一、发电机故障诊断处理系统的研究（论文文献综述）
吕微[1]（2021）在《基于监测数据的发电机故障诊断技术研究》文中研究说明风能作为一种清洁、储备较多且自然资源丰富的可再生能源,在化石燃料能源日益匮乏、能源供给安全和环境保护等诸多影响因素的推动下,风电已经开始快速地发展起来了。但在风力发电技术得以迅猛发展的同时,针对风力发电机组的正常运行管理与维护,以及故障监控与诊断等各个方面的技术却没有得到快速地改进和提高,导致了风力发电机组故障发生的概率很高。而且发电机作为风力发电机组的核心发电设备,对于风力发电机组能够安全、稳定地正常运行起着至关重要的意义。如果能对发电机故障进行准确有效的分析和诊断,可以大大减少由于风电机组突然停机所带来的经济损失,保证其正常而可靠地持续运转。因此,本文主要是通过风电机组监测数据对风力发电机故障诊断模型进行研究。首先提出了一种改进堆叠自编码算法。为了分析改进堆叠自编码算法是否能够有效对发电机轴承进行故障诊断,通过实验对比,研究、分析了改进堆叠自编码算法相比于传统自编码算法的不同点以及使用该算法的优势。采用滑动KL散度算法对基于改进堆叠自编码算法的状态重构模型的发电机状态重构数据进行故障诊断。通过对采用适当窗口宽度的滑动KL散度算法进行设计,既能够及时迅速反映出统计特性的连续和非线性变化,又有利于消除各种随机因子的影响,降低错误报警发生的概率。同时通过与不同方法的对比,彰显滑动KL散度和改进堆叠自编码算法具有更优越的发电机状态监测的可靠性。然后为了能够提高发电机轴承故障分类的准确率,使用深度学习算法代替传统的特征提取方法,建立了基于变学习速率自编码的长短时发电机故障分类模型。即对于特征提取部分,应用了堆叠自编码在处理高维数据、学习复杂信号的内部特征方面的显着优势,采用基于变学习速率自编码的特征模型提取发电机数据的深层特征信号,其具有更强的鲁棒性和更好的网络泛化性能。对于故障分类方面,结合了长短时记忆模型对时间序列优异的处理能力,将特征模型提取的发电机轴承数据深层特征输入到长短时记忆神经网络分类模型中,有效地避免了梯度消失和爆炸等问题。通过与设置不同的隐含层层数和与不同的特征提取方法的对比,表明本文方法实现了较高准确率和精准度的轴承故障识别。最后为了能够缓解单一的分类模型的泛化能力差问题,建立了基于改进集成学习的发电机故障诊断方法,使得发电机故障分类效果得到进一步提高。为了证明该方法的优越性,通过与传统智能诊断方法SVM、BP神经网络以及RNN神经网络进行对比实验,得出基于改进集成学习的发电机故障诊断方法能够获得更高的故障分类准确率。
徐赫[2]（2021）在《基于改进生成对抗网络的大型风力发电机轴承故障诊断方法研究》文中研究表明轴承作为风电机组中发电机的关键部件,其因运行环境恶劣而成为风电机组中故障率较高的部件之一。因此对风电机组的发电机轴承进行故障诊断具有十分重要的意义。针对现有传统的基于特征提取以及基于机器学习所提出的机械故障诊断模型的不足,本文以风电机组发电机轴承为研究对象,以近年来兴起的深度学习技术为理论基础,分别从深度网络模型的适用性与稳定性、传感器获取信息的故障分类、故障诊断模型特征学习能力与诊断识别率提升以及对小样本数据的特征学习几个方面进行研究,减少人工参与的影响,提高系统的运行效率及故障识别的准确率,并通过风力发电厂实际数据进行验证。本文的主要研究重点为以下四个方面:（1）针对传感器获取的庞大的轴承振动数据中存在着空值、重复值、记录冗余等不利于故障诊断的数据这一问题,以数据预处理技术在庞大的原始数据中筛选、提取出适合分析与挖掘的数据,并对其添加标签,方便后续故障诊断的顺利进行。（2）针对获取故障数据不足以及故障类别不平衡问题,提出基于改进生成对抗网络的网络模型,利用生成对抗网络的特征学习与数据生成能力,从预处理后的原始故障数据中学习到有助于故障诊断的特征信息,将特征学习与数据生成结合在一个网络结构里,通过网络的生成函数与损失函数逐步调整网络模型,对其进行优化,使得网络模型更加智能化,所生成的数据更加具有代表性与随机性。（3）针对数据驱动的轴承故障诊断模型,提出基于二维卷积神经网络进行故障诊断的模型,利用卷积神经网络强大的局部特征提取能力捕捉故障特征,学习轴承的故障模式从而实现准确的故障识别。比较不同参数下二维卷积神经网络诊断的准确率,选取准确率最高的网络模型,根据模型的训练精度与训练误差,判断该模型所选参数是否适用于进行轴承方面的故障诊断,以此实现轴承故障诊断的准确性最大化。（4）以真实复杂的风电场发电机轴承数据为基础,调用已训练完成且适合于轴承方向的两种网络模型。将真实的发电机轴承数据作为模型输入,模型的输出则为矩阵数据,根据输出矩阵中的数字以及预处理时添加的故障标签,实现了风机发电机轴承的滚动体、内圈、外圈等不同位置的故障诊断,有效地避免了专家经验和特征工程。
