一、基于神经网络的液压缸故障诊断专家系统（论文文献综述）
魏苏杰[1]（2021）在《随车起重机变幅液压系统故障诊断研究》文中提出科学技术的不断发展促进包括工程机械在内的重大装备趋于智能化,为保证其可靠性,设备的健康检测成为研究热点。液压系统作为工程机械的主要组成部分,保证其在运行过程中的可靠性显得尤为重要。目前,对于液压健康检测的研究,主要有基于知识、数据驱动、基于物理模型的三种常用方法,基于知识的健康检测方法适合定性推理,要求有较高的经验及知识储备,基于数据驱动的健康检测方法要求有大量的故障或全寿命周期数据。鉴于两种方法的局限性,基于模型的液压系统的健康检测方法有明显优势,利用获得的系统精确的数学模型,进行系统的健康检测。本文以随车起重机变幅液压系统为研究对象,首先分析变幅液压系统的故障特征,提出典型故障的模拟与注入方案,通过仿真验证所提方案的可行性;其次分析功率键合图和解析冗余关系理论,提出键合图与解析冗余关系相结合的基于模型的故障诊断方法,为验证方法的可行性,进一步搭建基于Simulink的故障诊断仿真模型,验证所提故障诊断方法的合理性。论文的主要研究如下:（1）分析随车起重机结构组成和液压系统工作原理,对变幅液压系统典型故障的机理进行研究,制定各故障的模拟与注入方案,利用AMESim软件建立故障仿真模型,从而验证所提出的故障模拟方案的可行性;（2）采用功率键合图建模方法,根据液压原理和各故障模拟方案,建立变幅液压系统有无故障的键合图模型,并建立各结点本构关系方程;（3）基于解析冗余理论的基本原理,提出与键合图相结合的基于模型的故障诊断方法,主要包括:残差生成、残差估计及故障诊断三个环节;（4）将基于模型的故障诊断方法应用到变幅液压系统换向阀卡死的故障诊断中。在Simulink中搭建故障诊断仿真模型,通过控制部分注入故障信息,故障诊断结果与注入信息的一致性,来验证故障诊断方法的合理性;（5）在随车起重机实验台上设计换向阀卡死故障实验,通过实验曲线与仿真曲线对比,验证故障诊断仿真模型的合理性,进一步验证故障诊断结果的可信度。
闻中翔[2]（2020）在《基于神经网络的阀控液压缸系统故障诊断》文中研究指明针对无法对阀控液压缸系统中的液压元件进行实时故障监测及诊断的问题。论文通过传感器采集系统信号并结合神经网络的方法,对液压缸不同类型的泄漏故障和双喷嘴挡板伺服伺早期单喷嘴堵塞故障进行实时故障诊断。论文主要研究如下:1、分析液压缸和双喷嘴挡板伺服阀的故障机理,设计了一种液压系统故障模拟方法,通过液压缸结构设计并外接元件方法实现液压缸不同程度的内、外泄漏故障模拟。通过传感器采集液压缸的压力信号及活塞杆位移信号,确定具有代表性的故障特征并提取相应的特征值作为故障样本后通过BP神经网络学习算法进行学习训练,并利用部分样本作为检测数据验证了其可行性。结果表明该BP神经网络能准确分别系统的内、外泄漏故障,达到故障诊断目的。2、运用液压机械系统建模仿真软件AMESim建立双喷嘴挡板伺服阀控对称液压缸位置伺服系统仿真模型,通过将仿真所得的液压缸内、外泄漏时对应活塞杆的位移曲线和液压缸左腔压力曲线与实验所得的对应曲线进行对比,发现随着故障程度的加剧,仿真和实验所得的曲线变化趋势基本相同,同时模拟了双喷嘴挡板伺服阀的单喷嘴堵塞故障,所得伺服阀在无输入信号状态下的状态参数与理论推导相吻合,验证了仿真模型的可靠性。3、利用表征学习的概念对双喷嘴挡板伺服阀早期单喷嘴堵塞故障进行诊断。设计一种神经网络来找到一种非线性映射关系,通过该神经网络将原始数据转换到另一个更容易分类的空间中。通过对数据点形成的数据簇的轮廓系数进行评估,表明数据点的聚类效果良好。通过BP神经网络分别对原始数据和新数据进行故障诊断,结果表明故障诊断的准确率大大提高。图52表9参74
陈潇[3]（2020）在《双绳缠绕式提升机钢丝绳张力协调控制策略研究》文中研究说明随着浅层矿产资源的开采殆尽,深井开采是未来的发展方向。双绳缠绕式提升机,作为深井提升的重要装备,其性能直接关系到我国能源战略的有效实施。双绳缠绕式提升机在运行过程中,由于绳槽偏差、卷绕误差及两侧钢丝绳性能的不一致,不可避免地会出现各绳张力不平衡现象,影响到运输设备及人员安全。同时,双绳缠绕式提升机在服役过程中,钢丝绳张力协调控制系统执行器子系统和传感器容易发生故障,存在潜在的安全隐患,闭环控制系统一旦出现失稳,极有可能造成机毁人亡的重大事故。因此,深入研究各种工况下双绳缠绕式提升机钢丝绳张力协调控制方法,是实现钢丝绳张力协调控制策略真正应用于生产实践的关键课题。本文在973计划课题“非定常工况下超深井提升系统危机预防及安全运行研究”的资助下,结合双绳缠绕式提升机的实际工况,综合运用非线性系统建模、自适应控制、迭代学习控制、容错控制等理论,开展了多种工况下双绳缠绕式提升机钢丝绳张力协调控制策略的理论与实验研究。研究工作主要包括:（1）建立了双绳缠绕式提升机提升子系统模型、提升容器子系统模型和浮动天轮驱动子系统模型,最终构建了双绳缠绕式提升机耦合模型;给出了卷绕误差激励和钢丝绳特性偏差的等效模型;在AMESim软件和Matlab/Simulink软件环境下分别搭建了双绳缠绕式提升机仿真模型并进行了数值仿真分析,研究了卷绕误差激励和两侧钢丝绳存在特性偏差工况下钢丝绳末端张力和张力差的响应规律。（2）基于双绳缠绕式提升机正常运行工况下误差激励和参数不确定性有界假设,利用动态面控制理论设计了双绳缠绕式提升机钢丝绳张力协调控制器;考虑提升子系统非线性特性及其所受扰动的时变特性,设计了迭代学习观测器,对未知动态特性和扰动进行综合观测;考虑控制器参数和实际物理参数的偏差,引入自适应理论,对参数偏差引起的控制器性能下降进行补偿;通过仿真分析验证了所提出控制策略的有效性和优越性。（3）针对双绳缠绕式提升机钢丝绳张力协调控制系统执行器子系统发生故障的工况,建立了执行器子系统故障树,给出了执行器子系统典型故障的等效模型;设计了可以对故障进行实时检测的自适应观测器,对故障观测器的稳定性和收敛性进行了证明;利用故障检测信息,基于浮动天轮冗余特性,同时为了保障故障工况下液压缸速度跟踪误差的有界,提出了一种执行器子系统故障工况下钢丝绳张力协调控制方法;通过仿真分析验证了执行器子系统故障工况下所提出控制策略的收敛性和有效性。（4）针对双绳缠绕式提升机运行过程中反馈传感器可能发生掉电、漂移等故障工况,建立了反馈传感器的等效故障模型;提出了一种基于信号融合的传感器故障检测方法,设计了有限时间观测器和参数估计器,实现了对传感器故障的实时检测;考虑传感器故障风险,基于系统物理特性分析和故障检测结果,提出了传感器故障工况下基于扩张状态逼近的钢丝绳张力协调控制方法,并证明了所提出方法的稳定性;仿真结果验证了传感器故障工况所提出混合控制策略的有效性。（5）基于xpc技术搭建了双绳缠绕式提升机模拟实验平台;分别开展了正常运行工况、执行器故障工况和传感器故障工况下钢丝绳张力协调控制策略的实验研究;实验结果验证了所提出控制策略的有效性。该论文有图74幅,表10个,参考文献153篇。
