一、机械设备故障规律及状态管理和监测方法（论文文献综述）
胡文涛[1]（2021）在《动车组牵引电机故障预测与健康管理研究》文中进行了进一步梳理近年来,随着高速铁路的快速发展,新建铁路逐年增加,行车密度逐年变大,行车安全问题也日益突出。这就需要转换动车组的运营维修方式、提高运维效率以及优化修程修制来保证动车组的行车安全。牵引电机作为动车组的关键部件之一,直接影响着行车安全,因此,对牵引电机进行退化状态评估和剩余寿命预测就显得尤为重要。目前的运维策略,容易造成“维修不足”和“维修过剩”的问题,而且过度依赖于专家经验,从而对运维数据利用率较低。故障预测与健康管理作为一种新型的安全保障方式,代表了一种维修方式的转变,是提高装备可靠性、安全性、维修性及降低全生命周期费用的关键方法。因此,本文采用了一种基于隐半马尔科夫模型的退化状态评估和剩余寿命预测的方法,并对其进行了两个方面的优化改进,充分利用运行数据的价值,挖掘其规律,增强运维决策,提高运维效率,降低全生命周期运维成本,保证动车组的运行安全。论文主要研究内容包括:（1）动车组牵引电机PHM系统构架的设计。通过对PHM技术和动车组牵引电机的运行特点研究,构建了动车组牵引电机PHM系统构架,该构架包含三个子系统,分别是车载PHM系统、地面PHM系统和车地传输系统。（2）动车组牵引电机故障演化机理分析和HSMM建模。对牵引电机的结构、组成、常见的故障模式、故障原因进行分析,确定表征退化特征参数,将退化状态划分为4个阶段,建立基于退化状态的HSMM模型。（3）面向退化状态评估和剩余使用寿命预测HSMM模型的应用改进。针对目前模型存在的问题,从特征变换和模型参数两个方面进行改进优化,并使用PSO算法和冗余属性投影进行优化改进,并详细研究了它们的基本理论和算法。（4）基于改进HSMM模型的牵引电机退化状态评估和剩余使用寿命预测。通过对采集的大数据进行处理,并使用牵引电机全生命周期内的数据训练得出全生命的HSMM预测模型,同时使用该模型对问题进行验证。综上所述,本文针对隐半马尔科夫模型在牵引电机退化状态评估和剩余寿命预测中的关键问题进行了研究,以期为铁路运营部门提供参考和理论依据。
吕明珠[2]（2021）在《风力机高速轴轴承状态退化评估与剩余寿命预测方法研究》文中进行了进一步梳理随着全球能源短缺和环境污染的加剧,风能作为一种储量丰富、清洁安全的可再生能源受到了人们的高度关注,风力发电是风能利用的最有效途径,近年来呈迅猛发展的趋势。风力机各部件的状态退化评估与剩余寿命预测是直接影响风电场可用度和经济效益的两个重要因素,逐渐成为风电领域的重要研究课题。传动系统是风力机的核心部分,轴承是传动系统的关键元件,一旦发生故障会导致整个传动系统运行失效,因此,对风力机轴承进行状态监测和故障预测具有重要的工程意义。状态监测的主要目的是判断轴承的健康状况,以便于及时处理已经发生或即将发生的故障,保证运行的可靠性和降低维修成本。风力机轴承运行工况复杂、个体差异明显、维护维修困难,现有的退化评估和故障预测无法满足风电行业对风力机健康状态管理的需求。本文提出了信号处理、特征提取、跨域诊断、状态识别、寿命预测“五位一体”的智能运维模式,研究了风力机轴承的状态退化评估与性能趋势预测方法,构建了跨机器故障诊断深度迁移学习网络,提出了有效的早期退化检测方法,实现了退化过程的跟踪和在线剩余寿命预测,建立了多源信息融合的新型预测模型。本研究围绕风力机高速轴轴承的退化评估与剩余寿命预测的关键理论和方法进行了深入探索,主要内容包括:（1）针对轴承运行状态难以划分和性能趋势预测准确度不高的问题,提出了两种方法,分别为基于变分模态分解-自适应模糊C均值-支持向量机（VMD-AFCM-SVM）的状态退化评估方法和改进的LSTM性能趋势预测方法。其中的VMD-AFCM-SVM算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数,确定轴承在不同状态退化下的时间间隔,实现轴承的健康等级评估。此外,提出的改进LSTM方法是一种基于误差最小化的实时参数更新方法,能够在样本数据较少的情况下在线更新模型,解决了传统的LSTM模型不能合理利用在线数据的问题,以辛辛那提大学IMS提供的全寿命轴承数据集和实际风力机高速轴轴承数据集为例,验证了所提方法的有效性。（2）针对实验室轴承故障诊断技术泛化能力不强和真实轴承故障数据标记困难的问题,提出了一种新型的适用于跨机器故障诊断的方法叫做具有多核动态分布适配的深度迁移网络,所提的深度迁移网络具有宽的第一层卷积核和几个小的卷积层,用于提取不同机器之间的可迁移特征,同时抑制高频噪声。然后,使用多核动态分布适配方法构造一个加权混合核函数,将不同的可转移特征映射到统一的特征空间,并动态评估边缘分布和条件分布的相对重要性。通过三个轴承迁移学习任务验证了该方法的有效性,利用两个不同的实验室轴承的诊断知识来识别真实情况下的风力机轴承的健康状态。结果表明,与其它主流方法相比,即使在不同的噪声环境下该方法仍可以获得较高的诊断精度和较好的迁移性能,所提框架为跨机器故障诊断提供了一种有发展前景的方法。（3）针对轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地获得变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合。其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的分离,使重构后的信号滤除了干扰而保留了故障信息。最后,计算了重构信号的包络谐噪比,利用其对周期性故障冲击的敏感性实现了滚动轴承早期退化起始点的检测。（4）针对传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命预测准确度不高的问题,提出了基于包络谐噪比和无迹粒子滤波相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的包络谐噪比监测轴承的早期退化点并提取其趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,再利用无迹粒子滤波算法更新模型参数,实现对轴承状态退化的跟踪和预测。使用实际风力机轴承监测数据对所提方法进行验证,结果表明该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。（5）针对单一信号源不能全面反映风力机轴承动态退化信息从而影响剩余寿命预测准确性的问题,提出了一种振温信号协同的新型广义对数线性威布尔剩余寿命预测模型。该模型通过构造协变量的形式综合考虑了振动和温度监测信号对轴承劣化的影响,所提预测方法共分两个阶段。在特征提取阶段,从监测的振动信号中提取相对均方根,并从监测的温度信号中提取相对温度趋势值,以消除轴承的个体差异和随机信号波动。然后,引入模糊算子来描述“轴承过热”和“轴承过度振动”的程度,解决了不同故障下两种特征变化不同步的问题。在剩余寿命预测阶段,提取的振动和温度模糊算子均用于建立预测模型,使用最大似然估计方法获得模型的最佳参数。再通过均方根误差和平均绝对百分比误差两个指标来度量模型的预测性能。
白学宗[3]（2020）在《基于工况逼近的在役风电叶片故障预测与健康管理方法》文中提出风电叶片是风电机组中能量转换的关键部件,长期运行在复杂多变的工况下,极易发生变形过大和前后缘开裂故障,进而导致叶片折断、叶筒相撞乃至倒塔、电网烧毁等恶性事故,因此,开展在役叶片故障预测与健康管理（Prognostics and Health Management,PHM）方面的研究是十分必要的。状态监测和预测是PHM的首要环节,但现有技术难以实现在役叶片性能状态的实时监测和预测,致使后续的健康评估、故障识别和预测、健康管理决策等环节的研究也停滞不前。为解决这一问题,本文借助课题组建造的液压激振式疲劳试验台和山东德州某风机制造厂的65k W风电样机,采用工况逼近思想间接实现了在役叶片的状态监测和预测,结合其典型故障模式和工况特点给出了一套相对完整的在役叶片PHM方法,并以65k W叶片为例对该方法的合理性和准确性进行了验证,主要贡献如下:（1）提出在役叶片抗弯刚度的实时监测和预测方法。通过工况逼近实验,获得疲劳载荷、低速冲击载荷、环境温度及风速分布共同作用下叶片的抗弯刚度退化规律,并据此构造出抗弯刚度退化公式,运用该公式对叶片不同服役阶段的抗弯刚度退化量进行分析,分析结果与实测结果相符且满足精度要求,验证了工况逼近方法的合理性和公式的准确性。（2）提出在役叶片前后缘抗裂韧度的实时监测和预测方法。通过工况逼近实验,获得各级拉裂载荷下前后缘抗裂韧度的退化规律以及环境温度对抗裂韧度检测值和退化速率的影响规律,并据此构造出抗裂韧度退化公式,运用该公式对叶片不同服役阶段的抗裂韧度退化量进行分析,分析结果与实测结果相符且满足精度要求,验证了工况逼近方法的合理性和公式的准确性。（3）提出在役叶片健康评估及剩余健康寿命（Remaining Healthy Life,RHL）预测方法。基于灰色关联度（Grey Relation,GR）模型提出在役叶片多权重模式健康评估方法,运用该方法对叶片不同服役阶段的健康状况进行实时评估,准确识别出叶片非健康运行状态,成功触发故障识别和预测机制。所提出的方法可为不同的评估需求提供备选模式,且为缺乏经验的评估者提供可信的评估区间。（4）提出在役叶片故障识别与趋势预测方法。根据静载标定记录编制故障字典并构造故障点火路线图,结合服役工况和性能状态实现故障状态识别。运用局部比对（Local Alignment,LA）法和马尔可夫过程（Markov process,MP）实现10min和24h故障预测,并基于风速和温度统计结果实现长期故障趋势预测。运用该方法对在役叶片不同服役阶段的故障状态进行分析,并根据故障趋势预测结果对在役叶片剩余使用寿命（Remaining Useful Life,RUL）进行了预测。分析结果与实测记录吻合,验证了该方法的合理性和准确性,从而间接验证了健康评估模型的准确性。（5）提出在役叶片健康管理决策方法。针对现有决策模型缺乏量化依据和映射关系的现状,制定了指标量化规则,并基于层次分析-模糊决策（Analytic Hierarchy Process-Fuzzy,AHP-F）模型在决策目标与备选策略之间建立起明确的映射关系,实现准确的健康管理决策。运用该方法对叶片不同服役阶段的健康管理策略进行优选。结果表明:日常保养模式在叶片服役超6年后便不再适用,必须开展以健康评估和故障预测为基础的健康管理决策,以避免主观判断对决策结果的不利影响。最后,基于Lab VIEW软件设计出健康管理界面,以动态显示在役叶片PHM的相关结果。
