一、控制系统的故障诊断方法（论文文献综述）
左建勇,丁景贤[1]（2021）在《轨道车辆制动系统智能控制与维护技术研究进展》文中指出围绕轨道车辆普遍采用的微机控制直通电空制动系统,介绍了制动系统的结构组成、工作原理和控制原理,分析了制动系统的技术特性,总结和探讨了制动系统智能化的技术发展趋势,从制动系统的智能控制与智能维护两方面,对制动系统的研究现状、存在的问题进行了综述。研究结果表明:轨道车辆制动系统是一个复杂的"机电气（液）"耦合的动态时变非线性控制系统,其服役过程与故障行为具有不确定性、模糊性和小样本性的特征;在制动系统控制技术方面,相较于理论制动力控制,速度黏着控制和减速度控制2种制动控制模式在处理外界干扰影响时控制效果均有所提升;针对制动系统控制中存在的外界干扰、性能衰退或潜隐故障等不确定因素,基于参数辨识和闭环反馈的自主智能控制是制动系统智能控制技术的发展趋势,核心目标是实现外界干扰的自适应、性能衰退的自保持以及潜隐故障的自调节;在制动系统维护技术方面,制动系统运用维护主要涉及状态监测、故障诊断,对于故障预测与状态评估的研究还很少;充分利用制动系统服役状态信息,加强多源因素耦合作用下的制动系统服役行为与演化规律研究是制动系统智能维护技术的发展趋势,应进一步开展制动系统的服役性能一致性分析评价、传感器布局优化和剩余使用寿命预测方法研究。
王越男[2]（2021）在《基于网络的切换时滞系统鲁棒故障检测方法及应用研究》文中研究表明近年来,随着经济的迅猛发展和科技水平的显着提高,导致工业控制系统规模逐渐变大,复杂程度日益提高,系统一旦发生故障,将造成巨大的经济和物质损失,为避免发生故障而引起整个生产过程瘫痪,将对系统的可靠性和安全性提出更高的要求。此外,当切换系统发生大扰动或故障时,由于系统中连续和离散动态之间的相互作用,使得切换系统的动态特性变得更为复杂,需要采用更为有效的故障检测与诊断（Fault Detection and Diagnosis,FDD）技术,来避免因故障而导致的切换系统失稳及瘫痪。同时随着人工智能技术的不断成熟,工业机器人全球化不断加剧,对工业机器人的研究取得了飞速发展,其研究方向已经渗透到各个领域。机械臂作为工业机器人的重要形式之一,被广泛应用于汽车制造、模具加工和电工电子等工业领域。如果机械臂出现元器件损坏或传感器、执行器出现故障不能及时处理,就会造成机械臂失灵,导致系统性能下降,这就对机械臂的稳定性和安全性提出了更高的要求。同时,机械臂系统在运行过程中易受到外界的干扰,在系统建模过程中也往往存在不确定性,同时机械臂具有非线性和强耦合等特点,因此建立更为精确的机械臂系统模型,设计性能优良的故障检测策略是摆在科研工作者面前的一项富有挑战性任务。本文基于Lyapunov-Krasovskii Functional（LKF）稳定性理论和线性矩阵不等式（Linear Matrix Inequality,LMI）技术,针对基于网络的切换时滞系统鲁棒∞性能、控制器和故障检测滤波器协同设计方法以及基于中间估计器的故障检测方法等方面进行了深入探讨,形成了一套全新的基于网络切换时滞系统故障检测方法,并将部分研究成果应用至实际机械臂系统上进行实验验证。在切换时滞的处理过程中,采用了Jensen不等式方法、Wirtinger积分不等式方法、改进的倒数凸组合方法和基于多元辅助函数的单重求和不等式方法,大大降低了所得结果的保守性。论文完成的主要工作概括如下:（1）介绍了课题研究背景及意义,综合阐述了故障检测与诊断技术研究的发展概况、方法分类和研究现状;切换时滞系统基本概念和研究背景;切换时滞系统故障检测研究现状以及切换机械臂系统故障检测研究概述等。（2）利用Lagrange方法对切换机械臂系统进行动力学建模,同时采用一种基于关节力矩反馈的建模方法得到了一种更具普适性的机械臂子系统动力学模型,并详细分析其性质。接着介绍了后续研究工作用到的一些基础知识和重要引理,为后续研究内容提供理论基础。（3）针对异步切换机制下的离散非线性切换时滞系统,提出了一种故障检测和控制器闭环协同设计方法。首先基于模式依赖平均驻留时间（Mode-dependent Average Dwell Time,MDADT）策略和分段LKF方法,设计基于观测器的故障检测滤波器（Fault Detection Filter,FDF）生成残差信号,将离散非线性切换时滞系统的故障检测问题转换为∞模型匹配问题。所提出的闭环故障诊断策略不仅可以保证残差和故障间的估计值尽可能小,同时满足离散非线性切换时滞系统指数稳定条件。采用基于多元辅助函数的单重求和离散不等式方法,获得保证系统稳定的松弛条件。同时,为进一步提高网络资源利用率,降低通信损耗,将事件触发控制（Event-triggered Control,ETC）引入到带有随机丢包的离散非线性切换时滞系统,研究了FDF和控制器协同设计问题。设计事件触发机制,假设数据包丢失满足伯努利随机分布序列,建立事件触发机制下FDF及与原切换系统不匹配的异步切换模型。基于MDADT方法和LKF稳定性理论,给出非线性切换时滞系统指数稳定的充分条件,并利用锥补线性化算法将FDF参数求解问题转换为凸优化问题,降低了稳定性结果的保守性。最后,仿真结果验证了所提方法的有效性。（4）针对二自由度机械臂系统,采用动力学方法将其建模成切换时滞系统,在同步切换机制下,研究了带有执行器故障的切换机械臂系统故障检测与控制器协同设计问题。基于LKF稳定性理论和平均驻留时间切换方法（Average Dwell Time,ADT）,给出二自由度机械臂系统指数稳定的充分条件,并利用锥补线性化算法将FDF增益求解问题转换为凸优化问题,仿真实验结果验证了所提方法的有效性。（5）针对异步切换机制下连续非线性切换时滞系统,提出了一种控制器和FDF协同设计的闭环故障检测策略。基于MDADT策略,所采用的MDADT切换方法在系统每个切换模式下都有各自的驻留时间,使得驻留时间与系统的模式密切相关,更加符合实际系统。