廖婧僳[4]（2020）在《液压缸拉缸故障诊断研究》文中认为液压缸是广泛应用于工程机械液压系统中的关键执行元件,对整机工作性能有很大的影响。液压缸的典型故障是内泄漏。液压缸拉伤是导致液压缸内泄漏的主要因素之一。由于液压系统的密闭性,液压缸拉缸及其内泄漏诊断一直是液压系统故障诊断的难点。本文以MOB40*200型号液压缸为研究对象,对液压缸筒拉伤及故障诊断进行了深入研究,主要研究内容如下:一、液压缸拉缸试验及数据采集分析产生拉缸故障的原因、现象、危害。设计了液压缸缸筒拉伤及其实验方案。人工模拟了液压缸缸筒拉伤,基于YCS-DIII电液伺服比例综合试验台,搭建液压缸工况模拟试验台的测试系统,包括测试系统硬件选择和测试系统软件设置。基于该实验系统,在液压缸运动状态下,采集正常状态和拉缸故障状态下液压缸压力、流量等信号。二、基于EMD的液压缸拉缸故障特征提取对液压缸的无杆腔压力信号进行EMD分解,确定了IMF1的能量值、内禀模态总能量熵、IMF1瞬态幅值的均方根值这三个特征值随拉伤故障的变换规律,在此基础上构成故障特征向量,作为下一步故障分类器的输入向量。三、基于内分泌神经网络的液压缸拉缸故障模式识别概述了内分泌BP神经网络的基本结构和工作原理,分析了内分泌策略对神经网络权值的调节功能。进一步将内分泌BP神经网络引入缸筒拉伤故障诊断。设计了内分泌神经网络分类器的网络结构,对缸筒拉伤进行了故障分类,并对比了BP神经网络的故障分类效果。研究结果表明,内分泌BP神经网络比传统BP神经网络更胜一筹。
杨阔[5]（2020）在《基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究》文中提出挖掘机液压系统在故障发生时具有隐蔽性强、非线性时变信号强、能量传递机理复杂等特点,尤其大多数故障的故障特征在前期表现较弱不易提取,若不能及时发现并解决故障,极易引发重大安全生产事故。因此对于挖掘机液压系统来讲,能够对其实现快速准确的诊断具有很大的研究意义。为了解决上述问题,作者根据本课题的研究方向,依托于校企合作项目“FW080全液压履带式挖掘机开发”（项目号FW/RD201717）,通过查阅大量国内外文献资料对挖掘机液压系统故障诊断技术进行了重点研究,分析了各种故障诊断技术的优缺点,对挖掘机液压系统各个回路中主要液压元件常见故障进行了总结,总结其故障发生时往往会导致其运行参数发生非正常变化,因此从运行参数的变化中能够提取有效的故障信息,从而提出了本文的故障诊断研究方案:将智能算法回归拟合预测思想应用于挖掘机液压系统的诊断之中,并与专家系统相结合的故障诊断方案。提出了基于极限学习机算法（ELM）回归拟合预测模型的诊断方法:首先根据正常状态下挖掘机液压系统的运行参数建立拟合预测模型,故障发生时,将故障状态的运行参数输入到所建立的预测模型中,得到预测模型输出的各个参数正常状态的预测值并于实际运行参数进行对比,通过对比二者残差统计量判别系统是否发生故障。为了进一步对预测模型输出残差统计量进行推理及解释,引入了专家系统诊断方法:首先将液压挖掘机液压系统目前的诊断推理流程、故障特征信息以及故障维修方案等知识以本体模型的形式构建了挖掘机液压系统故障诊断的专家系统知识库以及基于残差统计量的推理规则库,通过设置推理规则对故障进行推理解释;同时为实现将以往故障诊断知识的重复利用,提出了基于案例匹配的诊断方法,通过分析不同故障原因引发的不同参数变化及故障现象,将故障回路、故障现象及故障参数以案例特征信息的形式储存,构建故障诊断的案例库,通过特征选取、案例检索、案例匹配实现对故障快速确诊。并基于Visual Studio软件设计了一套实现上述的功能的系统,让用户及时知道挖掘机的故障部位、故障原因以及故障维修方法。在AMEsim系统仿真环境下,建立了实验样机液压系统的仿真模型,通过改变其液压元件物理参数,模拟多种故障实例,获得相应故障数据用以验证本文所提出挖掘机液压系统诊断方法的有效性,结果表明本文所述方案是合理有效的,同时本文所述方案也为其他工程车辆故障的诊断提供了一定的参考。
朱永新[6]（2020）在《基于改进支持向量机的航空发动机滑油系统故障诊断研究》文中进行了进一步梳理在航空发动机的故障中,滑油系统的故障占据了很大一部分,针对当前滑油系统的故障诊断数据匮乏、定性模糊、鲜有定量的特点,研究滑油系统的故障诊断,以方便获取故障数据,在故障时刻及时作出判断,或者在故障形成之前作出预测,对于保障航空发动机的安全运行具有很重要的意义。以某型航空发动机为研究对象,使用改进支持向量机实现了滑油系统的故障诊断。论文的具体研究内容如下:（1）研究了某型航空发动机滑油系统的构造,然后根据调研数据选取了滑油系统的四大典型故障,并对其故障成因进行了逐一分析。（2）根据故障的分析结果,建立了典型故障的贝叶斯网络模型。然后以滑油消耗量大这一故障为例,选用贝叶斯网络的精确推理算法——Hugin算法进行推理。最后结合三种部件重要度的评价方法,筛选出了故障成因中的重要基本事件。（3）因为航空发动机滑油供油系统与回油系统具有相似性,因此仅以供油系统为例,使用AMESim软件建立了供油系统的模型。然后将上文筛选出的重要基本事件在AMESim模型中进行故障仿真,得到了故障与故障特征参数之间的映射关系,即故障数据。（4）首先,使用支持向量机建立滑油系统的故障诊断模型。然后,提出了一种支持向量机在分类问题上的平均影响值计算方法——“平均距离计算法”。并将该方法用于故障数据的降维,并通过与主元分析法对比,证明了该方法的正确性。为了提升故障诊断的精确率,引入蚱蜢优化算法,优化支持向量机的惩罚因子C和高斯核参数g,使故障诊断模型的精度提升至97.5%。
刘敏[7]（2020）在《基于粗糙集和神经网络的采煤机液压调高系统故障诊断研究》文中研究指明采煤机是煤炭开采的关键设备,由于工作环境恶劣,易出现各种故障。液压调高系统是采煤机易出现故障的主要部分,其作用是实现摇臂的调高和截煤,一旦发生故障,严重影响采煤机的安全运行和工作效率。因此,快速有效的对液压调高系统进行故障诊断,不但可以提高企业经济效益,而且可以预防重大事故的发生。液压调高系统的故障征兆与故障类型存在复杂非线性映射关系,故障原因多样且具有不确定性,在监测其运行状态时存在大量的冗余数据,造成诊断效率低下。本文提出粗糙集与RBF神经网络相结合的故障诊断方法,利用粗糙集降低输入特征维数,去除冗余信息,简化神经网络结构,减少网络训练时间和计算量,大大提高诊断效率。本文的主要研究内容是:首先,在深入分析采煤机结构及工作原理基础上,以MG750-1940WD型采煤机为研究对象,在Matlab环境下采用Sim Hydraulics软件建立了采煤机液压调高系统模型。