于凯[3]（2020）在《汽轮发电机组状态监测与故障诊断方法研究》文中指出进入本世纪以来,随着我国能源结构不断调整,新能源装机容量逐年提升,未来大容量火电机组的运行工况将更为复杂。汽轮发电机组作为燃煤火力发电厂重要设备之一,其安全、可靠运行不仅关系到发电厂能否正常向电网输送电能,更关系到电网有功、无功的平衡以及电力系统的稳定。因此,加强对汽轮发电机组故障的在线监测与诊断就显得尤为重要。本文以作者长期在火力发电厂的工作经验为基础,结合工程实际案例对汽轮发电机组状态监测及故障诊断方法进行了深入研究。（1）在分析汽轮机原理的基础上给出了汽轮机几种典型振动故障的时域波形图和频谱分析图并研究了不同故障产生的原因及其对应的频率特征,为后续以振动信号为基础的汽轮机常见故障的在线监测与诊断奠定基础。（2）重点研究了发电机转子绕组匝间短路故障、定子绕组绝缘故障,总结了产生上述故障的原因和检测方法,并结合作者本人的工作经历对工程实际当中转子匝间短路故障的检测全过程进行了详细分析。（3）以汽轮机转子多传感器振动信号监测为基础,开展了汽轮机故障模式识别方法的研究。针对局部均值分解（Local Mean Decomposition,LMD）方法中依旧存在一定程度的模态混叠和端点效应,提出采用自适应互补LMD方法对汽轮机振动故障信号进行分解并提取乘积函数能量熵作为特征量,采用遗传算法优化后的BP神经网络对汽轮机振动故障进行模式识别。通过LabView与MATLAB联合设计了基于振动信号的汽轮机状态监测与故障诊断系统,结合系统的工程应用情况及检修案例,验证了系统的可行性与有效性。（4）从工程实际当中的第一手资料入手,结合本单位机组两次大修经历,从技术和经济两个角度对600MW火力发电机组预防性维修状况进行深入量化分析;从状态监测具体内容对故障诊断的准确性、灵敏度及其经济性等多个方面,探讨开展状态维修的可行性,以及在现有技术水平、制度规定条件下开展汽轮发电机组状态维修可实现的内容。论文有图51幅,表27张,参考文献76篇。
余萍[4]（2020）在《基于智能技术的一类非线性系统故障诊断与预测方法研究》文中提出如何减少生产过程中的故障隐患,提高系统的安全性和可靠性,已成为现代工业系统发展中不可回避的重大问题。故障诊断与预测技术是提高系统运行可靠性、降低系统运行风险的重要方法和必要手段。现代工业系统大多为非线性系统,具有干扰强、结构复杂、参数不确定、动态时变、故障耦合性强等特点,致使故障诊断与预测难度大。因此,探究如何利用先进的科学技术,有目的、有方法、有针对性地对系统进行故障诊断和预测,是非常有意义的研究课题。本文以实际非线性系统为研究对象,基于滤波技术、信号处理、优化算法、神经网络、深度学习等智能技术,对非线性系统故障诊断与预测方法展开研究。论文的主要创新研究成果如下:（1）提出了两种基于智能优化粒子滤波的故障诊断方法。针对粒子滤波算法中由于粒子退化和多样性缺失而导致系统突变情况下状态估计精度下降,从而影响基于粒子滤波的故障诊断方法故障诊断准确性和诊断系统鲁棒性的问题,以重采样策略的改进为切入点,结合变频变异策略和天牛群搜索算法,分别提出了变频变异粒子滤波算法（variable frequency based mutation for particle filter algorithm,VFM-PF）和改进天牛群搜索优化粒子滤波（beetle swarm antennae search for particle filter algorithm,BSAS-PF）两种改进算法。VFM-PF融合了免疫理论中的变异思想和工业生产过程中的变频节能策略,通过变频算子实时调节变异粒子数目,并针对不同权值的粒子采取不同形式的变异操作,从而在克服粒子退化、增加粒子多样性的同时提高了运算效率,算法的综合性能得到显着提升;BSAS-PF结合了天牛群搜索算法的寻优特性,引导低权值粒子向高似然区移动,克服了粒子退化和多样性缺失等问题,具有更优秀的状态估计精度。在此基础上,开展了复杂非线性系统故障诊断问题研究,提出了两种基于智能优化粒子滤波的故障诊断方法,并以风力发电系统中的双馈发电机和污水处理系统中的曝气池溶解氧过程为对象验证了方法的有效性,结果表明,所提出方法能够实现系统突变情况下高准确性故障诊断,诊断系统鲁棒性强,运算效率更高。（2）提出了一种基于ADCS-ELM的故障诊断方法。针对非线性系统结构复杂、故障耦合性程度高,建立准确的数学模型困难,致使基于模型的故障诊断方法难以实现或诊断精度受限等问题,从数据驱动的角度出发,提出了一种基于ADCS-ELM的故障诊断方法。该方法首先对非线性、非平稳的轴承振动信号进行集合经验模态分解（ensemble empirical mode decomposition,EEMD）,获得故障信号的IMF（intrinsic mode function）能量特征数据集。然后,利用加入了动态自适应步长调整策略的布谷鸟搜索算法（cuckoo search,CS）实现了传统极限学习机（extreme learning machine,ELM）网络连接权值和隐含层阈值等参数的优化确定,提高了ELM网络的稳定性、鲁棒性和分类精度。最后,训练并测试ADCS-ELM网络的故障诊断性能,结果表明,本文方法可以达到平均99.51%的故障诊断精度,实现了轴承滚动体、内圈、外圈裂纹等故障的高准确性故障诊断。（3）提出了一种基于优化堆叠降噪自动编码的故障诊断方法。非线性故障具有可传播性、耦合性、继发性、不确定性和多样性等特点,导致了故障成因难以有效溯源、故障诊断准确性不高等问题。相较于传统故障诊断方法,深度堆叠降噪自动编码器（stacked denoising auto-encoder,SDAE）能够从海量数据中自适应地提取更深层次的故障特征,避免了手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。然而,采用经验枚举获得的SDAE网络超参数使得网络在不同领域的故障诊断问题中泛化能力较弱,且选参过程与设计人员经验有关,效率低。因此,本文利用新设计的人工变性天牛算法（artificial transgender longicorn algorithm,ATLA）对SDAE网络超参数进行自适应选取,优化确定网络结构,提高了网络模型的泛化能力和识别准确性。