为提高设计的自由度,提出了控制器和FDF协同设计的闭环故障检测策略。利用分段LKF和MDADT方法,构建FDF生成残差信号,将连续非线性切换时滞系统的故障检测转换为∞模型匹配问题。同时,利用Wirtinger积分不等式和改进的倒数凸组合技术实现对LKF导函数的精确估计,从而获得松弛的稳定性结果,并设计了可行的FDF和控制器增益参数。最后,对本研究所建立的一个二自由度机械臂的实验平台进行介绍,通过数值仿真和二自由度机械臂实验平台分别验证了所提方法的有效性。（6）针对带有时变时滞和数据包丢失的非线性切换网络控制系统,提出了一种新颖的中间估计器设计方法,解决了基于中间估计器方法的故障估计问题。假设数据包丢失满足伯努利随机分布序列,基于ADT方法和LKF稳定性理论,给出了非线性切换时滞系统指数稳定的充分条件,并利用同余变换方法消除了设计过程的约束条件,降低了稳定性结果的保守性。最后,通过数值仿真和所建立的二自由度机械臂实验平台结果验证了所提方法的有效性。（7）全面总结了本文的研究工作,并指出基于网络的切换时滞系统故障检测问题研究中的现存问题及未来发展方向。
闫斌斌[3]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中指出叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
刘雯[4]（2021）在《数控机电仿真实训系统故障诊断模块远程控制设计》文中指出针对目前系统故障诊断模块远程控制方法未计算局部均值,导致系统故障诊断时间长、诊断准确率低的问题,提出数控机电仿真实训系统故障诊断模块远程控制方法。采用数据采集器、数据库服务器、Web服务器、故障诊断管理工作站,完成故障诊断远程控制模块设计。制定故障数据采集程序流程,采集设备故障数据,利用权重方法均值计算设备故障数据,得出局部均值避免边界效应,获取故障数据中有效分量,再运用分解信号得到局域波分量,求出原始信号得出时频信号,实现对系统故障模块的远程控制设计。实验结果表明,所提方法诊断准确率高,诊断时间短。
赵岩,李佳,解世禄,王德义,陈娟[5]（2021）在《基于MIL-STD-1553B的运载火箭故障诊断与故障注入方法》文中研究指明针对运载火箭系统众多,故障形式多样,出现故障难以准确定位的特点,研究了一种基于MIL-STD-1553B总线（下称1553B总线）的故障诊断和故障注入方法,采用故障树分析法确定失效故障链,实时诊断和预测系统故障;由于实际的系统故障数据较少,通过失效机理分析获得运载火箭的故障库,采用1553B总线对系统注入特定故障;在运载火箭地面故障诊断与注入系统中,原有的拓扑结构维持不变,故障诊断系统作为1553B总线监视器,故障注入系统作为1553B总线的远程终端,并与运载火箭的众多子系统互联,通过总线耦合器连接火箭外部的发射控制平台;最后通过基于实际工程型号开发的故障诊断平台和故障注入平台进行了测试,测试结果表明具有满意的故障覆盖率。
杨彦军[6]（2021）在《基于多维监测的风电齿轮箱动态预警及应用研究》文中研究指明齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:（1）针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析（Kernel Principal Component Analysis,KPCA）以及T2和平方预测误差（Square Prediction Error,SPE）统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）的状态变量和状态监测系统（Condition Monitoring System,CMS）的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。（2）通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归（Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR）的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。（3）将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解（Variational Mode Decomposition,VMD）和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解（Emprical Mode Decomposition,EMD）和集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。（4）为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
刘沁[7]（2021）在《船舶舵机液压系统的智能故障诊断方法研究》文中指出舵机液压系统作为掌控船舶航向的执行机构,对于船舶的安全航行至关重要,舵机系统的故障将可能引发严重的海难事故,会造成巨大的人员和经济损失。因此,实现船舶舵机液压系统的故障诊断对提高船舶航行的安全性和可靠性具有重要的意义。然而,液压系统是集机械、电气、流体特性于一体的耦合复杂系统,具有不确定性、非线性和时变性等特点,其故障形式多样,引发某种故障的因素通常不单一,且故障具有隐蔽性,对系统进行快速准确的故障诊断已成为亟待解决的科学问题。本文以船舶舵机液压系统为对象,研究基于数据的智能故障诊断方法。此类方法中样本数据的质量和数量对故障诊断模型的精度有重要影响,但在液压系统的故障诊断领域,已有的研究成果并未考虑数据不充足的情况。为此,本文探索了在数据充足程度不同的情况下,设计相应的故障诊断方法,并在现有的通用方法基础上,针对船舶舵机液压系统的数据特点进行一定的算法改进。