臧钰[4]（2020）在《高铁列控车载系统设备剩余有效寿命预测与健康管理方法》文中指出近年来,高速铁路以其―大容量‖、―高效率‖、―低能耗‖、―可持续‖等优势取得了突飞猛进的发展,在增强对广阔地理区域的可达性、增加城市居民之间的流动性和带动区域经济发展等方面起着重要作用。伴随着高速铁路的飞速发展,维修成本过高逐渐成为制约高速铁路可持续发展道路上的关键因素。缺乏对高速铁路系统内各类部件性能退化规律的掌握,是造成维修时机滞后,维修方式被动,维修成本居高不下的根本原因。在保证列车安全、高效运行的前提下,尽可能地降低维修成本是目前高速铁路在可持续发展道路上的热点研究问题之一。本文立足于高速铁路列控车载系统故障处置及日常维修现状,在车载系统尚无完备的状态监测体系获取各部件全生命周期数据的前提下,首先对车载系统进行功能性失效模式及影响分析,计算了车载系统各功能单元的风险优先度等级;在此基础上选取典型功能单元应答器信息接收单元,针对单元内各类部件的不同失效机理建立性能退化模型,实现剩余有效寿命的预测;最后在部件级、功能单元级和系统级剩余有效寿命预测的基础上,设计了多部件制约关系多失效模式下的视情维修决策方法。基于本文的研究内容,取得了以下创新成果:（1）提出了基于多层流模型的功能性失效模式及影响分析方法。针对车载系统失效模式混杂难以寻找故障根源的问题,将车载系统内部繁杂多维的失效模式聚类整合;挖掘内部隐性关联规则描绘失效模式的链式传播,以案例研究的形式展示了失效模式从部件级、功能单元级到系统级的传播;最后计算了车载系统各功能单元的风险优先度等级。解决了传统失效模式及影响分析方法无法展现车载系统功能结构且实现故障追踪的难题。（2）提出了多组件多失效机理下的部件级剩余有效寿命预测方法。针对车载系统内电子类部件难以建立退化模型的问题,基于失效模式分析构建部件等效系统;在多组件多失效机理的性能退化环境下建立了板卡级失效物理模型,实现了电子部件的剩余有效寿命预测;并以典型功能单元内的电子部件应答器传输模块为例验证该方法的有效性。解决了全生命周期数据不足以及多组件多失效机理下的部件级剩余有效寿命预测难题。（3）提出了多源信息权重分配下的部件级剩余有效寿命预测方法。针对车载系统内传输类部件无全生命周期数据下的寿命预测问题,设计仿真加速寿命试验获取传输部件在工作载荷条件下的全生命周期数据;平衡粒子滤波以及神经网络算法之间的优势,构建了最优权重分配下融合的剩余有效寿命预测算法;并以典型功能单元内的传输部件D电缆为例验证该方法的有效性。解决了无完备状态监测体系以及失效物理模型下的部件级剩余有效寿命预测难题。（4）提出了多部件制约关系多失效模式下的视情维修决策方法。针对车载系统因未知各类部件性能退化规律造成维修方式被动的问题,基于部件级、功能单元级和系统级的剩余有效寿命,并考虑多部件之间的经济及资源条件制约关系构建成本时间函数;最终确定了多部件制约关系多失效模式下的视情维修决策方法,并以典型功能单元为例验证该方法在降低维修成本上的有效性。解决了维修时机滞后和维修方式被动造成的维修成本高额问题。论文利用高铁列控车载系统实际现场故障数据并结合仿真工具,验证了本文提出的模型及算法的有效性,其成果可为我国高速铁路系统故障预测及健康管理体系的设计提供较高的理论参考价值。图112幅,表18个,参考文献178篇。
李蒙[5]（2020）在《基于深度小世界神经网络的风机变工况变桨故障诊断研究》文中研究指明近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA（Supervisory Control And Data Acquisition）系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:（1）变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。（2）变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵（ANRMIE）,实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。（3）深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型（DSWNN）,实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机（RBM）,有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。（4）基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法（SL-DSWNN）,该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。（5）变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法（SE-DSWNN）,该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。
韩凤霞[6]（2020）在《高端数控机床服役过程可靠性评价与预测》文中研究指明随着新一代信息技术、人工智能技术与制造技术的不断融合,制造产业向智能化转型已成为发展的必然趋势。高端数控机床及由其组成的柔性制造系统是智能制造的重要基础。高端数控机床服役过程中,使用工况多变、运行环境复杂,导致数控机床系统性能状态呈现不可逆的退化趋势。在服役阶段,性能劣化及频繁的故障会严重的影响加工精度和生产效率。因此,如何保证数控机床的服役性能成为了设计者、生产厂商及使用者共同关注的焦点问题。对于高端数控机床,其部件退化特征多样,可靠性数据具有小样本特征,传统的基于失效数据的单一性能评估方法有一定的局限性。本文基于“状态监测数据”、“标准S形试件”及“多源数据融合”,在寿命预测、整机运行可靠性评价方面对高端数控机床的服役性能进行评价与预测。主要研究内容如下:（1）构建了基于混合预测方法的关键部件剩余寿命预测模型。对于退化型失效的数控机床关键功能部件,由于运行工况、使用环境、维修程度等因素的影响,功能部件的退化程度和失效时间存在较大的离散性。采用数据驱动和人工智能相结合的综合预测方法,构建了基于RVM和改进幂函数相结合的剩余寿命预测模型,该模型可以适应退化过程的不确定性,在不影响实际的切削过程的前提下,快速、便捷地对运行状态进行评估并对剩余寿命进行预测。（2）研究了基于S试件的高端数控机床整机运行可靠性的评价方法。对于服役阶段的高端数控机床,在复杂、多因素动态作用下,使其运行性能及精度保持性在时间维度内的退化情况各异。目前,在运行工况下,基于加工精度的运行可靠性评价还没有形成统一的标准。探讨了结合面性能劣化与加工精度映射的误差传递模型,提出基于S形试件整机运行可靠性的评价模型。该模型通过标准化S试件的加工工况,对整机施加恒定的激振力,定期监测固定切削工况的特征信号。构建三个维度评价指标（熵值维度、三维希尔伯特幅值谱的可视化维度,边际谱的重心频率的数值量化维度）来综合评估机床的劣化程度,从而对数控机床整机的运行性能及加工质量进行量化与评估。（3）构建了多源信息融合的高端数控机床综合可靠性评价模型。高端数控机床的运行可靠性不但与设计制造阶段的固有可靠性有关,而且与服役阶段的使用维修水平相关。系统地研究了维修履历数据、运行状态信息、加工精度三个维度的可靠性数据融合建模方法,构建了基于模糊层次分析法的高端数控机床综合可靠性评价模型。建立了运行可靠性及质量可靠性评价指标体系,提出的可靠性评估方法既能兼顾机床故障时间反映的“先天因素”,也能兼顾运行状态和加工质量反映的“后天因素”,以此多维度、准确地评价数控机床的综合可靠性。（4）构建了基于模糊贝叶斯网络的生产线中数控机床可靠性评价模型。深度融合子系统可靠性实验数据、现场运维数据、相似系统的维修数据。将模糊理论和贝叶斯网络相结合,解决了多态系统各根节点状态概率难以精确获得的问题,提高了处理不确定性问题的能力。（5）提出了基于寿命预测的联合维修决策模型。为保障高端数控机床高可靠性、低成本运行,针对计划维修容易造成过修或欠修,提出了基于视情维修与计划维修的联合决策模型。该模型综合利用了关键功能部件的整体的寿命分布函数及个体部件的寿命预测结果,以平均维修费用最小为优化目标,采用维修时间间隔和剩余寿命维修阈值为优化变量。通过蒙特卡罗仿真进行了维修费用、维修间隔及维修阈值的协同分析,为维修方案的决策及维修费用的预算提供技术支撑。