通过对液压调高系统工作原理与常见故障的分析,对典型故障如液压泵内泄漏故障、电液换向阀卡死故障、液压缸外泄漏故障进行故障仿真,研究并分析不同的故障对整个液压系统的影响。其次,粗糙集-RBF神经网络故障诊断方法选取采煤机液压调高系统中的流量、压力、速度、位移等特征向量作为故障征兆,以典型故障为故障类型建立原始故障决策表,运用粗糙集理论对液压调高系统的原始故障数据集进行等距离散化处理、利用ROSETTA软件中的Genetic algorithm约简算法进行属性约简,去除输入信息中的冗余,挖掘隐含知识和潜在规律,得到最小条件属性集和规则。以处理后的数据集作为RBF神经网络的训练样本,根据最小条件属性集确定RBF神经网络初始拓扑结构,采用高斯函数作为径向基函数,以梯度下降算法作为网络学习算法,通过网络训练建立液压调高系统的故障征兆与故障类别的映射关系,使用Python编程语言进行故障诊断。最后,利用Python编程语言实现两种方法的分析比较,第一种是RBF神经网络故障诊断方法,将归一化后的原始故障数据集导入RBF神经网络中,实现液压调高系统的故障诊断。第二种是粗糙集-RBF神经网络故障诊断方法,将粗糙集进行离散并约简后的故障数据集作为RBF神经网络的输入,实现液压调高系统的故障诊断。仿真结果表明,在相同目标误差下,粗糙集-RBF神经网络的性能优于单纯的RBF神经网络,其结构更加简单,收敛速度更快,网络学习效率及故障诊断准确性更高,在采煤机液压调高系统中有很好的实际应用效果。
雷亚飞[8]（2020）在《工业互联网+油动机液压系统状态监测与故障诊断研究》文中进行了进一步梳理当前,大数据、云计算、工业互联网等新一代信息技术飞速发展,为设备状态监测与故障诊断研究提供了新理论和新技术。随着新型信息技术和传统液压技术融合发展,基于工业互联网平台开发油动机状态监测与故障诊断系统具有重要的理论意义和实际价值。因此,本文以油动机液压系统为研究对象,以挖掘状态监测数据中隐藏的故障信息为目标,采用工业互联网平台技术打通了信号采集、边缘数据处理、端云之间数据传输、海量数据弹性存储、故障诊断建模分析等信息通道,为油动机液压系统的状态监测与故障诊断系统提供了新理论、新技术和新方法。首先,依据信息物理系统（Cyber-Physical Systems,CPS）理论,设计了油动机状态监测与故障诊断系统的CPS六层功能架构,涵盖了从数据采集到数据分析的各项功能需求。并选取WISE-PaaS工业互联网平台为载体,构建了基于工业互联网平台的油动机状态监测与故障诊断系统的功能实现架构。其次,将油动机液压系统划分为正常调节和快关缓冲两个工作状态,分别进行建模分析。并在AMESim仿真平台上对电液伺服阀喷嘴与阻尼孔堵塞、油动机液压缸内泄漏、电磁阀电磁性能退化等故障进行仿真模拟,以探究状态监测与故障诊断所需的故障敏感数据源,为工业互联网的数据接入提供理论指导。再次,针对油动机在正常调节状态下易发生的液压缸内泄漏故障,基于支持向量数据描述（Support Vector Data Description,SVDD）单值分类法,利用液压缸两腔压力状态监测时域信号的最小值和最大值两个特征值构建液压缸内泄漏故障诊断的新模型,为在工业互联网上实现油动机液压缸内泄漏故障诊断提供模型。然后,针对油动机快关缓冲系统中的核心控制元件——快关电磁阀电磁性能退化故障,利用电磁阀出口压力信号进行故障诊断,研究基于主成分分析（Principal Component Analysis,PCA）降维与极限梯度提升树（eXtreme Gradient Boosting,XGBoost）分类算法相融合的电磁阀电磁性能退化故障诊断的新算法,为在工业互联上实现快关电磁阀故障诊断提供算法。最后,在WISE-PaaS工业互联网平台上为油动机新型试验样机开发状态监测与故障诊断系统,研制从信号采集、边缘特征提取,云端数据分析等功能模块,为“工业互联网+油动机液压系统状态监测与故障诊断”研究提供具体解决方案。本文研究成果不仅完成了基于工业互联网平台开发油动机状态监测与故障诊断系统的具体研究任务。还探索了“工业互联网+液压”实现途径,为传统液压技术与工业互联网信息技术融合提供了应用范例。
肖鹏飞[9]（2020）在《基于数据驱动的SPMT状态监测与故障诊断研究》文中研究说明自行式模块运输车因为其载重量大、使用灵活以及稳定性高的优点,被广泛应用于各种大型的重载运输场合。本文针对自行式模块运输车使用过程中存在的安全和故障维护等问题,对运输车的状态监测和故障诊断系统进行了研究。首先以某型号的自行式模块运输车为对象,介绍了运输车的基本组成、功能和应用特点,并对其主要组成部分,行走驱动系统、悬挂系统和转向系统各自的结构、液压系统以及工作原理做了较详细的分析。在现有的监控系统的基础上,提出了包含基本参数监测、安全状态监测和故障状态监测三方面的状态监测系统方案,并完成了对系统中的基本参数监测和安全状态监测的实现过程的研究,以及运输车的故障状态的初步分析。然后重点对系统的故障诊断方法进行研究以实现其故障状态监测,限于篇幅限制,故障诊断方法研究仅以悬挂液压系统为对象。为此先在AMESim仿真软件建立了悬挂液压系统的完整模型,对悬挂系统的正常工况和故障工况进行了仿真,并初步分析不同类型、不同程度的液压元件故障对系统性能的影响,为后续的故障诊断提供依据和数据来源。最后本文在对现有的各种液压故障诊断方法的介绍和对比的基础上,结合系统本身的特点,设计了基于小波包分析和多分类支持向量机的故障诊断方案。该方案对采集的流量信号样本,进行小波包分析并提取子信号的能量谱,结合仿真分析的结果和对比实验,为各类故障选取合适的特征;通过对支持向量机方法的分析和对比,设计了一种基于二叉树的多分类支持向量机的故障识别方案,将从仿真模型中获取的样本数据做上述小波包分析处理后,对支持向量机模型进行训练和测试,并使用改进的网格搜索法对模型参数进行优化,最终取得了较好的分类性能,实现了以悬挂液压系统为对象的故障诊断。至此,本文完成了自行式模块运输车的状态监测系统中的主要研究工作。