具体研究工作如下:（1）在数据充足的情况下,针对数据时序性的特点,提出了基于LSTM（long short-term memory）神经网络的船舶舵机液压系统的故障诊断方法。首先,对船舶舵机液压系统的工作原理及各故障工况的现象进行了详细的理论分析,在AMESim和Matlab中搭建了联合仿真平台,用于模拟多种系统工况。其次,从仿真平台中采集充足的样本数据,为LSTM神经网络的训练和测试提供数据支持。然后,设计了多种LSTM神经网络结构和参数配置方案,通过大量对比实验确定了最优的监测器网络结构,并通过FPGA完成了算法的硬件加速,使运算速度提升了约10倍。最终,实验表明本研究所提出的故障诊断方法在计算和资源开销、分类准确率等各方面都优于其他神经网络,信噪比高于70dB的噪声干扰下的故障诊断准确率可达到99.5%以上。（2）针对数据集不平衡的问题,提出了基于GAN-RF（generative adversarial network and random forest）的船舶舵机液压系统的故障诊断方法。从实际船舶舵机液压系统中可获取的故障样本数往往远少于正常工况的样本数,而基于这种不平衡数据集设计的故障诊断方法准确率往往不高。目前,在液压系统中对该类问题的研究尚处于空白。本文通过联合仿真平台获得不平衡的时序样本数据,提出将时序数据的时频特征转换为二维图像来训练GAN神经网络,并用直观的样本特征分布图展示GAN生成样本的可行性。时频特征的提取采用MEMD（multivariate empirical mode decomposition）,样本特征分布图显示了所设计的GAN深度学习网络结构能够合成特征分布趋向于真实的样本。用GAN生成的故障样本扩充不平衡的数据集,再应用CFS（correlation-based feature selection）进行特征选择,实验表明所选择的特征在不同工况下具有可区分性。最后,设计了RF分类器实现故障诊断,信噪比在50dB以上的分类准确率超过98.5%。（3）针对无法获取实测数据的情况,提出了基于MTES（multidimensional time-series trend extracted shapelet）的船舶舵机液压系统的故障诊断方法。在船舶舵机液压系统的研发阶段或运行初期,可获得实际系统的实测数据很少,尤其是故障工况下的数据。根据仿真系统与实际系统的信号具有趋势变化（即形状特征）一致的特点,本文从仿真系统的时序数据中提取形状特征（shapelets）设计分类器,使其能够在实际系统中进行故障诊断。在训练过程中,将舵机液压系统中的多通道时序信号看作是多个独立的一元时间序列,提出了基于多趋势特征的快速shapelet发现方法获得候选集,然后以信息增益为依据,为各信号分别筛选k个最佳的shapelets。实验结果显示所选择的shapelet具备区分于其他类的形状特征。在测试过程中,提出了基于贝叶斯概率的加权投票机制,综合多通道信号的分类结果,实现对船舶舵机液压系统的故障诊断。最终,用加入噪声的测试样本模拟真实系统数据进行测试,结果表明信噪比高于30dB的情况下,分类准确率均在98%以上,验证了该方法对真实系统有效且可靠性很高。（4）为验证所提出的三种方法在实际舵机液压系统中的故障诊断效果,提出了基于负载模拟器的实验验证方法。本文设计了一套舵机工况模拟试验系统来模拟多种系统工况,采集系统的信号输出,为验证故障诊断方法提供数据。在该试验系统中,需为舵机系统建立带载环境,使采集的数据包含反映真实系统响应的信息,实验中利用负载模拟器实现。为此,本文提出了基于IAKF（improved adaptive Kalman filter）的速度前馈加载力控制策略,提升负载模拟器对舵机系统的变力加载能力。通过试验系统与仿真系统的实验结果对比,表明两者的故障现象具有一致性,验证了仿真系统的准确性。最终,三种方法对试验系统的故障诊断准确率均超过85%,验证了所提出故障诊断方法的有效性,体现了对不同场景下实际工程的应用价值和指导意义。
李慧臣[8]（2021）在《永磁同步电机驱动系统故障诊断与容错控制研究》文中认为永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）驱动系统具有工作效率高、转矩比大以及体积小等优点,广泛应用于航空航天、工业生产以及电动汽车等领域。在永磁同步电机驱动系统运行过程中,不可避免的会出现各种故障,无论发生电机本体故障还是逆变器故障,都会引起系统的不稳定,对系统的正常运行造成影响。永磁同步电机驱动系统的故障诊断和容错控制是提高驱动系统稳定运行的有效手段。本文以三相永磁同步电机为研究对象,针对电机常见的匝间故障问题进行故障诊断和容错控制研究。首先,对永磁同步电机的基本结构以及工作原理进行分析,建立电机系统在abc坐标系下和dq坐标系下的数学模型,通过在A相引入短路支路的策略,建立A相匝间短路故障模型,对故障后的定子绕组电阻、电感参数进行分析计算,采用三次谐波作为表征电机匝间故障的特征量。其次,设计基于三次谐波的故障诊断策略。三次谐波存在于电机的反电动势中,为实现电机三次谐波的提取,通过线性自抗扰技术（Linear Active Disturbance Rejection Control,LADRC）中的线性扩张状态观测器（Linear Extended State Observer,LESO）来观测电机的反电动势,使用二阶广义积分算法（Second Order Generalized Integrator,SOGI）来实现电机中故障特征量的分离;通过两次滤波来消除故障特征量三次谐波中的噪音污染,设立合适的阈值来实现故障诊断;最后通过Simulink对故障诊断策略进行仿真实验,验证该策略的可行性。最后,设计故障电机容错控制策略。通过将故障相切除,使短路故障转化为开路故障,选用三相四桥臂容错拓扑结构对电机的故障问题进行容错控制。为了使电机在容错运行时磁动势依然能够形成矢量圆,设计用于容错电压空间矢量脉宽调制（Space Vector Pulse Width Modulation,SVPWM）的调节策略,并依据电机故障数学模型,设计基于零轴电压补偿的容错控制策略,采用线性自抗扰技术设计自抗扰控制器,抑制电机的转矩脉动。通过Simulink对容错策略进行仿真实验,验证该策略的可行性。
