一、模糊数学在制冷故障诊断专家系统中的应用（论文文献综述）
张焕颖[1]（2020）在《基于贝叶斯网络的模糊多准则决策方法在故障诊断中的应用与研究》文中指出随着工业企业信息化的应用,以及科学技术的发展,工业设备越来越多,结构也越来越复杂。在工业生产过程中,很难避免故障的发生,故障如果突然发生,不仅仅造成经济损失,还会造成伤亡,所以故障诊断技术显得尤为重要。然而,当故障信息不完整或者不确定时,故障诊断的难度将会大大提高,甚至会错失维修的最佳时机。目前,针对于这种状况,基于数据驱动的故障诊断技术迅速发展。其中,贝叶斯网络应用于故障诊断中是近几年的研究热点,模糊多准则决策方法应用于故障诊断中则是一个新的研究课题。因此,本文将从贝叶斯网络和模糊多准则决策方法两方面进行变压器故障的研究。具体内容如下:（1）对故障诊断的方法进行研究,包括故障诊断技术的发展状况和未来研究方向。主要介绍了贝叶斯网络的理论知识和在故障诊断中的应用现状。同时,阐述了模糊理论的相关内容,并对模糊多准则决策的故障诊断方法进行了深入的研究。（2）由于传统变压器故障诊断方法中三比值判断法的故障诊断方法准确率低和存在漏码的问题,本文利用模糊多准则决策方法,提出了一种基于TOPSIS-灰色关联度分析的故障诊断方法。利用TOPSIS方法分别对每一种故障类型样本进行处理,以便获得相对标准的故障数据类型。通过灰色关联度方法确定待测样本的故障类型。实验结果表明,本文的方法能进一步提高故障诊断的准确率。（3）为了解决朴素贝叶斯网络存在条件独立性假设的问题,本文利用不同条件属性与类属性之间的相互关联程度来提高分类的性能,提出了一种改进的属性加权朴素贝叶斯网络分类算法。为了确保权重的可靠性,利用层次分析法和熵权法结合的组合权重对朴素贝叶斯网络进行加权,并将改进的算法应用在变压器的故障诊断中,验证其可行性。（4）由于变压器故障样本具有冗余性、不确定性和模糊性,为了使训练样本能更好的被贝叶斯网络充分地学习和提高故障诊断的准确率,本文结合贝叶斯网络和模糊多准则决策方法,提出一种贝叶斯网络的TOPSIS和灰色关联度的故障诊断方法。根据模糊理论进行故障样本的处理,再用贝叶斯网络进行故障诊断,进而能够快速、准确地确定变压器的故障类型,使变压器能安全、稳定的运行。
钱小毅[2]（2020）在《基于k近邻与规则挖掘的风电机组故障诊断研究》文中认为发展低碳经济、开发和利用可再生能源,已成为全球能源战略与可持续发展的核心问题。凭借技术手段成熟、商业化程度高、开发规模大等优势,风力发电已成为全球增长速度最快的绿色能源。在风电装机容量的急速增加的同时,也带来了产能过剩以及逐渐凸显的质量问题。在风电机组运行环境恶劣,优质风资源的逐渐减少,风电行业偏向“重制造,轻管理”的现状下,风电机组关键部件故障频频发生,对机组的运行效益甚至电网的安全运行造成了严重影响。本文针对上述背景现状,运用数据挖掘技术,开展基于数据驱动的风电机组故障诊断方法研究,以解决风电机组部分组件的运行状态特征挖掘、异常状态检测、故障识别与故障概率分析等问题,为风电机组故障诊断系统的研发提供理论基础。本论文具体研究工作如下:（1）针对风电机组监测信号之间存在耦合性与动态相关性的问题,提出了基于互信息的风电机组动态特征挖掘方法。通过即时特征与延时特征构造增广特征矩阵,根据特征之间的互信息累计度量建立风电机组监测信号的动态特征矩阵,将动态特征矩阵中的特征参量作为风电机组组件故障检测模型的输入。通过对比不同特征处理方式对风电机组故障检测性能的影响,验证所提特征挖掘方法的有效性。该方法兼顾特征之间的关联性与趋势性关系,同时降低无关特征对模型输出的影响,避免由于特征过多造成的模型计算复杂问题。（2）针对风电机组复杂运行工况下的故障检测问题,提出一种基于动态特征矩阵的加权k近邻故障检测方法。所提方法以k近邻故障检测方法为框架,利用在线样本近邻距离判断运行状态异常,降低了复杂工况对检测模型精度的影响。采用特征间的累计互信息度量实现特征加权,提高对异常状态的分离能力。为减少状态突变引起的误报与漏报现象,提出基于近邻样本的动态阈值设定方法,将给定置信水平下的阈值与近邻距离均值综合计算得到故障检测的动态阈值。将所提方法应用于FAST仿真模型和变桨系统真实故障数据,验证了所提方法的有效性。（3）针对风电机组故障挖掘问题,提出一种基于智能优化的模糊规则挖掘方法。所提方法结合模糊C均值聚类与启发式学习生成初始规则集合,以避免噪声样本对初始规则的影响。通过多种群量子编码和混合进化策略提高种群的多样性与全局搜索能力,并提出矛盾规则重构方法以针对性的处理低质量规则。在通过标准数据集验证所提规则挖掘方法的搜索能力与噪声容忍性之后,将所提方法与Relief F特征选择方法相结合,应用于风电机组的故障规则挖掘与故障类型识别中,验证了所提方法对风电机组故障知识挖掘的效果。（4）针对风电机组潜在故障分析问题,提出一种故障概率分析与异常变量回溯方法。所提方法采用近邻故障规则选择策略评估风电机组部分组件潜在故障程度,在此基础上分别通过潜在故障筛选、多规则竞争与概率计算获取潜在故障的综合概率排序。根据故障状态的近邻故障规则,通过变量筛选与模糊贡献评价等步骤识别关键异常变量。将所提方法应用于NREL-5MW风电机组故障根源分析,验证了所提方法的有效性。
张洋[3]（2019）在《支持向量机和相关向量机在变压器油溶解气体分析中的应用研究》文中指出对变压器进行在线监测、故障分析诊断等能够及时了解电力变压器的实时状态,发现各类潜伏性故障,从而为电网的安全稳定运行提供可靠保障。变压器中溶解气体分析方法（Dissolved Gas Analysis,DGA）是变压器故障分析诊断的重要方法之一,通过对油中所溶解各类特征气体的类型与含量进行分析对比,可以在某种程度上反映出变压器内部隐患,本文对变压器故障诊断进行研究。首先探讨变压器油中溶解气体产生机理、变压器各类故障与油中产生气体类型含量之间的相应关系。分析DGA传统诊断方式,研究油浸式电力变压器传统诊断三比值法和改良三比值法的特性。对于新兴的一系列现代化诊断手段,以神经网络诊断方法为例进行了优缺点对比分析。其次,为了进一步增加诊断的准确度,应用支持向量机进行DGA分析,探讨支持向量机在DGA应用的诊断效果,仿真显示基于支持向量机（Support Vector Machine,SVM）的DGA故障判定具有较高的正确率,证实了SVM的方法的可行性,并提出增强其准确率的改进方法以及进行进一步分析。最后,将相关向量机（Relevance Vector Machine,RVM）应用到油浸式电力变压器故障诊断之中,并对诊断效果进行探讨,同时运用大量的实测数据将传统常用改良三比值法、BP神经网络法与支持向量机、相关向量机方法作对比分析,对各种方法的准确性进行探讨。结果证实改良后的支持向量机法与相关向量机方法具有较高的准确性,优于传统的诊断方法,具有良好的可行性。