黄武涛[10]（2020）在《挖掘机关键液压元件故障诊断方法及系统研究》文中进行了进一步梳理挖掘机是国家的重要装备基础,然而我国挖掘机行业仍存在着设备故障率高、可靠性不强和运维服务水平低等问题。因此,提高挖掘机智能化水平已经成为行业的重要工作。为了提高挖掘机的智能化水平并确保工作可靠性,本文针对挖掘机关键液压元件进行故障诊断研究,并进行挖掘机健康管理系统开发。本课题的意义在于,研究挖掘机关键液压元件故障诊断所涉及的技术,探究相关元件性能数据的特征提取方法,设计相应的状态感知方案,研究出匹配的故障诊断方法,在此基础上开发挖掘机健康管理系统,为推动挖掘机智能化转变积累技术基础。本文主要内容如下:（1）设计了基于NI cDAQ-9191机箱的故障状态感知装置。先对挖掘机进行故障树分析,进一步对主要液压元件进行故障模式及机理分析。在此基础上,对液压元件进行故障状态感知研究,分析故障的特征信号类型,并设计相应的故障信号采集方案。最后,完成故障状态感知装置的开发,实现数据采集与存储的功能。（2）提出了基于卷积神经网络的液压缸故障诊断方法。先采集液压缸在不同泄漏状态下的压力信号作为原始信号,再进行小波包分解,获取各个子带信号的能量,归一化后得到特征向量。将特征向量贴上标签后用于卷积神经网络训练,进而识别液压缸故障类型。结果表明,所提方法具有诊断速度快、识别精度高的优点。（3）基于白色测量噪声子空间辨识和状态反馈法,提出了考虑测量噪声和摩擦因素的液压缸泄漏诊断算法。基于系统动力学方程搭建液压缸模型,设置泄漏系数模拟液压缸内泄漏和外泄漏,获取液压缸两腔压力和活塞杆位移信号。采用状态反馈法处理系统非线性参数,运用欧拉法得到系统状态空间表达式,最后基于白色测量噪声的子空间辨识求取泄漏系数估值,根据估值大小对泄漏类型和严重程度进行定量化诊断。结果表明,所提方法可以对液压缸泄漏故障进行量化地诊断。（4）提出了基于深度置信网络的液压泵故障识别方法。针对液压泵故障模式多且故障特征不明显的特点,采集振动信号并进行无量纲参数特征提取,获取反映液压泵状态的特征。再基于DBN网络搭建诊断模型,经过训练优化后,用于识别液压泵故障模式。结果表明,所提方法能够精确识别多类型故障。（5）在上述研究基础上,开发了挖掘机故障诊断与状态监控系统。包括挖掘机健康管理网站和健康监控软件,实现挖掘机在线监控和远程运维等功能。
二、基于神经网络的液压缸故障诊断专家系统（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、基于神经网络的液压缸故障诊断专家系统（论文提纲范文）
（1）随车起重机变幅液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 随车起重机技术与发展 |
| 1.1.1 随车起重机简介 |
| 1.1.2 随车起重机发展状况 |
| 1.2 故障诊断技术的发展 |
| 1.2.1 故障诊断方法 |
| 1.2.2 故障诊断方法研究现状 |
| 1.3 本文研究工作主要内容 |
| 1.3.1 选题背景与意义 |
| 1.3.2 工作内容 |
| 1.4 本文组织结构 |
| 2 变幅液压系统故障分析与故障模拟 |
| 2.1 随车起重机液压系统介绍 |
| 2.1.1 随车起重机介绍 |
| 2.1.2 液压系统工作原理 |
| 2.2 液压系统故障分类与特点 |
| 2.3 变幅液压系统故障分析与模拟 |
| 2.3.1 液压缸的故障分析及模拟 |
| 2.3.2 液压泵的故障分析及模拟 |
| 2.3.3 换向阀的故障分析及模拟 |
| 2.3.4 溢流阀与过滤器的故障分析及模拟 |
| 2.4 基于AMESim的液压系统故障仿真 |
| 2.4.1 AMESim液压系统建模 |
| 2.4.2 液压系统故障注入与模拟 |
| 2.4.3 仿真结果分析 |
| 2.5 本章小结 |
| 3 基于功率键合图的液压系统建模 |
| 3.1 功率键合图建模方法 |
| 3.2 液压元件功率键合图 |
| 3.3 变幅液压系统功率键合图模型 |
| 3.3.1 系统无故障建模 |
| 3.3.2 系统多故障建模 |
| 3.4 变幅液压系统多模式故障 |
| 3.5 本章小结 |
| 4 基于模型的液压系统故障诊断方法 |
| 4.1 解析冗余关系理论 |
| 4.2 残差与阀值计算 |
| 4.2.1 残差计算 |
| 4.2.2 阀值计算 |
| 4.2.3 故障隔离与故障特征矩阵 |
| 4.3 故障诊断 |
| 4.4 本章小结 |
| 5 案例分析与实验验证 |
| 5.1 换向阀卡死故障诊断 |
| 5.2 实验验证 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于神经网络的阀控液压缸系统故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 故障诊断理论及技术的发展 |
| 1.3 液压系统故障诊断国内外研究现状及分析 |
| 1.3.1 液压系统故障诊断国外研究动态 |
| 1.3.2 液压系统故障诊断国内研究动态 |
| 1.4 液压系统故障介绍 |
| 1.4.1 液压系统介绍 |
| 1.4.2 液压系统故障特性 |
| 1.5 主要研究内容 |
| 2 液压系统故障研究 |
| 2.1 液压缸故障机理分析 |
| 2.2 双喷嘴挡板伺服阀故障机理分析 |
| 2.3 液压系统常用故障诊断方法 |
| 2.3.1 基于模型的液压系统故障诊断方法 |
| 2.3.2 基于信号处理的液压系统故障诊断方法 |
| 2.3.3 基于人工智能的液压系统故障诊断方法 |
| 2.4 本章小结 |
| 3 基于神经网络的液压缸泄漏故障诊断 |
| 3.1 人工神经元模型 |
| 3.2 BP神经网络算法 |
| 3.2.1 信号的前向传递 |
| 3.2.2 误差的反向传播 |
| 3.3 阀控液压缸位置伺服系统油路搭建及故障模拟 |
| 3.3.1 阀控液压缸位置伺服系统简介 |
| 3.3.2 阀控液压缸位置伺服系统油路搭建及故障模拟 |
| 3.4 基于神经网络的液压缸泄漏故障诊断 |
| 3.4.1 故障样本提取 |
| 3.4.2 BP神经网络参数设计 |
| 3.4.3 BP神经网络训练与诊断结果 |
| 3.5 本章小结 |
| 4 基于AMESim的阀控液压缸系统建模及故障仿真 |
| 4.1 阀控液压缸位置伺服系统建模 |
| 4.1.1 力矩马达仿真模型 |
| 4.1.2 衔铁挡板组件仿真模型 |
| 4.1.3 功率级滑阀仿真模型 |
| 4.1.4 液压缸泄漏故障注入仿真模型 |
| 4.2 液压缸泄漏故障仿真 |
| 4.2.1 液压缸内泄漏故障仿真 |
| 4.2.2 液压缸外泄漏仿真 |
| 4.3 双喷嘴挡板伺服阀喷嘴堵塞故障仿真 |
| 4.3.1 双喷嘴挡板伺服阀单喷嘴堵塞故障分析 |
| 4.3.2 双喷嘴挡板伺服阀单喷嘴堵塞故障仿真 |
| 4.4 本章小结 |
| 5 双喷嘴挡板伺服阀早期堵塞故障诊断 |
| 5.1 双喷嘴挡板伺服阀单喷嘴堵塞故障特征提取 |
| 5.2 故障诊断方法 |
| 5.2.1 非线性映射 |
| 5.2.2 双层神经网络 |
| 5.2.3 梯度上升算法 |
| 5.3 诊断结果与讨论 |
| 5.4 本章小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
| 一、作者简介 |
| 二、读研期间主要科研成果 |
| 论文 |
| 专利 |