在此基础上,提出了一种基于优化堆叠降噪自动编码器的故障诊断方法,并通过多工况条件下滚动轴承故障诊断仿真实验进行了有效性验证,结果表明本文方法在故障识别准确率、泛化性能等方面优于基于BP（back propagation）神经网络、支持向量机（support vector machine,SVM）以及卷积神经网络（convolutional neural networks,CNN）的故障诊断方法,与同为深度学习模型的CNN网络相比,运算效率更高,实时性更强。（4）提出了一种基于ICS-ELM的复杂系统过程关键参数实时预测方法。通过过程关键参数的实时预测来实现系统故障的实时预测是一种有效的故障预测方法。本文利用软测量的间接测量思想,构建了ICS-ELM神经网络模型来实现系统关键参数的准确预测。首先,在动态自适应搜索步长调整的基础上,增加基于搜索进程的动态被发现概率调整策略,设计了布谷鸟搜索算法（CS）的改进算法ICS;其次,利用ICS实现了ELM回归网络的连接权值和隐含层阈值的参数优化,提高了网络稳定性和预测精度;然后,利用主成分分析（principal components analysis,PCA）完成了过程数据的降维和属性约简,实现软测量辅助变量选择;最后,建立过程关键参数的ICS-ELM预测模型,并以污水处理过程关键参数生化需氧量（biochemical oxygen demand,BOD）为预测对象,建立基于ICS-ELM的BOD故障预测模型。实验结果表明,本文方法不仅可以实现BOD的精确预测,也为其他过程关键参数的故障预测提供了一个可行的解决方案,具有一定的推广价值。（5）提出了一种基于卷积神经网络的剩余寿命预测方法。设备的剩余寿命预测是系统故障预测中的重要研究内容,然而复杂非线性系统参数众多,过程数据量大且维度高,致使预测模型难以准确建立,预测方法少。对此,本文提出了一种基于CNN-HI健康指数的剩余寿命预测方法。首先,对数据样本进行预处理,建立故障预测图像数据集;然后,借助CNN网络强大的图像特征提取能力,实现基于优化CNN网络的健康指数（CNN-HI）高品质构造与估计;最后,通过高斯过程回归分析实现剩余寿命预测,并通过滚动轴承PRONOSTIA数据集验证了方法的性能,结果表明本文方法可以有效估计轴承的退化状态,实现了轴承RUL高准确性预测,为轴承及其余设备的剩余寿命预测研究提供了重要的理论参考,具备重要的实践价值。本文结合系统非线性特点,在强噪声、多干扰背景下,就基于模型和基于数据驱动的故障诊断与预测方法进行了深入的研究,提出了多种故障诊断和预测新方法,一定程度上解决了系统突变、多工况等各种复杂情况下,由于系统复杂性、故障耦合性及不确定性等所带来的诊断准确率低、实时性差、鲁棒性弱及预测方法缺乏等问题。本文研究成果对非线性系统智能诊断技术的发展及保障系统运行的安全性和可靠性具有重要的参考价值和实践意义。
闫树庆[5]（2020）在《基于量子进化LS-SVM与贝叶斯概率分析的风电机组故障诊断研究》文中提出风力发电具有资源丰富、经济竞争力强、气候变化缓解等优点,是未来最有前途的可再生能源技术之一。但风力发电机运行时所处的地理环境复杂、多在荒芜人烟的地区,极易发生故障,随着风电产业的日益增长,对风力发电机的故障诊断所消耗的时间和经济也越来越多,这对风力发电机的可靠性提出了极大的挑战,及时有效对风力发电机发生故障进行诊断,提高风力发电机的可靠性,降低风力发电机运维成本已成为亟待解决的关键问题。本文利用FAST仿真软件得出的风力发电机组故障数据,通过提出的基于量子进化最小二乘支持向量机与贝叶斯概率分析的故障诊断方法,对风力发电机组故障诊断进行研究。（1）本文首先对风力发电机组的基本结构和工作原理进行了简述,并对风力发电机组的故障进行了分析。介绍了FAST仿真软件的基本理论,通过FAST对风力发电机组故障进行仿真,并详细说明了故障的生成,得到了研究需要的故障数据。（2）针对各种不确定性和噪声对数据的影响问题,提出一种基于量子进化最小二乘支持向量机故障识别模型,采用最小二乘支持向量机建立风力发电机组故障识别模型,引入量子进化算法优化正则化参数以及核函数参数,利用量子进化中的比特编码方式和量子旋转门更新策略提高种群的多样性。通过得到的故障数据与传统LS-SVM和PSOLS-SVM方法进行比较,证明了基于量子进化最小二乘支持向量机故障识别模型具有较好的效果。（3）风力发电机组是一个多组件耦合的复杂系统,其故障的发生也存在一定的耦合性,而以往大多数的风力发电机组故障诊断方法虽然可以对风力发电机的关键部件故障做出判断,但其得到的结果均具有唯一性和排他性,即仅能得到单一的、确定性故障结论,背离了现场技术人员对风力发电机设备维护检修操作的习惯。并且,一旦出现故障误报,无法给出其他可能的备选故障,针对以上问题,本文在风力发电机组故障识别的基础上引入贝叶斯概率公式对故障识别结果进行分析,给出了每一个故障发生的概率,以此作为故障诊断的结果,并给出了故障检修顺序。
王罗[6]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中提出近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
