一、基于模糊神经网络的故障诊断系统的设计与实现（论文文献综述）
赵士博[1]（2021）在《电动汽车动力电池故障诊断方法研究》文中认为世界工业飞速发展导致了能源短缺与环境污染等诸多问题,新能源汽车开始成为世界汽车工业的主要发展方向,其主力军便是电动汽车。电动汽车的动力源是电池,它扮演着非常重要的角色。现在的大多数电动汽车使用锂离子动力电池。锂电池性能受到复杂的工况和各种因素影响,轻微的故障可能会使电动汽车的续驶里程减少,造成人们出行不便;而严重故障有电池着火以至于爆炸的风险,危害人们的生命和财产,因此电池故障诊断非常必要,可以避免这些情况发生。本论文研究的就是电动汽车动力电池故障诊断方法,由于锂电池是一个较为复杂的非线性系统,很难去判断其故障原因,所以我们选择基于模糊神经网络搭建锂电池故障诊断系统。论文对电池故障诊断系统的重要性进行分析,并简要介绍了国内外电动汽车和电池管理系统的现状以及故障诊断技术的发展。之后对纯电动汽车的工作原理进行分析,又分析了动力电池与电池管理系统（Battery Management System,BMS）,设计了一种依附于电池管理系统的电池故障诊断系统来诊断诸如电池容量变小、内阻过大、充电不足和自放电大这些BMS不易诊断的故障。论文介绍锂电池工作原理,对电池故障进行机理分析,分析出电池故障与电池故障症状的关系。由于实验局限性并考虑人身安全,除了必要的实验,搭建了电池模型进行模拟实验。选择二阶RC模型作为锂离子电池的等效模型,并对参数进行辨识,基于MATLAB平台搭建电池模型,并验证模型的准确性。利用Simulink对电池容量变小、内阻增大、充电不足和自放电大这四种故障电池分别与正常电池进行充放电对比,在MATLAB中得到故障与正常电池充放电曲线以及电压历史数据。根据模糊集合知识和电池故障机理,确定了电池故障诊断规则。通过各自症状的隶属度函数计算隶属度,建立神经网络训练样本库和测试样本。分别用BP（Back Propagation,BP）和RBF（Radial Basis Function,RBF）两种神经网络对训练样本库进行训练,并进行仿真验证,仿真结果表明这两种方法都能准确诊断出电池故障,相较而言RBF神经网络结构简单,训练速度较快。在MATLAB中创建支持向量机（Support Vector Machine,SVM）的分类模型,给电池故障打上标签,进行训练和分类预测,预测的故障类别与实际故障类别相同,预测结果准确。这三种方法都能准确诊断出电池的故障。
王志盛[2]（2021）在《发电机励磁系统在线故障诊断边缘代理装置研发》文中研究表明励磁系统是发电机的重要组成部分之一,负责给发电机转子提供励磁电流,使发电机系统可靠、安全、稳定的生产电能。所以励磁系统在电力系统中占据着举足轻重的位置。而励磁功率单元又是励磁系统的重要一部分,因此对励磁功率单元进行故障诊断是十分有必要的。目前,励磁功率柜大部分都没有在线故障诊断系统,所以晶闸管发生故障后,装置侧不具备复杂的故障诊断功能,而且录波数据又不能实时传送到远方监控层进行处理。因此,会导致故障诊断不及时从而给电力系统稳定性带来非常严重的影响。近几年来,因为边缘计算技术和广域测量技术在电力系统领域逐渐兴起,而且它可以在数据源侧高精度地同步被监测回路的实时运行数据并进行处理分析,然后将处理的信息存储下来并打上时间戳,之后便通过网络通道将电网的全局动态信息返回到远方监控层。于是在此背景下,本文基于边缘计算的网络架构,设计了励磁系统在线故障诊断边缘代理装置。首先,本课题使用SIMULINK搭建了单桥励磁功率单元的模型,并对励磁功率单元晶闸管的典型故障进行了分类和仿真分析,提取了励磁电压的面积特征值并总结了单桥的故障诊断算法。在单桥的基础上,对双桥励磁功率单元的典型故障进行了仿真研究,并提取了励磁电流特征值,为后面的模糊神经网络算法提供数据处理支撑。然后选定英创公司的ESM3352工控主板作为边缘代理装置的上位机,下位机的主控芯片则采用TI公司的TMS320F2810。在下位机的硬件电路方面,主要设计了励磁电压和励磁电流的采样电路、GPS信号采集电路、录波数据存储电路以及RS485通信电路等。其次,本文设计了边缘代理装置的软件功能。首先,对下位机的软件功能进行设计,在CCS3.0编程环境下分别编写了基于GPS的广域测量技术程序、基于同步时窗技术的AD采样程序、以及RS485的通信程序;接着在Eclipse开源IDE平台下,用LINUX-C实现上位机的软件功能,其中包括励磁功率单元的故障诊断程序、MODBUS-RTU通信协议程序、录波文件存储程序等。对于远方监控层来说,则采用MATLAB-GUI来设计人机交互界面,从而实现向下读取边缘代理装置的录波数据,并把励磁功率单元的运行状态展示到界面上,再向上将录波数据存入到SQLSever2008r2数据库。最后在云桥电站实验平台进行了单桥励磁功率单元的在线故障试验,试验结果表明,励磁系统在线故障诊断边缘代理装置的功能达到了预期的设计要求。此外,对于双桥的励磁功率单元故障,以励磁电流特征值为基础,使用模糊神经网络算法作为手段来进行故障诊断,根据仿真试验的结果证明了该方法是可行的。