（3）双绳缠绕式提升机钢丝绳张力协调控制策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 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 主要研究内容 |
| 1.5 技术路线和总体框架 |
| 1.6 本章小结 |
| 2 双绳缠绕式提升机建模与钢丝绳张力特性分析 |
| 2.1 引言 |
| 2.2 双绳缠绕式提升机动力学模型构建 |
| 2.3 钢丝绳张力特性分析 |
| 2.4 仿真分析 |
| 2.5 本章小结 |
| 3 正常工况下钢丝绳张力协调控制方法 |
| 3.1 引言 |
| 3.2 动态面控制技术概述 |
| 3.3 钢丝绳张力协调动态面控制方法 |
| 3.4 基于迭代学习的钢丝绳张力协调自适应动态面控制方法 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 4 执行器故障工况下钢丝绳张力协调控制方法 |
| 4.1 引言 |
| 4.2 钢丝绳张力协调控制系统执行器子系统故障树 |
| 4.3 钢丝绳张力协调控制系统执行器子系统故障检测与状态评估方法 |
| 4.4 执行器子系统故障工况下钢丝绳张力协调控制器设计 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 5 传感器故障工况下钢丝绳张力协调控制方法 |
| 5.1 引言 |
| 5.2 钢丝绳张力协调控制系统传感器故障分析 |
| 5.3 基于信号融合的传感器故障检测与评估 |
| 5.4 基于扩张观测器的钢丝绳张力协调控制器设计 |
| 5.5 仿真分析 |
| 5.6 本章小结 |
| 6 试验台搭建与实验验证 |
| 6.1 引言 |
| 6.2 双绳缠绕式提升装备实验平台介绍 |
| 6.3 参数辨识与提升曲线设置 |
| 6.4 正常工况下钢丝绳张力协调控制方法试验验证 |
| 6.5 执行器子系统故障工况下钢丝绳张力协调控制方法试验验证 |
| 6.6 传感器故障工况下钢丝绳张力协调控制方法试验验证 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（4）液压缸拉缸故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文来源和研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 论文研究背景及意义 |
| 1.2 液压缸内泄漏特征提取的方法研究现状 |
| 1.3 液压缸故障模式识别研究现状 |
| 1.4 国内外研究现状分析 |
| 1.5 本文主要工作内容 |
| 2 液压缸拉缸故障实验 |
| 2.1 液压缸拉缸故障分析 |
| 2.1.1 液压缸拉缸原因分析 |
| 2.1.2 液压缸拉缸泄漏量计算 |
| 2.2 液压系统的实验平台搭建 |
| 2.2.1 实验台组成 |
| 2.2.2 基于Lab VIEW的液压缸测试系统开发 |
| 2.3 液压缸拉缸内泄漏实验及结果分析 |
| 2.3.1 实验步骤 |
| 2.3.2 数据采集 |
| 2.3.3 液压缸拉缸内泄漏实验结果分析 |
| 2.4 本章小结 |
| 3 基于经验模态分解(EMD)的液压缸拉缸特征提取 |
| 3.1 经验模态分解(EMD)方法基本理论 |
| 3.1.1 经验模态分解基本概念 |
| 3.1.2 EMD仿真 |
| 3.2 液压缸压力信号的EMD分解 |
| 3.2.1 压力信号的组成分析 |
| 3.2.2 压力信号的EMD分解 |
| 3.3 液压缸拉缸故障特征提取 |
| 3.3.1 相关特征值计算 |
| 3.3.2 拉缸故障特征提取结果 |
| 3.4 本章小结 |
| 4 基于内分泌(BP)神经网络的液压缸拉缸模式识别 |
| 4.1 故障诊断方法 |
| 4.1.1 BP神经网络算法 |
| 4.1.2 内分泌神经网络 |
| 4.2 基于内分泌(BP)神经网络的液压缸拉缸模式识别 |
| 4.2.1 建立内分泌神经网络结构 |
| 4.2.2 内分泌神经网络识别结果 |
| 4.3 基于BP神经网络的液压缸拉缸模式识别 |
| 4.3.1 建立BP神经网络结构 |
| 4.3.2 BP神经网络识别结果 |
| 4.4 BP神经网络与内分泌BP神经网络识别效果对比 |
| 4.5 本章小结 |
| 5 全文总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（5）基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 液压系统故障诊断技术概述 |
| 1.2.1 故障诊断概述 |
| 1.2.2 液压系统故障诊断技术发展历程 |
| 1.3 挖掘机液压系统故障诊断研究现状及发展趋势 |
| 1.3.1 挖掘机液压系统故障诊断技术研究现状 |
| 1.3.2 挖掘机液压系统故障诊断技术发展趋势 |
| 1.4 本文研究内容 |
| 第2章 故障诊断系统设计方案 |
| 2.1 挖掘机液压系统作业特点及组成 |
| 2.1.1 挖掘机液压系统作业特点 |
| 2.1.2 挖掘机液压系统组成 |
| 2.2 挖掘机液压系统故障分析 |
| 2.2.1 挖掘机液压系统常见故障 |
| 2.2.2 挖掘机液压系统故障规律 |
| 2.3 挖掘机液压系统故障诊断研究策略 |
| 2.3.1 挖掘机液压系统故障诊断策略 |
| 2.3.2 挖掘机液压系统故障诊断理论方法 |
| 2.3.3 挖掘机液压系统故障诊断系统整体框架 |
| 2.4 本章小结 |
| 第3章 挖掘机液压系统仿真模型建立 |
| 3.1 挖掘机液压系统主要元件分析建模 |
| 3.1.1 恒功率变量泵分析与仿真模型 |
| 3.1.2 主控阀分析与仿真模型 |
| 3.1.3 回转马达分析与仿真模型 |
| 3.1.4 行走马达分析与仿真模型 |
| 3.1.5 挖掘机液压系统模型及仿真分析 |
| 3.2 挖掘机液压系统故障数据采集系统设计 |
| 3.3 挖掘机液压系统仿真模型实验验证 |
| 3.4 本章小结 |
| 第4章 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.1 拟合预测思想概述 |
| 4.2 基于ELM极限学习机算法的拟合预测模型 |
| 4.2.1 ELM极限学习机算法应用 |
| 4.2.2 极限学习机算法拟合预测模型模型建立 |
| 4.2.3 性能分析 |
| 4.2.4 算法对比 |
| 4.3 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.3.1 基于预测模型的故障判定方法 |
| 4.3.2 挖掘机液压系统故障诊断预测模型 |