龙霞飞[4]（2019）在《大型风力发电机组齿轮箱智能化故障诊断方法研究》文中研究指明随着风力发电机组容量的不断提升和机组复杂性程度的不断增大,故障率高、可靠性低和高昂的生产运维成本等一系列问题已经严重影响到了风电企业的生存空间。为实现风电机组的稳步快速发展,降本增效,风电机组的状态监测与故障诊断技术已成为解决这些问题的关键技术手段。本文从齿轮箱传动系实验平台的原始振动故障数据和风电场数据采集与监视控制（Supervisory Control and Data Acquisition,SCADA）系统的齿轮箱实测数据出发,针对目前风电齿轮箱故障特征信号提取困难和传统故障诊断方法中的不足,结合人工智能领域的前沿理论——极限学习机（Extreme Learning Machine,ELM）及其变体核极限学习机（Kernel Extreme Learning Machine,KELM）、深度学习（Deep Learning,DP）、多传感器信息融合技术以及Pearson相关技术等挖掘隐藏于设备的深层次故障特征信息,实现风电齿轮箱的状态监测和故障诊断研究,主要完成的工作如下:1)针对风电场业主对机组故障数据的保密性和齿轮箱不同故障模式难以全部获取的问题,搭建风电齿轮箱传动系动力学实验平台并采集原始振动故障数据。针对原始振动数据信息量庞大和故障特征微弱的问题,采用时域分析法处理原始振动信号,有效地提高了信号信噪比和降低了信号信息维度;针对单一传感器不具备获取所有目标信息能力的问题,基于并行叠加方式采用决策层和特征层融合的多传感器信息融合技术获取目标信息,达到提高数据有效性的目的。在此基础上,创新性的建立基于时域分析的多传感器风电齿轮箱信息融合特征提取模型,实例应用和算法仿真验证了该模型的有效性和优越性。2)针对风电机组故障数据噪声污染大、复杂度高和数据量信息大的问题,结合时域分析的多传感器信息融合模型,提出了基于粒子群优化算法（Particle Swarm Optimization,PSO）改进ELM的风电齿轮箱故障诊断新方法。该方法首先利用时域分析的多传感器信息融合模型提取故障特征成分,降低了数据信息维度和故障诊断时间;然后,利用PSO改进ELM的寻优过程,解决由于初始参数隐层偏差和输入权重的随机设置对ELM模型稳定性所造成的影响;进而,以时域特征指标值作为模型输入参数,以故障类别作为模型输出参数,建立基于PSO-ELM的故障分类识别新模型,实现机组齿轮箱的状态监测评估。对本文所提的PSO-ELM方法以及蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）、人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）改进ELM的方法进行对比分析,实例应用与算法仿真验证了本文所提出的PSO-ELM故障诊断新方法的优越性和有效性。3)为进一步提高风电机组故障诊断率,更好地满足工程实际需要,本文利用ELM的变体KELM进行风电齿轮箱的状态监测与故障诊断研究。结合时域分析的多传感器信息融合模型,提出了基于云模型—蝙蝠算法（Cloud Bat Algorithm,CBA）改进KELM的风电齿轮箱故障诊断新方法。相比于ELM,KELM以核映射代替随机映射,以核矩阵?ELM代替H矩阵,提高了ELM模型的泛化能力和稳定性能。但核函数的存在将导致KELM模型对参数?和C的设置非常敏感,为解决该问题,本文结合CBA方法对KELM模型的关键参数?和C进行寻优求解,建立了基于CBA-KELM的故障分类识别新模型,实现了风电齿轮箱的故障诊断研究。对本文所提的CBA-KELM方法和灰狼算法（Grey Wolf Optimization,GWO）改进KELM的方法进行对比分析,实例应用和算法仿真验证了本文所提出的CBA-KELM故障诊断新方法的优越性和实用性。4)为降低高昂的设备部署成本,进一步对风电机组齿轮箱进行状态监测和故障诊断研究,本文利用风电机组SCADA系统的齿轮箱实测数据,结合Pearson相关系数、领域专家知识和指数加权平均阈值法,提出了基于鲸鱼优化算法（Whale Optimization Algorithm,WOA）的深度置信网络（Deep Belief Networks,DBN）风电机组齿轮箱故障诊断新方法。针对不同样本数据会对模型诊断精度造成较大影响的问题,结合Pearson相关系数和领域专家知识选择故障诊断模型的输入条件参数,改善人为选择条件参数经验的不足;针对初始参数值的选取将造成DBN模型波动性较大的问题,采用鲸鱼优化算法对深度置信网络的初始参数进行寻优计算,建立了基于WOA-DBN的风电齿轮箱故障诊断新模型,并以重构误差为依据利用指数加权平均阈值法实现机组齿轮箱的故障监测和异常状态判别。实例验证和算法仿真结果表明了该方法的优越性和有效性,仅以现场一次齿轮箱的状态监测与故障诊断研究为例产生的经济效益就高达80万元左右。
杜军军[5]（2019）在《煤层气排采设备故障诊断专家系统研究》文中研究表明煤层气作为一种非常规清洁能源,在我国主要分布在中西部地区且储量巨大。煤层气排采过程中排采设备（三抽和螺杆泵）故障频发,严重影响了经济效益。为解决此问题,文章提出了煤层气排采设备故障诊断专家系统。文章对煤层气排采故障诊断专家系统的研究从以下3个方面展开:煤层气排采设备故障分析、数据库设计、推理机模型设计。首先分析煤层气排采设备故障:分析了三抽排采设备故障、螺杆泵排采设备故障、其他类型排采设备的故障特征,并提取了各种故障对应的故障参数;其次设计故障参数对应的数据库:通过对故障数据及其特征分析,采用二维数据库表设计了数据库,Access分析了数据库表之间的关系,采用Python编程语言调用数据库并针对数据库调用过程产生的问题对数据库结构进行优化;然后设计推理机:论证了为什么采用模糊数学设计数学模型,之后采用模糊数学对煤层气排采设备故障问题进行数学分析,建立了每种故障下的数学模型,并通过流程图对数学模型的求解过程进行详细分析,设计了与流程图相对应的Python程序代码;最后采用编程语言Python对整个系统的三个模块进行设计,并对三个模块的核心代码进行了展示,结合相应的现场数据对后端的核心代码进行验证,证明了核心代码的有效性。本文通过研究煤层气排采设备故障诊断专家系统,为煤层气排采设备故障解决提供了新思路新方法,其高效、快速的发现故障、解决故障大大提高了煤层气生产的经济效益。
龚杰[6]（2019）在《基于数据挖掘的配电变压器故障诊断》文中研究说明电力变压器作为电网主要枢纽设备,在电力系统中具有举足重轻的地位,其运行状态直接影响电网的安全运行。及时、准确地判断变压器故障类型一直是学者们研究的热点,传统的三比值法是过去几十年来应用最为广泛的故障诊断方法,但因其编码存在边界、模糊等缺陷致使故障诊断的正确率不高。同时随着各种在线检测装置的应用,电力设备检测数据爆炸式增长,传统诊断方法更显得心余力绌;而数据挖掘技术在处理海量数据、挖掘隐藏信息方面具备得天独厚的优势,如今被广泛应用于金融、气象、道路交通等领域。因此本文结合数据挖掘与传统诊断方法,提出一种融合数据约简、改进引力搜索、模糊核聚类的变压器故障诊断方法。本文对传统的基于油中溶解气体的变压器故障诊断方法进行理论学习,归纳、总结出油浸式电力变压器的故障类型,分析了变压器油中溶解气体产生的原理及其与相应故障的联系;指出三比值法存在的缺陷,并以此作为下一步故障诊断的切入点。概述了数据挖掘的基本过程以及常用的几种智能算法,选择模糊核聚类为本文故障诊断模型的基础,详细研究了该算法的原理特征、数学模型及其实现步骤。选取H2、CH4、C2H2、C2H4、C2H6、CH4/H2、C2H2/C2H4、C2H4/C2H6作为变压器故障诊断的原始特征量,初步构建变压器故障诊断的主体模型,仿真实验发现基础模糊核聚类的诊断正确率过度依赖初始聚类中心向量而陷入局部收敛。考虑到知识系统中不同条件属性对决策的贡献程度不同,冗余的条件属性可能使得决策者无法正确地辨别有用的信息,而且知识系统中数据维度越高故障诊断过程越复杂、繁琐。因此引入粗糙集和核主成分分析,以UCI标准数据集wine为例进行仿真实验,结果显示wine数据集经核主成分分析处理后原始线性不可分数据变得线性可分;经过粗糙集处理后,原始数据不仅降低了维度而且还保持了原有的类别信息,有助于数据挖掘。针对模糊核聚类的不足融入万有引力搜索,构建引力核聚类诊断模型;该模型以核函数参数和聚类中心作为搜索粒子,在初始的种群空间中寻找最优解;同时利用混沌初始化、动态逼近策略、纵向交叉策略优化万有引力搜索,增强算法搜索的多样性、改善初始群体的分布性以及算法的寻优效率。结合粗糙集和核主成分分析,本文分别搭建了基于粗糙集与万有引力核聚类和基于核主成分分析与万有引力核聚类的变压器故障诊断模型,仿真实验结果显示后者的诊断结果稍优于前者,且两者诊断正确率均优于模糊核聚类,这表明本文所提出的方法在变压故障诊断方面具有一定的应用性。