郭瑞东[7]（2020）在《基于神经网络的发电机旋转整流器诊断技术研究》文中进行了进一步梳理旋转整流器是航空三级式同步发电机中的一个重要部件。在发电机的运行过程中,旋转整流器长期处于高速旋转状态和高温工作环境,承受着较高的离心力和热应力,容易产生损坏和故障,这将直接影响到发电机运行状态。因此,研究旋转整流器的故障诊断和监测技术,对于提高航空发电机的可靠性,保障飞机的安全飞行,具有十分重要的研究意义和应用价值。本文以发电机旋转整流器为研究对象,重点研究了旋转整流器故障诊断和特征提取等关键技术。其中,分别研究了基于深度学习网络的故障特征提取和基于改进型极限学习机的故障分类。并设计了基于现场可编程逻辑门阵列（Field Programmable Gate Array,FPGA）的故障诊断系统,能够提高发电机旋转整流器的实时故障诊断效果。具体研究内容如下:（1）研究了基于深度置信网络的故障特征提取方法,并在网络模型添加Dropout进行优化,从而改善深度置信网络模型存在过拟合的问题,提高了模型的性能;同时为了解决极限学习机模型随机初始化参数导致诊断正确率不稳定问题,采用引力搜索算法对该分类器模型参数进行寻优,提高了模型的分类性能,又保证模型本身的快速性。（2）考虑到对发电机实施故障诊断时,对故障诊断的实时性要求很高。论文研究基于神经网络的故障诊断技术,并搭建了基于FPGA平台的故障诊断系统。尝试将神经网络模型移植到FPGA平台中,用于实时诊断发电机旋转整流器健康状态。在基于FPGA的故障诊断系统中,根据故障诊断技术不同组成部分将系统划分为不同模块设计。其中,数据采集模块利用AD芯片采集发电机的故障监测信号;FFT模块对采集数据进行频谱分析,以获取故障监测信号频谱特征;神经网络模块分别设计具有特征提取和分类能力的网络模型,用于实现特征提取及故障诊断。在本文研究中,还对几种网络模型的诊断系统性能进行了对比和分析。实验分析结果表明,基于FPGA的故障诊断系统诊断速度快,适用于对诊断实时性要求很高的航空发电机平台。
倪优扬[8]（2020）在《基于深度学习的航空交流发电机故障诊断技术研究》文中进行了进一步梳理随着通航产业的蓬勃发展,民用飞机的飞行安全和持续适航性愈来愈为公众所关注。航空交流发电机作为机上主要供电来源,其正常工作是保障飞机安全运行的重要条件。根据发电机安全监控数据,采取高效可靠的故障诊断技术,及时发现和处理发电机设备运行过程中出现的故障情况,对整个飞机的安全飞行及供电系统的正常运行具有重要意义。首先,本论文从航空三级交流发电机的基本构成出发,详细分析了重要模块的数学模型和仿真模型,以某型直升机发电机为原型在Matlab可视化仿真环境中搭建了相应的三级同步交流发电机仿真模型。在此基础上,详细分析了发电机典型故障模态及其致因和机理,通过故障仿真采集了相应的仿真运行数据。其次,本论文详细阐述和总结了几种典型深度学习方法在及其故障诊断领域中的应用,深入研究和探讨了深度置信网络（DBN）算法;针对发电机故障特征提取和数据分类设计了实验对DBN进行性能研究分析,验证了DBN直接对原始时域故障信号进行故障特征提取的性能、以及将特征提取和数据分类两步整合在同一个模型中的可行性;采用基于励磁电流信号的DBN方法对航空交流发电机进行故障识别,仿真实验结果表明,该方法对于航空发电机多故障诊断具有极高的准确率。本论文在进一步研究发电机故障特征的基础上,提出了一种基于励磁电流和三相输出电压相结合的多判据DBN分级故障诊断方法,利用电压幅值变化作为前级辅助判据,对故障数据集进行初步划分,减少了单个DBN所需要处理的故障类型,仿真实验结果表明,分级故障诊断方法效率大大提高,在航空三级交流发电机的故障诊断中表现出了优越的性能。
龙霞飞[9]（2019）在《大型风力发电机组齿轮箱智能化故障诊断方法研究》文中研究表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。
秦玉书[10]（2019）在《汽轮发电机故障诊断系统研究与设计》文中进行了进一步梳理汽轮发电机是我国电力生产的主要设备之一,其运行的安全性对于电力安全具有非常重要的作用。为了保证汽轮发电机运转的稳定性和安全性,故障诊断是汽轮发电机工作过程中不可或缺的必要环节。由于汽轮发电机结构复杂、受运行条件、设备元件性能等诸多因素的影响在故障判断方面难度非常的大,很多电厂都是凭借经验进行故障的识别,在电力现代化生产中显然无法做到故障诊断的准确性和及时性。随着传感技术、信息技术、网络技术的不断发展,进行汽轮发电机故障诊断系统的研究与设计已经成为发电厂技术化革新的重要举措。本文结合发电厂汽轮发电机故障诊断的实际情况展开研究,设计一套具备故障信息采集、运行监控、故障诊断与故障管理的智能化故障诊断系统,充分利用已知的汽轮发电机运转传感数据对发电机可能存在的故障信息进行实时监控,并对发生的故障进行综合诊断,利用发电机运转信息数据库和已知故障知识库进行交叉分析判断故障的发展趋势和给出合理的故障预防与故障处理建议。鉴于汽轮发电机运转产生的数据体量庞大并且结构复杂,从采集、标准化处理、存储、诊断和可视化操作几个方面展开研究。首先,设计汽轮发电机故障诊断的通信网络,将各类传感器传输的信息进行标准化处理使其满足系统故障诊断需求,自动化实现发电机运转故障的预测与诊断;其次,构建数据的分布式存储系统,并对系统进行优化提升数据的存取效率;最后,实现汽轮发电机故障诊断的可视化管理。在完成系统的研究与设计后进行系统功能和性能检验得出结论,本文研究并设计汽轮发电机故障诊断系统在汽轮发电机故障诊断智能化管理方面具有较好的实用价值。
二、发电机故障诊断处理系统的研究（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、发电机故障诊断处理系统的研究（论文提纲范文）
（1）基于监测数据的发电机故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要工作 |