| 4.3.3 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.4 基于模型预测故障诊断方法验证 |
| 4.4.1 建立预测模型及设置检测阈值 |
| 4.4.2 挖掘机液压系统故障设置 |
| 4.4.3 基于预测模型的故障诊断方法检验 |
| 4.5 本章小结 |
| 第5章 基于预测模型与专家系统故障诊断方法研究 |
| 5.1 预测模型与专家系统故障诊断总体方案设计 |
| 5.2 基于规则推理的故障诊断方法研究 |
| 5.2.1 基于规则推理的诊断方法概述 |
| 5.2.2 挖掘机液压系统故障诊断专家系统知识库 |
| 5.2.3 故障诊断规则的建立 |
| 5.2.4 基于规则推理的诊断过程 |
| 5.3 基于案件匹配的挖掘机液压系统故障诊断研究 |
| 5.3.1 基于案例匹配的挖掘机液压系统故障诊断方法 |
| 5.3.2 特征选取与案例检索 |
| 5.3.3 案例匹配相似度计算 |
| 5.3.4 基于案例匹配方法验证 |
| 5.4 挖掘机液压系统故障诊断系统实现与验证 |
| 5.4.1 故障诊断系统实现 |
| 5.4.2 故障设置 |
| 5.4.3 总体诊断系统验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（6）基于改进支持向量机的航空发动机滑油系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 航空发动机滑油系统的构造与典型故障分析 |
| 2.1 引言 |
| 2.2 滑油系统的组成 |
| 2.2.1 滑油系统的部件 |
| 2.2.2 滑油系统的子系统 |
| 2.3 滑油系统的典型故障分析 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯网络的滑油系统重要基本事件的确定 |
| 3.1 引言 |
| 3.2 贝叶斯网络理论 |
| 3.2.1 贝叶斯网络的概率基础 |
| 3.2.2 贝叶斯网络的组成 |
| 3.2.3 贝叶斯网络的推理 |
| 3.3 基于贝叶斯网络的典型故障的重要基本事件的确定 |
| 3.3.1 滑油系统典型故障的贝叶斯网络 |
| 3.3.2 贝叶斯网络的求解 |
| 3.3.3 重要基本事件的确定 |
| 3.4 本章小结 |
| 第四章 基于AMESim模型的重要基本事件的故障特征参数获取 |
| 4.1 引言 |
| 4.2 滑油系统部件的数学建模 |
| 4.3 供油系统的AMESim建模 |
| 4.3.1 模型的简化处理 |
| 4.3.2 边界条件的设置 |
| 4.3.3 供油系统的AMESim模型及验证 |
| 4.4 故障特征参数的获取 |
| 4.4.1 故障的模拟 |
| 4.4.2 故障数据的获取 |
| 4.5 本章小结 |
| 第五章 基于支持向量机的航空发动机滑油系统故障诊断 |
| 5.1 引言 |
| 5.2 支持向量机的基本理论 |
| 5.2.1 最优分类超平面 |
| 5.2.2 核函数 |
| 5.3 基于支持向量机的平均影响值的故障数据降维 |
| 5.3.1 一种新的基于支持向量机的平均影响值的计算方法 |
| 5.3.2 计算方法在多分类问题情况下的推广 |
| 5.4 蚱蜢优化算法对支持向量机参数的优化 |
| 5.5 基于改进支持向量机的航空发动机滑油系统故障诊断 |
| 5.5.1 支持向量机的子分类器选择 |
| 5.5.2 滑油系统故障数据的降维处理 |
| 5.5.3 基于蚱蜢优化算法的参数寻优 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 创新点 |
| 6.3 对未来的展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于粗糙集和神经网络的采煤机液压调高系统故障诊断研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 采煤机液压系统故障诊断的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 采煤机液压系统常用的故障诊断方法和发展趋势 |
| 1.3.1 采煤机液压系统常用的故障诊断方法 |
| 1.3.2 故障诊断方法的发展趋势 |
| 1.4 粗糙集与神经网络在故障诊断中的应用 |
| 1.4.1 神经网络在故障诊断中的应用 |
| 1.4.2 粗糙集在故障诊断中的应用 |
| 1.4.3 粗糙集与神经网络结合的必要性 |
| 1.5 课题主要研究内容 |
| 第二章 采煤机液压调高系统建模及故障机理分析 |
| 2.1 采煤机简介 |
| 2.1.1 采煤机的基本结构 |
| 2.1.2 采煤机的工作原理 |
| 2.2 采煤机液压调高系统 |
| 2.3 采煤机液压调高系统模型建立 |
| 2.3.1 液压泵参数设计 |
| 2.3.2 三位四通换向阀参数设计 |
| 2.3.3 液压调高系统模型建立 |
| 2.3.4 仿真模型正确性验证 |
| 2.4 液压调高系统典型故障机理分析 |
| 2.4.1 液压调高系统常见故障 |
| 2.4.2 液压调高系统典型故障机理分析 |
| 2.5 液压调高系统故障仿真分析 |
| 2.5.1 液压泵内泄漏故障 |
| 2.5.2 电液换向阀卡死故障 |
| 2.5.3 液压缸外泄漏故障 |
| 2.6 本章小结 |
| 第三章 采煤机粗糙集理论与应用 |
| 3.1 粗糙集的基本概念 |
| 3.1.1 知识与知识表达系统 |
| 3.1.2 不可分辨关系 |
| 3.1.3 上下近似集 |
| 3.1.4 近似精度与粗糙度 |
| 3.1.5 粗糙集理论的特点 |
| 3.2 离散化方法 |
| 3.2.1 连续属性离散化 |
| 3.2.2 离散化常用算法 |
| 3.3 知识约简 |
| 3.3.1 知识的约简和核 |
| 3.3.2 属性约简常用算法 |
| 3.4 采煤机粗糙集理论应用 |
| 3.5 本章小节 |
| 第四章 采煤机RBF神经网络理论与应用 |
| 4.1 神经网络介绍 |
| 4.1.1 人工神经网络的基本概念 |
| 4.1.2 人工神经网络的分类 |
| 4.2 RBF神经网络介绍 |
| 4.2.1 神经网络基本原理 |
| 4.2.2 神经网络学习规则 |
| 4.2.3 RBF神经网络的优点 |
| 4.3 RBF神经网络故障诊断方法 |
| 4.3.1 Python编程语言 |
| 4.3.2 采煤机RBF神经网络故障诊断应用 |
| 4.4 本章小结 |
| 第五章 采煤机液压调高系统粗糙集-RBF神经网络故障诊断 |