郭晓杰[3]（2020）在《船舶电力推进系统智能容错控制技术研究》文中研究指明船舶电力推进系统将船舶操纵推进用电和其他用电负载一体化,具有降低动力装置重量和体积、提高系统供电可靠性以及便于能量综合利用与统一管理等特点,已经成为未来智能船舶的主要发展方向。多发电机组、多种用电负载和智能变电设备的投入使用改变了船舶电力推进系统的拓扑结构和操作特性,也对其解析容错控制设计提出了严峻挑战。因此,综合考虑系统故障行为特性和容错控制体系结构,进行船舶电力推进系统智能容错控制技术研究具有十分重要的意义。本文针对船舶电力推进系统智能容错控制技术的几个关键问题展开了研究:首先,开展了船舶电力推进系统的容错控制体系结构与数学建模研究。明确了本文的研究对象,介绍了船舶中压直流电力推进系统的基本结构和功能特性。考虑电力推进系统容错控制的多层结构与集成设计,提出了一种船舶中压直流电力推进系统递阶、分层智能容错控制体系结构框架,将系统状态监控、健康评估、故障诊断以及容错控制策略的内在联系进行了统一描述。为了对船舶电力推进系统容错控制研究提供必要的理论框架和模型基础,建立了发电子系统、推进子系统、区域负载集合以及配电子系统的数学模型,重点针对推进子系统中的六相永磁同步电机和螺旋桨负载特性进行了描述。其次,针对船舶电力推进系统的典型故障模式与影响分析进行了智能评估研究。综合考虑专家评估的可信度、模糊信息的不确定性以及故障模式与故障原因的内在关联性,提出了一种基于模糊逻辑与决策试验评估实验室（Decision-making Trial and Evaluation Laboratory,DEMATEL）理论的故障模式影响智能评估方法,利用信息熵与定性分析相结合的综合权重分配机制确定了专家意见可信度权重,引入了模糊语言术语集和模糊数得到各风险因子的模糊评价及相对模糊权重,设计了基准调整搜索算法确定模糊风险优先数的α-割集,采用质心解模糊思想和α-割集理论对模糊风险优先数进行了清晰化处理。将模糊风险优先数的解模糊值作为DEMATEL算法的输入变量,计算了各故障模式的原因度和风险优先级排序。以推进子系统的典型故障模式为例,验证了所提的智能评估方法的有效性,为后续的容错控制策略设计提供了理论依据。然后,针对船舶电力推进系统六相永磁同步电机的绕组缺相故障智能容错控制展开了研究。建立了含参数摄动和负载扰动的六相永磁同步电机缺相故障容错系统数学描述,结合故障检测机制,提出了一种基于中线补偿的零序电流参考值在线决策系统,无需根据不同相绕组开路情形和中性点连接方式重新推导降维解耦的数学模型,建立了矢量解耦的转速/电流容错控制结构框架。为了解决六相永磁同步电机绕组缺相引起的转速跟踪和转矩脉动问题,基于设计的矢量解耦容错控制结构,提出了一种自适应反步滑模鲁棒容错控制策略,利用自适应估计技术和鲁棒控制能量耗散不等式分别在线补偿了反步滑模系统的内部参数摄动和外部负载扰动,实现了六相永磁同步电机系统缺相故障运行的转速跟踪、扰动抑制和容错最优化。考虑到参数摄动自适应律设计中存在增益参数整定困难和抗扰鲁棒性能较差等问题,进一步提出了一种递归小波模糊神经网络智能观测器设计算法,将其应用于反步滑模鲁棒容错系统不确定参数摄动的在线估计过程,保证了基于智能观测器的六相永磁同步电机反步滑模鲁棒容错控制系统的渐进稳定性。通过缺相故障模拟和数字仿真试验结果,验证了所提的两种容错控制策略的有效性。最后,开展了船舶电力推进系统的舵/桨输出作用力协调容错控制研究。探讨了船舶航速与航向的耦合关系,以及螺旋桨对航向控制和舵对航速控制的影响,建立了含海浪环境干扰和模型参数估算误差（合称为复合扰动）的船舶航速/航向操纵系统数学描述。针对船舶电力推进系统双舵双桨控制力的部分失效情形,设计了非线性观测器在线补偿不确定性复合扰动,基于失效系数计算和复合扰动观测器,提出了一种自适应滑模协调容错控制策略,结合有效性系数矩阵修正了故障执行器的优先作用等级,设计了具有故障惩罚作用的伪逆优化分配策略。