姜月明[9]（2021）在《DC-DC变换器软故障诊断及参数辨识研究》文中研究指明DC-DC变换器（Direct current-Direct current converter）作为开关电源的核心部件,普遍地应用在国防、航空等重要领域,出现的故障情况将直接影响整个电源系统运行的可靠性和稳定性。DC-DC变换器的实际运行中,在多重环境应力的作用下,其内部元器件参数将逐渐偏离正常值而引起软故障。在运行初期,参数变化程度较小,软故障特征微弱。随着工作时间增加,参数变化程度逐渐加重,当参数超过失效阈值时将引起DC-DC变换器的严重故障,导致整个电源系统的功能异常甚至崩溃,使得整个装备陷入无法工作的瘫痪状态。因此,本文主要针对DC-DC变换器的元器件参数偏差至失效阈值前引起的软故障,进行及时有效地检测、诊断和参数辨识,为后续电源系统的视情维修和健康管理提供有力依据。本文针对DC-DC变换器的软故障检测、诊断和参数辨识问题展开研究,主要的研究工作包括:（1）针对DC-DC变换器软故障检测中存在的故障阈值难以确定、以及由于故障特征不明显导致的故障检测效果不佳的问题,提出一种基于高斯过程回归的DC-DC变换器软故障检测方法。方法主要利用高斯过程回归合理地预估正常信号包络,该包络区间可根据输出信号的波动和包含的噪声状态自动调整;为减少信号中的局部干扰对软故障检测效果的影响,将正常输出包络区间表示为所包含的正常输出信号对应的统计特征极值的形式,并将获取的极值作为软故障检测的阈值。仿真实验和硬件实验结果表明,本文方法可有效地检测单个或多个元器件引起的软故障,尤其针对元器件参数微弱变化引起的软故障具有更强的检测能力,证明所确定的软故障检测阈值的合理性和实用性。（2）针对DC-DC变换器的软故障诊断效果不佳、诊断模型对故障样本依赖程度高的问题,提出一种基于混叠性度量的软故障诊断方法。首先,基于混叠性度量原则,对于由单个和多个元器件微弱变化引起的关键软故障类型优选敏感特征,从根本上增大正常样本和故障样本的类间距离,以提升由参数微弱变化引起的软故障的诊断效果;然后,为解决故障样本匮乏导致的故障诊断模型不准确的问题,采用单分类的支持向量数据描述方法构建每种关键软故障类型的诊断模型;最后,按照每种关键软故障类型发生概率从高到低的顺序执行各诊断模型,对于各类软故障都可达到较好的故障诊断效果。实验结果表明,所提方法的优势在于有针对性地选取敏感特征,通过与支持向量数据描述的结合获得较好的软故障诊断效果,方法对故障样本依赖性较低且故障诊断率较高,具有良好的实用性。（3）针对已有方法对DC-DC变换器中微弱变化的元器件参数辨识结果不高、输入电压波动时参数辨识效果不佳等问题,提出一种基于树突网络的参数辨识方法。针对不同元器件参数变化情况,提出基于变异系数评估方法优选关键特征,建立基于树突网络的多元器件参数辨识模型,提高元器件参数的辨识精度。考虑到输入电压波动对元器件参数辨识精度的影响,建立基于树突网络的输入电压辨识模型,并将该模型与元器件参数辨识网络模型结合,建立输入电压波动下的多元器件参数辨识网络,实现输入电压波动下的元器件参数辨识。实验结果表明,本文方法对于微弱变化的元器件参数和输入电压波动下的元器件参数都可达到较高的辨识精度。与现存的基于人工智能的参数辨识方法比较,所提方法利用树突网络建立的参数辨识模型具有更强的泛化能力和对数据隐含规律的分析能力,能有效提升参数辨识精度,充分证明本文方法具有较好的可行性和适用性。（4）为全面验证本文提出的面向DC-DC变换器软故障检测、诊断和参数辨识方法在工程应用中的有效性,面向某装备控制板电源电路进行工程验证。首先向DC-DC变换器注入各类软故障,将本文所提的软故障检测、诊断和参数辨识方法分别应用于控制板电源电路的DC-DC变换器,进行硬件实验验证。实验结果表明,本文方法可有效地辨识电源电路中DC-DC变换器出现的各类软故障,具有良好的实用价值。
赵子凌龙[10]（2021）在《光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究》文中提出光伏逆变器是光伏发电系统的枢纽设备,其运行状况对于整个光伏发电系统的可靠运行具有重要的影响。然而,光伏电站实际所处的自然环境一般较为恶劣,内部的设备都会长时间承受高电应力和高热应力。同时,电网和直流侧扰动的影响也会提高光伏逆变器的故障发生率。光伏逆变器发生故障将对光伏电站整体效能造成严重损失,为了提高光伏逆变器的故障诊断能力,并量化故障导致的效能损失程度,本文提出了基于极值比值法与支持向量机的故障诊断模型和基于最优最劣法与熵值法相结合的逆变器故障效能损失评估模型。首先,基于带LCL型滤波器的光伏并网逆变器及其电流双闭环控制策略,从多个角度对逆变器故障进行分类,归纳出了光伏逆变器中常见的故障类型及其外在表现,其中对于光伏逆变器IGBT开路、短路的故障原因进行了着重说明。其次,利用Matlab/Simulink仿真平台实现了光伏并网逆变器模型的建立,有效模拟IGBT各种开路故障,对交流侧输出的三相电流波形进行故障分析。在此基础上提出了极值比值故障特征量提取方法,有效降低了特征量的维数,为故障诊断识别提供了良好的条件。然后,将支持向量机（SVM）运用到光伏逆变器故障诊断中,提出了基于极值比值法与支持向量机的故障诊断方法。利用SVM优越的寻优分类特性,对22类IGBT开路故障提取出的特征量进行诊断分类。并将诊断结果与传统神经网络故障诊断方法进行比较,结果表明SVM分类方法具有抗干扰能力强、故障诊断正确率高的特点。最后,建立了一种基于组合赋权法的光伏逆变器IGBT开路故障效能损失评估模型,针对主客观赋权法的特点,采用最优最劣法（BWM）主观赋权与熵值法（EWM）客观赋权组合方式来确定评估指标权重。通过仿真实验论证,该评估方法可以有效量化反映逆变器发生IGBT各类开路故障的严重性及效能损失程度。