王达梦[7]（2020）在《以可靠性为中心的风电机组机会维修策略研究》文中研究表明全球气候变暖要求提高可再生能源在电力领域中的份额,促使风电高速发展。在风电累计装机容量不断增长的同时,全球浮现出巨大的风电场运行维护市场。风电机组是风电场的核心设备,恶劣的运行环境与不便的维护条件,使得风电机组的故障率和维护成本远高于传统发电设备。维修策略的选择是影响风电机组维护成本的重要因素。开展维修策略的优化研究,提高维护技术水平,降低维护成本,是提升企业竞争力的关键。本文依托于河北省科技计划项目“新能源发电系统中风电运维与光伏逆变技术研究”（15214307D）,以风电机组为研究对象,针对风电机组维修策略优化中的关键技术问题,从理论分析、技术改进、仿真分析、效果验证等角度系统地开展研究。论文的主要研究内容如下:（1）研究并改进了风电机组部件的故障危害性分析方法。分析了现有方法的不足,总结了影响风电机组部件故障危害性分析的有关因素,定义了故障向量、故障向量空间等概念,并据此提出了基于故障向量空间的改进危害性分析方法;建立了基于逆序数的差异分析方法,对比了不同危害性分析方法之间的差异。结果表明:改进的危害性分析法不仅继承了现有方法的优点,还具有高度的扩展性,使得在危害性分析中很容易增加对新因素的考虑。改进的方法能有效融合定量因素和定性因素,不受因素取值范围的影响,不受因素个数的限制,兼顾各因素相对权重,所得结果具有鲜明的物理意义,能够更为有效地区分关键部件与非关键部件。（2）研究并提高了小故障样本条件下风电机组部件的可靠性建模技术。对部件故障样本数据做出了服从威布尔分布的假设,并进行了检验;以其它风电场的故障样本数据为先验信息,为目标风电场的机组部件建立了经典可靠性模型、贝叶斯一般可靠性模型以及贝叶斯分层可靠性模型,并求解了模型参数;以可靠度函数置信区间的平均宽度等为衡量指标,讨论了故障数据样本量对各模型建模精度的影响。结果表明:相比于经典可靠性模型,贝叶斯一般可靠性模型或贝叶斯分层可靠性模型给出的形状参数分布更集中。在使用相同样本量时,前者建模精度低于后者。使用较大样本量时,贝叶斯分层可靠性模型给出的可靠度函数置信区间更窄。先验样本量较小时,宜采用贝叶斯一般可靠性模型,反之,宜采用贝叶斯分层可靠性模型。（3）研究并完善了风电机组部件的机会维修策略。综合考虑了多种机组状态、多种维修机会、多个维修阶段,总结了可选维修方式及其适用条件,建立了部件维修后的可靠度变化模型、细化的维修成本模型、连续集成的成本优化模型,给出了策略实施流程。通过对比不同策略在风电机组部件上的应用实例,得出了以下结论:机会维修策略能显着降低风电机组部件的总维修次数及总维修成本,考虑的因素越全面,降低的效果越明显。此外,为各部件设置单独的维修可靠度阈值,能够实现维修成本的进一步降低。（4）研究并探索了以可靠性为中心的海上风电机组机会维修策略。总结了海上风电机组及其维护作业的特点,统计了维护作业不可及状态,分析了不可及状态对维修活动的影响;运用改进的危害性分析方法,准确地区分了海上风电机组关键部件与非关键部件;建立了小故障样本条件下海上风电机组非关键部件的可靠性模型;在机会维修策略中综合考虑关键部件与非关键部件,最终形成了以可靠性为中心的海上风电机组机会维修策略。实例分析结果表明:浪高是限制出海维修活动的主要因素,风速是次要因素。在现行策略下,不可及状态产生了的额外电能损失占据了总电能损失的17.22%。相比于现行策略,以可靠性为中心的海上风电机组机会维修策略在处理维修不可及状态问题时更具优势,能够显着地降低各个部件维修成本、总维修次数以及总维修成本。
贾子文[8]（2020）在《风电机组运行状态监测与健康维护系统的研究》文中指出随着我国风电行业的迅速发展,风电装机容量逐年增加,风力发电已成为我国第三大电力来源。然而,伴随着大规模风电场的投产运行,老龄化和出质保机组占比不断上升,风电机组的高故障率和落后的运维管理水平导致风场设备运维资本投入逐年走高。如何保障风电机组安全运行,提高机组设备维护管理水平已成为风电行业亟待解决的问题。本文基于并网风电机组结构及工作原理等内容研究,深度剖析机组运行特性,开展了风电机组运行状态监测与健康维护方法和应用系统的研究。主要工作如下:首先,基于系统科学理论,深入研究风电机组故障发生及演化规律。在其指导下,从机组设备运行状态安全性角度、设备能源效率转化能力的经济性角度和设备性能可靠性角度,展开了对风电机组3大系统、42个典型故障模式机理问题的全面分析,明确了各故障模式与征兆间的映射关系。引入失效模式及影响分析（Failure Modeand Effects Analysis,FMEA）和故障树分析（Fault Tree Analysis,FTA）方法,对机组故障机理知识内容进行全面梳理与表述,形成了风电机组运行状态监测与健康维护知识体系。其次,基于风电机组故障机理分析,开展了机组状态指标分析与体系构建问题的研究。以综合评价理论为指导、风电机组结构及功能特点为技术支持,明确机组运行状态指标的选取原则与层次原则,进行了指标体系的初建,构建了机组设备与功能之间的对应关系。从设备运行安全性、经济性和可靠性角度全面分析机组运行状态指标特性,形成了“三维一体”的机组运行状态指标表征机制,明确了指标与设备功能的对应关系。提出基于对应分析的多块分析方法,从设备运行状态角度出发,展开了设备运行指标之间的关联分析,明确了指标与设备的对应关系,完善指标体系内容,完成“指标-设备-功能”三者关联的机组运行状态指标体系的搭建。接着,针对目前故障智能诊断方法存在状态估计不准确、模型结构复杂等问题,提出了以多元信息为主导,指标体系为支撑的多同质、异质模型有机结合的复合网络诊断模型。（1）从网络结构上,多层、多级的拓扑结构形成了“由整体到局部”的解析路径,将机组复杂故障问题逐层分解,降低故障整体分析难度,简化网络结构,提高模型分析效率与可行性。（2）从模型功能上,复合网络模型包含数据预处理、特征提取、故障预警和诊断等与状态分析相关内容,形成了系统化的诊断流程。（3）从分析可信度上,复合网络在预警环节提出因子分析改进的层级NSET分析方法（FA-HNSET）,通过数据指标特性对设备运行状态表征程度的分析,合理筛选多元化的预警样本,以提升样本数据特征及预警精度。诊断环节提出ETA-FPN多重网络模型,建立了顶层故障事件推理同局部故障征兆推理相融合的双层推理机制,并通过改进信息熵方法对模型网络节点信息进行全面解析,合理构建网络结构,实现了对机组故障事件的时序性和关联性描述,保证诊断结果的准确性。（4）从分析效果上,复合网络系统化、流程化的诊断策略可为机组故障诊断结果提供完整的证据链条,在实现机组故障全面描述的同时,为机组健康维护提供关键信息支持。再次,进行了风电机组健康维护问题的全面研究。（1）采用模糊评判方法,对机组进行层级健康评价,通过评价结果确定制定维护决策的必要性。（2）通过ARMA模型,对机组设备运行状态进行合理演绎,预测故障劣化趋势,准确锁定维护作业时刻,保证设备维护的有效性。（3）以FMEA与FTA理论方法为指导,通过统计分析确定故障模式及具体故障设备的维修顺序,并运用逻辑决策图分析与故障底事件性质划分方法,确定具体故障事件的维修方式,完成机组设备健康维护具体工作的制定,提高机组维护工作的针对性。最后,将风电机组运行状态监测与健康维护技术框架应用于工程实践。依托国华沧州风电场1.5MW陆上风电机组,开展了机组运行状态监测与健康维护系统的研究工作。采用MySQL关系数据库,基于B/S构架模式设计并开发了 1.5MW风电机组运行状态监测与健康维护系统,以推进论文研究工作的成果转化和工程应用。
翟文睿[9]（2020）在《采煤机性能退化评估研究》文中指出工业物联网及智能传感技术的发展,促使煤矿行业朝着数字矿山、智能矿山的方向发展,许多的煤矿机械设备都装配了实时监测设备状态的传感器。虽然煤矿机械设备传感器带来了大量的实时监测数据,但目前大多数煤矿仍采用传统的机械维护方式进行煤矿机械设备的维护,这意味着实际煤矿生产中传感器带来的大量数据并未得到较好的应用。因此,如何利用好大量的数据,将其转化为辅助煤矿生产及设备维护的有效信息,得到设备性能退化的趋势具有重要的研究意义。本文以采煤机为研究对象,为利用各类传感器数据实现采煤机性能退化趋势的准确预测,在选取合理工况监测参数和性能退化参数的基础上,结合极限学习机和高斯混合模型、相对熵等方法度量不同工况下采煤机的性能退化程度,从而得到了采煤机的性能退化趋势,实现了将大量传感器数据转化为性能退化程度的目的,主要研究内容如下:（1）本文总结出进行采煤机工况监测和性能退化评估的相关指标。首先,从结构、作用、故障现状等几个方面对采煤机的故障及维修现状进行分析,得到了区分采煤机不同工况的指标,同时为后文采煤机工况监测参数的选取提供了依据;然后,结合煤矿实际生产情况,总结出能反映采煤机性能退化程度的可监测指标作为性能监测参数并验证了所选参数的合理性。（2）为更准确地表示采煤机不同部件性能退化评估的情况,找到一种进行采煤机性能退化评估的方法。首先,提出运用极限学习机对采煤机工况进行识别的方法,并在不同工况下建立了相应的高斯混合模型。在此基础上,利用相对熵来度量性能退化的程度,从而得到了采煤机的性能退化趋势,借此建立了一套实现采煤机性能退化趋势评估的完整模型。（3）选择采煤机故障发生率最高的截割部作为分析实例,对其进行性能退化的评估。在前文分析的基础上结合截割部的特点,选取了区分截割部工况的四种工况监测参数和六个有代表性的性能监测参数;经过数据标准化、工况模型训练、性能数据降维、工况识别、不同工况高斯模型训练和比较等几个步骤,得到了采煤机截割部的性能退化趋势图,并根据趋势图找出性能退化的三种典型阶段,提出了相应的智能维护策略。该论文有图17幅,表10个,参考文献85篇。
