一、人工神经网络技术在机械故障诊断中的应用（论文文献综述）
刘东东[1]（2021）在《旋转机械故障信息挖掘及状态评估方法研究》文中认为振动信号蕴含丰富的反映设备运行状态的信息,由于系统复杂性及噪声影响,直接分析采集的振动信号对机械状态进行评估,结果的准确性难以保证。挖掘振动信号中的故障信息以消除系统复杂性及噪声的影响,是提高评估结果准确性的有效途径。本文根据旋转机械振动信号调制的特点,研究振动信号中故障信息的挖掘方法,且基于挖掘得到的故障信息对机械状态进行评估。研究内容包括解调后频域中故障信息挖掘方法、故障激发的振动响应挖掘方法、数据稀缺情况下故障特征迁移方法和特征融合的故障程度评估方法四个部分。（1）研究了解调后频域中故障信息的挖掘方法。该方法通过设计相位函数集对振动信号进行解调,实现故障信息的挖掘。为了解决振动信号受转速随机波动影响问题,提出了一种新的相位函数设计方法。该方法可以将不同转速波动下相同物理意义的频率解调为相同频率值。使用这种新的相位函数设计方法,获得解调频谱。定义基频和容许误差,以此为基础实现解调后频域中故障信息搜索。新算法可以从含噪声的解调频谱中挖掘到故障信息,且实验平均识别率高于99%,有效提高了机械状态评估准确性。（2）研究了故障激发的振动响应挖掘方法。该方法通过引入Matrix profile算法,实现轴承故障激发的振动响应的挖掘。振动响应以共振频率为载波频率,且载波频率由机械系统决定,不受工况影响,且振动响应的幅值受到故障冲击及转频调制。针对这一特性,构造了以Z-normalized欧式距离为衡量方法的Matrix profile算法。该算法衡量振动响应的波形,因此挖掘的结果不受信号幅值影响。根据挖掘得到的振动响应,利用卷积神经网络（Convolutional neural network,CNN）实现机械故障程度的评估。实验验证了构造的Matrix profile算法可以从实验台和风力发电机振动信号中挖掘轴承故障激发的振动响应,且使用挖掘得到的数据可以提高机械故障程度评估的准确率。（3）研究了数据稀缺情况下故障特征迁移方法。该方法使用Matrix profile算法分别从实验台和风力发电机的振动信号中挖掘故障激发的振动响应,通过搭建双流CNN迁移模型,将从实验台数据学到的知识迁移到风力发电机数据训练的模型中。机械设备可用数据稀缺导致了网络模型对机械状态评估的准确性不足。为了充分从有限数据中学习特征,搭建了双流CNN模型,同时从挖掘数据的时域波形及其时频谱中学习特征。为了实现在数据有限情况下对网络模型的优化,首先使用实验台数据对双流CNN模型进行预训练,然后使用风力发电机数据对模型进行微调。实验证明了双流CNN迁移模型的识别率可以达到99.87%,较单流CNN模型对机械状态评估的准确率更高,且能够更快、更稳定地收敛。（4）研究了特征融合的故障程度评估方法。该方法首先使用自组织神经网络（Self-organizing map,SOM）对正常状态下的特征进行融合得到U-matrix映射单元,然后通过计算不同运行状态下的特征与U-matrix最佳匹配单元的递推分值定量差指标实现故障程度的量化。为了去除冗余特征,计算每个特征的拉普拉斯分值,依据分值大小对特征进行精化。利用SOM网络良好的拓扑保持性以及可视化性能,使用精化后的特征训练SOM网络得到的U-matrix映射单元对轴承的退化过程进行定性描述。提出了计算递推分值定量差指标量化故障程度。实验证明了使用挖掘的数据得到的U-matrix映射单元能够更准确地反映轴承退化趋势,融合的递推分值定量差指标能够更准确地评估故障程度。
洪晓翠,段礼祥,杨晓光,黄谦[2]（2021）在《智能优化算法在机械故障诊断领域的应用综述》文中认为开展机械设备的故障诊断对保障设备的稳定运行和企业的安全生产具有重要意义。故障诊断的准确率在很大程度上受所提取特征质量、诊断模型参数的影响,因此采用优化算法进行特征优选、寻找模型最优参数是提高诊断准确率的关键。介绍了3种经典智能优化算法和3种新型智能优化算法的原理、基本运算过程及应用现状;总结了算法的优缺点,提出了改进算法;重点分析了各算法在机械故障诊断中的具体作用,并对未来智能优化算法在故障诊断领域的研究方向进行了展望。
陈卓[3]（2021）在《齿轮箱故障智能诊断方法研究》文中研究表明随着机械设备越来越复杂化、智能化,产生的经济效益也随之增加。齿轮箱作为机械设备的核心部件,决定着机械设备的运转状态,在机械工业的发展中起着关键作用,因此对齿轮箱故障诊断方法的研究具有重要的研究价值。同时人工智能技术的蓬勃发展,为齿轮箱故障诊断提供了新方法。本文对齿轮箱的故障诊断技术进行研究,将人工智能技术引入齿轮箱故障诊断,进行齿轮箱故障智能诊断方法的研究。主要研究内容如下:（1）对传统故障诊断技术和智能故障诊断技术进行对比分析确定了智能诊断方法的研究意义。分析齿轮的振动机理并建立对应的力学模型,对不同状态振动信号模型进行仿真,分析了其对应的调制信息及边频带的分布特征。（2）设计了一种以FPGA为核心的齿轮箱振动信号采集系统,完成数据的采样、转换、存储和传输。对齿轮箱运行过程中齿轮的啮合频率以及轴转频率进行分析和实验验证,结果表明该采集系统用5 kHz的采样频率可不失真的采样和传输500 Hz的振动信号,能满足本文所用振动实验台齿轮啮合频率及其边频带的不失真采样和传输,验证了信号采集系统的可行性。（3）对齿轮箱在不同工况下的振动信号进行小波包分解,分析小波包能量谱中不同频带段对应的能量特征。研究表明能量特征中包含着丰富的工况信息,可以作为齿轮箱故障智能诊断的样本数据。（4）对齿轮箱智能诊断方法进行研究,分别以人工神经网络为基础建立GA-BP故障诊断模型,以支持向量机为基础建立SVM故障诊断模型;针对支持向量机最优参数难以确定的问题,引入粒子群算法和遗传算法分别建立PSO-SVM故障诊断模型和GA-SVM故障诊断模型;综合评价四种模型的诊断性能,结果表明GA-SVM故障诊断模型具有较高的故障识别准确率,平均准确率为97.68%,且运行时间最短,平均运行时间为20.02 s。