李娟娟[7]（2019）在《矿井提升机制动系统性能退化评估与故障诊断方法研究》文中研究表明在矿业生产过程中,提升机负责运送人员、设备、煤炭和各类物料,是连接地上与地下整个生产系统的重要纽带。制动系统作为提升机不可或缺的重要组成部分,是提升机稳定、高效运行的安全保障,在矿业生产系统的地位举足轻重。如果提升机制动系统发生故障,轻则影响生产效率,导致经济损失;重则引起人员伤亡,影响社会和谐稳定。因此,对提升机制动系统进行性能退化评估和故障诊断,保障提升机运行的安全性、稳定性和高效性,无论是从理论还是实际上来说,都具有非常重要的意义。目前,矿井提升机制动系统故障的维修仍1日采用传统的定期维修方式,越来越无法满足矿山企业的现代化发展对于提升设备管理的需求。开展基于主动维护思想的智能维修是提高设备维修效率与增大企业效益的必然趋势。性能退化评估和故障诊断属于智能维修的重要组成部分,是本课题组一直以来的研究重点之一。该研究需要突破的重点和难点之一,在于性能退化及故障相关数据的获取,本课题搭建了制动系统仿真平台来解决这一问题。本文在总结国内外相关研究理论与技术应用现状的基础上,采用动力学分析建立数学模型,搭建仿真平台模拟系统性能退化,以及仿真和实验验证相结合的研究手段进行制动系统性能退化及故障诊断方法研究,具体的研究工作主要体现在以下几个方面:首先,基于制动系统的动力学分析,建立了制动系统主要元器件的数学模型。对制动器及提升机恒减速制动进行了动力学分析,建立了制动器的状态方程和提升机的减速度计算数学模型;对恒减速制动系统的核心液压元件电磁比例方向阀进行了力学分析、列写了流量平衡方程和力平衡方程,得到电液比例方向阀的电压与位移的传递函数;把比例方向阀每一个阀口当作可变的非线性阻尼器,利用流量方程得到阀芯位移与流量的数学模型;分析了管路的分布参数模型,选择了 Tirkha一阶惯性的近似模型来近似计算串联阻抗,根据Oldenburger提出的双曲函数无穷乘积级数展开来计算双曲函数,得到精度高且计算复杂度相对低的管路数学模型;根据比例方向阀的数学模型、比例方向阀控制制动器的数学模型以及提升机减速度的数学模型,得到了恒减速制动系统的传递函数。其次,搭建了基于Simulink的恒减速制动系统仿真平台。选用JKMD4.5×4型矿井提升机配套的E141A型恒减速制动系统为研究对象,基于节点容腔法的建模思想,搭建恒减速制动系统仿真平台。用理论计算和恒减速制动仿真结果对比验证了仿真平台的可靠性;利用仿真平台研究制动系统在制动过程中系统压力、提升机减速度以及开闸间隙的动态特性,模拟了弹簧刚度减小、闸瓦摩擦因数下降、液压油中进入空气等制动系统典型性能退化。通过对典型性能退化的仿真分析表明,主要部件性能下降时,并不会立即引起制动系统故障,而是系统性能退化,这些退化表现为制动系统恒减速制动时系统压力降低、开闸间隙变大、合闸时间变长等;当系统性能退化到一定程度才会表现出制动减速度不符合要求、制动器开闸间隙过大等故障;制动系统在恒减速制动时的压力-时间曲线隐含着丰富的运行状态信息,可以作为制动系统性能退化与故障的表征参数,以提取特征参数进行制动系统总体的性能退化评估以及故障诊断。再次,提出了基于安全制动测试试验制动系统性能退化评估方法。利用仿真平台的仿真数据,研究特征参数的提取以及选择方法,以获取敏感度高的特征参数组成性能退化评估的特征向量;结合基于小波理论构造的复小波核函数能逼近特征空间上的任意分界面、评估精度高,变步长果蝇优化算法优化速度快且可以有效避免陷入局部最优的特点,构造了 VSFOA-CGWSVDD的制动系统性能评估模型,并定义了性能得分作为性能退化的度量指标;为了使所研究的方法能顺利进行工程转化,首次提出并定义了安全制动测试试验,安全制动测试试验为《煤矿安全规程》规定的制动系统的性能检测提供了一种可行的替代方案;利用VSFOA-CGWSVDD性能退化模型实现了制动系统的性能退化程度的定期检测。提出了一种基于特征选取的BP神经网络制动系统故障诊断方法,该方法首先从安全制动测试试验的压力-时间曲线中提取百分位数、均值、峭度因子和小波包分解重构时的能量熵等29个特征特征参数形成备选特征集合,然后基于类间平均距离、类间-类内综合距离、Fisher得分、数据方差以及相关系数的特征参数综合评估方法,选取故障敏感度高的特征参数,经过主成分特征降维后组成故障诊断的特征向量,最后利用BP神经网络进行故障诊断。通过仿真和实验数据,验证了提出方法的可靠性。提出了基于多传感器监测数据的TLFCA-BPNN制动系统性能退化评估方法,实现了实时的制动系统性能退化评估。利用单传感器多时间点数据进行时间融合,利用多传感器数据进行空间融合,根据制动系统结构及各传感器功能划分因素论域,根据性能退化程度设置评语集,结合模糊数学、主客观确权、综合评判与人工神经网络方法,最后得到了表示制动系统性能退化状态的性能指标。该性能指标在[0,1]范围内,1表示性能良好,设备在最佳状态下运行,0表示性能严重退化,达到《煤矿安全规程》规定的极限值,需要马上停车检修。通过对多种传感器监测数据的综合评估,把设备的多维运行状态信息转化为制动系统性能退化状态的指标,有利于操作和管理人员及时了解设备性能退化程度,有利于作出科学有效的维修决策,为实现制动系统的智能维护提供技术支持。最后,研发了制动系统管理平台。开发了由上位一体机、闸检测箱、液压站控制模块等平台硬件,利用LabVIEW平台软件,基于前文所研究的制动系统性能退化评估与故障诊断方法的管理平台。实现了制动系统重要参数的实时动态监测以和故障报警,基于状态监测数据的制动系统性能退化评估,基于安全制动测试试验数据的定期制动系统性能退化评估与故障诊断,以及对制动系统内部某些特定参数的修改和故障复位,查看故障记录和历史数据等功能。在提升机实验台进行了工业试验,验证了安全制动测试试验方案的可行性,同时也验证了前文所述方法的有效性和可行性。综上所述,开展提升机制动系统性能退化评估与故障诊断方法研究,不仅可以及时掌握制动系统性能退化程度,还可以通过故障诊断分析造成性能退化的原因及严重程度,对实现制动系统的智能维护、保障其安全高效运行具有重要意义。
