装件振动信号特性的分析,提出了基于RVM模型的包装件的损伤预测方法。主要研究内容如下:首先,从疲劳累积损伤理论和受迫振动动力学分析模型的角度分析了包装件的损伤机理。研究发现,振动损伤的累积会引起包装件的阻尼和刚度等特性的变化。通过对动力学模型的仿真分析也表明各个频率上分布的振幅发生改变。在外界振动环境和载荷的作用下,包装件受到的损伤逐渐累积,当达到其所能承受的极限后包装件损坏。提出了疲劳振动试验方法,为损伤信息的提取提供支持。其次,研究了振动损伤状态特征提取的方法,通过对不同分解方法的分析对比,采用适合于包装件振动信号的EMD分解方法。对分解后的信号进行Hilbert变换处理,得到Hilbert边际谱。在此基础上,构建了边际谱的三个特征量,并将其应用到多距离形态相似度评估方法中计算损伤指数。通过实际的试验与数据分析,表明了特征提取方法的有效性。再次,建立基于RVM的包装件损伤预测模型。针对传统RVM预测模型的不足,提出了RVM的改进方法。采用飞蛾火焰算法对模型的核参数进行寻优,然后将前面分析得到的损伤指数作为模型的输入进行损伤预测。结果表明,改进后的多核RVM模型的预测精度更高,更适合于包装件的损伤预测。最后,设计了基于Lab VIEW开发平台的包装件的损伤检测系统。通过试验分析,证明了该检测系统的有效性。
二、复合材料疲劳剩余寿命预测的动态小波神经网络方法（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、复合材料疲劳剩余寿命预测的动态小波神经网络方法（论文提纲范文）
（1）风电机组关键部件故障预警与寿命评估方法及其应用研究（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 国内外研究动态 |
| 1.2.1 基于解析模型的故障诊断预警方法 |
| 1.2.2 基于振动监测信号特征的关键部件故障诊断预警研究现状 |
| 1.2.3 基于运行监控数据的关键部件故障诊断预警研究现状 |
| 1.2.4 风电机组关键部件疲劳寿命评估研究现状 |
| 1.3 研究目的和主要内容 |
| 1.3.1 任务来源和研究目标 |
| 1.3.2 研究内容 |
| 第2章 风电机组关键部件失效机理及监测技术 |
| 2.1 引言 |
| 2.2 风电机组基本结构 |
| 2.3 风电机组故障模式及关键部件失效机理 |
| 2.3.1 风电机组故障模式 |
| 2.3.2 齿轮箱失效机理 |
| 2.3.3 主轴及轴承失效机理 |
| 2.3.4 发电机失效机理 |
| 2.3.5 叶片失效机理 |
| 2.4 风电机组关键部件状态监测技术与系统 |
| 第3章 振动信号复合分解结合特征降维的故障诊断方法 |
| 3.1 引言 |
| 3.2 风电机组传动链故障振动信号特征 |
| 3.2.1 轴承故障振动信号特征 |
| 3.2.2 故障齿轮啮合副的振动信号特征 |
| 3.2.3 风电机组故障振动信号实例 |
| 3.3 基于集合经验模态分解(EEMD)的故障特征提取 |
| 3.3.1 经验模态分解(EMD)方法 |
| 3.3.2 集合经验模态分解(EEMD)方法 |
| 3.3.3 双馈机组分析案例 |
| 3.3.4 直驱机组分析案例 |
| 3.4 基于局部均值分解(LMD)的故障特征提取 |
| 3.4.1 局部均值分解(LMD)方法 |
| 3.4.2 双馈机组分析案例 |
| 3.4.3 直驱机组分析案例 |
| 3.5 基于复合分解+PCA的特征提取方法 |
| 3.5.1 主分量分析(PCA) |
| 3.5.2 基于复合分解+PCA的特征提取方法 |
| 3.5.3 分析实例:设备状态分类 |
| 3.5.4 分析实例:故障趋势 |
| 3.6 本章小结 |
| 第4章 基于解卷积降噪与稀疏分解的故障特征提取 |
| 4.1 引言 |
| 4.2 盲解卷积方法 |