| 5.1 粗糙集-RBF神经网络故障诊断模型 |
| 5.2 粗糙集预处理 |
| 5.2.1 数据准备 |
| 5.2.2 连续属性离散化 |
| 5.2.3 决策表的属性约简 |
| 5.3 液压调高系统粗糙集-RBF神经网络故障诊断 |
| 5.3.1 粗糙集-RBF神经网络结构设计及训练 |
| 5.3.2 粗糙集-RBF神经网络与RBF神经网络比较 |
| 5.4 本章小结 |
| 第六章 总结 |
| 6.1 本文主要工作和结论 |
| 6.2 课题的研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）工业互联网+油动机液压系统状态监测与故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究目的和意义 |
| 1.2 油动机及电液伺服系统国内外研究现状及分析 |
| 1.2.1 油动机及汽轮机系统故障诊断研究现状及分析 |
| 1.2.2 电液伺服系统故障诊断研究现状及分析 |
| 1.2.3 液压阀的故障诊断研究现状及分析 |
| 1.2.4 液压缸的故障诊断研究现状及分析 |
| 1.3 CPS系统与工业互联网的研究现状及应用分析 |
| 1.3.1 CPS系统的研究现状及其应用分析 |
| 1.3.2 工业互联网研究现状及其应用分析 |
| 1.3.3 工业大数据挖掘算法的研究现状及分析 |
| 1.4 本文主要研究内容 |
| 第2章 油动机状态监测与故障诊断系统CPS功能架构 |
| 2.1 引言 |
| 2.2 油动机状态监测与故障诊断系统CPS功能架构设计 |
| 2.2.1 CPS功能架构概述 |
| 2.2.2 CPS五层功能架构 |
| 2.2.3 CPS三个层级特征 |
| 2.2.4 油动机CPS六层功能架构设计 |
| 2.3 基于工业互联网平台的油动机CPS功能实现架构设计 |
| 2.3.1 工业互联网平台标准功能架构 |
| 2.3.2 工业互联网平台的关键支撑技术 |
| 2.3.3 基于WISE-Paa S平台的油动机CPS功能实现架构 |
| 2.4 小结 |
| 第3章 油动机电液伺服系统建模仿真分析 |
| 3.1 引言 |
| 3.2 油动机电液伺服系统概述 |
| 3.2.1 油动机在汽轮机系统中的功能作用 |
| 3.2.2 油动机电液伺服系统工作原理 |
| 3.3 油动机正常调节状态建模分析 |
| 3.3.1 永磁力矩马达工作原理 |
| 3.3.2 衔铁喷嘴挡板组件运动分析 |
| 3.3.3 电液伺服阀阀芯受力分析 |
| 3.3.4 油动机活塞运动分析 |
| 3.4 油动机快关缓冲系统建模分析 |
| 3.4.1 油动机快关缓冲过程分析 |
| 3.4.2 初期短孔节流阶段分析 |
| 3.4.3 中期薄壁孔节流阶段分析 |
| 3.4.4 末期环形缝隙节流阶段分析 |
| 3.5 油动机电液伺服系统仿真及常见故障类型仿真分析 |
| 3.5.1 基于AMESim的油动机电液伺服系统仿真 |
| 3.5.2 油动机正常调节状态的故障类型仿真分析 |
| 3.5.3 油动机快关缓冲状态的故障类型仿真分析 |
| 3.6 本章小结 |
| 第4章 基于SVDD的油动机液压缸内泄漏故障诊断模型研究 |
| 4.1 引言 |
| 4.2 支持向量数据描述理论 |
| 4.2.1 支持向量机理论 |
| 4.2.2 单值分类概述 |
| 4.2.3 SVDD原理 |
| 4.3 油动机液压缸内泄漏故障模拟试验与信号采集 |
| 4.3.1 电液伺服系统故障模拟试验台概述 |
| 4.3.2 油动机液压缸内泄故障模拟试验方案 |
| 4.3.3 油动机液压缸内泄故障模拟与信号采集 |
| 4.4 基于SVDD构建油动机液压缸内泄漏故障诊断模型 |
| 4.4.1 信号滤波预处理 |
| 4.4.2 时域信号特征提取 |
| 4.4.3 基于SVDD的液压缸内泄漏故障诊断流程 |
| 4.4.4 利用多个特征值构建SVDD内泄漏故障诊断模型 |
| 4.4.5 利用单个特征值构建SVDD内泄漏故障诊断模型 |
| 4.4.6 利用两个特征值构建SVDD内泄漏故障诊断模型 |
| 4.5 本章小结 |
| 第5章 基于XGBoost的油动机快关电磁阀故障诊断算法研究 |
| 5.1 引言 |
| 5.2 XGBoost算法基本原理 |
| 5.2.1 CART回归决策树 |
| 5.2.2 Boosting算法与GBDT算法原理 |
| 5.2.3 XGBoost算法原理 |
| 5.3 快关电磁阀故障模拟试验与信号采集 |
| 5.3.1 油动机快关电磁阀组工作原理 |
| 5.3.2 油动机快关电磁阀故障模拟试验方案 |
| 5.3.3 电磁阀电磁性能退化故障模拟与信号采集 |
| 5.3.4 构建电磁阀电磁性能退化故障诊断数据样本 |
| 5.4 基于PCA降维与XGBoot算法相结合的故障诊断算法 |
| 5.4.1 PCA降维原理 |
| 5.4.2 数据样本降维 |
| 5.4.3 基于PCA降维与XGBoost算法故障诊断建模与评估 |
| 5.4.4 与CART和 GBDT算法建模对比分析 |
| 5.5 本章小结 |
| 第6章 基于WISE-Paa S油动机状态监测与故障诊断系统开发 |
| 6.1 引言 |
| 6.2 油动机数据测点布置层设计 |
| 6.2.1 油动机缸体结构 |
| 6.2.2 油动机数据采集测量点布置 |
| 6.2.3 油动机关键元件与传感器选型 |
| 6.3 油动机数据采集连接层搭建 |
| 6.3.1 油动机信号采集硬件系统设计 |
| 6.3.2 信号采集板卡选型 |
| 6.3.3 数据传输总线技术 |
| 6.4 油动机边缘侧数据处理层开发 |
| 6.4.1 边缘侧油动机状态监测系统开发 |
| 6.4.2 边缘侧与云端和设备端之间数据通讯 |
| 6.5 油动机云平台数据挖掘层云服务功能开发 |
| 6.5.1 人工智能服务架构AFS云服务 |
| 6.5.2 数据可视化Visualization云服务 |
| 6.5.3 设备性能管理APM云服务 |
| 6.5.4 基于AFS云服务的油动机故障诊断模型迁移部署 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（9）基于数据驱动的SPMT状态监测与故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 SPMT的发展和状态监测及故障诊断分析方法 |
| 1.2.1 自行式模块运输车国内外发展现状 |
| 1.2.2 在线监测技术国内外研究现状 |