吕骅晖[8]（2017）在《可拓神经网络的制冷机组故障诊断方法与研究》文中指出随着生产生活水平的提高,制冷机组在日常工作生活的用途越来越广泛,制冷装置安全运行与否,直接关系到人类生活品质和生产活动能否正常进行。人们对制冷机组的故障诊断方法和效果提出了更高的要求。对制冷机组的故障诊断的研究,有着重要的理论价值和现实意义。基于BP神经网络的故障诊断方法,是制冷系统故障诊断的主要方法。但BP神经网络自身的缺陷,如网络的性能与网络的结构复杂性之间的矛盾;网络学习的速率与网络算法收敛性之间的矛盾等。也制约了其诊断性能的发挥。本文旨在研究神经网络诊断及在此基础上的改进方法在制冷机组中的应用,主要工作内容如下:（1）深入研究制冷机组制冷循环的运行机理,并对机组主要发生的7种故障类型进行详细分析,进而优化制冷机组故障诊断流程。（2）首先描述BP神经网络的结构与基本原理,进一步根据BP神经网络算法在制冷机组故障诊断中的缺点,提出动量自适应神经网络算法。（3）结合可拓物元、关联函数、可拓集合等理论,设计出可拓神经网络结构及基于该算法的故障诊断的步骤。通过对制冷机组训练样本的提取,确定出该网络的隐含层结构、学习算法及期望误差,最后构建制冷机组故障诊断的可拓神经网络模型。（4）用MATLAB软件进行数值仿真,对BP、动量自适应和可拓神经网络模型的有效性进行了验证分析。结果表明:相比于BP、动量自适应神经网络模型,可拓神经网络能更能精准判断出制冷机组的故障情况。
孙罡,雷学云[9]（2016）在《智能化故障诊断技术在制冷系统中的应用》文中研究表明当前智能化故障诊断技术作为一种有效的故障防范策略,已被融入到现代空调制冷系统的实践应用当中,它不仅可有效降低制冷系统的运行成本,而且还能明显提升系统运行的安全性与可靠性。本文结合工作实践,着重就智能化故障诊断技术在空调制冷系统中的应用进行了探索与研究。
韩华[10]（2012）在《基于顺序集成方法的制冷系统故障检测与诊断研究》文中研究说明鉴于制冷空调系统日益复杂,系统故障难以识别,且会导致能耗增加（多达30%）,室内外环境恶化,设备可靠性、安全性及运行经济性下降等诸多问题,有必要对故障检测及诊断进行相关研究,以便及时排除故障,保证系统正常运行。本研究围绕制冷系统故障检测与诊断问题,从故障指示特征智能提取,到制冷系统单发及并发故障（多故障）,顺序递进,集成故障诊断、数据挖掘及模式识别领域各种智能方法,实现检测与所有故障确诊一步完成,对轻微故障亦性能良好,诊断正确率高,虚警率及诊断用时少;并基于混淆矩阵建立了故障诊断模型评价指标,探讨了能较好表征典型故障的故障指示特征。首先,对制冷系统及其典型渐变故障进行理论分析,初步了解征兆与故障（症状与原因）间的理论联系,结合ASHRAE的制冷机组故障模拟实验,探讨制冷系统故障指示特征智能提取方法,以期找到能较好表征故障的参数（集）,减轻乃至消除特征间相关度,去除信息冗余,使故障更加清晰地呈现,有利于模型对故障的分离和识别,缩短诊断时间,提高诊断准确率。分别运用基于互信息（MI）的最大冗余最小相关过滤模型（MI-based mRMR filter）、基于遗传算法的封装模型（GA-LDA wrapper、GA-SVM wrapper）进行特征选择,运用主成分分析法（PCA）进行特征提取,得到不同的故障指示特征子集,并在后续章节的分析中逐步筛选出最佳子集。其次,针对制冷系统中典型的单发故障,运用故障指示特征智能提取与一种基于结构风险最小化的新型机器学习方法——支持向量机（SVM）,相结合的顺序集成模型,进行故障检测与诊断,并基于混淆矩阵（Confusion matrix）建立以诊断正确率（CR）、命中率（HR）及虚警率（FAR）为核心的故障诊断模型评价体系,评价模型对于所有样本的总体性能及对包括正常及各类故障的诊断效果（分布性能）,命中及虚警情况。结果表明,SVM的故障检测与诊断性能优于故障诊断决策树模型（C4.5）,CR达99%以上。GA-SVM封装模型从64个原始特征中所选之8个故障指示特征较其他各种智能提取模型所选特征子集更为突出,在SVM模型及C4.5模型中均表现优良。对特征数的研究表明,不论原始特征抑或经PCA提取的综合特征,特征数越少,故障检测与诊断模型的训练及测试时间越短,但特征数与模型性能之间并非单调关系,特征太少可能造成信息缺失而降低诊断正确率,特征太多增加冗余信息而对故障诊断造成干扰,使模型鲁棒性下降。通常,所选特征数应至少等于包含正常运行及所有故障在内的独立类别数。基于PCA的特征提取只有当所选主元累计方差贡献率超过95%时,效果好于不进行任何智能特征提取的64个原始特征,但亦不及大多特征选择模型。冷凝器结垢、冷凝器水量不足、不凝性气体及蒸发器水量不足四种故障较易被检测与诊断,即使发生程度很轻微,而制冷剂泄漏及过量故障最难被命中,单纯SVM模型对该两类故障尤为难以识别,而GA-SVM模型则极大改善该性能。第三,就多故障并发时的检测与诊断,提出基于多标识（multi-label）数学解耦技术与SVM顺序集成的模型,并以制冷系统冷凝器水量减少20%、蒸发器水量减少20%的并发故障为例,研究模型性能。发现该模型仅用正常及两类单发故障数据而不用并发故障数据训练,即可对并发故障加以检测及诊断,效果良好,尤其在采用前文述及之8个最佳故障指示特征时。研究亦表明,尽管冷凝器侧水流量及蒸发器水环路阀位两个特征分别可独立表征并发故障中的两类单发故障（子故障）,在并发故障的检测与诊断中却无能为力,必须借助其他参数的表征性能。另,提出采用一种较PCA有所改进的多变量统计分析法——指定元分析法（DCA）,用于并发故障检测与诊断,但对故障投影方向（指定元）的定义极大地依赖于专业经验及知识。最后,以一台额定制冷量16.8kW的风冷热泵水机为受试对象,通过能量平衡并引入故障模拟管路及元件,建立了制冷系统故障诊断专用实验台,可以模拟包括制冷剂泄漏、充注过量、液体管路受阻、压缩机吸排气串通、蒸发器水量不足、冷凝器风量不足、冷凝器结垢、膨胀阀预紧力太大或太小等制冷系统典型故障,并进行了部分单发故障及双故障、三故障并发的实验模拟,分析故障发生时,制冷系统关键参数的变化,并探讨其可能的原因。对液体管路受阻、冷凝器结垢、蒸发器水量不足及其并发故障,运用前述智能集成模型,从44个原始特征中筛选出环境相对湿度或温度、冷凝器进出风温差、蒸发器进出水温差及供水温度四个特征,作为最佳故障指示特征,CR达99.58%。总之,本文所提之智能集成模型,以及讨论之故障指示特征,主要成果已在多个专业国际期刊上发表,在制冷系统故障智能检测与诊断中,具有一定应用价值与意义,值得进一步研究。
二、模糊数学在制冷故障诊断专家系统中的应用（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、模糊数学在制冷故障诊断专家系统中的应用（论文提纲范文）
（1）基于贝叶斯网络的模糊多准则决策方法在故障诊断中的应用与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断的研究现状 |
| 1.3.2 贝叶斯网络在故障诊断中的研究现状 |
| 1.3.3 模糊多准则决策在故障诊断中的研究现状 |
| 1.4 研究内容及主要工作 |
| 1.5 本文创新点 |
| 1.6 论文结构安排 |
| 第2章 相关理论研究 |
| 2.1 故障诊断的相关理论 |
| 2.1.1 故障诊断的基本概念 |
| 2.1.2 故障诊断的方法 |
| 2.1.3 变压器故障诊断的方法 |
| 2.2 贝叶斯网络的相关理论 |
| 2.2.1 贝叶斯网络的概念 |
| 2.2.2 贝叶斯网络的学习 |
| 2.2.3 贝叶斯网络的推理 |
| 2.3 模糊多准则决策的相关理论 |
| 2.3.1 模糊理论 |
| 2.3.2 多准则决策理论 |
| 2.3.3 常用的多准则决策方法 |
| 2.3.4 模糊多准则决策 |
| 2.4 本章小结 |