赵孝礼[4]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中进行了进一步梳理滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
师诗[5]（2021）在《基于深度自编码神经网络的滚动轴承故障诊断方法研究》文中进行了进一步梳理随着工业化的快速发展,保证机械特别是大型旋转机械的正常有序运行,对工业生产和生活起着至关重要的作用。滚动轴承是许多大型旋转机械的关键部件,旋转机械的长期安全运行与滚动轴承的稳定性密切相关。因此,研究针对于滚动轴承的故障诊断方法具有十分重要的意义。大数据时代以来,传统的故障诊断方法需要大量的人工处理过程,已经无法顺应大数据时代的发展要求。由于可以从原始数据中自动提取特征的优势,深度学习在机械故障诊断领域得到了越来越多的青睐。然而,深度学习暴露出参数选择困难、训练困难以及训练时间长的问题,因此很难训练出泛化性好、精度高的深度学习模型。为了解决这些问题,本文提出了一种基于改进的深度堆栈自编码神经网络（DSAE）的故障诊断模型。为了对DSAE网络模型的超参数设置对模型性能的影响进行研究,本文构建了振动仿真信号对网络中各类超参数设置了对比实验,通过学习率、训练时间以及误差收敛曲线等对性能进行了衡量。并针对DSAE网络对大样本的需要,而传统的时频预处理方法处理时间较长的问题,提出了一种新的数据预处理方案,其可以在较短时间内提取数据的复合信息。确定了基于DSAE的故障诊断模型基本框架。神经网络的性能在很大程度上取决于它的模型结构和相应的学习优化算法。针对深度自编码神经网络（DSAE）在微调过程中受内部协变量迁移导致梯度传递缓慢问题,基于批量归一化（BN）算法在DSAE网络微调阶段加入自适应平衡处理层对编码层的输入进行正则化处理,以自适应地纠正特征空间以提升训练效果。在DSAE网络中,针对基于梯度算法的固定学习率导致网络参数更新缓慢且适应度不够的问题,本文对比了各个基于梯度的优化算法,选定有自适应学习率的Adam算法对网络进行学习。并针对Adam算法中矩估计的指数衰减速率的设定问题,用自适应机制对Adam算法进行了改进,使得此新增超参数可以实现自适应变化。然后用改进的Adam算法优化了BN-DSAE网络的权重分布。为检验所提方法的有效性,在MATLAB平台上分别将改进的BN-DSAE网络、改进带自适应机制的Adam算法以及最终提出的BN-DSBAE故障诊断框架在电机滚动轴承数据集上进行了验证,并与DSAE以及常见的学习分类算法BP以及SVM进行对比,实验结果验证了所提方法在分类准确度以及损失值方面均使得DSAE网络有效的提升,经过优化后的DSAE框架也优于其它深度学习方法和传统的机器学习方法。
魏子涵[6]（2021）在《基于深度学习的混合轮系齿轮箱故障诊断方法研究》文中研究说明齿轮箱是机械设备的核心部件之一,尤其是在工业机械、航空航天机械、煤矿机械等领域的机械设备中具有齿轮数量多、级数多、结构复杂等特点,且又经常在高速重载的恶劣环境下持续运行,故障易发。混合轮系齿轮箱的齿轮传动中既有定轴传动也有行星传动,因此故障形式表现复杂,除了齿轮单一故障,更常见的情况是多种齿轮故障同时存在时的复合故障。复合故障信号与单故障信号相比,信号更加复杂、特征更不明显,不同种类的故障信号之间还可能存在耦合现象,加大了故障诊断的难度。因此,机械设备中齿轮箱齿轮的复合故障诊断方法也一直是国内外学者关心的热点问题,受到了广泛关注。为了提高混合轮系齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,提出了基于卷积神经网络CNN（Convolutional Neural Network）的混合轮系齿轮箱故障诊断方法。首先利用加速度传感器采集故障齿轮的连续周期性信号,然后对其进行时域、频域、时频域分析,将其分别制作成为可供卷积神经网络训练学习的样本集,最后导入卷积神经网络中,进行故障诊断。在每次训练学习完成后,对网络模型的参数进行调整,最终得到适合于故障诊断的最佳模型。统计故障分类识别的结果,对混合轮系齿轮箱8种类型齿轮复合故障的识别准确率最高可以达到99.51%。为了进一步提高深度学习故障诊断模型的鲁棒性与泛化能力,将无监督学习的思想融入有监督学习中,使用卷积神经网络与生成对抗网络GAN（Generative Adversarial Network）两种神经网络构建深度学习模型,结合两者的优势提出一种半监督卷积对抗神经网络模型SCGAN（Semi-supervised Convolutional Generative Adversarial Network）。首先将CNN中的结构进行调整,然后使用两个CNN网络分别作为对抗性网络中的生成网络与判别网络,从而实现无监督学习机制向半监督学习机制的转变。实验对比了不同参数规格的样本集、不同网络参数等对诊断精度的影响,结果表明:SCGAN模型的鲁棒性与泛化能力均比CNN有所提高,在故障诊断精度上也有一定改善。在混合齿轮箱4种单齿轮故障和4种复合齿轮故障的数据集上加以验证,分别获得了99.67%与99.5%的诊断精度,8种类型故障诊断的平均值最高可以达到99.58%;也证明了利用无监督学习模型对有监督学习模型进行改造能够起到良好的效果。