| 4.2.1 最小熵解卷积原理 |
| 4.2.2 最大相关峭度(MCKD)解卷积原理 |
| 4.3 稀疏分解方法原理 |
| 4.4 直驱风电机组振动信号分析实例 |
| 4.4.1 MED滤波 |
| 4.4.2 MCKD滤波 |
| 4.4.3 稀疏分解 |
| 4.4.4 MED结合稀疏分解 |
| 4.5 本章小结 |
| 第5章 基于运行监控数据分类识别的故障预警方法 |
| 5.1 引言 |
| 5.2 SCADA数据预处理 |
| 5.2.1 数据清洗 |
| 5.2.2 数据预处理 |
| 5.3 基于工况细化条件下数据统计分析的齿轮箱油温故障预警 |
| 5.3.1 齿轮箱油温SCADA数据源 |
| 5.3.2 齿轮箱油温故障预警建模 |
| 5.3.3 实例应用 |
| 5.4 基于BP_ADABOOST算法的叶片结冰故障检测方法 |
| 5.4.1 基于BP_Adaboost算法的叶片结冰故障检测原理 |
| 5.4.2 实例应用 |
| 5.5 本章小结 |
| 第6章 基于疲劳累计损伤理论的风电机组寿命评估系统 |
| 6.1 引言 |
| 6.2 风电机组关键部件疲劳寿命在线评估方法 |
| 6.2.1 疲劳寿命理论 |
| 6.2.2 关键部件疲劳寿命评估系统架构 |
| 6.2.3 数据读入 |
| 6.2.4 载荷数据库建立 |
| 6.2.5 风频分布计算 |
| 6.2.6 等效疲劳载荷的计算方法 |
| 6.3 风电机组关键部件疲劳寿命监测预警系统研发及应用 |
| 6.3.1 系统图形界面设计 |
| 6.3.2 输入输出信息 |
| 6.3.3 系统计算结果 |
| 6.3.4 系统精度控制 |
| 6.4 实例应用 |
| 6.4.1 甘肃某风电场在役风电机组寿命预测 |
| 6.4.2 山东某风电场在役风电机组寿命预测 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 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 |
（2）基于智能算法的IGBT寿命研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 2 IGBT主要特性与失效模式 |
| 2.1 IGBT基本结构 |
| 2.2 IGBT的工作原理 |
| 2.3 IGBT工作特性 |
| 2.3.1 静态特性 |
| 2.3.2 动态特性 |
| 2.3.3 擎住效应 |
| 2.4 IGBT失效模式 |
| 2.4.1 与封装相关的失效 |
| 2.4.2 与芯片相关的失效 |
| 2.5 IGBT失效状态下常用监测参数 |
| 2.5.1 栅-射极阈值电压 |
| 2.5.2 关断时间 |
| 2.5.3 结温和内部热阻 |
| 2.5.4 集-射极饱和压降 |
| 2.6 本章小结 |
| 3 IGBT加速老化实验 |
| 3.1 加速老化实验原理 |
| 3.2 加速老化实验 |
| 3.2.1 热循环加速老化实验 |
| 3.2.2 功率循环加速老化实验 |
| 3.2.3 实验分析 |
| 3.3 本章小结 |
| 4 基于小波神经网络的IGBT故障参数监测 |
| 4.1 IGBT的性能衰退特征分析 |
| 4.2 基于小波神经网络的IGBT故障参数监测 |
| 4.2.1 小波神经网络简介 |
| 4.2.2 小波神经网络的学习算法 |
| 4.2.3 仿真结果 |
| 4.3 本章小结 |
| 5 IGBT寿命预测 |
| 5.1 蒙特卡罗模拟 |
| 5.2 基于泊松分布的IGBT退化模型的建立 |
| 5.3 IGBT寿命预测模型的建立 |
| 5.4 IGBT寿命预测模型仿真结果 |
| 5.5 模型评价 |
| 5.6 本章小结 |
| 结论 |