| 第3章 基于TOPSIS-灰色关联度分析的故障诊断方法 |
| 3.1 AHP的权重确定方法 |
| 3.2 TOPSIS的数据处理方法 |
| 3.3 灰色关联度的故障诊断方法 |
| 3.4 TOPSIS-灰色关联度的故障诊断过程 |
| 3.5 实例分析 |
| 3.5.1 故障数据集的预处理 |
| 3.5.2 故障诊断实例 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于属性加权朴素贝叶斯网络的故障诊断方法 |
| 4.1 贝叶斯网络机器学习算法 |
| 4.1.1 朴素贝叶斯网络分类算法 |
| 4.1.2 属性加权朴素贝叶斯网络分类算法 |
| 4.2 AHP-熵权法组合权重的确定方法 |
| 4.3 改进的属性加权朴素贝叶斯网络分类算法 |
| 4.3.1 算法描述 |
| 4.3.2 算法步骤 |
| 4.4 改进属性加权朴素贝叶斯网络的故障诊断过程 |
| 4.5 实例分析 |
| 4.5.1 故障诊断实例 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于贝叶斯网络的TOPSIS和灰色关联度的故障诊断方法 |
| 5.1 数据集的预处理 |
| 5.1.1 直觉模糊集 |
| 5.1.2 语义变量 |
| 5.2 直觉模糊集的TOPSIS和灰色关联度的组合决策方法 |
| 5.3 贝叶斯网络的故障诊断过程 |
| 5.4 贝叶斯网络的TOPSIS和灰色关联度的故障诊断过程 |
| 5.5 实例分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他科研成果 |
（2）基于k近邻与规则挖掘的风电机组故障诊断研究（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 风电机组故障诊断研究现状 |
| 1.2.1 风电机组故障诊断方法 |
| 1.2.2 基于数据驱动的风电机组故障诊断方法 |
| 1.3 存在的主要问题 |
| 1.4 本文研究内容 |
| 第2章 变桨距风力发电机模型与故障描述 |
| 2.1 引言 |
| 2.2 风力发电机工作原理 |
| 2.3 FAST风电机组仿真模型 |
| 2.3.1 5MW海上风电机组模型 |
| 2.3.2 数据描述 |
| 2.3.3 传感器与执行器故障描述 |
| 2.4 GW77-1.5MW风力发电机变桨系统描述 |
| 2.4.1 风电机组结构与参数 |
| 2.4.2 电动变桨系统描述 |
| 2.4.3 运行数据获取 |
| 2.4.4 变桨系统故障描述 |
| 2.5 本章小结 |
| 第3章 风电机组数据清洗与模型特征选择方法 |
| 3.1 引言 |
| 3.2 风电机组运行数据清洗方法 |
| 3.2.1 数据清洗整体方案 |
| 3.2.2 k近邻分类算法 |
| 3.2.3 两阶段风电机组数据清洗 |
| 3.3 基于Relief F算法的风电机组监测特征选择 |
| 3.4 实验与分析 |
| 3.4.1 风电机组运行数据清洗 |
| 3.4.2 风电机组有监督状态特征选择 |
| 3.5 本章小结 |
| 第4章 基于动态特征矩阵的加权k近邻风电故障检测 |
| 4.1 引言 |
| 4.2 基于互信息的风电机组动态特征挖掘方法 |
| 4.2.1 风电机组运行监测参数 |
| 4.2.2 特征处理算法 |
| 4.2.3 风电机组动态特征挖掘 |
| 4.3 DFM-Wk NN故障检测方法 |
| 4.3.1 FD-kNN故障检测方法 |
| 4.3.2 组合加权策略 |
| 4.3.3 动态阈值设定 |
| 4.4 实验与分析 |
| 4.4.1 风电机组动态特征挖掘 |
| 4.4.2 FAST仿真模型故障检测 |
| 4.4.3 GW77-1.5MW风电机组变桨系统故障检测 |
| 4.5 本章小结 |
| 第5章 基于FRBCS的风电机组故障规则挖掘方法研究 |
| 5.1 引言 |
| 5.2 基于模糊规则的分类系统 |
| 5.2.1 FRBCS分类原理 |
| 5.2.2 基于智能优化的模糊规则挖掘方法 |
| 5.3 基于多种群量子进化的模糊分类规则挖掘算法 |
| 5.3.1 初始规则生成 |
| 5.3.2 多种群量子编码 |
| 5.3.3 混合更新策略 |
| 5.3.4 矛盾规则重构 |
| 5.4 风电机组状态规则挖掘与运行状态识别 |
| 5.5 实验与分析 |
| 5.5.1 数值仿真实验 |
| 5.5.2 风电机组运行状态识别实验 |
| 5.6 本章小结 |
| 第6章 风电机组潜在故障概率分析与异常变量回溯 |
| 6.1 引言 |
| 6.2 风电机组可解释性故障诊断方案 |
| 6.2.1 可解释性与可解释性模型 |
| 6.2.2 NREL-5MW风电机组可解释性故障分析方案 |
| 6.3 潜在故障概率分析与异常变量回溯方法 |
| 6.3.1 FRBCS故障识别过程分析 |
| 6.3.2 近邻故障规则选择策略 |
| 6.3.3 潜在故障概率推理与异常变量回溯 |
| 6.4 实验与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）支持向量机和相关向量机在变压器油溶解气体分析中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 变压器诊断技术综述 |
| 1.3 变压器油溶解气体分析研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 变压器的故障诊断原理 |
| 2.1 引言 |
| 2.2 变压器故障类型 |
| 2.2.1 绝缘故障 |
| 2.2.2 非绝缘故障 |
| 2.3 变压器油中溶解气体原理 |
| 2.3.1 空气的溶解 |
| 2.3.2 变压器正常运行产生气体 |
| 2.3.3 变压器非正常状态产生气体 |
| 2.4 基于油中特征气体组分的故障诊断方法 |
| 2.4.1 特征气体法 |
| 2.4.2 改良三比值法 |
| 2.4.3 拆分法 |
| 2.4.4 大卫三角形法 |
| 2.4.5 现代化智能诊断方法 |
| 2.5 本章小结 |
| 第3章 基于支持向量机的变压器DGA分析 |
| 3.1 引言 |
| 3.2 支持向量机基本原理 |
| 3.3 基于支持向量机的变压器DGA分析方法 |
| 3.4 基于支持向量机的变压器DGA分析方法应用结果分析 |
| 3.4.1 仿真分析 |
| 3.4.2 典型案例分析 |
| 3.5 本章小结 |
| 第4章 基于相关向量机的变压器DGA分析 |
| 4.1 引言 |
| 4.2 相关向量机基本原理 |
| 4.3 基于相关向量机的变压器DGA分析方法 |
| 4.4 基于相关向量机的变压器DGA分析方法应用分析 |
| 4.4.1 仿真分析 |
| 4.4.2 典型案例分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 DGA数据 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）大型风力发电机组齿轮箱智能化故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 风电机组基本组成及常见故障类型 |