陈志豪[7]（2021）在《基于深度迁移卷积神经网络的旋转机械故障诊断方法研究》文中提出随着现代工业的迅速发展和机械运行设备的不断升级,对旋转机械进行及时有效的故障诊断能避免经济损失和安全事故的发生。传统的故障诊断方法依赖专家经验和先验知识,已不满足复杂机械设备的故障诊断需求,需要不断研究和开发出更为高效、智能的故障诊断方法。深度学习和迁移学习的兴起为旋转机械故障诊断技术提供了新思路。基于此,本文以旋转机械为主要研究对象,以卷积神经网络和迁移学习为理论基础,对旋转机械故障诊断方法开展研究。本文的主要研究工作分为以下三方面:（1）针对基于传统机器学习的故障诊断方法手工特征提取繁琐以及浅层表示影响诊断性能等问题,提出了一种基于时频分析和卷积神经网络的故障诊断方法,先利用连续小波变换将原始振动信号转换为二维时频图像,再利用卷积神经网络的特征学习能力,从转化后的时频图像中自动学习有利于故障分类任务的特征信息,经Softmax后完成故障的分类,并在凯斯西储大学电机轴承数据集上验证了该方法的有效性。（2）针对在旋转机械故障诊断领域带标注故障样本量不足,限制了网络模型的深度,导致模型泛化性不强、诊断效果差等一系列问题,提出一种基于深度迁移卷积神经网络（Deep Transfer Convolutional Neural Network,DTCNN）的故障诊断方法。该方法融合迁移学习与卷积神经网络,以Res Net-50架构作为预训练DTCNN模型,通过微调预训练深度网络的方法,使得所提DTCNN模型在旋转机械故障诊断中表现出强大的特征提取能力,从而实现了高精度的故障分类,并在凯斯西储大学轴承数据集和自吸离心泵数据集上进行了实验验证,结果表明,该方法均可以在这两个数据集上取得很高的分类准确率,并具有良好的泛化能力。（3）针对在基于深度迁移学习技术的故障分类任务中,搭配Softmax分类器的模型暴露出泛化性不足、分类速度不够快等缺点,提出了一种将极限学习机（Extreme Learning Machine,ELM）与DTCNN相结合的故障诊断新方法,旨在利用DTCNN强大的特征提取能力和ELM高效的分类能力,实现更准确、快速的故障分类,在凯斯西储大学轴承数据集和帕德博恩大学轴承数据集上进行实验,结果表明,该方法在分类准确率和计算时间方面均有一定的优势,结果验证了该方法的有效性和效率性。本文基于卷积神经网络算法和迁移学习技术开展了一系列研究,旨在为旋转机械故障诊断领域提供一种新思路,具有一定的工程应用价值和理论参考价值。
胡孟飞[8]（2021）在《基于数据特征分析与深度学习的轴承故障诊断研究》文中研究指明在各行各业的各种生产环节中,通常都需要涉及到旋转机械及齿轮系统的使用,工业生产对机械设备的要求越来越高,逐渐朝着生产流程一体化,生产过程高度自动化,生产效率高速化,生产载荷多样化的方向发展。机械部件在如此复杂的生产情况下更容易出现结构性和功能性故障,不仅造成安全风险还带来经济损失。为保障机械设备长期可靠运行,保障生产系统的安全有效的运行,需要对机械系统中的关键部件进行故障诊断及健康监测,以便及时发现存在的安全隐患并及时维修。随着人工智能技术的发展,基于深度学习的机械故障诊断方法也逐渐丰富起来,相关算法主要是通过深度学习的框架去提取数据的高维特征,这种方法不仅不需要太多的专家知识,而且大大提高了故障诊断的准确度。传感器在机械设备的工作环境中测得的原始数据往往包含大量的噪声,这些噪声不仅影响特征提取,还影响深度学习算法的收敛速度和诊断精度。因此本文在信号分解算法的基础上提出了三种去噪策略,分别是非局部均值改进传统阈值的去噪算法、基于峰值统计阈值的去噪算法,基于变分模态分解和自适应线性调频模式的去噪算法。所提去噪算法具有各自的优点,通过仿真实验和真实轴承数据实验,验证了所提算法的有效性,并得出基于变分模态分解和自适应线性调频模式的去噪算法更适合处理旋转机械振动数据。为了更有效的分析旋转机械振动数据的时频特性,本文基于变分模态分解和自适应线性调频模式算法提出了一种新的时频分析方法,根据仿真实验和真实数据实验,验证了所提时频分析方法优于传统的基于短时傅里叶变换和小波变换的时频分析方法。对于早期轴承故障,传统的傅里叶变换难以有效提取故障特征频率,本文采用包络谱、Teager能量谱和多点最优最小熵解卷积成功提取了早期轴承故障的特征频率。同时本文结合基于变分模态分解和自适应线性调频模式的去噪算法改进了最优最小熵解卷积提取故障频率的性能。在传统故障特征提取算法和传统机器学习算法的基础上,本文受到多尺度卷积神经网络的启发,提出了多模态多尺度卷积神经网络。将故障数据的粗粒度化数据、时域特征频域特征、最优最小熵解卷积提取的故障特征频率等作为不同的模态输入卷积神经网络构成的多模态多尺度卷积神经网络学习框架中,并在轴承故障和齿轮箱故障数据集中验证了算法的有效性。为了提升深度学习算法进行故障分类的效率,本文提出基于多元变分模态分解和多模态卷积神经网络的深度学习框架,将多元变分模态分解算法分解得到的模态分量的时域特征频域特征和最优最小熵解卷积特征频率作为神经网络的输入。该深度学习框架不仅提升了故障识别精度而且在多传感器数据融合方面具有应用潜力。
李春林[9]（2021）在《面向石化机组故障诊断的互无量纲与深度学习研究及应用》文中提出旋转机械的传动系统和工作条件存在多样性和复杂性,使得振动信号具有非线性和非平稳。各种激励源产生的信号存在模糊、混合和多耦合特点,使得区分故障信号和正常信号变得困难。目前,旋转机械中的轴承安全对现代石油化工系统的可靠性与稳定性具有重要的意义,轴承故障诊断已成为石化装置系统设计和维护的关键环节。不少基于无量纲指标的轴承故障诊断方法被提出,往往未能实现有效精准的健康监测。深度学习作为机器学习子领域,起到连接石化旋转机械故障数据与健康监测的桥梁作用。本文针对传统时域分析的故障诊断方法存在特征向量计算量大、对诊断知识过度依赖与特征提取算法复杂等局限,利用深度学习在机器视觉优势,提出基于时间序列编码的故障诊断算法、基于互无量纲指标与类Gram矩阵的故障诊断算法和基于经验模态分解和互无量纲的故障诊断算法。主要研究内容如下:（1）提出基于时间序列编码与深度学习相结合的故障诊断方法。首先研究将故障振动信号通过时间序列编码转换成故障图片;接着研究利用不同深度学习模型对二维数据识别分类;最后采用广东省石化装备故障诊断重点实验室与凯斯西储大学实验室的多级离心风扇采集到的两个数据集测试,实现了平均预测准确率分别为94.07%和96.28%。