二、控制系统的故障诊断方法（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、控制系统的故障诊断方法（论文提纲范文）
（1）轨道车辆制动系统智能控制与维护技术研究进展（论文提纲范文）
| 0 引 言 |
| 1 轨道车辆制动系统构成与原理 |
| 1.1 制动系统构成 |
| 1.2 制动系统原理 |
| 1.2.1 制动工作原理 |
| 1.2.2 制动控制原理 |
| 2 轨道车辆制动系统技术特点 |
| 2.1 制动系统技术特性 |
| 2.2 制动系统技术趋势 |
| 3 制动系统智能控制技术 |
| 3.1 理论制动力控制 |
| 3.2 速度黏着控制 |
| 3.3 减速度控制 |
| 3.4 智能控制技术 |
| 4 制动系统智能维护技术 |
| 4.1 状态监测与故障诊断 |
| 4.2 故障预测与状态评估 |
| 4.3 智能维护技术 |
| 5 结 语 |
（2）基于网络的切换时滞系统鲁棒故障检测方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 缩写说明 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障检测与诊断技术研究综述 |
| 1.2.1 故障检测与诊断技术发展概述 |
| 1.2.2 故障检测与诊断方法分类及其研究现状 |
| 1.3 切换时滞系统研究综述 |
| 1.3.1 切换系统研究概述 |
| 1.3.2 时滞系统(网络控制系统)研究概述 |
| 1.3.3 切换时滞系统故障检测研究概述 |
| 1.4 切换机械臂系统故障检测研究概述 |
| 1.5 本文主要内容与章节安排 |
| 第2章 切换机械臂系统动力学模型及基础知识 |
| 2.1 引言 |
| 2.2 基于Lagrange方法的切换机械臂系统动力学建模 |
| 2.3 关节力矩反馈的机械臂动力学模型 |
| 2.3.1 基于关节力矩传感器的机械臂子系统动力学建模 |
| 2.3.2 机械臂关节子系统动力学模型分析 |
| 2.4 基础知识 |
| 2.5 本章小结 |
| 第3章 离散非线性切换时滞系统故障检测与控制器协同设计方法研究 |
| 3.1 引言 |
| 3.2 异步切换下离散非线性切换时滞系统的故障检测和控制器协同设计 |
| 3.2.1 系统动态过程描述 |
| 3.2.2 残差方程建立 |
| 3.2.3 异步切换下故障检测滤波器与控制器协同设计 |
| 3.2.4 仿真实验研究 |
| 3.3 事件触发下离散非线性切换时滞系统故障检测和控制器协同设计 |
| 3.3.1 系统动态过程描述 |
| 3.3.2 残差方程建立 |
| 3.3.3 事件触发下故障检测滤波器与控制器协同设计 |
| 3.3.4 仿真实验研究 |
| 3.4 本章小结 |
| 第4章 基于平均驻留时间的切换机械臂系统故障检测与控制器协同设计 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 带有执行器故障的网络化切换机械臂建模 |
| 4.2.2 残差方程建立 |
| 4.3 切换机械臂系统故障检测滤波器与控制器协同设计 |
| 4.4 仿真实验研究 |
| 4.5 本章小结 |
| 第5章 连续非线性切换时滞系统故障检测与控制器协同设计及应用研究 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 系统动态过程描述 |
| 5.2.2 残差方程建立 |
| 5.3 模式依赖下故障检测滤波器与控制器协同设计 |
| 5.3.1 H_∞性能分析 |
| 5.3.2 控制器和滤波器增益协同设计 |
| 5.4 仿真实验研究 |
| 5.5 机械臂系统实验研究 |
| 5.5.1 机械臂系统实验平台简介 |
| 5.5.2 机械臂系统故障检测实验结果分析 |
| 5.6 本章小结 |
| 第6章 基于中间估计器的连续非线性切换时滞系统故障估计及应用研究 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.2.1 系统动态过程描述 |
| 6.2.2 误差系统建立 |
| 6.3 基于中间估计器的故障估计滤波器设计 |
| 6.3.1 指数稳定性分析 |
| 6.3.2 基于中间估计器的故障滤波器增益设计 |
| 6.4 仿真实验研究 |
| 6.5 机械臂系统故障估计实验研究 |
| 6.6 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读博士学位期间研究成果及奖励 |
（3）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（4）数控机电仿真实训系统故障诊断模块远程控制设计（论文提纲范文）
| 0 引言 |
| 1 故障诊断远程控制模块设计 |
| (1)数据采集器 |
| (2)数据库服务器 |
| (3)Web服务器 |
| (4)监测、诊断工作站与浏览器 |
| 2 故障诊断远程控制 |
| 2.1 采集设备故障数据 |
| (1)需求分析 |
| (2)确定数据收集点 |
| (3)制定数据收集表格 |
| (4)确定数据收集方法 |
| 2.2 故障远程控制 |
| 3 实验结果与分析 |
| 4 结束语 |
（5）基于MIL-STD-1553B的运载火箭故障诊断与故障注入方法（论文提纲范文）
| 0 引言 |