| 后续工作与展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）基于声发射信号处理的风力机叶片损伤演化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 疲劳损伤演化研究现状 |
| 1.3.2 风力机叶片监测技术的发展与应用 |
| 1.3.3 声发射信号处理的研究现状 |
| 1.4 研究内容 |
| 第2章 GFRP复合材料疲劳损伤演化的理论基础 |
| 2.1 复合材料疲劳损伤力学 |
| 2.2 声发射能量耗散模型 |
| 2.2.1 疲劳损伤能量耗散理论 |
| 2.2.2 不同损伤阶段的能量耗散规律分析 |
| 2.2.3 声发射能量耗散半经验模型 |
| 2.3 声发射信号在复合材料中的传播 |
| 2.3.1 弹性应力波理论 |
| 2.3.2 Lamb波理论 |
| 2.3.3 非线性Lamb波频散控制方程 |
| 2.3.4 不同损伤程度对Lamb波的影响 |
| 2.4 本章小结 |
| 第3章 叶片主梁工艺缺陷损伤演化的AE信号特征分析 |
| 3.1 风力机叶片主梁的制造工艺缺陷 |
| 3.2 GFRP复合材料层合板声发射实验 |
| 3.2.1 试件制备 |
| 3.2.2 声发射监测系统 |
| 3.2.3 声发射实验方法 |
| 3.3 AE信号的K-means聚类分析 |
| 3.4 分层缺陷的声发射特征分析 |
| 3.5 褶皱缺陷的声发射特征分析 |
| 3.6 不同缺陷试件的损伤机制分析 |
| 3.7 本章小结 |
| 第4章 基于盲源分离的褶皱缺陷损伤演化特征提取 |
| 4.1 AE信号的盲源分离处理方法 |
| 4.1.1 褶皱缺陷AE信号的混叠特性分析 |
| 4.1.2 卷积混合模型 |
| 4.1.3 盲源分离性能指标改进方法 |
| 4.1.4 估计性能指标构造自适应步长函数 |
| 4.1.5 信号仿真分析 |
| 4.2 基于K-means聚类的欠定盲分离算法 |
| 4.2.1 K-means欠定盲分离算法 |
| 4.2.2 改进K-means聚类算法 |
| 4.2.3 信号仿真模拟 |
| 4.3 褶皱缺陷损伤演化的AE信号特征提取 |
| 4.3.1 疲劳试验和AE信号采集 |
| 4.3.2 AE信号的盲分离处理 |
| 4.3.3 微观形貌分析 |
| 4.4 基于声能耗散模型的褶皱缺陷损伤演化分析 |
| 4.5 本章小结 |
| 第5章 分层缺陷损伤识别的时频分析方法 |
| 5.1 双线性时频分析方法 |
| 5.1.1 WVD时频分布原理及不足 |
| 5.1.2 WVD时频分布交叉项抑制 |
| 5.2 AVMD-WVD时频分析方法 |
| 5.2.1 VMD算法理论 |
| 5.2.2 VMD-WVD自适应改进方法 |
| 5.2.3 谱相关分析 |
| 5.3 疲劳实验与AE信号处理 |
| 5.3.1 实验数据采集 |
| 5.3.2 分解信号算法对比 |
| 5.3.3 AE频率特征对比与验证 |
| 5.3.4 分层缺陷损伤演化机理分析 |
| 5.4 微观形貌分析 |
| 5.5 本章小结 |
| 第6章 基于神经网络的失稳状态识别和预测 |
| 6.1 BP神经网络概述 |
| 6.1.1 BP神经元基本原理 |
| 6.1.2 BP神经网络算法 |
| 6.1.3 BP神经网络的优势与不足 |
| 6.2 神经网络参数设置 |
| 6.2.1 神经网络学习速率 |
| 6.2.2 神经网络期望误差 |
| 6.2.3 神经网络激励函数选取 |
| 6.2.4 神经网络隐含层数设定 |
| 6.3 神经网络预测模型的建立 |
| 6.3.1 失稳破坏前兆特征提取 |
| 6.3.2 失稳破坏前兆预测模型 |
| 6.4 失稳破坏前兆识别与预测 |
| 6.4.1 实验数据采集 |