该方法研究了极坐标双映射原理,消除传统Gram矩阵高斯噪音,解决内积不满足线性和正定要求。故障诊断过程不需要预先确定参数,尽可能地消除专家经验带来的影响。（2）提出基于互无量纲与类Gram矩阵相结合的故障诊断方法。首先研究互无量纲理论对故障振动信号的敏感特征提取,避免特征冗余或不敏感性;接着研究利用类Gram矩阵将互无量纲指标仿真为故障图片;最后采用两种不同的数据集通过深度学习识别验证,实现了平均预测准确率分别为87.75%与96.02%。该方法设计新的参数得到互无量纲指标,缩短传统无量纲对目标的构造距离,减少故障之间重复索引,提高对旋转机械故障敏感性。降低训练时间,保证识别故障精度。（3）提出基于经验模态分解与互无量纲相结合的故障诊断方法。首先研究将经验模态分解处理故障振动信号的非线性和非平稳状态;接着研究对模态函数提取互无量纲指标;最后采用迁移学习对不同数据集映射的故障图片识别分类,实现了平均准确率分别为96.22%与95.67%。该方法对传统无量纲与改进互无量纲可视化对比,研究两种无量纲因子重叠关系,结果表明改进互无量纲指标特征空间重叠现象较小。故障类型更多的情况,比前期研究方法更稳定。与传统无量纲故障诊断方法对比,验证该算法的优越性。
徐丹雅[10]（2021）在《基于多源域自适应的机械故障诊断方法研究》文中提出机械故障诊断是保障机械设备高精度与高可靠运行的有效方法,智能机械故障诊断技术在提高了诊断速度及精度的同时,还降低了人力及设备维护成本,从而越来越受到研究者的重视。在面向工程实际应用时,不同的工况造成的数据分布差异使得训练好的模型不再适用,诊断精度下降。本文基于迁移学习理论,围绕跨工况下多数据源的机械故障诊断问题进行了研究,对于实际应用下的故障诊断有重要意义。本文首先对当前数据驱动的故障诊断方法进行介绍,总结并分析了现有方法的优点及不足,以机器学习和迁移学习为基础,提出了一种自适应单个或多个数据源的多源无监督域自适应网络（Multi-source Unsupervised Domain Adaptation Network,MUDAN）,设计了基于MUDAN算法的机械故障诊断方法。针对不同工况下数据分布不同的问题,结合域对抗理论设计自适应单个或多个数据源的多源跨域鉴别器及对应损失函数,算法的准确性及鲁棒性得到了有效提升。其次本文针对真实应用场景下的机械故障诊断设计了迁移实验方案,并对实验对比方法及原则进行了论述,在两个轴承故障数据集上进行了实验,对结果进行了详细的分析。实验结果证实了提出的基于MUDAN算法的机械故障诊断方法在多个数据源下能够有效进行域自适应,而且获得了较好的诊断效果。在相同的基本网络框架下,将此方法与其他单源域自适应方法和已有的多源域自适应方法进行对比,发现基于MUDAN算法的故障诊断方法具有更好的诊断准确率及鲁棒性,在缺少专家先验知识、少量无标签的目标域情况下,能够有效对目标域数据进行诊断,具有较高的故障诊断精度。
二、人工神经网络技术在机械故障诊断中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络技术在机械故障诊断中的应用（论文提纲范文）
（1）旋转机械故障信息挖掘及状态评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题来源 |
| 1.1.2 选题意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 振动信号分析方法 |
| 1.2.2 非平稳振动信号分析方法 |
| 1.2.3 旋转机械故障智能识别方法 |
| 1.2.4 机械故障程度定量表达方法 |
| 1.3 拟解决的问题 |
| 1.4 研究内容及章节安排 |
| 2 解调后频域中故障信息挖掘方法研究 |
| 2.1 引言 |
| 2.2 轴承振动信号调制特点 |
| 2.3 解调后频域中故障信息挖掘算法 |
| 2.3.1 广义解调算法 |
| 2.3.2 解调后频域中故障信息挖掘算法 |
| 2.4 基于解调后频域中信息挖掘的识别方法 |
| 2.5 仿真验证 |
| 2.6 实验验证 |
| 2.6.1 实验台及数据采集 |
| 2.6.2 识别结果对比 |
| 2.7 本章小结 |
| 3 机械故障激发的振动响应挖掘方法 |
| 3.1 引言 |
| 3.2 振动响应挖掘方法 |
| 3.2.1 Matrix profile算法 |
| 3.2.2 振动响应挖掘参数设置 |
| 3.3 基于振动响应挖掘的识别算法 |
| 3.3.1 卷积神经网络 |
| 3.3.2 基于振动响应挖掘识别方法 |
| 3.4 实验验证 |
| 3.4.1 实验数据 |
| 3.4.2 实验结果 |
| 3.5 风力发电机振动信号验证 |
| 3.5.1 实验装置 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 数据稀缺情况下故障特征迁移方法 |
| 4.1 引言 |
| 4.2 双流CNN迁移模型 |
| 4.2.1 双流CNN输入信号 |
| 4.2.2 双流CNN模型搭建 |
| 4.3 基于振动响应挖掘及迁移模型识别算法 |
| 4.4 实验验证 |
| 4.4.1 数据介绍 |
| 4.4.2 识别结果对比 |
| 4.5 本章小结 |
| 5 特征融合的故障程度评估方法 |
| 5.1 引言 |
| 5.2 振动信号特征提取与精炼 |
| 5.2.1 振动信号特征提取 |
| 5.2.2 拉普拉斯分值算法 |
| 5.2.3 改进特征融合算法 |
| 5.3 基于改进特征融合故障程度定量表达方法 |
| 5.4 实验验证 |
| 5.5 风力发电机振动信号验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