针对船舶电力推进系统双舵双桨输出控制力的部分失效、中断、偏移和卡死等故障模式,给出了含执行器多重故障和复合扰动的船舶航速/航向控制系统数学描述,设计了自适应更新律在线估计执行器失效因子、卡死故障因子、卡死故障的上下界以及复合扰动的上下界,结合故障参数估计值和复合扰动参数估计值,提出了一种控制律重构与控制分配集成设计的自适应反步协调容错控制策略,实现了航速/航向跟踪、复合扰动抑制和执行器能耗最小化。构建了船舶电力推进舵/桨协调容错系统数字仿真测试平台,分别验证了所提的两种容错控制策略的可行性。本文的研究成果具有重要的理论意义和应用前景,可以为船舶电力推进系统智能容错控制的工程化应用提供技术基础和经验积累,实现船舶电力推进系统的可靠运行与健康管理。此外,其研究成果也适用于其他对象,有助于其他工程领域在相关技术层面上的借鉴推广。
薛昊[4]（2020）在《集中式汽车检测线故障诊断系统的研究》文中研究指明集中式汽车检测线以机械、电子、控制以及计算机技术为基础,利用传感器以及相应的检测设备对汽车的安全、性能等状态进行快速准确的测量,并通过对比相关国家标准作出性能评价。检测线系统中包含各种电子电路、机械设备等,一旦出现故障,需要诊断专家到达现场进行故障诊断,此种诊断模式费时费力,降低了检测线的使用效率,因此研究集中式汽车检测线故障诊断系统,对于提高故障诊断效率,保障集中式汽车检测线稳定运行有着重要意义。本文以集中式汽车检测线为研究对象,首先介绍了集中式汽车检测线的组成及其功能,并根据故障原理进行分类,主要分为检测设备系统故障、测控系统故障、数据采集系统故障,根据不同故障类型的特点,本文采用基于故障树的汽车检测线故障诊断专家系统对前两类故障进行诊断,采用基于神经网络的汽车检测线故障诊断方法对第三类故障进行诊断,并设计了基于ARM Cortex-M3的故障数据采集硬件电路,主要包括模拟信号采集电路以及数字信号采集电路,为故障诊断提供事实依据。基于故障树的集中式汽车检测线故障诊断专家系统:建立集中式汽车检测线故障树,涵盖三个大系统、十个子系统以及三十八个底事件。进行定性分析,确定其最小割集,采用基于信息指数修正的专家调查法对最小割集进行定量分析,得出其故障概率及概率重要度。之后建立故障诊断专家系统,根据汽车检测线故障树结构,设计故障部件知识表、故障数据知识表、故障现象知识表、故障规则知识表、故障维修知识表作为专家系统知识库,采用基于知识的产生式规则诊断推理融合方式作为推理方式。基于神经网络的集中式汽车检测线故障诊断:建立故障诊断神经网络模型,分别使用BP神经网络和LSTM神经网络构建集中式汽车检测线故障诊断模型,确定各状态参数,对输入故障数据进行预处理处理,根据训练结果,对神经网络模型的训练参数进行优化。之后对选取的数据进行测试,实验结果验证了基于神经网络的集中式汽车检测线故障诊断模型对于提高故障诊断准确率有着良好效果。最后对集中式汽车检测线故障诊断平台进行设计与实现,确定了客户端/服务器的架构模式,采用python语言、SQL Server关系型数据库进行开发,主要包含用户信息、故障诊断、检测数据监测及诊断、历史故障信息查询等模块,并对诊断平台进行测试,结果表明本文研究设计的故障诊断平台可以实现不同故障类型的诊断功能。
高家涛[5]（2020）在《基于虚拟现实的列车电气仿真及诊断系统研究》文中指出我国城市轨道交通的发展规模与日俱增,北京、上海等一些发展较早的地区正在从建设期转向运维期,数量庞大的城市轨道交通车辆维护保养以及故障诊断与检修的需求与日俱增,而庞大电气系统则是车辆极为重要的部分,其安全稳定的工作直接影响着车辆的运营。近年来,越来越多的就业人员走向了地铁维保检修的岗位,这就要求维保公司对新员工及时有效地进行培训,而传统的师徒带教式的培训方法,无法实现大面积、多学员同时培训,也无法做到差异化教学,培训效果差,针对一些比较抽象的内容,在检修现场进行现场教学的机会少之又少,实物操作培训的成本太大,某些比较隐蔽的电气系统故障难以快速有效地诊断检修,目前对电路原理的学习大都是使用二维电路图,既视感差,难以和现实列车电气系统相关联。因此,城市轨道交通行业亟需高效、实用性强的列车电气仿真系统,虚拟现实技术的飞速发展为解决这些问题提供了新的途径。