| 第2章 基于滑动窗口-KL散度和改进堆叠自编码的轴承故障诊断 |
| 2.1 引言 |
| 2.2 基于改进堆叠自编码的发电机状态重构模型及其相关理论 |
| 2.2.1 自编码算法 |
| 2.2.2 改进堆叠自编码算法 |
| 2.2.3 改进堆叠自编码发电机状态重构模型 |
| 2.3 基于滑动窗口-KL散度算法的故障诊断 |
| 2.3.1 KL散度 |
| 2.3.2 故障诊断 |
| 2.4 算例分析 |
| 2.4.1 基于SAE和改进SAE的轴承温度状态重构模型 |
| 2.4.2 滑动窗口-KL散度故障诊断 |
| 2.5 本章小结 |
| 第3章 基于变学习速率堆叠自编码特征提取的轴承故障诊断 |
| 3.1 引言 |
| 3.2 基于VLRSAE-LSTM的故障分类模型及相关理论 |
| 3.2.1 基于变学习速率堆叠自编码的特征提取 |
| 3.2.2 基于长短时记忆的分类模型构建 |
| 3.3 故障分类整体流程 |
| 3.3.1 模型建立 |
| 3.3.2 分类步骤 |
| 3.4 算例分析 |
| 3.4.1 不同隐含层VLRSAE-LSTM模型的故障分类 |
| 3.4.2 不同特征选择方法的对比 |
| 3.5 本章小结 |
| 第4章 基于改进集成学习算法的故障诊断 |
| 4.1 引言 |
| 4.2 相关算法介绍 |
| 4.2.1 集成学习 |
| 4.2.2 改进集成学习 |
| 4.3 故障识别整体流程 |
| 4.3.1 模型建立 |
| 4.3.2 故障识别 |
| 4.4 算例分析 |
| 4.4.1 数据挖掘 |
| 4.4.2 故障诊断 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）基于改进生成对抗网络的大型风力发电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电机组轴承的故障检测、诊断技术 |
| 1.2.2 深度学习研究现状 |
| 1.2.3 深度学习应用于轴承故障诊断 |
| 1.3 轴承故障诊断研究目前存在的问题及发展方向 |
| 1.4 课题主要研究内容 |
| 第2章 风电机组发电机故障机理及其特征分析 |
| 2.1 风力发电机组基本结构 |
| 2.2 风力发电机组分类 |
| 2.3 风力发电机组常见故障及其分析 |
| 2.4 发电机典型故障分析 |
| 2.5 风力发电机轴承故障分析 |
| 2.6 本章小结 |
| 第3章 基于数据驱动的故障数据预处理技术 |
| 3.1 数据清洗 |
| 3.2 数据变换 |
| 3.3 特征选择与抽取 |
| 3.4 数据标注 |
| 3.5 建立风力发电机轴承数据样本与预处理 |
| 3.6 本章小结 |
| 第4章 基于改进生成对抗网络的轴承不平衡数据扩充研究 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络工作原理 |
| 4.1.2 生成对抗网络的优势 |
| 4.2 改进生成对抗网络数据扩充处理及相关的算法 |
| 4.3 基于改进GAN对公开数据集进行数据扩充 |
| 4.4 本章小结 |
| 第5章 卷积神经网络的故障诊断研究 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积运算 |
| 5.1.2 CNN网络结构 |
| 5.1.3 CNN网络结构特性 |
| 5.2 卷积神经网络轴承故障诊断及相关的算法 |
| 5.3 基于二维卷积神经网络的轴承故障诊断 |
| 5.4 本章小结 |
| 第6章 基于改进生成对抗网络的大型风机发电机轴承故障诊断方法研究 |
| 6.1 盐城大丰发电厂风电机组发电机轴承振动数据获取 |
| 6.2 风力发电机厂实际数据预处理 |
| 6.3 改进GAN实现数据类别不平衡的处理 |
| 6.4 卷积神经网实现故障诊断 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（3）汽轮发电机组状态监测与故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 汽轮发电机组轴系结构 |
| 1.3 汽轮发电机组故障诊断技术研究现状 |
| 1.4 本文研究内容 |
| 2 汽轮机典型故障分析 |
| 2.1 汽轮机常见故障分类 |
| 2.2 转子不平衡故障 |
| 2.3 转子不对中故障 |
| 2.4 轴承座松动故障 |
| 2.5 油膜振荡故障 |
| 2.6 转子裂纹故障 |
| 2.7 本章小结 |
| 3 发电机典型故障分析 |
| 3.1 发电机常见故障类型 |
| 3.2 转子绕组匝间短路故障 |
| 3.3 静偏心故障 |
| 3.4 定子绕组绝缘故障 |
| 3.5 发电机故障诊断方法 |
| 3.6 故障案例分析 |
| 3.7 本章小结 |
| 4 基于自适应互补LMD方法的汽轮机振动故障分析 |
| 4.1 局部均值分解理论 |
| 4.2 基于ACLMD的汽轮机振动信号分解 |
| 4.3 基于乘积函数能量熵的特征提取 |
| 4.4 基于GA优化BP神经网络的汽轮机故障诊断实现 |
| 4.5 振动故障监测系统设计 |
| 4.6 本章小结 |
| 5 发电机组状态检修方式探讨 |
| 5.1 常见的发电机组检修模式 |
| 5.2 计划性检修模式的综合分析和评价 |