（2）智能优化算法在机械故障诊断领域的应用综述（论文提纲范文）
| 1 机械故障诊断领域经典智能优化算法 |
| 1.1 遗传算法 |
| 1.1.1 算法原理及运算过程 |
| 1.1.2 GA的改进算法 |
| 1.1.3 GA在机械故障诊断中的应用 |
| ① 对故障特征进行优选。 |
| ② 优化人工神经网络结构、参数。 |
| ③ 对其他诊断方法参数进行优化。 |
| 1.2 蚁群算法 |
| 1.2.1 算法原理及运算过程 |
| ① 初始化： |
| ② 质量评估： |
| ③ 路径选择： |
| ④ 信息素更新： |
| ⑤ 迭代终止： |
| 1.2.2 ACO的改进算法 |
| 1.2.3 ACO在机械故障诊断中的应用 |
| ① ACO优化诊断方法的结构和参数。 |
| ② ACO用于聚类分析。 |
| 1.3 粒子群优化算法 |
| 1.3.1 算法原理及运算过程 |
| 1.3.2 PSO的改进算法 |
| 1.3.3 PSO在机械故障诊断中的应用 |
| ① PSO用于故障特征优选。 |
| ② PSO用于诊断方法结构和参数的优化。 |
| 1.4 三种经典智能优化算法的作用及优缺点对比 |
| 2 机械故障诊断领域新型智能优化算法 |
| 2.1 人工鱼群算法 |
| 2.1.1 算法原理及运算过程 |
| ① 初始化： |
| ② 个体评价： |
| ③ 行为选择： |
| ④ 位置更新： |
| ⑤ 更新全局最优人工鱼状态： |
| ⑥ 迭代终止： |
| 2.1.2 AFSA的改进算法 |
| 2.1.3 AFSA在机械故障诊断中的应用 |
| 2.2 人工蜂群算法 |
| 2.2.1 算法原理及运算过程 |
| ① 初始化： |
| ② 产生新蜜源： |
| ③ 质量评估： |
| ④ 跟随蜂阶段： |
| ⑤ 侦察蜂产生新蜜源： |
| ⑥迭代终止： |
| 2.2.2 ABC的改进算法 |
| 2.2.3 ABC在机械故障诊断中的应用 |
| 2.3 萤火虫算法 |
| 2.3.1 算法原理及运算过程 |
| 2.3.2 FA的改进算法 |
| 2.3.3 FA在机械故障诊断中的应用 |
| 2.4 三种新型智能优化算法的作用及优缺点对比 |
| 3 结束语 |
（3）齿轮箱故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱故障诊断技术发展 |
| 1.2.2 齿轮箱故障诊断的信号获取 |
| 1.2.3 齿轮箱故障诊断方法综述 |
| 1.3 论文内容安排 |
| 2.齿轮箱振动机理及其特性分析 |
| 2.1 齿轮的振动机理 |
| 2.2 齿轮振动信号模型 |
| 2.2.1 齿轮正常振动信号模型 |
| 2.2.2 齿轮故障振动信号模型 |
| 2.2.3 齿轮调制信号的仿真分析 |
| 2.3 本章小结 |
| 3.数据采集系统方案设计 |
| 3.1 信号采集模块 |
| 3.2 数据缓存模块 |
| 3.3 数据发送模块 |
| 3.4 上位机显示模块 |
| 3.5 系统设计验证 |
| 3.6 本章小结 |
| 4.振动信号分析及特征提取 |
| 4.1 齿轮箱实验平台介绍 |
| 4.2 常见的信号分析方法 |
| 4.2.1 小波分析 |
| 4.2.2 小波包分析 |
| 4.3 实验数据的小波包能量谱分析 |
| 4.4 本章小结 |
| 5.齿轮箱故障诊断模型建立 |
| 5.1 GA-BP故障诊断模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 遗传算法 |
| 5.1.3 GA-BP诊断模型设计 |
| 5.1.4 GA-BP模型诊断结果分析 |
| 5.2 SVM故障诊断模型 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 SVM核函数选择与交叉验证 |
| 5.2.3 SVM诊断模型设计 |
| 5.2.4 SVM模型诊断结果分析 |
| 5.3 PSO-SVM故障诊断模型 |
| 5.3.1 粒子群算法 |
| 5.3.2 PSO-SVM诊断模型设计 |
| 5.3.3 PSO-SVM模型诊断结果分析 |
| 5.4 GA-SVM故障诊断模型 |
| 5.4.1 GA-SVM诊断模型设计 |
| 5.4.2 GA-SVM模型诊断结果分析 |
| 5.5 故障诊断模型对比分析 |
| 5.5.1 基于支持向量机的故障诊断模型结果对比 |
| 5.5.2 四种智能故障诊断模型结果对比 |
| 5.6 本章小结 |
| 6.结论 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（4）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（5）基于深度自编码神经网络的滚动轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 滚动轴承故障诊断技术发展现状 |
| 1.2.1 滚动轴承基本结构及运行机理分析 |
| 1.2.2 滚动轴承典型故障振动信号特征 |
| 1.2.3 滚动轴承传统故障诊断方法研究现状 |
| 1.3 深度学习概述及研究现状 |
| 1.3.1 深度学习发展及基本模型 |
| 1.3.2 深度学习在故障诊断中的应用 |
| 1.3.3 深度自编码神经网络存在的问题 |
| 1.4 本文主要研究工作及结构安排 |
| 2 深度自编码神经网络原理及相关工作基础 |
| 2.1 自动编码器 |
| 2.1.1 自动编码器的基本结构 |
| 2.1.2 自动编码器的训练 |
| 2.1.3 稀疏约束 |
| 2.2 深度堆栈自编码神经网络 |