列车电气系统的组成十分复杂,主要功能是为列车电气牵引制动、列车控制、列车监控及故障诊断、乘客信息服务、列车通号设备、列车室内照明等提供电力,按其功能、作用和电压等级,可分为主电路、控制电路和辅助电路三个独立的电路系统,主要包括受电弓升降系统、牵引制动系统、车门系统等15个系统分支,相互配合,共同完成列车的使命。虚拟现实技术依托于强大的计算机技术、多媒体技术,以其独有的特点,让人身临其境的进入到虚拟环境中,结合人机交互操作功能,引人入胜,调动了人们学习培训的积极性,打破了传统教学方式的时空限制,也为列车电气系统故障诊断与检修提供了新技术。本文研究了虚拟现实在列车电气仿真系统上的应用技术,合理地设计并开发了基于虚拟现实技术的列车电气仿真及诊断系统。首先,简单进行了列车电气系统的分析介绍,详细地阐述了虚拟现实的相关理论和系统开发的流程。然后,通过分析应用对象的需求,对基于虚拟现实的列车电气仿真及诊断系统进行了周密的设计。最后,利用unity软件,对此系统进行开发。本文使用Creo软件进行地铁列车整车模型和列车电气系统模型的构建,使用3d max软件进行实物渲染和动画制作,使用unity 3d软件进行场景搭建和交互漫游功能实现。
裴航[6]（2019）在《基于模糊神经网络的电梯电气故障诊断研究》文中研究指明在城乡一体化进程持续推进的今天,越来越多的人涌入繁华的城市,人们对电梯提出了多元化、个性化需求。电梯的诞生与应用为人们生活及工作提供了极大的便利。人们对电梯性能提出了更高标准,特别是在电梯出现异常的情况下,及时甄别和妥善处理尤为关键。当前,随着科学技术的日新月异,电梯控制系统逐步朝着智能化、现代化、小型化、标准化等方向发展,对检测工作者的技术技能提出了更高要求。唯有积极引入并引用先进的新型检测装置,才能够实现对电梯故障和各类异常问题的实时化、动态化、持续化检测与监管。结合电梯控制技术的最新动态,将目光聚焦于以CAN总线为基础的电梯控制系统并在相关理论的指导下对其故障诊断展开全面深入地探讨和分析,试图研发出一款小型化、便于携带、功能完善、性能可靠且具智能水平较高的电梯电气故障诊断卡,由此实现对电梯电气故障的即时监测、精准甄别,为工作人员及时排出故障提供有益帮助。本文开展的研究工作主要包括:第一,对电梯控制系统的主要构成和作用机制进行了全面客观地论述。第二,对实际应用中比较常见的几种故障模式进行了基本论述,由此梳理并明确了电梯故障的特征和成因,并初步确定了故障诊断系统的总框架体系,创建一个科学合理、规范严谨的故障树,通过当前应用比较广泛的故障树分析法全方位、深层次地剖析了电梯故障。第三,对模糊理论、神经网络技术进行了详细全面地说明,同时对其在故障诊断方面的具体应用进行了介绍,最后对上述理论联合应用的重要性及具体应用方式进行了深入细致地论述。基于已完成的电梯控制系统,本文将在汲取前人研究成果的基础上对电梯故障系统的硬件电路进行科学规范地设计,同时在以模糊理论等成熟前沿理论为指导的前提下,构建了一个严谨合理且简单易懂的故障诊断模型,通过当前应用较为流行的模糊神经网络制定了科学合理的故障诊断方案,以此为依据构建了性能可靠、功能旗强大且具有较强实用价值的故障诊断专家系统。图42幅;表4个;参51篇。
韩清春[7]（2019）在《基于布谷鸟算法优化BP神经网络的变压器故障诊断研究》文中指出变压器是电力系统中进行电压等级变换和传递电能的枢纽设备,其运行状况直接影响电网安全可靠运行,所以如何及时准确地发现变压器运行过程中存在的潜伏性故障成为电力系统安全稳定运行中有待进一步研究的课题。本文在参考大量现有文献的基础上将布谷鸟算法优化BP神经网络即CS-BP神经网络创新性地引入至变压器故障诊断领域,有效提高了变压器故障诊断正确率及诊断精度,为变压器及电力系统的正常运行提供可靠保障。首先,通过阅读相关资料总结变压器油中气体产生机理及变压器故障分类,并在此基础上介绍了传统诊断方法和人工智能诊断方法的基本原理及优缺点。通过详尽的公式推导阐述BP神经网络的基本数学原理,分析了 BP神经网络的优点和缺点并简要介绍了现阶段对于BP神经网络的改进方法,同时论述了布谷鸟算法的基本思想和算法流程。其次,提出将布谷鸟算法优化BP神经网络应用于变压器故障诊断领域,把BP神经网络的初始阈值和权值映射为布谷鸟算法中的鸟巢位置,通过模拟布谷鸟搜索最优鸟巢进行产卵孵育的过程来确定一组最优初始阈值和权值的组合以克服BP神经网络收敛速度慢且易陷入局部最优的缺点。以变压器油中五种特征气体含量构成的三种比值为网络输入,变压器七种运行状态为网络输出,利用CS-BP神经网络深入挖掘训练样本中隐含的变压器故障信息并对一定数目的测试样本进行分类识别以判断变压器故障类型。