| 1.3 国内外研究现状 |
| 1.3.1 基于定性经验的风力发电机组故障诊断研究现状 |
| 1.3.2 基于定量方法的风力发电机组故障诊断研究现状 |
| 1.4 本文的主要工作 |
| 第二章 大型风力发电机组齿轮箱状态监测与故障诊断研究理论基础 |
| 2.1 引言 |
| 2.2 极限学习机及其优化分析方法 |
| 2.2.1 极限学习机 |
| 2.2.2 粒子群优化算法 |
| 2.3 核极限学习机及其优化分析方法 |
| 2.3.1 核极限学习机 |
| 2.3.2 云模型—蝙蝠优化算法 |
| 2.4 深度置信网络及其优化方法 |
| 2.4.1 深度置信网络 |
| 2.4.2 鲸鱼优化算法 |
| 2.5 本章小结 |
| 第三章 基于时域分析和多传感器信息融合的风电机组齿轮箱故障特征提取 |
| 3.1 引言 |
| 3.2 振动信号的时域特征分析 |
| 3.3 多传感器信息融合模型构建 |
| 3.4 基于时域特征分析的多传感器信息融合方法研究 |
| 3.4.1 基于时域特征分析的多传感器信息融合模型设计 |
| 3.4.2 实例分析 |
| 3.5 本章小结 |
| 第四章 基于多传感器信息融合的PSO-ELM大型风电机组齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 齿轮箱传动系动力学实验平台搭建 |
| 4.3 故障诊断模型的构建 |
| 4.3.1 基于ELM方法的风电齿轮箱故障诊断建模 |
| 4.3.2 基于PSO-ELM的风电齿轮箱故障诊断建模 |
| 4.4 实例验证 |
| 4.4.1 实验数据样本集构建 |
| 4.4.2 故障诊断模型训练 |
| 4.4.3 故障诊断结果分析 |
| 4.5 本章小结 |
| 第五章 基于多传感器信息融合的CBA-KELM大型风电机组齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 故障诊断模型的构建 |
| 5.2.1 基于KELM方法的风电齿轮箱故障诊断建模 |
| 5.2.2 基于CBA-KELM的风电齿轮箱故障诊断建模 |
| 5.3 实例验证 |
| 5.3.1 故障诊断模型训练 |
| 5.3.2 故障诊断结果分析 |
| 5.4 本章小结 |
| 第六章 基于SCADA系统的大型风电机组齿轮箱状态监测与故障诊断 |
| 6.1 引言 |
| 6.2 风电机组SCADA系统数据 |
| 6.3 基于WOA-DBN的大型风电机组齿轮箱故障诊断方法 |
| 6.3.1 WOA改进深度置信网络算法的研究 |
| 6.3.2 基于WOA-DBN的故障诊断方法流程 |
| 6.4 实例研究及分析 |
| 6.4.1 预测模型描述与处理 |
| 6.4.2 重构误差和指数加权移动平均阈值 |
| 6.4.3 实例验证 |
| 6.4.4 经济性分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）煤层气排采设备故障诊断专家系统研究（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 国内外研究现状 |
| 1.2.1 常用排采设备的故障诊断国内外研究现状 |
| 1.2.2 故障诊断专家系统国内外研究现状 |
| 1.2.3 模糊数学国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 研究思路和技术路线 |
| 第2章 煤层气排采设备故障分析 |
| 2.1 三抽排采设备故障分析 |
| 2.1.1 抽油机平衡问题 |
| 2.1.2 皮带轮打滑 |
| 2.1.3 连杆断裂 |
| 2.1.4 光杆断脱 |
| 2.1.5 减速箱故障 |
| 2.1.6 电机烧坏 |
| 2.2 螺杆泵排采故障分析 |
| 2.2.1 抽油杆断脱 |
| 2.2.2 杆管偏磨 |
| 2.2.3 定子溶胀 |
| 2.3 其他类型设备故障分析 |
| 2.4 本章小结 |
| 第3章 排采设备故障诊断数据库设计 |
| 3.1 故障数据及其特征 |
| 3.1.1 故障数据获取 |
| 3.1.2 故障数据特征 |
| 3.2 数据库设计 |
| 3.2.1 数据库结构优选 |
| 3.2.2 数据库结构分析 |
| 3.2.3 数据库表关系分析 |
| 3.2.4 数据库调用 |
| 3.2.5 数据库结构优化 |
| 3.2.6 优化后的数据库结构分析 |
| 3.2.7 优化后的数据库表关系 |
| 3.3 本章小结 |
| 第4章 故障诊断专家系统推理机模型 |
| 4.1 数学模型建立 |
| 4.1.1 数据预处理 |
| 4.1.2 数学过程分析 |
| 4.1.3 数值运算过程 |
| 4.2 程序代码设计 |
| 4.2.1 流程图设计 |
| 4.2.2 程序代码设计 |
| 4.3 系统功能模块设计 |
| 4.3.1 用户登录模块代码 |
| 4.3.2 三抽故障诊断模块代码 |
| 4.3.3 螺杆泵故障诊断模块代码 |
| 4.3.4 系统核心代码及实际应用 |
| 4.4 本章小结 |
| 第5章 结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 附录A 程序代码 |
| 致谢 |
（6）基于数据挖掘的配电变压器故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题的背景及研究意义 |
| 1.2 数据挖掘技术研究现状 |
| 1.3 变压器故障诊断研究现状 |
| 1.4 论文的主要研究内容 |
| 第二章 变压器故障分析及数据挖掘 |
| 2.1 概述 |
| 2.2 变压器内部故障类型 |
| 2.3 油中溶解气体来源 |
| 2.4 特征气体分析变压器故障 |
| 2.5 数据挖掘技术 |
| 2.6 本章小结 |
| 第三章 基于模糊核聚类的变压故障诊断 |
| 3.1 概述 |
| 3.2 模糊核聚类 |
| 3.2.1 聚类分析 |
| 3.2.2 模糊C均值聚类 |
| 3.2.3 核函数基本理论 |
| 3.3 基于模糊核聚类的变压器故障诊断 |
| 3.4 本章小结 |
| 第四章 基于粗糙集与核主成分分析的数据约简 |
| 4.1 概述 |
| 4.2 数据挖掘预处理 |
| 4.3 粗糙集理论 |
| 4.3.1 知识表达系统 |
| 4.3.2 集合的上下近似与不可分辨关系 |
| 4.3.3 决策表约简 |
| 4.4 核主成分分析 |
| 4.4.1 主成分分析原理 |
| 4.4.2 核主成分分析基本思想和推导过程 |
| 4.4.3 核主成分分析算法步骤 |
| 4.5 UCI数据集模拟仿真 |
| 4.6 本章小结 |
| 第五章 基于改进模糊核聚类的变压器故障诊断 |
| 5.1 概述 |
| 5.2 引力搜索算法 |
| 5.3 改进引力搜索算法 |
| 5.3.1 混沌初始化 |
| 5.3.2 动态逼近学习 |
| 5.3.3 纵向交叉 |
| 5.4 基于改进模糊核聚类算法的变压器故障诊断 |
| 5.4.1 故障诊断模型 |