| 2.2.1 贪心逐层无监督预训练 |
| 2.2.2 有监督的全局微调 |
| 2.2.3 深度堆栈自编码神经网络模型 |
| 2.3 分类器训练 |
| 2.4 仿真信号的构建 |
| 2.5 深度自编码网络的特征提取性能研究 |
| 2.5.1 基于DSAE的数据重构性能研究 |
| 2.5.2 常用特征提取方法 |
| 2.5.3 基于DSAE的特征提取性能对比分析 |
| 2.5.4 DSAE网络特征提取可视化 |
| 2.6 本章小结 |
| 3 基于DSAE的故障诊断模型及其关键参数研究 |
| 3.1 基于DSAE的故障诊断模型 |
| 3.2 数据预处理方案设计 |
| 3.3 网络参数研究 |
| 3.3.1 隐层节点数 |
| 3.3.2 隐层层数 |
| 3.3.3 迭代次数 |
| 3.4 正则化参数研究 |
| 3.5 优化参数研究 |
| 3.5.1 小批量梯度下降算法 |
| 3.5.2 动量算法 |
| 3.5.3 Adam算法 |
| 3.6 本章小结 |
| 4 基于DSAE故障诊断模型的优化研究 |
| 4.1 基于自适应机制的Adam优化算法研究 |
| 4.1.1 自适应机制原理 |
| 4.1.2 改进的自适应学习率的Adam算法 |
| 4.1.3 AEDR-Adam优化算法的仿真分析 |
| 4.2 自适应平衡标准化优化算法 |
| 4.2.1 批量标准化 |
| 4.2.2 带自适应平衡层的DAE |
| 4.2.3 BN-DSAE模型的仿真分析 |
| 4.3 基于改进算法的DSAE故障诊断模型 |
| 4.3.1 基于改进算法的DSAE故障诊断模型框架 |
| 4.3.2 基于改进算法的DSAE故障诊断模型仿真分析 |
| 4.4 本章小结 |
| 5 基于改进的DSAE模型在滚动轴承故障诊断中的应用 |
| 5.1 滚动轴承数据集描述及分析 |
| 5.2 基于DSAE模型优化算法性能的验证 |
| 5.2.1 基于改进的Adam算法性能验证 |
| 5.2.2 基于BN-DSAE模型性能验证 |
| 5.3 与其他学习模型对比分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于深度学习的混合轮系齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 故障特征提取与信号处理方法 |
| 1.2.2 齿轮故障及复合故障诊断 |
| 1.2.3 人工智能在故障诊断中的应用 |
| 1.3 主要研究内容 |
| 第2章 基于深度学习的混合轮系齿轮复合故障诊断理论基础 |
| 2.1 引言 |
| 2.2 混合轮系齿轮箱故障分析 |
| 2.2.1 常见齿轮故障分类 |
| 2.2.2 引发齿轮箱故障的因素 |
| 2.2.3 齿轮复合故障特点 |
| 2.3 深度学习相关理论 |
| 2.3.1 深度学习发展历程 |
| 2.3.2 数据预处理 |
| 2.3.3 激活函数 |
| 2.3.4 过拟合处理方法 |
| 2.4 数据分类流程 |
| 2.4.1 前向传播 |
| 2.4.2 反向传播 |
| 2.4.3 权值更新 |
| 2.4.4 Softmax分类函数 |
| 2.4.5 损失函数 |
| 2.4.6 优化器算法原理 |
| 2.5 本章小结 |
| 第3章 试验方案与数据集制作 |
| 3.1 引言 |
| 3.2 试验技术路线 |
| 3.3 试验台简介 |
| 3.3.1 驱动模块 |
| 3.3.2 传动模块 |
| 3.3.3 采集模块 |
| 3.4 数据集介绍 |
| 3.4.1 信号处理方法 |
| 3.4.2 数据采集过程 |
| 3.4.3 样本集的制作 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络(CNN)的混合轮系齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 有监督学习理论 |
| 4.3 CNN基本结构 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.3.3 全连接层 |
| 4.4 CNN模型的构建 |
| 4.5 CNN模型工作原理与流程 |
| 4.6 试验结果及对比分析 |
| 4.6.1 CNN模型网络结构对比分析 |
| 4.6.2 CNN模型鲁棒性验证 |
| 4.6.3 CNN模型泛化能力验证 |
| 4.7 本章小结 |
| 第5章 基于卷积对抗神经网络(SCGAN)的混合轮系齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 无监督学习理论 |
| 5.3 生成对抗网络(GAN) |
| 5.4 半监督学习 |
| 5.4.1 SCGAN基本结构 |
| 5.4.2 SCGAN损失函数 |
| 5.4.3 SCGAN参数设置 |
| 5.5 SCGAN模型工作原理与流程 |
| 5.6 试验结果及对比分析 |
| 5.6.1 SCGAN各类特征图对比分析 |
| 5.6.2 SCGAN模型鲁棒性验证 |
| 5.6.3 SCGAN模型泛化能力验证 |
| 5.7 CNN与 SCGAN对比分析 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要结论 |
| 6.3 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）基于深度迁移卷积神经网络的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统机器学习的故障诊断方法研究现状 |
| 1.2.2 基于深度学习的故障诊断方法研究现状 |