通过对CS-BP神经网络的训练曲线及诊断结果进行仿真,表明经过布谷鸟算法优化后的BP神经网络可有效减小训练次数并显着提高对测试样本的诊断正确率及诊断精度。同时将诊断结果与目前广泛使用的的粒子群算法作对比,结果表明CS-BP神经网络相对于粒子群算法优化BP神经网络（PSO-BP神经网络）对于同组测试样本表现出更加优异的诊断性能。最后,在算法仿真的基础上通过C#和MATLAB混合编程技术利用Microsoft SQL Server 2012软件和Visual Studio 2012软件设计并开发了变压器故障诊断系统,利用系统中的三比值法、BP神经网络、PSO-BP神经网络和CS-BP神经网络对变压器现场收集到的数据进行对比分析以初步确定变压器故障类型,通过结合变压器现场分析验证了本文所开发的系统在变压器故障诊断领域具有可行性和有效性。
张天一[8]（2018）在《车载加热器监控与智能故障诊断技术研究》文中提出车载加热器作为车辆加热采暖装置,在各种类型的车辆上有着广泛的应用。目前,国内的车载加热器技术虽然有了较大的发展,但与国外同类产品还有一定差距。同时,在车载加热器产品监控及故障诊断方面,依然较多的采用传统方法,费时费力。本文针对现状,以河北威泰重工机械有限公司生产的展祥车载加热器为对象,搭建了车载加热器的监控平台,并进行了智能故障诊断方面的研究。首先,介绍了车载加热器工作原理与软硬件结构,以此为基础,分别设计了基于电脑端以及智能手机端的车载加热器监控软件。本文设计的电脑端监控软件主要用于监控车载加热器出厂前的点火测试,为车载加热器能否出厂销售提供依据。目前该监控软件已投入工厂使用,性能稳定。本文设计的手机端监控软件,可以利用手机的短信功能,实现对车载加热器的远程遥控,满足了用户对车辆驾驶室及发动机预热的要求,很有市场价值。接着,介绍了模糊逻辑和BP神经网络的原理,及在智能故障诊断方面的应用。并将两者结合,研究了基于模糊神经网络的故障诊断方法。采用模糊神经网络完成了对车载加热器故障样本的训练,仿真试验结果良好,成功实现了车载加热器智能故障诊断系统的设计。最后,带入实际故障工况进行验证,实验结果表明,本故障诊断系统设计总体上符合车载加热器故障诊断要求,达到了预定目标。
张昭[9]（2016）在《基于神经网络和支持向量机及其改进算法的供热锅炉房动力装置故障诊断研究》文中研究说明在我国北方,集中供热已经成为冬季采暖的主要方式。锅炉房作为供热之源,其经济有效、安全可靠的供热对千家万户的日常工作和生活至关重要。风机和水泵是供热锅炉房的主要耗能设备,一直处于高度自动化、连续化运行的状态,对其状态监测、状态查询、故障诊断、故障处理至关重要。然而当前的监测与诊断仍停留在人工操作与经验的基础上,因此本文提出以城镇供热GIS系统为基础平台开发的基于神经网络和支持向量机及其改进算法的供热锅炉房动力装置故障诊断系统,可以实时对设备进行管理,方便故障诊断,从而进行维修决策。本文通过对某热力公司的采暖期锅炉故障维修统计分析,发现供热锅炉房具有故障多样性、故障频率不均衡性和振动的破坏性的特点。其中风机和水泵有11种常见故障。结合供热锅炉房动力装置风机和水泵发生故障的特点,提出供热锅炉房动力装置智能故障诊断系统。选择Arc GIS作为系统开发的GIS平台,采用Geodatabase数据模型来管理供热管网及设备的空间数据信息。利用Microsoft Visual C++2010应用程序与MATLAB各自的优势开发出了故障监测诊断系统。针对供热锅炉房风机和水泵故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了基于t-s模糊神经网络的供热锅炉房动力装置（以风机为例）二级故障诊断模型,一级模型为基于t-s型模糊规则的多输入单输出的自适应模糊神经网络anfis模型,二级模型为基于t-s型模糊规则的多输入多输出的模糊神经网络模型。以风机和水泵常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用matlab软件进行系统仿真测试,通过实例与bp神经网络进行对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机和水泵的故障。