| 6.4.2 实验数据处理 |
| 6.4.3 预测结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论和创新点 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）基于磁声融合的再制造构件剩余寿命预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 再制造无损检测技术研究现状 |
| 1.2.1 金属磁记忆再制造检测研究现状 |
| 1.2.2 声发射再制造检测研究现状 |
| 1.3 信息融合研究现状 |
| 1.4 论文的主要研究内容 |
| 第二章 再制造构件疲劳监测试验 |
| 2.1 疲劳试验 |
| 2.1.1 试验材料及试件设计 |
| 2.1.2 试验设备 |
| 2.1.3 试验方法 |
| 2.2 疲劳试验机频率变化 |
| 2.3 磁记忆监测试验结果分析 |
| 2.4 声发射监测试验结果分析 |
| 2.5 本章小结 |
| 第三章 基于MMM和AE的疲劳损伤特征参数提取 |
| 3.1 基于磁记忆信号的疲劳损伤特征参数 |
| 3.1.1 合成磁信号 |
| 3.1.2 法向偏差 |
| 3.1.3 法向幅值差 |
| 3.1.4 磁记忆信号特征分析与讨论 |
| 3.2 基于声发射信号的疲劳损伤特征提取 |
| 3.2.1 小波包能量谱分析 |
| 3.2.2 小波熵特征提取 |
| 3.2.3 声发射特征分析与讨论 |
| 3.3 基于磁声融合的特征参数提取 |
| 3.4 本章小结 |
| 第四章 基于Bayes理论的再制造构件寿命预测 |
| 4.1 BP神经网络 |
| 4.2 Bayes理论 |
| 4.3 基于Bayes理论的再制造构件寿命预测 |
| 4.3.1 数据层融合 |
| 4.3.2 指标层融合 |
| 4.4 本章小结 |
| 第五章 基于D-S证据的再制造构件寿命预测 |
| 5.1 D-S证据理论 |
| 5.2 基于D-S证据理论的寿命预测 |
| 5.3 基于加权融合算法优化的D-S证据融合 |
| 5.3.1 确定证据的一致程度 |
| 5.3.2 确定权重系数 |
| 5.3.3 修正基本概率分配值 |
| 5.3.4 基于加权融合算法的寿命预测 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（5）基于监测数据的汽轮机汽缸结构剩余寿命预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.3 研究内容与技术路线 |
| 2 数据预处理及寿命计算方法 |
| 2.1 概述 |
| 2.2 时间序列的数据预处理方法 |
| 2.2.1 基于局部离群因子法的异常值处理方法 |
| 2.2.2 基于贝叶斯离散小波包的降噪处理方法 |
| 2.3 低周疲劳裂纹萌生剩余寿命计算方法 |
| 2.3.1 低周疲劳裂纹萌生寿命的对称循环计算方法 |
| 2.3.2 低周疲劳裂纹萌生寿命的非对称循环计算方法 |
| 2.3.3 设计阶段的低周疲劳裂纹萌生寿命累计损耗计算 |
| 2.3.4 运行阶段的低周疲劳裂纹萌生剩余寿命计算 |
| 2.4 本章小结 |
| 3 汽轮机组监测数据处理及工况统计分析 |
| 3.1 汽轮机组监测数据收集 |
| 3.1.1 汽轮机组运行监测数据 |
| 3.1.2 高压汽缸金属壁温度监测数据 |
| 3.2 汽轮机组监测数据的异常值处理 |
| 3.2.1 监测数据的异常时间段处理 |
| 3.2.2 监测数据的异常数据点处理 |
| 3.3 汽轮机组监测数据的降噪处理 |
| 3.3.1 监测数据的降噪处理 |
| 3.3.2 监测数据的降噪效果评估 |
| 3.4 基于监测数据分析的启动工况判别统计 |