| 1.2.3 基于迁移学习的故障诊断方法研究现状 |
| 1.3 本文研究内容与论文组织结构 |
| 2 相关基础理论 |
| 2.1 时频分析 |
| 2.2 卷积神经网络 |
| 2.2.1 输入 |
| 2.2.2 卷积层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层和输出层 |
| 2.2.5 卷积神经网络的优化和训练 |
| 2.3 迁移学习 |
| 2.4 本章小结 |
| 3 基于时频分析和CNN的电机轴承故障诊断方法研究 |
| 3.1 故障诊断流程 |
| 3.2 实验验证 |
| 3.2.1 数据集描述 |
| 3.2.2 数据预处理 |
| 3.2.3 卷积神经网络模型的建立 |
| 3.2.4 训练细节以及参数设置 |
| 3.2.5 实验结果与分析 |
| 3.2.6 模型泛化性验证 |
| 3.3 本章小结 |
| 4 基于深度迁移卷积神经网络的旋转机械故障诊断方法研究 |
| 4.1 ResNet-50 |
| 4.2 基于深度迁移卷积神经网络的故障诊断方法 |
| 4.3 实例验证一:基于CWRU电机轴承数据集 |
| 4.3.1 数据集与实验设置 |
| 4.3.2 实验结果与分析 |
| 4.3.3 微调层数的影响 |
| 4.3.4 模型泛化性验证 |
| 4.3.5 与其它DTCNN(Inception v3和VGG-16)的比较 |
| 4.3.6 与传统机器学习方法和其它深度学习方法的比较 |
| 4.4 实例验证二:基于自吸离心泵数据集 |
| 4.4.1 数据集与实验设置 |
| 4.4.2 实验结果与分析 |
| 4.4.3 与其它DTCNN(Inception v3和VGG-16)的比较 |
| 4.4.4 与其它方法的比较 |
| 4.5 本章小结 |
| 5 基于DTCNN和极限学习机的旋转机械故障诊断方法研究 |
| 5.1 极限学习机 |
| 5.2 基于DTCNN-ELM的故障诊断方法 |
| 5.3 实例验证一:CWRU数据集 |
| 5.3.1 数据集描述 |
| 5.3.2 训练细节和实验设置 |
| 5.3.3 实验结果与分析 |
| 5.3.4 模型泛化性验证 |
| 5.3.5 与其它方法的比较 |
| 5.4 实例验证二:KAT数据集 |
| 5.4.1 数据集描述 |
| 5.4.2 训练细节与实验设置 |
| 5.4.3 实验结果与分析 |
| 5.4.4 方法对比 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
| 学位论文数据集表 |
（8）基于数据特征分析与深度学习的轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 旋转机械故障诊断方法国内研究现状 |
| 1.3 旋转机械故障诊断方法国外研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 旋转机械振动信号分解算法研究 |
| 2.1 引言 |
| 2.2 EMD及其衍生算法分解旋转机械振动信号性能分析 |
| 2.2.1 EMD算法分解旋转机械振动信号性能分析 |
| 2.2.2 EEMD算法分解旋转机械振动信号性能分析 |
| 2.2.3 CEEMDAN算法分解旋转机械振动信号性能分析 |
| 2.3 VMD及其衍生算法分解旋转机械振动信号性能分析 |
| 2.3.1 VMD算法分解旋转机械振动信号性能分析 |
| 2.3.2 多元变分模态分解算法介绍 |
| 2.4 ACMP算法分解旋转机械振动信号性能分析 |
| 2.4.1 信号的模式 |
| 2.4.2 自适应线性调频模式追踪 |
| 2.5 本章小结 |
| 第3章 基于信号分解的旋转机械振动信号降噪算法 |
| 3.1 引言 |
| 3.2 基于CEEMDAN及非局部均值优化的降噪算法研究 |
| 3.2.1 样本熵结合概率密度马氏距离的有效IMF复合筛选方法 |
| 3.2.2 传统阈值理论 |
| 3.2.3 NLM算法优化的CEEMDAN阈值滤波算法 |
| 3.2.4 时间序列降噪效果分析 |
| 3.3 基于峰值统计阈值及EEMD的去噪算法 |
| 3.3.1 基于噪声能量测量的有效IMF选择方法 |
| 3.3.2 基于峰值统计的自适应阈值 |
| 3.4 基于VMD及 ACMP算法的信号去噪算法 |
| 3.5 本章小结 |
| 第4章 旋转机械振动信号特征提取与分析方法研究 |
| 4.1 引言 |
| 4.2 基于VMD及 ACMP算法的旋转机械振动信号时频分析法 |
| 4.3 轴承故障特征频率分析 |
| 4.3.1 基于Hilbert包络谱分析的轴承故障频率提取 |
| 4.3.2 基于Teager能量算子的轴承故障频率提取 |
| 4.3.3 基于VMD-ACMP及 MOMEDA算法的轴承故障频率提取 |
| 4.4 轴承故障时域特征及频域特征量化方法 |
| 4.5 基于深度置信神经网络的轴承故障数据特征分析 |
| 4.6 本章小结 |
| 第5章 基于多模态卷积神经网络的轴承故障诊断算法 |
| 5.1 引言 |
| 5.2 基于多尺度卷积神经网络的旋转机械故障诊断研究 |
| 5.3 基于多模态多尺度卷积神经网络的旋转机械故障诊断研究 |
| 5.4 基于MVMD及多模态卷积神经网络的旋转机械故障诊断研究 |
| 5.4.1 基于德国Paderborn大学轴承故障数据的验证实验 |
| 5.4.2 基于转子部件脱落故障数据的验证实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（9）面向石化机组故障诊断的互无量纲与深度学习研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 人工智能的轴承故障诊断研究现状 |