| 5.4.2 融合数据约简与改进引力核聚类的变压器故障诊断 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 攻读学位期间发表的专利 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（7）矿井提升机制动系统性能退化评估与故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题来源 |
| 1.2 课题背景及意义 |
| 1.2.1 课题背景 |
| 1.2.2 课题意义 |
| 1.3 国内外研究现状 |
| 1.3.1 性能退化评估研究现状 |
| 1.3.2 提升机制动系统故障诊断研究现状 |
| 1.4 研究目标和内容 |
| 1.5 技术路线 |
| 1.6 章节安排 |
| 2 提升机紧急制动基础理论及动力学分析 |
| 2.1 提升机制动系统基础理论 |
| 2.1.1 制动系统功能 |
| 2.1.2 盘式制动器结构与工作原理 |
| 2.1.3 《煤矿安全规程》对制动装置的要求 |
| 2.1.4 提升机的紧急制动方式 |
| 2.1.5 E141A型恒减速制动系统工作原理 |
| 2.2 盘式制动器动力学分析 |
| 2.2.1 盘式制动器受力分析 |
| 2.2.2 盘式制动器状态方程 |
| 2.3 提升机紧急制动动力学分析 |
| 2.3.1 提升系统的静阻力 |
| 2.3.2 提升系统总变位质量的计算 |
| 2.3.3 提升机减速度动力学建模 |
| 2.4 主要液压元器件数学模型 |
| 2.4.1 电液比例方向阀 |
| 2.4.2 液压管路数学模型 |
| 2.5 恒减速制动系统建模分析 |
| 2.5.1 比例方向阀建模 |
| 2.5.2 比例方向阀控制制动器建模 |
| 2.5.3 提升机减速度建模 |
| 2.5.4 变送器及放大器建模 |
| 2.6 仿真实验 |
| 2.6.1 仿真模型搭建 |
| 2.6.2 参数的选择 |
| 2.6.3 恒减速度仿真 |
| 2.7 本章小结 |
| 3 提升机制动系统仿真平台搭建及性能退化仿真 |
| 3.1 基于SIMULINK的恒减速制动系统仿真平台 |
| 3.1.1 液压容腔的仿真建模 |
| 3.1.2 液压管路数学模型 |
| 3.1.3 溢流阀的仿真建模 |
| 3.1.4 提升系统恒减速制动时的仿真模型 |
| 3.1.5 电液比例方向阀仿真模型 |
| 3.1.6 双闭环PID控制器仿真模型 |
| 3.1.7 提升机恒减速制动时的仿真平台 |
| 3.2 基于SIMULINK仿真平台的恒减速制动仿真 |
| 3.2.1 仿真参数确定 |
| 3.2.2 PID参数优化 |
| 3.2.3 仿真平台验证 |
| 3.2.4 制动系统性能退化时的仿真 |
| 3.3 仿真结果分析 |
| 3.4 本章小结 |
| 4 基于VSFOA-CGWSVDD的制动系统性能退化评估方法研究 |
| 4.1 特征参数提取与选择 |
| 4.1.1 备选特征集合计算 |
| 4.1.2 特征参数评价 |
| 4.1.3 特征参数综合选择方法 |
| 4.2 基于VSFOA-CGWSVDD的性能退化模型 |
| 4.2.1 支持向量数据描述 |
| 4.2.2 复高斯小波核函数 |
| 4.2.3 变步长果蝇优化算法 |
| 4.2.4 性能退化评估模型的建立 |
| 4.2.5 性能得分定义与性能退化评估步骤 |
| 4.3 仿真实验 |
| 4.3.1 正常及性能退化特征数据仿真 |
| 4.3.2 特征提取与选择 |
| 4.3.3 建立VSFOA-CGWSVDD的模型 |
| 4.3.4 基于VSFOA-CGWSVDD的性能退化评估 |
| 4.4 试验验证 |
| 4.4.1 试验台介绍 |
| 4.4.2 安全制动测试试验介绍 |
| 4.4.3 基于VSFOA-CGWSVDD的性能退化评估 |
| 4.5 本章小结 |
| 5 基于BP神经网络的制动系统故障诊断方法研究 |
| 5.1 故障诊断特征选取 |
| 5.1.1 特征评价 |
| 5.1.2 特征参数综合选择方法 |
| 5.1.3 特征集合降维 |
| 5.2 BP神经网络的故障诊断 |
| 5.2.1 人工神经网络的基本原理 |
| 5.2.2 基本BP神经网络算法公式推导 |
| 5.2.3 BP神经网络计算步骤 |
| 5.3 仿真数据故障诊断 |
| 5.3.1 故障样本仿真 |
| 5.3.2 故障样本特征参数提取 |
| 5.3.3 BP神经网络故障诊断 |
| 5.4 实例验证 |
| 5.4.1 特征参数提取、优选及降维 |
| 5.4.2 BP神经网络故障诊断 |
| 5.5 本章小结 |
| 6 基于TLFCA-BPNN的制动系统性能退化评估方法研究 |
| 6.1 模糊综合评判基本理论 |
| 6.1.1 模糊综合评判法 |
| 6.1.2 模糊集运算中的算子 |
| 6.1.3 FCA中常用的算子 |
| 6.2 三级模糊综合评判与神经网络结合的性能指标计算方法 |
| 6.3 制动系统性能退化状态综合评判 |
| 6.3.1 设置评估指标 |
| 6.3.2 设置评语集合 |
| 6.3.3 监测指标的标准化处理 |
| 6.3.4 确定模糊隶属度函数 |
| 6.3.5 权值向量计算 |
| 6.3.6 单监测参数的模糊综合评判值计算 |
| 6.3.7 子系统的模糊综合评判值计算 |
| 6.3.8 制动系统的模糊综合评判值计算 |
| 6.4 性能指标计算神经网络的训练 |
| 6.5 实例计算 |
| 6.5.1 试验台介绍 |
| 6.5.2 各传感器数据采集 |
| 6.5.3 单监测参数的模糊综合评判值计算 |
| 6.5.4 子系统及系统的模糊综合评判值计算 |
| 6.6 本章小结 |
| 7 制动系统管理平台设计与实现 |
| 7.1 硬件设计方案 |
| 7.1.1 主控计算机 |
| 7.1.2 PLC系统 |
| 7.1.3 闸检测箱 |
| 7.1.4 液压系统控制模块 |
| 7.1.5 传感器 |
| 7.2 软件设计方案 |
| 7.2.1 总体设计 |
| 7.2.2 软件设计 |
| 7.3 硬件设备的现场安装及接线 |
| 7.3.1 设备安装的一般性要求 |
| 7.3.2 上位一体机的安装 |
| 7.3.3 检测箱的安装 |
| 7.3.4 液压系统控制模块的安装 |
| 7.3.5 传感器的安装与接线 |
| 7.4 性能管理平台监测与测试 |
| 7.4.1 性能退化评估模块 |
| 7.4.2 检测控制模块 |
| 7.4.3 安全测试试验 |
| 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 |
| 致谢 |
| 作者简介 |
| 在学期间发表的学术论文 |
| 在学期间申请的国家专利 |
| 在学期间参加的科研项目 |
（8）可拓神经网络的制冷机组故障诊断方法与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 制冷机组故障检测的研究 |
| 1.2.2 可拓学在故障检测的研究 |
| 1.2.3 制冷机组故障检测与诊断研究的发展趋势 |
| 1.2.4 研究评述 |
| 1.3 研究主要内容 |
| 2 制冷机组故障诊断研究 |
| 2.1 制冷机组制冷工作过程 |