| 1.2.3 液压故障诊断技术国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 SPMT状态监测系统分析 |
| 2.1 自行式模块运输车 |
| 2.1.1 自行式模块运输车简介 |
| 2.1.2 行走系统 |
| 2.1.3 悬挂系统 |
| 2.1.4 转向系统 |
| 2.2 状态监测系统 |
| 2.2.1 状态监测系统方案设计 |
| 2.2.2 基本参数与安全状态监测 |
| 2.2.3 故障状态分析及监测 |
| 2.3 小结 |
| 第3章 基于AMESim的悬挂液压系统建模及故障仿真 |
| 3.1 悬挂液压系统AMESim建模与仿真 |
| 3.1.1 负载敏感变量泵建模 |
| 3.1.2 电液比例换向阀建模 |
| 3.1.3 防爆阀建模 |
| 3.1.4 柱塞缸建模 |
| 3.1.5 悬挂液压系统仿真 |
| 3.2 悬挂液压系统故障仿真 |
| 3.2.1 悬挂液压系统故障分析 |
| 3.2.2 液压缸泄漏仿真 |
| 3.2.3 负载敏感阀及定差减压阀故障仿真 |
| 3.2.4 变量柱塞泵故障仿真 |
| 3.3 小结 |
| 第4章 基于小波包分析与多分类SVM的故障诊断研究 |
| 4.1 故障诊断方案设计 |
| 4.1.1 液压故障诊断技术 |
| 4.1.2 故障诊断方案设计 |
| 4.2 基于小波包分析的故障特征提取 |
| 4.2.1 小波包分析 |
| 4.2.2 流量信号分解 |
| 4.2.3 故障特征提取 |
| 4.3 基于多分类支持向量机的故障分类 |
| 4.3.1 多分类支持向量机 |
| 4.3.2 基于二叉树多分类SVM的故障诊断方法 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
（10）挖掘机关键液压元件故障诊断方法及系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 液压缸诊断研究现状 |
| 1.2.2 液压泵诊断研究现状 |
| 1.2.3 健康管理系统与云平台研究现状 |
| 1.2.4 研究现状小结 |
| 1.3 论文的主要内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 挖掘机故障分析与故障状态感知研究 |
| 2.1 挖掘机系统简介 |
| 2.2 挖掘机故障分析 |
| 2.2.1 挖掘机故障树分析 |
| 2.2.2 液压元件故障模式分析 |
| 2.2.3 液压元件故障机理分析 |
| 2.3 故障状态感知研究 |
| 2.3.1 液压缸状态感知 |
| 2.3.2 液压泵状态感知 |
| 2.3.3 液压阀状态感知 |
| 2.4 状态数据采集方案 |
| 2.5 状态感知装置开发 |
| 2.5.1 传感器选型 |
| 2.5.2 嵌入式设备选型 |
| 2.5.3 LabVIEW程序开发 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的液压缸诊断研究 |
| 3.1 液压缸故障模拟实验与特征提取 |
| 3.1.1 模拟实验与数据分析 |
| 3.1.2 小波包能量特征提取 |
| 3.2 卷积神经网络 |
| 3.2.1 结构介绍 |
| 3.2.2 算法框架 |
| 3.3 算法验证与实验分析 |
| 3.3.1 算法验证 |
| 3.3.2 实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于子空间辨识的液压缸诊断算法 |
| 4.1 系统原理与数学建模 |
| 4.1.1 系统原理 |
| 4.1.2 数学建模 |
| 4.1.3 状态反馈法 |
| 4.2 白色测量噪声的子空间辨识 |
| 4.3 泄漏诊断及仿真验证 |
| 4.3.1 液压缸泄漏诊断步骤 |
| 4.3.2 仿真验证 |
| 4.4 本章小结 |
| 第五章 基于深度置信网络的液压泵诊断研究 |
| 5.1 液压泵故障模拟实验与特征提取 |
| 5.1.1 状态分析与模拟实验 |
| 5.1.2 无量纲参数特征提取 |
| 5.2 深度置信网络方法 |
| 5.2.1 受限玻尔兹曼机 |
| 5.2.2 对比散度算法 |
| 5.2.3 DBN网络结构及训练流程 |
| 5.3 算法验证与实验分析 |
| 5.3.1 参数设置与算法验证 |
| 5.3.2 其他诊断方法对比 |
| 5.4 本章小结 |
| 第六章 挖掘机故障诊断与状态监控系统开发 |
| 6.1 系统总体框架 |
| 6.2 系统功能分析 |
| 6.2.1 系统需求 |
| 6.2.2 数据库结构 |
| 6.3 挖掘机健康管理网站 |
| 6.3.1 开发工具 |
| 6.3.2 功能模块 |
| 6.4 挖掘机健康监控软件 |
| 6.4.1 开发工具 |
| 6.4.2 软件模块 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要创新点 |
| 7.2 研究内容总结 |
| 7.3 研究展望 |
| 参考文献 |
| 附录1 基于CNN的液压缸诊断算法PYTHON代码 |
| 附录2 基于子空间辨识液压缸诊断算法MATLAB代码 |
| 附录3 基于DBN的液压泵诊断算法MATLAB代码 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
四、基于神经网络的液压缸故障诊断专家系统（论文参考文献）
- [1]随车起重机变幅液压系统故障诊断研究[D]. 魏苏杰. 大连理工大学, 2021(01)
- [2]基于神经网络的阀控液压缸系统故障诊断[D]. 闻中翔. 安徽理工大学, 2020
- [3]双绳缠绕式提升机钢丝绳张力协调控制策略研究[D]. 陈潇. 中国矿业大学, 2020(01)
- [4]液压缸拉缸故障诊断研究[D]. 廖婧僳. 湖南师范大学, 2020(01)
- [5]基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究[D]. 杨阔. 吉林大学, 2020(08)
- [6]基于改进支持向量机的航空发动机滑油系统故障诊断研究[D]. 朱永新. 中国民航大学, 2020(01)
- [7]基于粗糙集和神经网络的采煤机液压调高系统故障诊断研究[D]. 刘敏. 太原科技大学, 2020(03)
- [8]工业互联网+油动机液压系统状态监测与故障诊断研究[D]. 雷亚飞. 燕山大学, 2020
- [9]基于数据驱动的SPMT状态监测与故障诊断研究[D]. 肖鹏飞. 武汉理工大学, 2020(08)
- [10]挖掘机关键液压元件故障诊断方法及系统研究[D]. 黄武涛. 上海交通大学, 2020(09)