陈宝通[10]（2020）在《面向个性化定制的智能生产线预防性维护研究》文中进行了进一步梳理智能生产线通过物联感知和网络协同技术,实现信息物理深度融合。其特征是制造设备高度互联、制造数据深度集成与产线动态重构,以满足多品种、小批量、个性化定制产品的混流生产要求。个性化定制生产模式下,智能生产线对设备可靠性、运行稳定性与生产适应性等提出了更高要求,常规的被动运维模式已不能满足智能生产线的复杂运维需求。本文聚焦于智能生产线预防性维护的关键技术研究,以保证个性化定制生产线效率与设备利用率为前提,对设备的劣化状态进行早期评估,通过可重构预防性维护避免生产线意外停机造成的生产中断,旨在实现生产过程的自主感知、状态评估、自适应运行及负载均衡。本文的研究工作可以具体地概括为以下五点:（1）探讨了设备信息物理深度融合为基础的智能生产线预防性维护系统架构。在智能生产线设备信息传输方面,实现了基于OPC UA的信息传输,Machine to Machine通信,软件定义工业异构网络;在多源异构传感数据深度融合方面,提出了边缘计算使能的数据融合方法与边-云合作的数据融合机制。架构涵盖了基于心电机理的设备运行状态监测方法与深度的设备健康状况评估理论,实时反馈设备亟需的运维情况。为保障智能生产线稳定运行,提出了面向个性化定制生产线的可重构运维机制,以实现生产过程自适应管控的系统运维。（2）基于设备动作时长的细粒度划分,将设备作业状态下的节拍类比为人类的心脏跳动,以设备心电图（equipment electrocardiogram,EECG）的方式揭示设备的性能衰退过程。阐明了设备心电图的构建机理,涵盖工序的细粒度划分方法,时序周期的动态匹配方法,基线、公差、Hotspot等重要工作特征的确定方法。基于设备心电机理,分别提出了生产线节拍优化方法和设备性能衰退的在线监测方法。在智能生产线上对智能设备心电图的性能进行了测试,结果表明智能心电机理能够很好地支持智能设备心电图的实施,智能生产线设备心电（Automatic Production Line EECG,APL-EECG）系统能够实时监测设备作业状态,为设备的维护提供科学指导。（3）基于时间序列设备传感数据,提出了深度的设备性能预测方法。引入流行的机器学习框架—Tensor Flow,搭建了Tensor Flow使能的深度学习模型架构;利用Keras搭建了汽车装配生产线的小台车气缸可靠性分析的深度神经网络模型,并阐述了其中关键的实现技术;进一步地制定了气缸工作性能评估策略,预测准确率达到工业应用标准。研究发现在不完全观测丰富数据集的环境下,运用深度神经网络能够实现“弱关联”多源异构设备传感数据的分析。（4）基于领域本体的形式化语义模型,构建了面向预防性维护的可重构运维方法。首先,根据对智能生产线制造资源与生产过程的系统分析,利用领域本体方法构建生产线形式化语义模型,以一种语义网结构对生产线的制造资源进行抽象化与统一描述;其次,利用数据驱动的语义模型促进了生产线信息物理资源的动态融合,为生产线状态感知与自组织重构等提供基础模型,进一步构建了基于多智能系统的智能生产线自组织自适应运行机制;最后,面向预知的设备状态衰退与性能失衡,构建路径动态规划与任务切换的可重构方法,实现混流产线的不停机动态重构。（5）针对智能生产线设备集群自组织自适应作业过程中的负载不均衡现象,探究了基于边缘计算理念的智能生产线可重构运维方法,制定基于能量感知的负载均衡与调度（Energy-aware Load Balance and Scheduling,ELBS）策略。具体地,在边缘节点建立工作负载相关的能耗模型,相应地确立以作业集群负载均衡为目标的优化函数;利用改进的粒子群算法求得优化解,对任务相关的作业集群进行任务优先级排序;采用Multi-agent系统对车间作业集群进行分布式的优化调度。结果表明,在多批量个性化定制糖果的包装产线上,在考虑能耗和工作负载的情况下,该策略实现了混流生产作业机器人的负载均衡和优化运行。综上所述,以底层信息交互为基础,提出了由单机设备到集群设备的自下而上的可重构运维方法,实现了涵盖产线自主感知、状态监测、预防维护与负载均衡等的关键运维技术,为个性化定制生产线的预防性维护关键点提供技术支撑与理论依据。
二、机械设备故障规律及状态管理和监测方法（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、机械设备故障规律及状态管理和监测方法（论文提纲范文）
（1）动车组牵引电机故障预测与健康管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.2 研究背景 |
| 1.1.3 研究意义 |
| 1.2 国内外研究状况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要工作 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.3.3 技术路线 |
| 2 动车组牵引电机PHM方案设计 |
| 2.1 PHM技术 |
| 2.1.1 PHM技术的概念与内涵 |
| 2.1.2 PHM的体系结构 |
| 2.2 故障预测技术 |
| 2.2.1 基于传统可靠性理论的预测技术 |
| 2.2.2 基于数据驱动的预测技术 |
| 2.2.3 基于模型的预测技术 |
| 2.2.4 基于失效物理的预测技术 |
| 2.3 动车组牵引电机PHM系统构架设计 |
| 2.3.1 动车组牵引电机PHM系统整体构架设计 |
| 2.3.2 车载PHM系统 |
| 2.3.3 车地数据传输系统 |
| 2.3.4 地面PHM系统 |
| 2.4 本章小结 |
| 3 动车组牵引电机失效分析及HSMM建模 |
| 3.1 CRH5 型动车组牵引电机 |
| 3.1.1 动车组牵引电机基本组成 |
| 3.1.2 动车组牵引电机常见故障及机理分析 |
| 3.2 牵引电机故障演化分析及健康状态划分 |
| 3.3 隐半马尔科夫模型 |
| 3.3.1 马尔科夫链及其类型 |
| 3.3.2 HMM 模型和HSMM 模型 |
| 3.4 隐半马尔科夫模型的基本算法 |
| 3.4.1 基本问题 |
| 3.4.2 Forward-backward算法 |
| 3.4.3 Viterbi算法 |
| 3.4.4 Baum-Welch算法 |
| 3.5 基于退化状态的牵引电机HSMM建模 |
| 3.6 本章小结 |
| 4 基于HSMM的状态评估与寿命预测方法的改进研究 |
| 4.1 冗余属性投影的基本原理 |
| 4.1.1 投影变换 |
| 4.1.2 品质因子 |
| 4.2 投影矩阵的基本算法 |
| 4.3 基于粒子群算法的HSMM参数估计 |
| 4.3.1 粒子群算法 |
| 4.3.2 HSMM参数估计 |
| 4.3.3 HSMM参数估计优化设计 |
| 4.4 本章小结 |
| 5 牵引电机的退化状态识别与剩余寿命预测 |
| 5.1 牵引电机运维数据梳理 |
| 5.2 数据预处理 |
| 5.2.1 数据清洗 |
| 5.2.2 数据集成 |
| 5.2.3 数据归约 |
| 5.2.4 数据归一化 |
| 5.3 基于HSMM的牵引电机故障预测框架 |
| 5.4 牵引电机退化状态评估 |
| 5.4.1 初始化HSMM模型参数 |
| 5.4.2 基于PSO的 HSMM模型的训练 |
| 5.4.3 牵引电机状态评估 |
| 5.5 牵引电机剩余寿命预测 |
| 5.5.1 HSMM粒子适应度值和剩余寿命预测 |
| 5.5.2 全生命HSMM预测模型训练 |
| 5.5.3 剩余使用寿命预测 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（2）风力机高速轴轴承状态退化评估与剩余寿命预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 风力机的主要故障模式 |
| 1.1.2 风力机轴承 |
| 1.2 状态退化评估与剩余寿命预测国内外研究现状 |
| 1.2.1 风力机状态退化评估国内外研究现状 |
| 1.2.2 轴承状态退化评估国内外研究现状 |
| 1.2.3 轴承剩余寿命预测国内外研究现状 |
| 1.3 风力机轴承状态退化评估与剩余寿命预测存在的问题 |
| 1.4 本文研究意义 |
| 1.5 本文研究内容 |
| 第2章 风力机轴承的状态退化评估与性能趋势预测 |
| 2.1 引言 |
| 2.2 基于VMD-SVM的滚动轴承状态退化识别 |
| 2.2.1 相关理论简介 |
| 2.2.2 VMD的最优分解层数和敏感分量确定 |
| 2.2.3 状态退化特征选择 |
| 2.2.4 基于VMD-SVM的状态退化识别模型 |
| 2.2.5 实验验证与结果分析 |
| 2.3 基于AFCM-SVM的滚动轴承状态退化评估 |
| 2.3.1 基于SVM的滚动轴承渐进退化过程描述 |
| 2.3.2 敏感特征提取 |
| 2.3.3 最佳状态数的确定 |
| 2.3.4 退化评估框架构建 |
| 2.3.5 实验验证与结果分析 |
| 2.4 基于改进LSTM的滚动轴承性能趋势预测 |
| 2.4.1 LSTM理论与预测方法 |
| 2.4.2 参数实时更新的LSTM预测模型 |
| 2.4.3 滚动轴承性能趋势预测流程 |
| 2.4.4 实验验证与结果分析 |
| 2.5 风力机高速轴轴承状态退化评估与预测 |
| 2.5.1 数据描述 |
| 2.5.2 状态退化评估 |
| 2.5.3 性能趋势预测 |