通过对支持向量机分类问题的基本理论与思想的分析,以及对线性分类、近似线性分类、非线性分类算法的详细推导和核函数的概念的引出,并且又通过惩罚参数c及rbf核函数中的参数g对非线性支持向量分类模型影响的分析,最终提出3种参数寻优的方法,分别建立了基于网格搜索算法、遗传算法、粒子群算法以及参数未经优化的供热锅炉房动力装置故障诊断模型,通过对故障诊断结果的比较,得出遗传算法和粒子群算法准确率相对较高,在算法的搜索寻优方式上更适合本研究对象场合。建立了基于二叉树的遗传算法优化svm和基于二叉树的粒子群算法优化svm的供热锅炉房动力装置故障诊断模型,通过故障诊断结果的比较,得出二者在寻优方面各有所长,需要根据具体的设备供热故障,来决定选择适用于不用情形的参数寻优方法。通过基于参数优化svm与基于二叉树的参数优化svm故障诊断结果的比较,得出基于二叉树的遗传算法和粒子群算法在结构和算法的寻优方面更适合本研究对象,值得推广。通过基于二叉树的参数优化SVM供热锅炉房动力装置故障诊断与模糊神经网络故障诊断结果的比较,得出基于二叉树的参数优化SVM故障诊断在研究高维数和小样本方面更具先进性,在算法上更具有适用性。
尹德好[10]（2014）在《某型航空发动机故障模式分析及诊断系统的设计与实现》文中提出航空发动机故障模式分析及诊断是航空发动机领域具有重要研究意义的课题,针对日益复杂的发动机系统,故障与征兆间存在着复杂的非线性映射关系,难以进行故障分析和诊断。本文介绍了基于模糊逻辑和神经网络的基本理论,通过互补融合技术,研究基于模糊神经网络及其改进型的智能故障诊断技术,并开发出故障模式分析及诊断系统用于工程实践。首先,本文对航空发动机故障诊断原理进行了介绍,详细论述了基于模糊推理的和基于神经网络的故障诊断技术的优势和特性,然后结合两者的优势互补,将模糊推理和神经网络进行了有效的融合,提出了模糊神经网络（FNN）故障诊断算法及其改进型,详细阐述了该方法的诊断原理及其学习算法,利用某型航空发动机振动故障数据作为样本数据,训练相应的故障诊断模型,并与传统的BP神经网络及模糊诊断方法进行比较。实验结果表明,该方法具有信息融合技术的优势,不仅能够提高故障诊断的准确率,还能对故障诊断结果的严重性进行评估,使诊断结果更具有实际参考价值。本文在故障模式分析技术及模糊神经网络故障诊断算法的基础上,设计和开发了某型航空发动机故障模式分析及诊断系统,该系统主要包括了故障模式分析、故障数据管理和故障诊断。其中故障诊断是核心功能,分为诊断模型的训练和诊断工作两个阶段,通过大量的故障样本数据的训练,该系统对故障的诊断达到了预期的效果,并应用到航空发动机实际工程诊断之中,对下一步故障诊断技术的发展和故障诊断系统的开发有一定的参考和研究价值。
二、基于模糊神经网络的故障诊断系统的设计与实现（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、基于模糊神经网络的故障诊断系统的设计与实现（论文提纲范文）
（1）电动汽车动力电池故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 电动汽车国内外研究现状 |
| 1.3 电池管理系统国内外研究现状 |
| 1.4 电池故障诊断国内外研究现状 |
| 1.5 论文主要研究内容 |
| 2 锂离子电池原理及故障分析 |
| 2.1 纯电动汽车工作原理 |
| 2.1.1 动力电池组 |
| 2.1.2 电池管理系统 |
| 2.2 锂离子电池原理 |
| 2.3 锂离子电池选型及性能参数 |
| 2.3.1 电池选型 |
| 2.3.2 锂电池性能参数 |
| 2.4 动力电池系统故障类型 |
| 2.4.1 单体电池故障 |
| 2.4.2 电池管理系统故障 |
| 2.4.3 线路或连接件故障 |
| 2.5 电池故障机理分析 |
| 2.6 本章小结 |
| 3 锂电池模型 |
| 3.1 锂离子电池电化学模型 |
| 3.2 锂离子电池等效电路模型 |
| 3.3 利用Simulink搭建电池模型 |
| 3.4 仿真分析 |
| 3.5 本章小结 |
| 4 基于模糊神经网络的电池故障诊断方法 |
| 4.1 电池故障诊断系统中模糊理论的应用 |
| 4.1.1 电池故障症状的模糊集合 |
| 4.1.2 确定电池故障症状隶属度 |
| 4.2 电池故障诊断系统模糊规则 |
| 4.3 诊断系统中神经网络的选取 |
| 4.3.1 BP神经网络 |
| 4.3.2 RBF神经网络 |
| 4.4 本章小结 |