| 3.4.1 汽轮机组的典型启动工况及划分依据 |
| 3.4.2 基于监测数据分析的启动工况判别统计 |
| 3.5 本章小结 |
| 4 汽轮机汽缸结构的低周疲劳剩余寿命预测 |
| 4.1 概述 |
| 4.2 汽缸结构的有限元模型 |
| 4.3 汽缸结构的传热系数设置 |
| 4.4 汽缸结构的低周疲劳裂纹萌生寿命损耗率 |
| 4.4.1 典型工况下汽缸结构的温度场计算结果 |
| 4.4.2 典型工况下汽缸结构的热应力场计算结果 |
| 4.4.3 汽缸结构的低周疲劳裂纹萌生寿命损耗率 |
| 4.5 汽缸结构的低周疲劳裂纹萌生剩余寿命预测 |
| 4.6 本章小结 |
| 5 汽轮机汽缸结构的剩余寿命在线监测平台 |
| 5.1 概述 |
| 5.2 高端装备监测数据管理分析平台 |
| 5.3 汽轮机汽缸结构剩余寿命预测的算法模块 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及其他成果 |
（6）立井提升刚性罐道系统健康监测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容和目标 |
| 1.5 技术路线和总体框架 |
| 1.6 本章小结 |
| 2 刚性罐道系统故障模拟实验平台 |
| 2.1 引言 |
| 2.2 刚性罐道系统常见故障概述 |
| 2.3 实验平台结构设计 |
| 2.4 数据采集系统 |
| 2.5 提升绳特性 |
| 2.6 实验方案设计 |
| 2.7 罐道正常状态下提升绳特性对容器振动的影响 |
| 2.8 本章小结 |
| 3 刚性罐道故障特性与影响因素分析 |
| 3.1 引言 |
| 3.2 故障类型对提升容器振动特性的影响 |
| 3.3 刚性绳提升下罐道故障振动特性分析 |
| 3.4 柔性绳提升下罐道故障振动特性分析 |
| 3.5 提升绳特性对容器振动幅值的影响 |
| 3.6 本章小结 |
| 4 刚性罐道故障检测与诊断 |
| 4.1 引言 |
| 4.2 基于尺度平均小波能量的刚性罐道故障检测 |
| 4.3 基于动态时间规整的刚性罐道故障诊断 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 5 滚轮罐耳故障诊断与寿命预测 |
| 5.1 引言 |
| 5.2 基于改进的排列熵和支持向量机的滚轮罐耳故障诊断 |
| 5.3 基于广义威布尔故障率函数和径向基函数神经网络的滚轮罐耳寿命预测. |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）铸钢及其对接焊缝疲劳裂纹扩展及声发射监测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和选题意义 |
| 1.2 G20Mn5QT铸钢材料研究现状 |
| 1.3 疲劳裂纹扩展研究现状 |
| 1.3.1 疲劳裂纹扩展速率模型 |
| 1.3.2 疲劳裂纹观测方法 |
| 1.3.3 疲劳裂纹扩展数值模拟方法 |
| 1.4 疲劳裂纹监测研究现状 |
| 1.5 本文研究思路和研究内容 |
| 1.5.1 研究思路 |
| 1.5.2 研究内容 |
| 1.5.3 主要创新点 |
| 第2章 铸钢及其对接焊缝疲劳裂纹扩展性能 |
| 2.1 铸钢疲劳裂纹扩展试验 |
| 2.1.1 试验材料 |
| 2.1.2 试验设计 |
| 2.1.3 试验结果 |
| 2.2 对接焊缝疲劳裂纹扩展试验 |
| 2.2.1 焊接工艺与试验材料 |
| 2.2.2 试验设计与试验结果 |
| 2.3 裂纹扩展速率可靠性分析 |
| 2.3.1 完全数据法 |
| 2.3.2 参数估计法 |
| 2.4 疲劳裂纹扩展速率影响因素分析 |
| 2.4.1 应力比 |
| 2.4.2 试件厚度 |