| 1.3.2 基于卷积神经网络的故障诊断现状 |
| 1.3.3 基于循环神经网络的故障诊断现状 |
| 1.3.4 基于迁移学习的故障诊断现状 |
| 1.4 本文的研究内容 |
| 1.4.1 基于时间序列编码与卷积神经网络的故障诊断方法 |
| 1.4.2 基于经验模态分解与互无量纲的故障诊断方法 |
| 1.5 论文安排 |
| 2 本文理论 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络 |
| 2.1.3 迁移学习 |
| 2.2 时间序列编码 |
| 2.2.1 极坐标映射原理 |
| 2.2.2 Gram矩阵转换 |
| 2.2.3 惩罚函数推导 |
| 2.3 互无量纲理论 |
| 2.3.1 无量纲指标定义 |
| 2.3.2 互无量纲指标定义 |
| 2.4 经验模态分解 |
| 2.4.1 经验模态分解 |
| 2.4.2 集成经验模态分解 |
| 2.4.3 互补集成经验模态 |
| 2.5 本章小结 |
| 3 基于时间序列编码与深度学习的故障诊断算法研究 |
| 3.1 引言 |
| 3.2 时间序列在极坐标的双向映射研究 |
| 3.2.1 时间序列编码数据预处理 |
| 3.2.2 时间序列编码故障图片转换 |
| 3.3 基于时间序列编码与卷积神经网络算法研究 |
| 3.3.1 卷积神经网络模型选择 |
| 3.3.2 卷积神经网络模型设计 |
| 3.3.3 时间序列编码与卷积神经网络结合算法实现 |
| 3.4 基于时间序列编码与循环神经网络算法研究 |
| 3.4.1 循环神经网络模型选择 |
| 3.4.2 循环神经网络模型设计 |
| 3.4.3 时间序列编码与循环神经网络结合算法实现 |
| 3.5 实验环境与结果讨论 |
| 3.5.1 实验环境与步骤 |
| 3.5.2 深度学习模型实验结果 |
| 3.5.3 实验对比 |
| 3.5.4 实验讨论 |
| 3.6 本章小结 |
| 4 基于经验模态与互无量纲理论的故障诊断算法研究 |
| 4.1 引言 |
| 4.2 基于互无量纲指标与Gram矩阵的故障诊断算法 |
| 4.2.1 互无量纲指标参数提取与设计 |
| 4.2.2 类Gram的高斯噪音处理 |
| 4.2.3 实验环境与步骤 |
| 4.2.4 实验对比 |
| 4.2.5 实验讨论 |
| 4.3 基于经验模态与互无量纲指标的故障诊断算法 |
| 4.3.1 互补集成经验模态的数据预处理 |
| 4.3.2 模态互无量纲与互无量纲的可视化研究 |
| 4.3.3 基于迁移学习的故障诊断算法研究 |
| 4.3.4 实验环境与步骤 |
| 4.3.5 实验对比 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
| 学位论文数据集表 |
（10）基于多源域自适应的机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 机械故障诊断研究现状 |
| 1.2.2 机械故障诊断研究难点 |
| 1.3 主要工作与章节安排 |
| 第二章 关键技术介绍 |
| 2.1 数据驱动的故障诊断 |
| 2.1.1 基本步骤 |
| 2.1.2 存在的局限性 |
| 2.2 卷积神经网络 |
| 2.3 迁移学习及域自适应 |
| 2.3.1 迁移学习 |
| 2.3.2 域自适应 |
| 2.4 小结 |
| 第三章 基于MUDAN的机械故障诊断方法 |
| 3.1 多源域自适应 |
| 3.1.1 问题定义 |
| 3.1.2 多源域自适应基本方法 |
| 3.2 基于MUDAN的机械故障诊断方法 |
| 3.2.1 数据预处理 |
| 3.2.2 MUDAN网络模型 |
| 3.2.3 训练过程 |
| 3.3 实施细节 |
| 3.4 小结 |
| 第四章 实验验证 |
| 4.1 数据集介绍 |
| 4.1.1 CWRU轴承数据集 |
| 4.1.2 PU轴承数据集 |
| 4.2 实验设置 |
| 4.2.1 比较原则 |
| 4.2.2 评价指标 |
| 4.2.3 对比方法及实施细节 |
| 4.3 实验结果及分析 |
| 4.3.1 实验结果 |
| 4.3.2 结果分析 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
| 学位论文评阅及答辩情况 |
四、人工神经网络技术在机械故障诊断中的应用（论文参考文献）
- [1]旋转机械故障信息挖掘及状态评估方法研究[D]. 刘东东. 北京交通大学, 2021
- [2]智能优化算法在机械故障诊断领域的应用综述[J]. 洪晓翠,段礼祥,杨晓光,黄谦. 测控技术, 2021
- [3]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)
- [4]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [5]基于深度自编码神经网络的滚动轴承故障诊断方法研究[D]. 师诗. 北京交通大学, 2021(02)
- [6]基于深度学习的混合轮系齿轮箱故障诊断方法研究[D]. 魏子涵. 太原理工大学, 2021(01)
- [7]基于深度迁移卷积神经网络的旋转机械故障诊断方法研究[D]. 陈志豪. 广东技术师范大学, 2021(11)
- [8]基于数据特征分析与深度学习的轴承故障诊断研究[D]. 胡孟飞. 燕山大学, 2021(01)
- [9]面向石化机组故障诊断的互无量纲与深度学习研究及应用[D]. 李春林. 广东技术师范大学, 2021
- [10]基于多源域自适应的机械故障诊断方法研究[D]. 徐丹雅. 山东大学, 2021(12)