| 5 系统仿真实验及分析 |
| 5.1 电池故障模拟实验 |
| 5.2 基于模糊神经网络的电池故障仿真分析 |
| 5.2.1 BP神经网络训练与测试 |
| 5.2.2 RBF神经网络训练与测试 |
| 5.3 基于模糊支持向量机的故障诊断仿真分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（2）发电机励磁系统在线故障诊断边缘代理装置研发（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 励磁系统故障诊断国内外的研究现状 |
| 1.3 边缘计算国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 励磁功率单元故障诊断方法及仿真分析 |
| 2.1 MATLAB简介 |
| 2.2 单桥励磁功率单元典型故障模型及仿真分析 |
| 2.2.1 励磁功率单元电路工作原理 |
| 2.2.2 励磁功率单元故障类型划分 |
| 2.2.3 励磁功率单元故障原理分析及其故障仿真波形 |
| 2.2.4 励磁功率单元故障特征提取与定位 |
| 2.3 双桥并列运行励磁功率单元典型故障仿真分析 |
| 2.3.1 双桥励磁功率单元故障原理与故障分类及仿真分析 |
| 2.4 本章小节 |
| 3 发电机励磁系统故障诊断边缘代理装置硬件设计 |
| 3.1 边缘代理装置的系统架构 |
| 3.1.1 边缘计算简介 |
| 3.1.2 边缘代理装置的网络架构 |
| 3.2 边缘代理装置硬件设计的总体方案 |
| 3.3 边缘代理装置下位机的数据采样模块 |
| 3.3.1 励磁功率单元输出的励磁电流采集电路 |
| 3.3.2 励磁功率单元输出的励磁电流采集电路 |
| 3.4 GPS信号与脉冲信号采集电路 |
| 3.5 故障数据存储电路 |
| 3.6 下位机RS485 通信模块 |
| 3.7 下位机硬件电路的总体架构 |
| 3.8 基于英创ESM3352 工控主板的上位机硬件平台 |
| 3.9 本章小结 |
| 4 边缘代理装置的故障监测与故障诊断系统软件开发 |
| 4.1 下位机软件设计 |
| 4.1.1 基于GPS广域测量技术 |
| 4.1.2 基于同步时窗的AD采样程序 |
| 4.1.3 RS485 通信程序 |
| 4.2 上位机软件设计 |
| 4.2.1 与下位机通信程序设计 |
| 4.2.2 单桥励磁功率单元的故障诊断与定位算法程序 |
| 4.2.3 单桥故障编码 |
| 4.2.4 COMTRADE格式的故障录波文件的存储程序 |
| 4.2.5 LCD显示模块程序 |
| 4.2.6 搭建FTP服务器 |
| 4.3 基于MATLAB-GUI的远方监控层人机交互界面设计 |
| 4.3.1 MATLAB-GUI概述 |
| 4.3.2 与边缘代理装置的通信程序 |
| 4.3.3 显示界面程序设计 |
| 4.3.4 与SQLSever2008R2 数据库的通信程序 |
| 4.4 励磁系统在线故障诊断边缘代理装置的实验 |
| 4.5 本章小节 |
| 5 基于模糊神经网络的双桥励磁功率单元典型故障算法 |
| 5.1 模糊理论概述 |
| 5.1.1 模糊集合与隶属度 |
| 5.1.2 模糊逻辑推理 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络故障诊断模型 |
| 5.2.2 模糊计算因子 |
| 5.2.3 模糊化 |
| 5.2.4 “IF-THEN”规则 |
| 5.2.5 反模糊化 |
| 5.3 模糊神经网络故障诊断模型的仿真 |
| 5.4 本章小节 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（3）船舶电力推进系统智能容错控制技术研究（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 船舶电力推进系统的发展概述 |
| 1.2.1 国外发展概述 |
| 1.2.2 国内发展概述 |
| 1.3 船舶电力推进系统容错控制技术研究现状 |
| 1.4 船舶电力推进系统容错控制的几个关键问题 |
| 1.4.1 船舶电力推进系统的容错控制体系结构研究 |
| 1.4.2 船舶电力推进系统的故障模式与影响分析研究 |