| 2.4.3 最大荷载 |
| 2.4.4 铸钢与焊缝 |
| 2.5 本章小结 |
| 第3章 双参数裂纹扩展驱动力模型 |
| 3.1 双参数裂纹扩展驱动力模型推导 |
| 3.1.1 基本假设 |
| 3.1.2 双参数裂纹扩展驱动力 |
| 3.1.3 计算疲劳裂纹扩展速率 |
| 3.1.4 计算裂纹尖端应力应变 |
| 3.1.5 计算参数λ和参数ρ |
| 3.2 铸钢双参数裂纹扩展驱动力模型 |
| 3.2.1 模型建立 |
| 3.2.2 计算结果 |
| 3.3 焊缝双参数裂纹扩展驱动力模型 |
| 3.3.1 模型建立 |
| 3.3.2 计算结果 |
| 3.4 本章小结 |
| 第4章 铸钢及其对接焊缝疲劳裂纹扩展机理 |
| 4.1 声发射采集试验 |
| 4.1.1 声发射参数设置 |
| 4.1.2 传感器布置 |
| 4.1.3 试验加载与信号采集 |
| 4.2 声发射信号降噪 |
| 4.2.1 去除噪音信号 |
| 4.2.2 降低噪音成分 |
| 4.3 声发射活跃性分析 |
| 4.4 裂纹损伤开裂模式识别 |
| 4.4.1 聚类分析 |
| 4.4.2 各聚类声发射源 |
| 4.5 裂纹扩展机理分析 |
| 4.6 本章小结 |
| 第5章 基于声发射的疲劳裂纹监测方法 |
| 5.1 人工神经网络原理 |
| 5.2 声发射数据特征值提取 |
| 5.3 识别疲劳裂纹 |
| 5.3.1 单工况识别 |
| 5.3.2 多工况识别 |
| 5.4 疲劳裂纹定位 |
| 5.5 识别裂纹损伤 |
| 5.5.1 使用累计声发射特征值识别 |
| 5.5.2 使用若干荷载循环内声发射特征值识别 |
| 5.6 预测裂纹剩余寿命 |
| 5.6.1 剩余寿命预测模型 |
| 5.6.2 剩余寿命预测结果 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）基于监测大数据的产品剩余寿命预测方法研究（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 产品剩余寿命预测方法研究综述 |
| 1.2.1 基于物理模型的剩余寿命预测方法研究 |
| 1.2.2 基于数据驱动的剩余寿命预测方法研究 |
| 1.2.3 基于物理模型和数据驱动的混合剩余寿命预测方法研究 |
| 1.3 产品剩余寿命预测方法研究的发展趋势分析 |
| 1.4 论文结构框架和主要研究内容 |
| 第二章 基于退化轨迹相似性的剩余寿命预测改进方法 |
| 2.1 引言 |
| 2.2 传统的基于相似性的剩余寿命预测方法 |
| 2.2.1 方法假设与实施流程 |
| 2.2.2 数据前处理 |
| 2.2.3 退化轨迹相似性分析与剩余寿命预测 |
| 2.3 基于核密度估计的相似性剩余寿命预测改进方法 |
| 2.3.1 改进TSBP方法的实施框架与数据预处理 |
| 2.3.2 基于核密度估计算法的剩余寿命概率密度函数近似 |
| 2.3.3 基于改进TSBP方法的剩余寿命预测 |
| 2.4 算例分析与方法验证 |
| 2.4.1 剩余寿命预测方法评价性能指标 |
| 2.4.2 航空发动机退化仿真数据集 |
| 2.4.3 结果分析与讨论 |
| 2.5 本章小结 |
| 第三章 基于双向长短期记忆神经网络的产品剩余寿命预测方法 |
| 3.1 引言 |
| 3.2 问题描述与数据前处理 |
| 3.2.1 问题描述 |
| 3.2.2 数据前处理 |
| 3.3 基于双向长短期记忆神经网络的剩余寿命预测方法 |
| 3.3.1 循环神经网络简介 |
| 3.3.2 基于BLSTM网络的产品多工况下剩余寿命预测模型 |
| 3.3.3 模型训练与正则化方法 |
| 3.4 算例分析与方法验证 |
| 3.4.1 多工况下航空发动机退化仿真数据集简介及数据前处理 |