| 5.3 状态检修方式的探讨 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于智能技术的一类非线性系统故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语说明 |
| 第一章 绪论 |
| 1.1 论文的背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性系统的故障诊断与预测问题描述 |
| 1.2.2 故障诊断与预测方法研究现状 |
| 1.3 存在的问题和研究难点 |
| 1.4 研究内容及思路 |
| 1.5 论文结构安排及课题来源 |
| 1.5.1 论文结构安排 |
| 1.5.2 课题来源 |
| 第二章 基于智能优化粒子滤波的故障诊断方法研究 |
| 2.1 引言 |
| 2.2 粒子滤波算法 |
| 2.2.1 状态空间模型 |
| 2.2.2 标准粒子滤波 |
| 2.3 变频变异粒子滤波(VFM-PF) |
| 2.3.1 变频变异策略 |
| 2.3.2 变频变异粒子滤波算法 |
| 2.3.3 算法性能实验及结果分析 |
| 2.4 基于VFM-PF的曝气池溶解氧过程故障诊断 |
| 2.4.1 活性污泥法污水处理及曝气池溶解氧过程 |
| 2.4.2 曝气池溶解氧过程故障诊断模型 |
| 2.4.3 基于VFM-PF的曝气池溶解氧过程故障诊断实验及结果分析 |
| 2.5 基于改进天牛群搜索算法的粒子滤波(BSAS-PF) |
| 2.5.1 天牛群搜索算法 |
| 2.5.2 改进天牛群搜索算法 |
| 2.5.3 基于改进天牛群搜索算法的粒子滤波 |
| 2.5.4 算法性能实验及结果分析 |
| 2.6 基于BSAS-PF的双馈风力发电机故障诊断 |
| 2.6.1 风力发电系统概述 |
| 2.6.2 双馈发电机故障诊断模型 |
| 2.6.3 基于BSAS-PF的双馈发电机故障诊断实验及结果分析 |
| 2.7 本章小结 |
| 第三章 基于ADCS-ELM的故障诊断方法研究 |
| 3.1 引言 |
| 3.2 本章相关技术概述 |
| 3.2.1 经验模态分解和集合经验模态分解 |
| 3.2.2 极限学习机 |
| 3.3 ADCS-ELM神经网络 |
| 3.3.1 改进布谷鸟搜索算法 |
| 3.3.2 基于ADCS的改进ELM神经网络 |
| 3.4 基于ADCS-ELM的故障诊断 |
| 3.4.1 故障诊断流程 |
| 3.4.2 基于EEMD的特征提取 |
| 3.4.3 基于ADCS-ELM的故障模式识别 |
| 3.5 故障诊断实验及结果分析 |
| 3.5.1 数据来源 |
| 3.5.2 故障特征提取实验 |
| 3.5.3 故障分类识别实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于堆叠降噪自动编码器的故障诊断方法研究 |
| 4.1 引言 |
| 4.2 堆叠降噪自动编码器(SDAE) |
| 4.2.1 自动编码器(AE) |
| 4.2.2 稀疏自动编码器(SAE) |
| 4.2.3 降噪自动编码器(DAE) |
| 4.2.4 堆叠降噪自动编码器(SDAE) |
| 4.3 基于人工变性天牛算法的改进堆叠降噪自动编码器(ATLA-SDAE) |
| 4.3.1 人工变性天牛算法(ATLA) |
| 4.3.2 基于ATLA的 SDAE超参数优化 |
| 4.4 基于ATLA-SDAE的故障诊断 |
| 4.5 故障诊断实验及结果分析 |
| 4.5.1 多工况轴承数据与特征集的构造 |
| 4.5.2 故障诊断实验及结果分析 |
| 4.6 本章小结 |
| 第五章 基于ICS-ELM的故障预测方法研究 |
| 5.1 引言 |
| 5.2 基于ICS-ELM的污水处理过程BOD预测 |
| 5.2.1 改进布谷鸟搜索算法(ICS) |
| 5.2.2 基于ICS的改进ELM神经网络污水处理过程BOD预测 |
| 5.3 基于ICS-ELM的 BOD实时故障预测实验及结果分析 |
| 5.3.1 实验数据的获取 |
| 5.3.2 实验数据的预处理 |
| 5.3.3 BOD预测实验及结果分析 |
| 5.4 本章小结 |
| 第六章 基于卷积神经网络的剩余寿命预测方法研究 |
| 6.1 引言 |
| 6.2 本章相关技术概述 |
| 6.2.1 连续小波变换 |
| 6.2.2 卷积神经网络CNN |
| 6.3 CNN预测模型结构设计 |
| 6.4 基于CNN-HI的滚动轴承剩余寿命预测 |
| 6.5 基于CNN-HI的轴承RUL预测实验及结果分析 |
| 6.5.1 PRONOSTIA轴承加速全寿命数据集 |
| 6.5.2 预测实验及结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
（5）基于量子进化LS-SVM与贝叶斯概率分析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 课题研究背景及意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 基于物理特征信号的风力发电机组故障诊断发展现状 |
| 1.2.2 基于数据驱动的风力发电机组故障诊断发展现状 |
| 1.3 本文研究内容及主要工作 |
| 第2章 风力发电机组概述及其故障分析 |
| 2.1 风力发电机组基本结构 |
| 2.2 风力发电机组基本原理及工作特性 |