| 2.1.1 制冷压缩机 |
| 2.1.2 冷凝器 |
| 2.1.3 蒸发器 |
| 2.1.4 节流元件 |
| 2.2 制冷机组故障类型 |
| 2.3 制冷机组故障类型描述 |
| 2.3.1 不可凝气体 |
| 2.3.2 冷冻水流量超限 |
| 2.3.3 冷却水流量超限 |
| 2.3.4 蒸发器结垢 |
| 2.3.5 冷凝器结垢脏污 |
| 2.3.6 压缩机内部故障 |
| 2.4 制冷机组故障诊断步骤 |
| 2.5 本章小结 |
| 3 BP神经网络故障诊断模型 |
| 3.1 BP神经网络模型 |
| 3.1.1 神经元模型 |
| 3.1.2 BP神经网络的拓扑结构 |
| 3.1.3 BP神经网络误差的返传过程 |
| 3.1.4 BP神经网络的传递函数 |
| 3.2 故障诊断下BP神经网络算法分析 |
| 3.2.1 BP神经网络学习过程 |
| 3.2.2 BP神经网络训练过程 |
| 3.2.3 BP神经网络算法故障诊断成功的条件 |
| 3.3 故障诊断下BP神经网络算法特性总结 |
| 3.4 BP神经网络算法改进—动量自适应算法 |
| 3.5 本章小结 |
| 4 可拓神经网络研究 |
| 4.1 可拓学理论 |
| 4.1.1 物元理论 |
| 4.1.2 可拓集 |
| 4.2 可拓神经网络的结构及算法 |
| 4.2.1 可拓神经元 |
| 4.2.2 可拓神经网络 |
| 4.3 可拓神经网络故障诊断步骤 |
| 4.4 可拓神经网络故障诊断模型的建立 |
| 4.4.1 制冷机组训练样本的提取 |
| 4.4.2 确定可拓神经网络隐含层结构 |
| 4.4.3 故障物元的确定 |
| 4.4.4 可拓神经网络学习算法的选择 |
| 4.4.5 期望误差的选择 |
| 4.4.6 可拓神经网络数据设置 |
| 4.5 本章小结 |
| 5 实验过程及结果比较分析 |
| 5.1 MATLAB软件相关介绍 |
| 5.2 数值仿真 |
| 5.2.1 BP神经网络与动量自适应神经网络仿真分析 |
| 5.2.2 可拓神经网络仿真分析 |
| 5.3 仿真结果比较分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）智能化故障诊断技术在制冷系统中的应用（论文提纲范文）
| 1 制冷系统的故障特点 |
| 2 智能化故障诊断技术在制冷系统中的具体应用 |
| 3 结论 |
（10）基于顺序集成方法的制冷系统故障检测与诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 故障诊断技术与方法 |
| 1.2.1 系统的故障 |
| 1.2.2 故障诊断 |
| 1.2.3 故障诊断技术发展历史 |
| 1.2.4 故障诊断方法概述 |
| 1.3 制冷空调系统中的故障诊断 |
| 1.3.1 国际研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 存在的问题 |
| 1.4 本文的研究内容 |
| 第2章 制冷系统故障与故障指示特征智能提取 |
| 2.1 概述 |
| 2.2 制冷系统典型故障及其理论分析 |
| 2.2.1 制冷系统及其复杂性 |
| 2.2.2 故障类型 |
| 2.2.3 典型故障 |
| 2.2.4 制冷系统故障的理论分析 |
| 2.3 基于ASHRAE 故障实验的特征提取前处理 |
| 2.4 制冷系统故障指示特征选择（SELECTION） |
| 2.4.1 基于互信息（MI）的过滤模型 |
| 2.4.2 基于遗传算法（GA）的封装模型 |
| 2.5 制冷系统故障指示特征提取（EXTRACTION） |
| 2.5.1 主成分分析（PCA）的数学建模 |
| 2.5.2 主成分的几何意义 |
| 2.5.3 主成分个数的确定 |
| 2.5.4 制冷系统故障指示特征提取结果 |
| 2.6 本章小结 |
| 第3章 基于SVM 的制冷系统单发故障检测与诊断 |
| 3.1 概述 |
| 3.2 制冷故障检测与诊断中的SVM 方法应用 |
| 3.3 SVM 参数优化 |
| 3.4 模型评价 |
| 3.5 制冷系统故障检测与诊断用 SVM 智能集成模型 |
| 3.5.1 GA-SVM 故障集成模型 |
| 3.5.2 PCA-SVM 故障顺序集成模型 |
| 3.6 制冷系统单发故障检测与诊断 |
| 3.6.1 各 SVM 故障集成模型的 FDD 性能 |
| 3.6.2 GA-SVM 模型与制冷系统故障指示特征数 |
| 3.6.3 PCA-SVM 模型的FDD 性能 |
| 3.7 本章小结 |
| 第4章 制冷系统并发故障（多故障）智能检测与诊断 |
| 4.1 概述 |
| 4.2 制冷系统并发故障用ML-SVM 顺序集成模型 |
| 4.2.1 单标识（mL）与多标识技术（ML） |
| 4.2.2 多故障并发检测与诊断模型 |
| 4.2.3 制冷系统并发故障检测与诊断结果 |
| 4.3 指定元分析（DCA）模型 |
| 4.3.1 故障空间及DCA 基本原理 |
| 4.3.2 DCA 用于制冷系统多故障并发的检测与诊断 |
| 4.4 本章小结 |
| 第5章 制冷系统故障模拟实验及结果分析 |
| 5.1 概述 |
| 5.2 制冷系统故障模拟实验台 |
| 5.2.1 实验台设计 |
| 5.2.2 模拟故障的种类及实现方法 |
| 5.3 故障与征兆分析 |
| 5.3.1 液体管路受阻、冷凝器结垢及蒸发器水量不足故障 |
| 5.3.2 蒸发器水量减少20%的单发故障 |
| 5.3.3 热力膨胀阀故障 |
| 5.4 制冷系统故障检测与诊断模型再验证 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 研究工作的创新点 |
| 6.3 后续工作研究展望 |
| 参考文献 |
| 附录A |
| 致谢 |
| 攻读博士学位期间发表的论文及其它的成果 |
四、模糊数学在制冷故障诊断专家系统中的应用（论文参考文献）
- [1]基于贝叶斯网络的模糊多准则决策方法在故障诊断中的应用与研究[D]. 张焕颖. 齐鲁工业大学, 2020(02)
- [2]基于k近邻与规则挖掘的风电机组故障诊断研究[D]. 钱小毅. 沈阳工业大学, 2020(07)
- [3]支持向量机和相关向量机在变压器油溶解气体分析中的应用研究[D]. 张洋. 燕山大学, 2019(06)
- [4]大型风力发电机组齿轮箱智能化故障诊断方法研究[D]. 龙霞飞. 华南理工大学, 2019(06)
- [5]煤层气排采设备故障诊断专家系统研究[D]. 杜军军. 中国石油大学(北京), 2019(02)
- [6]基于数据挖掘的配电变压器故障诊断[D]. 龚杰. 广东工业大学, 2019(02)
- [7]矿井提升机制动系统性能退化评估与故障诊断方法研究[D]. 李娟娟. 中国矿业大学(北京), 2019(09)
- [8]可拓神经网络的制冷机组故障诊断方法与研究[D]. 吕骅晖. 杭州电子科技大学, 2017(02)
- [9]智能化故障诊断技术在制冷系统中的应用[J]. 孙罡,雷学云. 黑龙江科技信息, 2016(07)
- [10]基于顺序集成方法的制冷系统故障检测与诊断研究[D]. 韩华. 上海交通大学, 2012(07)