| 3.4.2 结果分析与讨论 |
| 3.5 本章小结 |
| 第四章 基于双向长短期记忆神经网络的混合剩余寿命预测方法 |
| 4.1 引言 |
| 4.2 数据采集与前处理 |
| 4.2.1 数据采集 |
| 4.2.2 数据前处理 |
| 4.3 基于BLSTM模型的产品混合剩余寿命预测方法 |
| 4.3.1 基于BLSTM模型的产品退化指标的构建 |
| 4.3.2 融合粒子滤波算法的混合剩余寿命预测方法 |
| 4.4 算例分析与方法验证 |
| 4.4.1 数据集简介 |
| 4.4.2 数据前处理 |
| 4.4.3 方法验证与结果讨论 |
| 4.5 本章小结 |
| 第五章 基于深度卷积神经网络和BOOTSTRAP的剩余寿命预测方法 |
| 5.1 引言 |
| 5.2 数据前处理 |
| 5.2.1 首次预测时间识别 |
| 5.2.2 基于连续小波变换的时频表征提取 |
| 5.3 基于深度卷积神经网络的RUL预测模型 |
| 5.3.1 卷积神经网络简介 |
| 5.3.2 基于深度卷积神经网络的RUL预测模型 |
| 5.4 基于DCNN模型和BOOTSTRAP框架的RUL预测方法 |
| 5.4.1 预测区间的构建 |
| 5.4.2 基于DCNN-Bootstrap方法的RUL预测区间量化 |
| 5.5 算例分析与方法验证 |
| 5.5.1 轴承退化实验数据简介与前处理 |
| 5.5.2 结果分析与讨论 |
| 5.6 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文主要研究结论 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（9）滚动轴承的故障诊断与剩余寿命预测方法研究（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 滚动轴承故障诊断技术的研究现状 |
| 1.2.2 滚动轴承剩余寿命预测技术的研究现状 |
| 1.3 论文的研究内容和结构安排 |
| 第二章 基于参数优化变分模态分解的滚动轴承故障诊断 |
| 2.1 变分模态分解原理 |
| 2.2 差分进化算法原理 |
| 2.2.2 差分进化算法步骤 |
| 2.2.3 差分进化算法流程 |
| 2.3 网格搜索 |
| 2.4 信号分析与故障诊断 |
| 2.4.1 仿真信号分析 |
| 2.4.2 实测信号分析 |
| 2.5 本章小结 |
| 第三章 基于粒子群-BP神经网络的滚动轴承剩余寿命预测 |
| 3.1 粒子群算法 |
| 3.1.1 粒子群算法原理 |
| 3.1.2 粒子群算法流程 |
| 3.1.3 粒子群算法参数选取 |
| 3.2 BP神经网络理论基础 |
| 3.2.1 网络结构 |
| 3.2.2 算法流程 |
| 3.3 滚动轴承振动信号特征提取与选择 |
| 3.3.1 PRONOSTIA试验平台 |
| 3.3.2 振动数据降噪处理 |
| 3.3.3 振动信号特征提取与约简 |
| 3.4 PSO-BP神经网络预测模型 |
| 3.4.1 PSO-BP预测模型建立 |
| 3.4.2 PSO-BP预测模型应用 |
| 3.5 本章小结 |
| 第四章 滚动轴承的退化状态划分与剩余寿命预测 |
| 4.1 支持向量机与模型参数优化 |
| 4.1.1 支持向量机回归原理 |
| 4.1.2 回归模型核函数与参数优化选择 |
| 4.2 基于模糊综合评价的轴承退化状态划分 |
| 4.2.1 试验数据分析 |
| 4.2.2 模糊综合评价 |
| 4.3 基于状态划分的轴承剩余寿命预测 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（10）基于Hilbert边际谱与RVM的包装件振动损伤预测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 包装件疲劳损伤研究的发展与现状 |