| 2.6 本章小结 |
| 第3章 基于可迁移特征的智能故障诊断方法 |
| 3.1 引言 |
| 3.2 跨机器故障诊断问题描述 |
| 3.2.1 迁移学习诊断思想 |
| 3.2.2 最大均值差异 |
| 3.3 领域自适应方法研究 |
| 3.3.1 动态领域适配 |
| 3.3.2 多核动态领域适配 |
| 3.4 基于可迁移特征的智能诊断模型构建 |
| 3.4.1 基于特征的迁移学习方法概述 |
| 3.4.2 深度迁移学习的网络体系结构 |
| 3.4.3 全连接层领域适配 |
| 3.4.4 网络训练策略 |
| 3.5 从实验室轴承到风力机轴承的迁移学习故障诊断实例 |
| 3.5.1 数据获取及描述 |
| 3.5.2 案例1:迁移任务CWRU轴承数据集→风力机轴承数据集 |
| 3.5.3 案例2:迁移任务QPZZ-Ⅱ轴承数据集→风力机轴承数据集 |
| 3.5.4 噪声环境下的迁移性能 |
| 3.6 分析与讨论 |
| 3.7 本章小结 |
| 第4章 风力机轴承早期退化检测方法 |
| 4.1 引言 |
| 4.2 变分模态分解及优化 |
| 4.2.1 VMD理论基础 |
| 4.2.2 灰狼优化算法 |
| 4.3 基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测 |
| 4.3.1 自适应变分模态分解 |
| 4.3.2 有效加权稀疏峭度指标 |
| 4.3.3 包络谐噪比 |
| 4.3.4 AVMD-EHNR方法的实现过程 |
| 4.3.5 仿真验证 |
| 4.4 基于AVMD-EHNR的滚动轴承早期退化检测方法案例分析 |
| 4.4.1 滚动轴承全寿命实验数据 |
| 4.4.2 振动信号预处理 |
| 4.4.3 早期退化异常点检测 |
| 4.5 风力机高速轴轴承早期退化检测 |
| 4.5.1 风力机高速轴轴承信号采集实验 |
| 4.5.2 早期退化检测 |
| 4.6 本章小结 |
| 第5章 单源振动信号下的风力机轴承剩余寿命预测 |
| 5.1 引言 |
| 5.2 实时非线性状态跟踪方法探究 |
| 5.2.1 粒子滤波 |
| 5.2.2 无迹粒子滤波 |
| 5.3 基于包络谐噪比和无迹粒子滤波的剩余寿命预测方法 |
| 5.3.1 预测流程概述 |
| 5.3.2 早期退化检测 |
| 5.3.3 退化指标提取 |
| 5.3.4 退化模型选取 |
| 5.3.5 剩余寿命预测 |
| 5.4 风力机发电机前轴承剩余寿命预测实例 |
| 5.4.1 信号采集实验 |
| 5.4.2 剩余寿命预测与对比分析 |
| 5.5 本章小结 |
| 第6章 多源信息融合的风力机轴承剩余寿命预测 |
| 6.1 引言 |
| 6.2 风力机可靠性分析方法 |
| 6.2.1 风力机可靠性监测系统 |
| 6.2.2 威布尔比例风险模型 |
| 6.3 广义对数线性威布尔预测模型 |
| 6.3.1 基本理论 |
| 6.3.2 性能评价指标 |
| 6.4 振动信号与温度信号的特征提取方法 |
| 6.4.1 振动特征提取方法 |
| 6.4.2 温度趋势分析 |
| 6.4.3 振温信号的模糊化处理 |
| 6.5 振温信号协同的GLL-WEIBULL模型剩余寿命预测方法 |
| 6.5.1 预测流程 |
| 6.5.2 实例验证 |
| 6.6 风力机轴承剩余寿命预测实例 |
| 6.6.1 测试数据描述 |
| 6.6.2 结果分析与讨论 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）基于工况逼近的在役风电叶片故障预测与健康管理方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在役叶片性能状态的实时监测 |
| 1.2.2 在役叶片的PHM方法 |
| 1.3 研究内容和技术路线 |
| 1.4 本文创新点 |
| 1.5 论文结构 |
| 第2章 基于工况逼近实验的抗弯刚度退化规律分析 |
| 2.1 引言 |
| 2.2 抗弯刚度 |
| 2.2.1 抗弯刚度的定义 |
| 2.2.2 实验叶片抗弯刚度检测方法 |
| 2.2.3 在役叶片抗弯刚度检测方法 |
| 2.3 实验对象及装置介绍 |
| 2.4 实验1:疲劳载荷下的刚度退化规律 |
| 2.4.1 实验方案 |
| 2.4.2 实验结果 |
| 2.5 实验2:温度对抗弯刚度检测值的影响规律 |
| 2.5.1 实验方案 |
| 2.5.2 实验结果 |
| 2.5.3 温度对抗弯刚度检测值的影响在工程中的体现 |
| 2.5.4 抗弯刚度退化曲线的一次修正 |
| 2.6 实验3:温度对抗弯刚度退化速率的影响规律 |
| 2.6.1 实验方案 |
| 2.6.2 实验结果 |
| 2.6.3 温度对抗弯刚度退化速率的影响在工程中的体现 |
| 2.6.4 抗弯刚度退化曲线的二次修正 |
| 2.6.5 在役叶片抗弯刚度退化分析 |
| 2.7 实验4:低速冲击载荷下的抗弯刚度退化规律 |
| 2.7.1 风速突变量的定义 |
| 2.7.2 低速冲击加载方案 |
| 2.7.3 实验结果 |
| 2.7.4 抗弯刚度退化曲线的三次修正 |
| 2.7.5 在役叶片抗弯刚度退化分析结果的优化 |
| 2.8 风速分布对抗弯刚度退化进程的影响规律 |
| 2.8.1 风速分布对3.5m截面抗弯刚度退化速率的影响 |
| 2.8.2 风速分布对7m截面抗弯刚度退化速率的影响 |
| 2.8.3 在役叶片抗弯刚度退化分析结果的再次优化 |
| 2.9 在役叶片抗弯刚度退化公式的建立 |
| 2.9.1 抗弯刚度监测中损伤计算方法 |
| 2.9.2 抗弯刚度预测中损伤计算方法 |
| 2.10 本章小结 |
| 第3章 基于工况逼近实验的抗裂韧度退化规律分析 |
| 3.1 引言 |
| 3.2 前后缘裂纹长度检测方法 |
| 3.2.1 实验叶片前后缘裂纹长度检测 |
| 3.2.2 在役叶片前后缘裂纹长度检测 |
| 3.3 弯矩下的裂纹形态变化规律 |
| 3.3.1 加载时的裂纹形态 |
| 3.3.2 闭合弯矩的定义 |
| 3.3.3 卸载时的裂纹形态 |
| 3.4 前后缘抗裂韧度的定义和标定 |
| 3.4.1 抗裂韧度的定义 |
| 3.4.2 抗裂韧度的静载标定 |
| 3.5 实验1:疲劳载荷下的抗裂韧度退化规律 |
| 3.6 实验2:温度对抗裂韧度检测值的影响规律 |
| 3.6.1 实验方案 |
| 3.6.2 实验结果 |
| 3.6.3 抗裂韧度退化曲线一次修正 |
| 3.7 实验3:温度对抗裂韧度退化速率的影响规律 |
| 3.7.1 实验方案 |
| 3.7.2 实验结果 |
| 3.7.3 抗裂韧度退化曲线的二次修正 |
| 3.7.4 在役叶片抗裂韧度退化分析 |
| 3.8 实验4:拉裂载荷下的裂纹损伤规律 |
| 3.8.1 加载方案 |
| 3.8.2 实验结果 |
| 3.8.3 在役叶片抗裂韧度退化二次分析 |
| 3.9 抗裂韧度退化公式的建立 |
| 3.9.1 抗裂韧度监测中损伤计算方法 |
| 3.9.2 抗裂韧度预测中损伤计算方法 |
| 3.10 本章小结 |
| 第4章 基于灰色关联度的多权重模式健康评估方法 |
| 4.1 引言 |
| 4.2 基于GR的多权重模式健康度模型 |
| 4.2.1 指标权重的确定 |
| 4.2.2 多权重模式健康度定义 |
| 4.3 算例1:65kW在役叶片健康评估与健康趋势预测 |
| 4.3.1 当前时刻健康评估 |
| 4.3.2 24h健康趋势预测 |
| 4.3.3 一年内健康趋势预测 |
| 4.3.4 长期健康趋势预测 |
| 4.4 剩余健康寿命预测 |
| 4.5 算例2:65kW在役叶片RHL预测 |
| 4.6 本章小结 |
| 第5章 基于点火路线的故障识别与预测方法 |
| 5.1 引言 |
| 5.2 故障点火路线 |
| 5.2.1 故障模式及其监测 |
| 5.2.2 故障等级划分 |
| 5.2.3 故障字典编制 |
| 5.2.4 故障点火路线图的构造 |
| 5.3 基于点火路线的故障识别 |
| 5.3.1 故障识别流程 |
| 5.3.2 算例1:65kW在役叶片故障识别 |
| 5.4 基于LA的10min风速预测和故障识别 |
| 5.4.1 风速特征分析 |
| 5.4.2 平均相对误差 |
| 5.4.3 基于LA模型的10min风速预测流程 |
| 5.4.4 算例2:10min风速预测效果验证及故障预测 |
| 5.5 基于MP的24h故障趋势预测模型 |
| 5.5.1 状态转移概率矩阵的构建 |
| 5.5.2 状态转移概率的计算 |
| 5.5.3 算例3:65kW在役叶片24h故障预测 |
| 5.6 基于风速统计的长期故障预测方法 |
| 5.6.1 方法介绍 |
| 5.6.2 算例4:65kW在役叶片长期故障预测 |
| 5.7 剩余使用寿命预测 |
| 5.8 本章小结 |
| 第6章 基于AHP-F的健康管理决策方法 |
| 6.1 引言 |
| 6.2 健康管理备选策略 |
| 6.3 健康管理决策指标及其量化规则 |
| 6.4 基于AHP-F的健康管理决策模型 |
| 6.4.1 建立健康管理决策的AHP模型 |
| 6.4.2 构造判断矩阵 |
| 6.4.3 构造权重向量 |
| 6.4.4 构造隶属度矩阵 |
| 6.4.5 构造模糊决策向量 |
| 6.4.6 算例:65kW在役叶片健康管理决策 |