| 2.2.1 风力发电机组的基本原理 |
| 2.2.2 风力发电机组的工作特性 |
| 2.3 风力发电机组的故障分析 |
| 2.4 本章小结 |
| 第3章 基于FAST的海上风力发电机组故障模型仿真 |
| 3.1 FAST软件的基础理论 |
| 3.1.1 叶素动量理论 |
| 3.1.2 广义动态尾流理论 |
| 3.1.3 结构动力学 |
| 3.2 风力发电机组故障运行模型 |
| 3.2.1 风速的模拟 |
| 3.2.2 风力发电机组故障模型 |
| 3.3 本章小结 |
| 第4章 基于量子进化最小二乘支持向量机的故障识别模型 |
| 4.1 最小二乘支持向量机 |
| 4.1.1 支持向量机原理 |
| 4.1.2 核函数 |
| 4.1.3 LS-SVM |
| 4.2 基于量子进化的最小二乘支持向量机模型 |
| 4.2.1 量子进化算法 |
| 4.2.2 基于量子进化的LS-SVM的参数选择 |
| 4.3 基于QEA-LS-SVM的风力发电机组故障识别 |
| 4.3.1 风力发电机组仿真故障及其描述 |
| 4.3.2 对比算法与实验设计 |
| 4.3.3 仿真实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于贝叶斯概率分析的风力发电机组故障诊断 |
| 5.1 贝叶斯原理 |
| 5.2 量子进化LS-SVM贝叶斯后验概率故障诊断模型 |
| 5.3 风力发电机组故障诊断结果及分析 |
| 5.3.1 概率输出故障诊断结果 |
| 5.3.2 故障检修顺序分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（6）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 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 |
（7）基于神经网络的发电机旋转整流器诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 飞机电源系统概述 |
| 1.1.2 航空发电机故障诊断重要性 |
| 1.2 飞机发电机故障诊断技术研究现状 |
| 1.2.1 转子故障国内外研究现状 |
| 1.2.2 定子故障国内外研究现状 |
| 1.2.3 旋转整流器故障诊断研究现状 |
| 1.3 论文研究内容及章节安排 |
| 第二章 基于神经网络模型的故障诊断技术研究 |
| 2.1 特征提取技术简介 |
| 2.1.1 DBN模型介绍 |
| 2.1.2 Dropout策略 |
| 2.1.3 Dropout-DBN模型 |
| 2.2 故障分类技术简介 |
| 2.2.1 ELM模型介绍 |
| 2.2.2 引力搜索算法概述 |
| 2.2.3 GSA-ELM模型 |
| 2.3 仿真模型实验验证 |
| 2.3.1 仿真模型及故障模式说明 |
| 2.3.2 数据采集与实验方法 |
| 2.3.3 实验结果分析 |
| 2.4 实际实验验证 |
| 2.4.1 物理平台简介 |
| 2.4.2 数据采集及预处理 |
| 2.4.3 实验验证及结果分析 |
| 2.5 本章小结 |
| 第三章 基于FPGA的故障诊断系统设计 |
| 3.1 FPGA平台及系统开发简介 |
| 3.1.1 FPGA硬件芯片简介 |
| 3.1.2 软硬件测试环境选择 |
| 3.1.3 软件环境介绍 |
| 3.1.4 故障诊断系统设计流程图 |
| 3.2 模块设计及仿真验证 |
| 3.2.1 数据采集模块设计 |
| 3.2.2 FFT模块设计 |
| 3.2.3 神经网络模块设计 |
| 3.2.4 顶层系统设计 |
| 3.3 故障诊断系统实验结果分析 |
| 3.3.1 系统测试 |
| 3.3.2 性能分析 |
| 3.4 本章小结 |
| 第四章 总结与展望 |
| 4.1 本文工作总结 |
| 4.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表(录用)的学术论文 |
（8）基于深度学习的航空交流发电机故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 民用飞机供电体制 |
| 1.1.2 机载供电系统适航性要求 |
| 1.2 研究现状与发展趋势 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 深度学习在故障诊断领域的应用 |
| 1.3 论文结构和研究内容 |
| 第二章 航空交流发电机故障仿真及数据采集 |
| 2.1 同步发电机模型 |
| 2.1.1 同步发电机数学模型 |
| 2.1.2 同步发电机仿真模型 |
| 2.2 三级无刷交流同步发电机仿真建模 |
| 2.2.1 发电机调压控制系统 |
| 2.2.2 三级发电机模型仿真模型搭建 |
| 2.2.3 基于三级发电机模型的交流主电源系统仿真分析 |
| 2.3 故障模态分析和仿真 |
| 2.3.1 发电机短路故障 |
| 2.3.2 发电机断相故障 |
| 2.3.3 发电机内部绕组匝间短路故障 |
| 2.3.4 发电机励磁回路故障 |
| 2.3.5 发电机故障数据 |
| 2.4 本章小结 |
| 第三章 基于深度学习的发电机故障诊断方法研究 |
| 3.1 深度学习故障诊断应用 |
| 3.1.1 深度学习基本概念 |