| 1.3 损伤预测方法研究现状 |
| 1.3.1 基于可靠性模型的方法 |
| 1.3.2 基于物理模型的方法 |
| 1.3.3 基于数据驱动的方法 |
| 1.4 论文研究内容及结构 |
| 第二章 包装件振动损伤机理分析与试验设计 |
| 2.1 包装件振动损伤预测方案分析 |
| 2.2 包装件损伤相关因素分析 |
| 2.3 包装件振动损伤机理分析 |
| 2.3.1 疲劳破坏概述 |
| 2.3.2 疲劳累积损伤理论 |
| 2.3.3 包装件受迫振动动力学模型分析 |
| 2.4 包装件疲劳振动试验设计 |
| 2.4.1 振动试验的目的与方法 |
| 2.4.2 疲劳振动试验系统 |
| 2.4.3 包装件振动试验方法步骤 |
| 2.5 本章小结 |
| 第三章 基于Hilbert边际谱的包装件损伤状态特征提取 |
| 3.1 包装件振动测量信号的分析 |
| 3.1.1 振动信号的分解方法 |
| 3.1.2 实测振动信号分解效果 |
| 3.2 包装件损伤边际谱特征提取 |
| 3.2.1 Hilbert变换 |
| 3.2.2 Hilbert边际谱特征 |
| 3.3 基于Hilbert边际谱特征的损伤指数构建 |
| 3.4 本章小结 |
| 第四章 基于RVM的包装件损伤预测 |
| 4.1 基于传统RVM的损伤预测研究 |
| 4.1.1 预测模型的构建 |
| 4.1.2 预测试验分析 |
| 4.2 基于改进RVM的损伤预测研究 |
| 4.2.1 多核RVM预测模型 |
| 4.2.2 MFO优化原理分析 |
| 4.2.3 基于MFO-RVM的包装件损伤预测模型构建 |
| 4.2.4 基于MFO-RVM的预测试验分析 |
| 4.3 本章小结 |
| 第五章 基于LabVIEW的包装件损伤检测系统开发 |
| 5.1 包装件损伤检测系统需求分析 |
| 5.1.1 基于LabVIEW的系统开发平台 |
| 5.1.2 包装件损伤检测系统需求分析 |
| 5.2 包装件损伤检测系统的设计 |
| 5.2.1 检测系统硬件模块设计 |
| 5.2.2 数据采集与存储模块 |
| 5.2.3 EMD分解模块 |
| 5.2.4 Hilbert边际谱特征提取模块 |
| 5.2.5 参数寻优模块 |
| 5.2.6 损伤预测模块 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
四、复合材料疲劳剩余寿命预测的动态小波神经网络方法（论文参考文献）
- [1]风电机组关键部件故障预警与寿命评估方法及其应用研究[D]. 董健. 华北电力大学(北京), 2021(01)
- [2]基于智能算法的IGBT寿命研究[D]. 赵金金. 内蒙古科技大学, 2020(01)
- [3]基于声发射信号处理的风力机叶片损伤演化研究[D]. 张亚楠. 沈阳工业大学, 2020
- [4]基于磁声融合的再制造构件剩余寿命预测[D]. 王玉洁. 东北石油大学, 2020
- [5]基于监测数据的汽轮机汽缸结构剩余寿命预测[D]. 王福民. 大连理工大学, 2020(02)
- [6]立井提升刚性罐道系统健康监测研究[D]. 吴波. 中国矿业大学, 2019(04)
- [7]铸钢及其对接焊缝疲劳裂纹扩展及声发射监测研究[D]. 许颜涛. 天津大学, 2019(01)
- [8]基于监测大数据的产品剩余寿命预测方法研究[D]. 黄承赓. 电子科技大学, 2019(04)
- [9]滚动轴承的故障诊断与剩余寿命预测方法研究[D]. 邱晓梅. 山东理工大学, 2019(03)
- [10]基于Hilbert边际谱与RVM的包装件振动损伤预测技术研究[D]. 杨明. 河北工业大学, 2019(06)