| 6.5 基于Lab VIEW的在役叶片健康管理界面设计 |
| 6.5.1 关键技术问题及解决方案 |
| 6.5.2 界面设计 |
| 6.5.3 PHM报告 |
| 6.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的科研成果 |
| 附录 B 攻读学位期间参加科研项目 |
（4）高铁列控车载系统设备剩余有效寿命预测与健康管理方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 车载系统故障处置及日常维修现状 |
| 1.2.1 现有故障数据类型 |
| 1.2.2 故障预测及寿命分析现状 |
| 1.2.3 车载系统日常维修计划 |
| 1.3 PHM及研究现状 |
| 1.3.1 PHM |
| 1.3.2 状态监测方法 |
| 1.3.3 故障诊断算法 |
| 1.3.4 剩余有效寿命预测算法 |
| 1.3.5 视情维修 |
| 1.4 车载系统PHM应用中存在的问题 |
| 1.4.1 存在的主要问题 |
| 1.4.2 论文的研究思路 |
| 1.5 论文主要内容及创新点 |
| 1.5.1 论文内容及组织结构 |
| 1.5.2 论文创新点 |
| 2 基于多层流模型的功能性失效模式及影响分析方法 |
| 2.1 问题描述 |
| 2.2 传统失效模式及影响分析 |
| 2.3 车载系统MFM功能模型 |
| 2.3.1 功能区域划分 |
| 2.3.2 MFM功能模型 |
| 2.3.3 车载系统MFM功能模型 |
| 2.4 基于MFM的车载系统FFMEA |
| 2.4.1 应答器信息接收单元 |
| 2.4.2 测速测距单元 |
| 2.4.3 轨道电路信息接收单元 |
| 2.4.4 紧急制动输出单元 |
| 2.4.5 无线信息接收单元 |
| 2.5 基于HMM的部件级失效模式确定 |
| 2.5.1 数据获取 |
| 2.5.2 HMM |
| 2.5.3 部件级失效模式确定 |
| 2.5.4 对比验证 |
| 2.6 基于DBN的功能单元级失效模式推理 |
| 2.6.1 DBN |
| 2.6.2 车载系统DBN模型构建 |
| 2.6.3 功能单元级失效模式推理 |
| 2.6.4 对比验证 |
| 2.7 RPN计算及典型功能单元确定 |
| 2.8 本章小结 |
| 3 多组件多失效机理下的部件级剩余有效寿命预测方法 |
| 3.1 问题描述 |
| 3.2 剩余有效寿命定义 |
| 3.2.1 主要失效模式 |
| 3.2.2 多电路板关系下的剩余有效寿命定义 |
| 3.3 等效系统构建 |
| 3.3.1 前提假设 |
| 3.3.2 等效系统 |
| 3.4 多组件多失效机理下的失效物理模型 |
| 3.4.1 电解电容 |
| 3.4.2 MOSFET |
| 3.4.3 电感 |
| 3.4.4 二极管 |
| 3.4.5 焊点疲劳 |
| 3.5 基于板卡级失效物理模型的部件级剩余有效寿命预测 |
| 3.6 本章小结 |
| 4 多源信息权重分配下的部件级剩余有效寿命预测方法 |
| 4.1 问题描述 |
| 4.2 失效模式机理和影响分析 |
| 4.2.1 失效模式 |
| 4.2.2 失效致因 |
| 4.2.3 失效机理 |
| 4.2.4 失效影响 |
| 4.3 基于ANSYS的仿真加速寿命试验 |
| 4.3.1 模型建立 |
| 4.3.2 负荷加载 |
| 4.3.3 加速试验 |
| 4.3.4 仿真数据 |
| 4.4 基于PF的剩余有效寿命预测 |
| 4.4.1 失效物理模型 |
| 4.4.2 参数估计算法 |
| 4.4.3 PF算法 |
| 4.5 基于FNN的剩余有效寿命预测 |
| 4.5.1 数据驱动算法 |
| 4.5.2 FNN算法 |
| 4.6 PF和FNN算法融合的的剩余有效寿命预测 |
| 4.6.1 两类方法比较 |
| 4.6.2 PF和FNN融合算法 |
| 4.7 本章小结 |
| 5 多部件制约关系多失效模式下的视情维修决策方法 |
| 5.1 问题描述 |
| 5.2 部件级剩余有效寿命预测 |
| 5.2.1 调谐电容 |
| 5.2.2 CAU |
| 5.3 功能单元级剩余有效寿命预测 |
| 5.3.1 功能单元级模型 |
| 5.3.2 剩余有效寿命预测 |
| 5.4 系统级剩余有效寿命预测 |
| 5.4.1 系统级模型 |
| 5.4.2 剩余有效寿命预测 |
| 5.5 典型功能单元内部件依赖关系 |
| 5.5.1 部件依赖关系 |
| 5.5.2 经济依赖 |
| 5.5.3 资源依赖 |
| 5.6 典型功能单元的视情维修模型 |
| 5.6.1 成本时间函数 |
| 5.6.2 最优维修策略 |
| 5.7 本章小结 |
| 6 车载系统剩余有效寿命预测与健康管理方法应用验证 |
| 6.1 问题描述 |
| 6.2 BTM剩余有效寿命预测实例 |
| 6.2.1 中部典型地区多失效机理下的预测 |
| 6.2.2 北部典型地区多失效机理下的预测 |
| 6.2.3 南部典型地区多失效机理下的预测 |
| 6.3 D电缆剩余有效寿命预测实例 |
| 6.3.1 中部典型地区最优权重分配下的预测 |
| 6.3.2 北部典型地区最优权重分配下的预测 |
| 6.3.3 南部典型地区最优权重分配下的预测 |
| 6.4 视情维修决策实例 |
| 6.4.1 中部典型地区单次运行周期2h线路的决策 |
| 6.4.2 北部典型地区单次运行周期4h线路的决策 |
| 6.4.3 南部典型地区单次运行周期4h线路的决策 |
| 6.5 本章小结 |
| 7 总结展望 |
| 7.1 工作总结 |
| 7.2 工作创新 |
| 7.3 未来展望 |
| 参考文献 |
| 索引 |
| 作者简历及其在攻读博士期间发表的学术论文 |
| 学位论文数据集 |
（5）基于深度小世界神经网络的风机变工况变桨故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动的风机故障诊断方法研究现状 |
| 1.2.2 风机特征提取方法研究现状 |
| 1.2.3 风机故障分类方法研究现状 |
| 1.3 小世界神经网络及其应用研究现状 |
| 1.3.1 小世界网络简介 |
| 1.3.2 小世界优化算法研究现状 |
| 1.3.3 小世界神经网络研究现状 |
| 1.4 现状分析与总结 |
| 1.5 本文的主要内容及结构 |
| 2 变桨故障在变工况状态下的特性分析 |
| 2.1 引言 |
| 2.2 风电机组基础理论 |
| 2.2.1 风电机组结构 |
| 2.2.2 风机SCADA系统结构 |
| 2.3 变桨系统 |
| 2.3.1 变桨系统结构 |
| 2.3.2 变桨系统的变工况运行特性 |
| 2.3.3 变桨故障及其机理分析 |
| 2.4 变桨故障在多变工况中的统计分析 |
| 2.4.1 变桨故障统计 |
| 2.4.2 单日变桨故障示例 |
| 2.4.3 变桨故障在变运行工况中的分布规律 |
| 2.4.4 风速跳跃值概念 |
| 2.4.5 变桨故障与风速跳跃值的关联分析 |
| 2.4.6 变桨故障规律成因讨论 |
| 2.5 本章小结 |
| 3 基于自适应邻域粗糙互信息熵的风机变工况参数特征选择 |
| 3.1 引言 |
| 3.2 变桨系统相关参数分析 |
| 3.3 基于自适应邻域粗糙互信息熵模型的特征选择方法 |
| 3.3.1 邻域粗糙集模型 |
| 3.3.2 自适应邻域粗糙模型构建 |
| 3.3.3 基于自适应邻域粗糙互信息熵的特征选择算法 |
| 3.4 实验研究 |
| 3.4.1 实验设计 |
| 3.4.2 ANRMIE特征选择结果分析 |
| 3.4.3 不同分类器的特征选择结果对比 |
| 3.5 本章小结 |
| 4 深度小世界神经网络理论研究 |
| 4.1 引言 |
| 4.2 深度小世界神经网络(DSWNN网络) |
| 4.2.1 DSWNN网络结构 |
| 4.2.2 DSWNN网络预训练 |
| 4.2.3 DSWNN网络的小世界转换 |
| 4.2.4 DSWNN网络参数微调 |
| 4.3 DSWNN模型描述 |
| 4.3.1 加边网络模型构建 |
| 4.3.2 拓扑结构分析 |
| 4.3.3 网络描述 |
| 4.3.4 网络公式推导 |
| 4.4 DSWNN加边权值初始化策略 |
| 4.5 DSWNN网络的小世界特性分析 |
| 4.6 本章小结 |
| 5 基于深度小世界神经网络的变桨故障诊断方法研究 |
| 5.1 引言 |
| 5.2 考虑多变量时空关联的SL-DSWNN学习方法 |
| 5.2.1 多变量动态滑窗处理 |
| 5.2.2 小尺度滤波 |
| 5.2.3 DSWNN模型训练 |
| 5.3 基于SL-DSWNN的变桨故障诊断方法 |
| 5.4 风机FAST仿真实验 |
| 5.4.1 FAST系统模型构建 |
| 5.4.2 性能指标 |
| 5.4.3 参数讨论 |
| 5.4.4 故障诊断结果分析 |
| 5.5 实测数据验证 |
| 5.5.1 实验数据样本集构建 |
| 5.5.2 变桨故障分类性能对比 |
| 5.5.3 特征学习能力对比 |
| 5.6 本章小结 |
| 6 基于动态选择集成的变工况变桨故障诊断 |
| 6.1 引言 |
| 6.2 选择集成基础理论 |
| 6.3 变工况下的多模型动态选择集成故障诊断策略 |
| 6.3.1 考虑风速跳跃值的多风速区间训练集构建 |