| 1 系统结构及原理 |
| 1.1 运载火箭的组成 |
| 1.2 故障模式和机理分析 |
| 1.3 运载火箭故障树建立 |
| 1.4 失效链路分析 |
| 2 基于数据总线的故障诊断方法 |
| 2.1 运载火箭的总线结构 |
| 2.2 基于1553B总线的故障诊断 |
| 3 故障模拟与注入方法 |
| 3.1 基于总线的故障注入 |
| 3.2 虚拟模型中的故障注入 |
| 4 试验结果与分析 |
| 4.1 试验步骤 |
| 4.2 试验方法 |
| 4.3 试验结果分析 |
| 5 结束语 |
（6）基于多维监测的风电齿轮箱动态预警及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
| 1.2.2 风电齿轮箱在线监测系统发展现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第2章 风电机组状态参数分析与选取 |
| 2.1 引言 |
| 2.2 风电机组基本组成及齿轮箱结构特点 |
| 2.2.1 风电机组基本组成 |
| 2.2.2 齿轮箱结构特点 |
| 2.2.3 齿轮箱常见故障类型 |
| 2.3 状态参数分析及预处理 |
| 2.3.1 状态参数分析 |
| 2.3.2 状态参数预处理 |
| 2.4 状态参数相关性分析 |
| 2.4.1 相关性分析方法 |
| 2.4.2 齿轮箱温度关联参数的相关性分析 |
| 2.4.3 季节因素对状态参数的影响分析 |
| 2.5 风电齿轮箱振动监测分析 |
| 2.5.1 常规监测指标 |
| 2.5.2 行星轮系故障特征频率 |
| 2.6 本章小结 |
| 第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
| 3.1 引言 |
| 3.2 KPCA分析方法及异常检测指标 |
| 3.2.1 核主元成分分析(KPCA) |
| 3.2.2 基于KPCA方法的异常检测指标 |
| 3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
| 3.3.1 健康机组选取 |
| 3.3.2 滑动窗口模型 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱正常状态分析 |
| 3.4.2 齿轮箱异常状态分析 |
| 3.4.3 假数据注入攻击分析 |
| 3.4.4 多维监测分析 |
| 3.5 本章小结 |
| 第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
| 4.1 引言 |
| 4.2 基于IALO-SVR的预测方法 |
| 4.2.1 SVR方法 |
| 4.2.2 ALO算法 |
| 4.2.3 ALO算法的参数优化 |
| 4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
| 4.3.1 输入输出模型结构 |
| 4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
| 4.3.3 模型验证 |
| 4.3.4 季节因素对齿轮箱油温预测的影响分析 |
| 4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
| 4.4.1 滑动窗的残差统计方法 |
| 4.4.2 残差的统计特性分析 |
| 4.5 本章小结 |
| 第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变分模态分解算法 |
| 5.2.1 算法原理 |
| 5.2.2 VMD算法过程 |
| 5.3 VMD分解性能分析 |
| 5.3.1 多谐波信号分析 |
| 5.3.2 含高频间歇扰动的信号 |
| 5.3.3 多分量调幅-调频信号 |
| 5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
| 5.4.1 启动限速运行模式 |
| 5.4.2 最大功率跟踪运行模式 |
| 5.4.3 额定功率运行模式 |
| 5.5 本章小结 |
| 第6章 风电场多维度智能监测系统设计与实现 |
| 6.1 引言 |
| 6.2 系统整体结构设计 |
| 6.3 系统硬件设计及安装 |
| 6.3.1 传感器布置方案 |
| 6.3.2 数据采集单元及无线网络部署 |
| 6.4 系统软件设计 |
| 6.4.1 客户端子系统设计 |
| 6.4.2 服务端系统设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（7）船舶舵机液压系统的智能故障诊断方法研究（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 液压系统故障诊断的国内外研究现状 |
| 1.2.1 液压系统故障诊断的特点 |
| 1.2.2 基于经验的液压系统故障诊断方法 |
| 1.2.3 基于模型的液压系统故障诊断方法 |
| 1.2.4 基于数据的液压系统故障诊断方法 |
| 1.2.5 在数据不充足时的故障诊断方法 |
| 1.3 主要研究内容安排 |
| 2 船舶舵机液压伺服系统的建模及故障仿真结果分析 |
| 2.1 引言 |
| 2.2 船舶舵机液压系统建模 |
| 2.2.1 液压系统工作原理 |
| 2.2.2 液压系统模型 |
| 2.2.3 液压缸模型 |
| 2.2.4 电液换向阀模型 |
| 2.2.5 位置随动控制系统 |
| 2.3 故障仿真及结果分析 |
| 2.3.1 液压油混入空气故障 |
| 2.3.2 液压缸内泄漏故障 |
| 2.3.3 力矩马达线圈损坏 |
| 2.3.4 反馈弹簧损坏 |