| 3.1.2 典型深度学习方法研究 |
| 3.2 深度置信神经网络 |
| 3.2.1 受限波兹曼机 |
| 3.2.2 DBN网络结构 |
| 3.2.3 DBN训练过程 |
| 3.3 基于发电机仿真数据的DBN模型性能研究 |
| 3.3.1 RBM特征提取性能 |
| 3.3.2 DBN数据分类性能 |
| 3.4 基于励磁电流信号的发电机故障诊断方法 |
| 3.4.1 基于原始时域信号的DBN故障诊断流程 |
| 3.4.2 励磁电流数据预处理及网络训练 |
| 3.4.3 航空交流发电机故障识别仿真实验 |
| 3.5 本章小结 |
| 第四章 基于多故障信号的发电机故障诊断技术研究 |
| 4.1 基于输出电压信号的发电机故障集划分 |
| 4.2 基于DBN的分级故障诊断流程 |
| 4.3 DBN故障诊断方法性能分析 |
| 4.3.1 算法复杂度和诊断效率分析 |
| 4.3.2 不同特征提取数目下的DBN故障诊断性能 |
| 4.3.3 不同样本长度下的DBN故障诊断性能 |
| 4.3.4 不同方法的诊断结果比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文的主要工作 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及论文发表情况 |
| 附录 三级无刷同步发电机仿真模型 |
（9）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 |
（10）汽轮发电机故障诊断系统研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发电机故障诊断技术研究现状 |
| 1.2.2 发电机故障诊断系统研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 汽轮发电机工作原理与故障诊断方法 |
| 2.1 汽轮发电机工作原理 |
| 2.2 常见的故障 |
| 2.3 BP神经网络 |
| 2.4 HDFS分布式文件系统 |
| 2.5 本章小结 |
| 第3章 汽轮发电机故障诊断系统分析与设计 |
| 3.1 汽轮发电机故障诊断系统总体分析与设计 |
| 3.1.1 汽轮发电机故障诊断系统总体分析 |
| 3.1.2 汽轮发电机故障诊断系统总体设计 |
| 3.2 故障诊断子系统分析与设计 |
| 3.2.1 故障诊断子系统分析 |
| 3.2.2 故障诊断子系统设计 |
| 3.3 数据云存储子系统分析与优化 |
| 3.3.1 数据云存储子系统分析 |
| 3.3.2 数据云存储子系统优化 |
| 3.4 本章小结 |
| 第4章 汽轮发电机故障诊断可视化软件分析与设计 |
| 4.1 可视化软件功能分析 |
| 4.1.1 用户管理功能 |
| 4.1.2 数据采集与检测功能 |
| 4.1.3 故障诊断与分析功能 |
| 4.1.4 系统服务功能 |
| 4.1.5 系统管理功能 |
| 4.2 可视化软件功能设计 |
| 4.2.1 用户管理功能模块设计 |
| 4.2.2 数据采集与检测功能模块设计 |
| 4.2.3 故障诊断与分析功能模块设计 |
| 4.2.4 系统服务功能模块设计 |
| 4.2.5 系统管理功能模块设计 |
| 4.3 数据库设计 |
| 4.3.1 数据库实体关系 |
| 4.3.2 数据库表设计 |
| 4.4 本章小结 |
| 第5章 汽轮发电机故障诊断系统检验 |
| 5.0 检验环境搭建 |
| 5.1 系统功能检验 |
| 5.1.1 用户管理功能检验 |
| 5.1.2 数据采集与检测功能检验 |
| 5.1.3 故障诊断与分析功能检验 |
| 5.1.4 系统服务功能检验 |
| 5.1.5 系统管理功能检验 |
| 5.2 数据存取性能检验 |
| 5.2.1 负载均衡检验结果分析 |
| 5.2.2 数据合并检验结果分析 |
| 5.3 系统性能检验 |
| 5.4 系统应用检验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简介 |
四、发电机故障诊断处理系统的研究（论文参考文献）
- [1]基于监测数据的发电机故障诊断技术研究[D]. 吕微. 华北电力大学(北京), 2021(01)
- [2]基于改进生成对抗网络的大型风力发电机轴承故障诊断方法研究[D]. 徐赫. 沈阳理工大学, 2021(01)
- [3]汽轮发电机组状态监测与故障诊断方法研究[D]. 于凯. 中国矿业大学, 2020(07)
- [4]基于智能技术的一类非线性系统故障诊断与预测方法研究[D]. 余萍. 兰州理工大学, 2020
- [5]基于量子进化LS-SVM与贝叶斯概率分析的风电机组故障诊断研究[D]. 闫树庆. 沈阳工业大学, 2020(01)
- [6]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [7]基于神经网络的发电机旋转整流器诊断技术研究[D]. 郭瑞东. 南京航空航天大学, 2020(07)
- [8]基于深度学习的航空交流发电机故障诊断技术研究[D]. 倪优扬. 南京航空航天大学, 2020(07)
- [9]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)
- [10]汽轮发电机故障诊断系统研究与设计[D]. 秦玉书. 哈尔滨理工大学, 2019(02)