| 6.3.2 多拓扑结构的DSWNN子分类器构建与训练 |
| 6.3.3 基于全局相关系数的动态子分类器选择 |
| 6.3.4 基于加权概率融合的在线故障分类 |
| 6.4 变工况下变桨故障分类实验分析 |
| 6.4.1 实验数据样本集构建 |
| 6.4.2 变工况下多个DSWNN子分类器训练 |
| 6.4.3 动态选择结果分析 |
| 6.4.4 变工况故障分类实验对比分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 A |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）高端数控机床服役过程可靠性评价与预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文选题背景 |
| 1.2 课题来源 |
| 1.3 数控机床可靠性指标体系 |
| 1.3.1 数控机床固有可靠性 |
| 1.3.2 数控机床运行可靠性 |
| 1.3.3 数控机床加工精度可靠性 |
| 1.4 国内外研究现状 |
| 1.4.1 数控机床可靠性研究现状 |
| 1.4.2 寿命预测研究现状 |
| 1.4.3 数控机床精度评价研究现状 |
| 1.4.4 数控机床维修策略研究现状 |
| 1.5 论文主要研究内容 |
| 1.5.1 综述总结与问题提出 |
| 1.5.2 本文主要内容 |
| 第2章 高端数控机床功能部件剩余寿命预测方法研究 |
| 2.1 引言 |
| 2.2 性能退化相关概念 |
| 2.3 电主轴/刀柄结合面性能退化建模 |
| 2.3.1 主轴/刀柄性能退化指标构建 |
| 2.3.2 电流损耗与刀柄性能退化分析 |
| 2.3.3 小波包降噪 |
| 2.4 融合RVM和改进幂函数的预测模型 |
| 2.4.1 小波包熵 |
| 2.4.2 相关向量机概述 |
| 2.4.3 回归模型及拟合性能评价 |
| 2.4.4 剩余寿命综合预测模型 |
| 2.5 实验验证 |
| 2.6 本章小结 |
| 第3章 基于S试件的高端数控机床运行可靠性评价 |
| 3.1 引言 |
| 3.2 基于S试件的机床运行精度分析 |
| 3.2.1 S试件的结构特点 |
| 3.2.2 数控机床的运动误差分析 |
| 3.3 数控机床结合面动特性研究 |
| 3.3.1 数控机床结合面性质 |
| 3.3.2 结合面研究概述 |
| 3.4 高端数控机床切削过程中动态性能评价 |
| 3.4.1 运行状态感知 |
| 3.4.2 基于CEEMDAN的特征提取 |
| 3.4.3 基于S试件的运行状态评价 |
| 3.5 实验验证 |
| 3.6 本章小结 |
| 第4章 基于多源信息数据数控机床综合可靠性评价 |
| 4.1 引言 |
| 4.2 高端数控装备的多源可靠性评价指标 |
| 4.2.1 基于故障时间的可靠性评价 |
| 4.2.2 基于运行状态的可靠性评价 |
| 4.2.3 基于加工质量的可靠性评价 |
| 4.3 高端数控装备多源信息融合评价体系 |
| 4.3.1 基于层次分析法的权重分配 |
| 4.3.2 基于故障数据的模糊可靠性评价 |
| 4.3.3 基于多源信息数控机床评价体系构建 |
| 4.3.4 实例验证 |
| 4.4 本章小结 |
| 第5章 基于贝叶斯网络生产线中数控机床可靠性评价 |
| 5.1 引言 |
| 5.2 航空结构柔性生产线可靠性评价模型 |
| 5.3 制造子系统信息融合及状态划分 |
| 5.4 构建多状态贝叶斯网络 |
| 5.5 实例验证 |
| 5.6 本章小结 |
| 第6章 基于寿命预测的维修策略研究 |
| 6.1 引言 |
| 6.2 维修保障与维修策略概述 |
| 6.2.1 维修决策模型 |
| 6.2.2 维修程度及优化决策 |
| 6.3 基于寿命预测的维修决策模型 |
| 6.3.1 视情维修相关研究 |
| 6.3.2 视情维修与定期维修的联合维修策略 |
| 6.3.3 基于维修时机和维修阈值的联合优化 |
| 6.4 蒙特卡罗仿真 |
| 6.5 实例验证 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 作者简介 |
| 详细摘要 |
（7）以可靠性为中心的风电机组机会维修策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电组织结构 |
| 1.2.2 可靠性分析研究现状 |
| 1.2.3 维修策略研究现状 |
| 1.2.4 设备故障危害性分析研究现状 |
| 1.2.5 研究现状小结 |
| 1.2.6 关键技术问题 |
| 1.3 论文研究内容 |
| 第2章 风电机组部件故障危害性分析 |
| 2.1 引言 |
| 2.2 常用危害性分析方法 |
| 2.2.1 危害性矩阵图法(CMA) |
| 2.2.2 风险优先数法(RPN) |
| 2.2.3 成本优先数法(CPN) |
| 2.2.4 常用危害性分析方法的缺点 |
| 2.3 基于故障向量空间的危害性分析方法 |
| 2.3.1 部件故障向量空间 |
| 2.3.2 基于故障向量空间的危害性分析 |
| 2.3.3 基于故障危害性的部件分类方法 |
| 2.4 基于逆序数的差异分析方法 |
| 2.5 应用实例一 |
| 2.5.1 数据来源 |
| 2.5.2 危害性分析结果 |
| 2.5.3 对比分析 |
| 2.6 应用实例二 |
| 2.6.1 数据来源 |
| 2.6.2 危害性分析结果 |
| 2.7 本章小结 |
| 第3章 小样本条件下的风电机组贝叶斯可靠性模型 |
| 3.1 引言 |
| 3.2 风电机组可靠性模型 |
| 3.2.1 经典可靠性模型 |
| 3.2.2 贝叶斯一般可靠性模型 |
| 3.2.3 贝叶斯分层可靠性模型 |
| 3.3 模型参数的求解 |
| 3.3.1 经典可靠性模型参数的求解 |
| 3.3.2 贝叶斯可靠性模型参数的求解 |
| 3.3.3 可靠性模型的建模精度 |
| 3.4 实例分析与讨论 |
| 3.4.1 数据来源 |
| 3.4.2 模型的建立与假设检验 |
| 3.4.3 参数求解结果 |
| 3.4.4 可靠度函数估计结果 |
| 3.4.5 样本量对可靠性建模精度的影响 |
| 3.5 本章小结 |
| 第4章 风电机组部件的机会维修策略 |
| 4.1 引言 |
| 4.2 风电机组部件的机会维修策略 |
| 4.2.1 机会维修策略的类别 |
| 4.2.2 维修可靠度阈值 |
| 4.2.3 维修方式的选择 |
| 4.2.4 机会维修策略的原理 |
| 4.2.5 考虑不完全维修的可靠度变化模型 |
| 4.2.6 基于可靠度的风电机组部件维修成本模型 |
| 4.3 策略实施流程 |
| 4.3.1 PROM策略及POM策略的实施流程 |
| 4.3.2 基于蒙特卡洛方法的OM策略实施流程 |
| 4.4 策略的优化 |
| 4.5 应用实例 |
| 4.5.1 数据来源 |
| 4.5.2 PROM策略的应用实例 |
| 4.5.3 POM策略的应用实例 |
| 4.5.4 OM策略的应用实例 |
| 4.5.5 不同机会维修策略的应用效果对比 |
| 4.6 本章小结 |
| 第5章 以可靠性为中心的海上风电机组机会维修策略 |
| 5.1 引言 |
| 5.2 海上风电概述 |
| 5.2.1 海上风电的发展 |
| 5.2.2 海上风电机组的特点 |
| 5.2.3 海上风电机组的运行维护 |
| 5.3 天气条件对海上风电维修活动的影响 |
| 5.3.1 海上天气条件带来的维修活动不可及状态 |
| 5.3.2 不可及状态对机组维修活动的影响 |
| 5.4 以可靠性为中心的海上风电机组机会维修策略 |
| 5.4.1 海上风电机组部件的故障危害性分析 |
| 5.4.2 海上风电机组部件的可靠性建模 |
| 5.4.3 海上风电机组部件的机会维修策略 |
| 5.5 本章小结 |
| 第6章 结论及展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 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 |
（8）风电机组运行状态监测与健康维护系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 我国风力发电行业发展现状 |
| 1.1.2 风电机组运行状态监测与健康维护面临的挑战 |
| 1.1.3 风电机组运行状态监测与健康维护面临的机遇 |
| 1.2 课题研究目的及意义 |
| 1.2.1 发电设备运行状态监测与健康维护的内涵 |
| 1.2.2 风电机组运行状态监测与健康维护系统研究的目的及意义 |
| 1.3 课题理论与技术国内外研究现状 |
| 1.3.1 风电机组运行状态分析的研究现状 |
| 1.3.2 风电机组运行状态监测的研究现状 |
| 1.3.3 风电机组设备健康维护的研究现状 |
| 1.4 风电机组运行状态监测与健康维护应用研究 |
| 1.4.1 风电机组500小时运行考核试验 |
| 1.4.2 风电机组运行状态监测与健康维护系统 |
| 1.5 本文主要研究内容及结构安排 |
| 第2章 风电机组运行状态分析与知识表述 |
| 2.1 引言 |
| 2.2 系统科学背景下的运行状态分析 |
| 2.3 风电机组典型故障模式分析 |