| 2.3.5 喷嘴堵塞 |
| 2.3.6 阀芯单向卡死 |
| 2.3.7 液压泵泄漏故障 |
| 2.3.8 油滤堵塞 |
| 2.3.9 防浪阀弹簧失效 |
| 2.3.10 溢流阀弹簧失效 |
| 2.3.11 伺服放大器失效 |
| 2.3.12 仿真工况总结 |
| 2.4 本章小结 |
| 3 基于LSTM神经网络的船舶舵机液压系统的故障诊断方法 |
| 3.1 引言 |
| 3.2 Long Short-Term Memory算法 |
| 3.3 基于LSTM神经网络的故障诊断方法 |
| 3.3.1 离线监测器模型的构建 |
| 3.3.2 在线监测的实现 |
| 3.4 船舶舵机液压系统故障诊断的实现 |
| 3.4.1 数据采集情况 |
| 3.4.2 三种LSTM神经网络的对比 |
| 3.4.3 不同网络超参数的对比 |
| 3.4.4 算法的硬件加速效果对比 |
| 3.4.5 抗噪能力分析 |
| 3.4.6 与其他神经网络的对比 |
| 3.5 本章小结 |
| 4 基于GAN-RF的船舶舵机液压系统的故障诊断方法 |
| 4.1 引言 |
| 4.2 基于MEMD和CFS的特征工程 |
| 4.2.1 特征提取 |
| 4.2.2 特征选择 |
| 4.3 基于GAN神经网络的数据合成 |
| 4.4 基于RF的故障分类 |
| 4.5 基于GAN-RF的故障诊断方法 |
| 4.6 船舶舵机液压系统故障诊断的实现 |
| 4.6.1 数据采集情况 |
| 4.6.2 特征提取及选择结果 |
| 4.6.3 GAN合成样本质量的评估 |
| 4.6.4 抗噪能力分析 |
| 4.6.5 算法的硬件实现 |
| 4.7 本章小结 |
| 5 基于MTES的船舶舵机液压系统的故障诊断方法 |
| 5.1 引言 |
| 5.2 MTES方法的提出 |
| 5.2.1 相关定义 |
| 5.2.2 基于多趋势特征的快速shapelet发现方法 |
| 5.2.3 数据转换和shapelet的选择 |
| 5.2.4 多元时序的加权投票分类机制 |
| 5.2.5 基于MTES的故障诊断方法 |
| 5.3 船舶舵机液压系统故障诊断的实现 |
| 5.3.1 数据采集情况 |
| 5.3.2 Shapelet候选集的获取 |
| 5.3.3 Shapelet的选择 |
| 5.3.4 故障诊断结果 |
| 5.3.5 算法的硬件实现 |
| 5.4 本章小结 |
| 6 基于负载模拟器的实验验证 |
| 6.1 引言 |
| 6.2 舵机工况模拟试验系统的组成及工作原理 |
| 6.3 基于IAKF的速度前馈加载力控制方法 |
| 6.3.1 加载系统数学模型 |
| 6.3.2 基于IAKF的速度估计 |
| 6.3.3 速度前馈的加载系统力控制 |
| 6.4 船舶舵机液压系统的故障诊断实验验证 |
| 6.4.1 故障工况模拟 |
| 6.4.2 故障诊断结果 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 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 |
（8）永磁同步电机驱动系统故障诊断与容错控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.2 永磁同步电机驱动系统的结构及故障类型 |
| 1.3 国内外研究现状 |
| 1.3.1 永磁同步电机故障诊断研究现状 |
| 1.3.2 永磁同步电机容错控制研究现状 |
| 1.4 研究内容及章节安排 |
| 第2章 永磁同步电机的数学模型 |
| 2.1 PMSM正常运行下的数学模型 |
| 2.1.1 abc坐标系下的PMSM数学模型 |
| 2.1.2 dq坐标系下的数学模型 |
| 2.2 PMSM驱动系统匝间短路故障 |
| 2.3 永磁同步电机匝间故障特征量分析 |
| 2.4 本章小结 |
| 第3章 永磁同步电机匝间短路故障诊断 |
| 3.1 线性自抗扰控制技术 |
| 3.2 永磁同步电机匝间短路故障特征估计 |
| 3.2.1 基于LESO的 PMSM反电势提取 |
| 3.2.2 基于SOGI算法的故障特征量分离 |
| 3.3 永磁同步电机匝间短路诊断算法仿真实验 |
| 3.3.1 PMSM故障情况下的仿真模型 |
| 3.3.2 仿真结果分析 |
| 3.4 本章小结 |
| 第4章 永磁同步电机匝间短路故障容错控制 |
| 4.1 永磁同步电机矢量控制技术 |
| 4.2 针对永磁同步电机匝间短路容错控制 |
| 4.2.1 永磁同步电机匝间短路容错拓扑结构 |
| 4.2.2 容错电压空间矢量脉宽控制 |
| 4.2.3 基于零轴电压补偿容错控制的实现 |
| 4.2.4 转矩脉动抑制策略的实现 |
| 4.3 永磁同步电机匝间短路故障容错控制仿真实验 |
| 4.3.1 仿真模型的建立 |
| 4.3.2 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（9）DC-DC变换器软故障诊断及参数辨识研究（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 DC-DC变换器与软故障来源分析 |
| 1.2.1 DC-DC变换器的分类 |
| 1.2.2 DC-DC变换器软故障来源分析 |
| 1.3 DC-DC变换器故障诊断与辨识研究现状 |
| 1.3.1 DC-DC变换器的故障检测和诊断方法 |
| 1.3.2 DC-DC变换器的参数辨识方法 |
| 1.4 研究现状分析与总结 |
| 1.5 本文主要研究内容 |
| 第2章 基于高斯过程回归的DC-DC变换器软故障检测 |
| 2.1 引言 |
| 2.2 基于高斯过程回归的正常输出区间预估 |