| 2.3.1 风能捕捉系统典型故障分析 |
| 2.3.2 传动系统典型故障分析 |
| 2.3.3 发电机系统典型故障分析 |
| 2.4 机组运行状态知识表述 |
| 2.4.1 基于故障树分析的风电机组故障知识表述方法 |
| 2.4.2 基于失效模式及影响分析的风电机组故障知识表述方法 |
| 2.5 本章小结 |
| 第3章 风电机组运行状态指标分析与体系构建 |
| 3.1 引言 |
| 3.2 风电机组运行状态指标体系初建 |
| 3.3 风电机组运行状态指标选取与分析 |
| 3.3.1 安全性指标 |
| 3.3.2 经济性指标 |
| 3.3.3 可靠性指标 |
| 3.4 基于对应分析的多块方法下的指标体系确立 |
| 3.4.1 基于对应分析的多块划分方法 |
| 3.4.2 机组指标体系确立 |
| 3.5 本章小结 |
| 第4章 风电机组运行状态监测与诊断方法研究 |
| 4.1 引言 |
| 4.2 机组故障诊断复合网络拓扑结构及功能描述 |
| 4.3 风电机组运行数据预处理与特征提取 |
| 4.3.1 风电机组振动信号预处理 |
| 4.3.2 基于数学形态学的无量纲趋势整理 |
| 4.3.3 t-s曲线趋势特征提取 |
| 4.3.4 实例分析 |
| 4.4 基于因子分析改进层级NSET方法的机组故障预警模型 |
| 4.4.1 层级NSET方法原理 |
| 4.4.2 残差统计分析 |
| 4.4.3 基于因子分析改进的层级NSET模型 |
| 4.4.4 实例分析 |
| 4.5 ETA-FPN多重网络机组故障诊断模型 |
| 4.5.1 ETA-FPN的定义 |
| 4.5.2 ETA-FPN层级结构与推理分析 |
| 4.5.3 改进信息熵的ETA-FPN模型构建方法 |
| 4.5.4 基于改进信息熵方法的ETA-FPN模型搭建 |
| 4.6 复合网络诊断模型实例分析 |
| 4.6.1 FA-HNSET预警分析 |
| 4.6.2 ETA-FPN网络模型诊断 |
| 4.6.3 基于FTA结构的故障原因分析 |
| 4.7 本章小结 |
| 第5章 风电机组健康维护问题的研究 |
| 5.1 引言 |
| 5.2 基于模糊评判的风电机组运行状态健康评价 |
| 5.2.1 健康评价体系层次划分 |
| 5.2.2 评价指标劣化度的确定 |
| 5.2.3 风电机组运行状态的模糊评判 |
| 5.3 基于ARMA模型的风电机组故障预测 |
| 5.3.1 ARMA预测模型描述 |
| 5.3.2 ARMA模型辨识 |
| 5.4 风电机组故障设备维护决策方法 |
| 5.4.1 基于FMEA的风电机组典型故障模式属性分析及风险评价 |
| 5.4.2 风电机组故障FTA分析 |
| 5.4.3 故障模式及底事件的维护方式决策 |
| 5.5 实例分析 |
| 5.6 本章小结 |
| 第6章 风电机组运行状态监测与健康维护系统研发 |
| 6.1 引言 |
| 6.2 风电机组运行状态监测与健康维护系统设计 |
| 6.2.1 设计目的 |
| 6.2.2 系统整体构架 |
| 6.2.3 系统功能设计 |
| 6.3 风电机组运行状态监测与健康维护系统技术应用 |
| 6.3.1 系统信息管理及配置 |
| 6.3.2 系统应用 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 论文主要创新点 |
| 7.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者介绍 |
（9）采煤机性能退化评估研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与框架 |
| 1.4 本章小结 |
| 2 采煤机故障及维修现状 |
| 2.1 采煤机作用及结构 |
| 2.2 采煤机的故障现状 |
| 2.3 采煤机工况监测参数的选取 |
| 2.4 本章小结 |
| 3 性能退化评估建模过程 |
| 3.1 性能监测参数的选取 |
| 3.2 基于极限学习机的运行工况识别模型 |
| 3.3 基于高斯混合模型的不同工况性能退化评估 |
| 3.4 性能退化趋势的度量 |
| 3.5 本章小结 |
| 4 采煤机截割部性能退化案例 |
| 4.1 案例背景 |
| 4.2 截割部工况与性能监测参数选取及预处理 |
| 4.3 截割部的工况识别 |
| 4.4 性能退化评估建模过程 |
| 4.5 智能维护策略 |
| 4.6 本章小结 |
| 5 结论及展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）面向个性化定制的智能生产线预防性维护研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备状态监测与评估方法研究现状 |
| 1.2.2 面向可重构运维的系统模型研究现状 |
| 1.2.3 预防性维护的可重构方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文创新之处 |
| 1.5 本文组织结构 |
| 第二章 个性化定制生产线预防性维护的系统框架 |
| 2.1 引言 |
| 2.2 预防性维护的系统架构 |
| 2.3 智能生产线设备信息融合 |
| 2.3.1 基于工业异构网络的信息交互 |
| 2.3.2 多源异构传感数据深度融合 |
| 2.4 智能生产线设备状态评估机制 |
| 2.4.1 基于心电机理的设备状态监测 |
| 2.4.2 基于深度学习的设备状态评估 |
| 2.5 智能生产线的可重构运维策略 |
| 2.6 本章小结 |
| 第三章 智能生产线设备心电机理研究 |
| 3.1 引言 |
| 3.2 EECG系统架构 |
| 3.3 设备心电图实现机理 |
| 3.3.1 工序时长细粒度划分方法 |
| 3.3.2 时序周期匹配策略 |
| 3.3.3 重要工作特征的确定 |
| 3.4 基于EECG的设备性能监测方法 |
| 3.4.1 生产节拍提升 |
| 3.4.2 设备性能衰退在线监测 |
| 3.5 实验验证 |
| 3.5.1 实验场景 |
| 3.5.2 运行结果 |
| 3.5.3 结果讨论 |
| 3.6 本章小结 |
| 第四章 基于时序数据的设备性能预测方法研究 |
| 4.1 引言 |
| 4.2 设备性能预测的系统架构 |
| 4.3 设备性能预测机制 |
| 4.3.1 基于Tensor Flow的设备状态的多分类模型 |
| 4.3.2 模型构建关键实现技术 |
| 4.3.3 基于深度模型的设备性能评估 |
| 4.4 案例—小台车气缸状态预测 |
| 4.4.1 神经网络监测器 |
| 4.4.2 模型效果 |
| 4.4.3 模型评估 |
| 4.5 本章小结 |
| 第五章 面向预防性维护的可重构方法研究 |
| 5.1 引言 |
| 5.2 可重构运维的形式化语义模型架构 |
| 5.3 基于领域本体的形式化语义模型构建 |
| 5.3.1 领域本体知识库构建方法与建模技术 |
| 5.3.2 生产过程知识体系分析 |
| 5.3.3 语义知识库模型构建 |
| 5.4 可重构产线的数据与语义集成 |
| 5.4.1 关系型数据映射 |
| 5.4.2 语义模型更新 |
| 5.5 基于语义推理的可重构运维方法 |
| 5.5.1 Multi-agent的自组织协商机制 |
| 5.5.2 设备状态语义推理的可重构策略 |
| 5.5.3 负载均衡的可重构运维策略 |
| 5.6 基于语义推理的可重构运维应用案例 |
| 5.7 本章小结 |
| 第六章 个性化定制生产线的预防性维护平台验证 |
| 6.1 引言 |
| 6.2 原型平台概况 |
| 6.3 设备状态监测与评估平台验证 |
| 6.3.1 智能生产线设备心电图的实施效果 |
| 6.3.2 设备可靠性评估方法平台验证 |
| 6.4 智能生产线可重构运维验证实施 |
| 6.4.1 平台设置 |
| 6.4.2 性能衰退的可重构运维平台验证 |
| 6.4.3 负载均衡的可重构运维平台验证 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、机械设备故障规律及状态管理和监测方法（论文参考文献）
- [1]动车组牵引电机故障预测与健康管理研究[D]. 胡文涛. 兰州交通大学, 2021(02)
- [2]风力机高速轴轴承状态退化评估与剩余寿命预测方法研究[D]. 吕明珠. 沈阳工业大学, 2021(02)
- [3]基于工况逼近的在役风电叶片故障预测与健康管理方法[D]. 白学宗. 兰州理工大学, 2020
- [4]高铁列控车载系统设备剩余有效寿命预测与健康管理方法[D]. 臧钰. 北京交通大学, 2020(03)
- [5]基于深度小世界神经网络的风机变工况变桨故障诊断研究[D]. 李蒙. 北京交通大学, 2020(03)
- [6]高端数控机床服役过程可靠性评价与预测[D]. 韩凤霞. 机械科学研究总院, 2020
- [7]以可靠性为中心的风电机组机会维修策略研究[D]. 王达梦. 华北电力大学(北京), 2020
- [8]风电机组运行状态监测与健康维护系统的研究[D]. 贾子文. 华北电力大学(北京), 2020(06)
- [9]采煤机性能退化评估研究[D]. 翟文睿. 中国矿业大学, 2020(01)
- [10]面向个性化定制的智能生产线预防性维护研究[D]. 陈宝通. 华南理工大学, 2020(01)