| 2.2.1 高斯过程回归基本理论 |
| 2.2.2 协方差函数选择及仿真分析比较 |
| 2.2.3 基于GPR的正常输出区间预估建模过程 |
| 2.3 时域输出的统计特征计算 |
| 2.3.1 统计特征基本含义 |
| 2.3.2 统计特征表征软故障的效果验证 |
| 2.4 基于遗传算法的统计特征极值计算优化 |
| 2.4.1 统计特征极值计算的基本原理 |
| 2.4.2 基于遗传算法的极值优化计算 |
| 2.5 算法实现流程与实验验证 |
| 2.5.1 软故障检测方法实现流程 |
| 2.5.2 仿真实验 |
| 2.5.3 硬件实验 |
| 2.6 本章小结 |
| 第3章 基于混叠性度量的DC-DC变换器软故障诊断 |
| 3.1 引言 |
| 3.2 频域特征计算 |
| 3.2.1 小波包分解基本原理 |
| 3.2.2 小波包局部能量计算 |
| 3.2.3 局部能量特征表征软故障的效果验证 |
| 3.3 基于混叠性度量的敏感故障特征提取 |
| 3.3.1 混叠性度量原理 |
| 3.3.2 软故障敏感特征提取 |
| 3.4 基于SVDD的软故障诊断流程 |
| 3.5 实验验证及结果分析 |
| 3.5.1 仿真实验 |
| 3.5.2 硬件实验 |
| 3.6 本章小结 |
| 第4章 基于树突网络的DC-DC变换器参数辨识 |
| 4.1 引言 |
| 4.2 基于变异系数评估的关键特征提取 |
| 4.3 基于树突网络的参数辨识方法 |
| 4.3.1 树突网络基本原理 |
| 4.3.2 多并行元器件参数辨识网络建模 |
| 4.3.3 输入电压波动下的参数辨识网络建模 |
| 4.4 实验验证及结果分析 |
| 4.4.1 仿真实验 |
| 4.4.2 硬件实验 |
| 4.5 本章小结 |
| 第5章 某装备控制板电源电路的软故障诊断及参数辨识 |
| 5.1 引言 |
| 5.2 某装备控制板电源电路的基本原理及结构 |
| 5.2.1 PWM信号发生模块 |
| 5.2.2 DC-DC变换器模块 |
| 5.3 面向某装备控制板电源电路的方法验证 |
| 5.3.1 软故障注入 |
| 5.3.2 软故障检测实验 |
| 5.3.3 软故障诊断实验 |
| 5.3.4 参数辨识实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 光伏逆变器故障诊断技术研究现状 |
| 1.2.1 基于信号处理的方法 |
| 1.2.2 基于知识的方法 |
| 1.2.3 基于解析模型的方法 |
| 1.3 效能损失评估方法研究现状 |
| 1.4 本文的主要研究内容 |
| 第二章 光伏并网逆变器拓扑结构与故障机理分析 |
| 2.1 光伏并网逆变器的电路拓扑与数学模型 |
| 2.2 光伏并网逆变器电流双闭环控制方法 |
| 2.3 光伏逆变器常见故障类型及外在表现 |
| 2.4 光伏逆变器IGBT开路故障分析 |
| 2.4.1 光伏逆变器IGBT故障原因及危害 |
| 2.4.2 光伏逆变器IGBT开路故障分类及拓扑分析 |
| 2.5 本章小结 |
| 第三章 光伏逆变器故障建模分析及故障特征量提取 |
| 3.1 光伏并网逆变器电路仿真平台搭建及故障模拟 |
| 3.1.1 仿真模型搭建 |
| 3.1.2 故障仿真 |
| 3.2 训练数据和测试数据生成 |
| 3.2.1 训练数据生成 |
| 3.2.2 测试数据生成 |
| 3.3 基于极值比值法的故障特征量提取 |
| 3.3.1 极值比值法原理 |
| 3.3.2 极值比值法特征量提取 |
| 3.4 本章小结 |
| 第四章 基于ERM-SVM光伏并网逆变器故障诊断方法 |
| 4.1 支持向量机原理 |
| 4.1.1 支持向量机基本思想 |
| 4.1.2 线性不可分情况 |
| 4.1.3 非线性情况 |
| 4.2 故障诊断步骤及诊断结果 |
| 4.2.1 故障诊断步骤 |
| 4.2.2 故障诊断结果 |
| 4.3 本章小结 |
| 第五章 基于BWM-EWM光伏逆变器效能损失评估模型 |
| 5.1 建立故障损失评估指标体系 |
| 5.2 确定评估指标的权重 |
| 5.2.1 最优最劣法主观赋权 |
| 5.2.2 熵值法客观赋权 |
| 5.2.3 组合赋权法模型构建 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、控制系统的故障诊断方法（论文参考文献）
- [1]轨道车辆制动系统智能控制与维护技术研究进展[J]. 左建勇,丁景贤. 交通运输工程学报, 2021(06)
- [2]基于网络的切换时滞系统鲁棒故障检测方法及应用研究[D]. 王越男. 长春工业大学, 2021(02)
- [3]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021(02)
- [4]数控机电仿真实训系统故障诊断模块远程控制设计[J]. 刘雯. 自动化与仪器仪表, 2021(10)
- [5]基于MIL-STD-1553B的运载火箭故障诊断与故障注入方法[J]. 赵岩,李佳,解世禄,王德义,陈娟. 计算机测量与控制, 2021(09)
- [6]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [7]船舶舵机液压系统的智能故障诊断方法研究[D]. 刘沁. 北京交通大学, 2021(02)
- [8]永磁同步电机驱动系统故障诊断与容错控制研究[D]. 李慧臣. 长春工业大学, 2021(01)
- [9]DC-DC变换器软故障诊断及参数辨识研究[D]. 姜月明. 哈尔滨工业大学, 2021(02)
- [10]光伏并网逆变器IGBT开路故障诊断及效能损失评估模型研究[D]. 赵子凌龙. 合肥工业大学, 2021(02)