| 1.4.3 船舶电力推进系统的多相电机容错控制研究 |
| 1.4.4 船舶电力推进系统的螺旋桨协调容错控制研究 |
| 1.5 本文主要研究内容 |
| 第2章 船舶电力推进系统容错控制体系结构及数学建模研究 |
| 2.1 引言 |
| 2.2 船舶电力推进系统的基本结构 |
| 2.3 船舶电力推进系统的智能容错控制体系结构 |
| 2.4 船舶电力推进系统的数学模型 |
| 2.4.1 发电子系统数学模型 |
| 2.4.2 推进子系统数学模型 |
| 2.4.3 区域负载集合数学模型 |
| 2.4.4 配电子系统数学模型 |
| 2.5 本章小结 |
| 第3章 船舶电力推进系统故障模式影响智能评估研究 |
| 3.1 引言 |
| 3.2 故障模式影响的风险优先数评估 |
| 3.3 基于模糊逻辑与DEMATEL理论的故障模式影响智能评估 |
| 3.3.1 系统功能结构层次划分 |
| 3.3.2 模糊语言术语集 |
| 3.3.3 风险因子模糊评价及相对模糊权值 |
| 3.3.4 基准调整搜索算法计算α-割集 |
| 3.3.5 模糊风险优先数的清晰化 |
| 3.3.6 基于模糊逻辑的DEMATEL算法 |
| 3.4 实例验证与结果分析 |
| 3.4.1 推进子系统的典型故障模式 |
| 3.4.2 计算结果及对比分析 |
| 3.5 本章小结 |
| 第4章 船舶电力推进系统六相永磁同步电机智能容错控制策略研究 |
| 4.1 引言 |
| 4.2 含参数摄动和负载扰动的六相永磁同步电机系统数学描述 |
| 4.3 六相永磁同步电机自适应反步滑模鲁棒容错控制策略研究 |
| 4.3.1 六相永磁同步电机缺相故障容错的零序电流参考值在线决策 |
| 4.3.2 自适应反步滑模鲁棒容错控制策略设计 |
| 4.3.3 双交轴电流优化分配 |
| 4.4 基于智能观测器的六相永磁同步电机反步滑模鲁棒容错控制策略研究 |
| 4.4.1 基于递归小波模糊神经网络的智能观测器设计 |
| 4.4.2 控制系统稳定性分析 |
| 4.5 仿真验证与结果分析 |
| 4.5.1 一相绕组缺相的六相永磁同步电机容错控制仿真验证 |
| 4.5.2 两相绕组缺相的六相永磁同步电机容错控制仿真验证 |
| 4.6 本章小结 |
| 第5章 船舶电力推进系统舵/桨协调容错控制策略研究 |
| 5.1 引言 |
| 5.2 含复合扰动的船舶航速/航向控制系统数学描述 |
| 5.3 船舶电力推进系统舵/桨自适应滑模协调容错控制策略研究 |
| 5.3.1 非线性复合扰动观测器设计 |
| 5.3.2 自适应滑模容错控制策略设计 |
| 5.4 船舶电力推进系统舵/桨自适应反步协调容错控制策略研究 |
| 5.4.1 含执行器多重故障的船舶航速/航向控制系统数学描述 |
| 5.4.2 自适应反步容错控制策略设计 |
| 5.5 仿真验证与结果分析 |
| 5.5.1 船舶电力推进系统舵/桨自适应滑模协调容错控制仿真验证 |
| 5.5.2 船舶电力推进系统舵/桨自适应反步协调容错控制仿真验证 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）集中式汽车检测线故障诊断系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源、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 国内外研究现状及发展趋势 |
| 1.2.1 故障诊断技术的研究现状及发展趋势 |
| 1.2.2 集中式汽车检测线故障诊断的研究现状及发展趋势 |
| 1.3 论文主要研究内容 |
| 第二章 集中式汽车检测线故障诊断系统设计 |
| 2.1 集中式汽车检测线组成及功能 |
| 2.1.1 检测仪器设备系统组成及功能 |
| 2.1.2 电气测控系统组成及功能 |
| 2.1.3 人机交互系统组成及功能 |
| 2.2 集中式汽车检测线工作过程中的常见故障情况分析 |
| 2.3 故障诊断算法选择 |
| 2.4 故障数据采集模块硬件设计 |
| 2.4.1 最小系统设计 |
| 2.4.2 模拟信号量数据采集模块设计 |
| 2.4.3 数字信号量数据采集模块设计 |
| 2.5 故障诊断系统结构设计 |
| 2.6 本章小结 |
| 第三章 基于故障树的集中式汽车检测线故障诊断专家系统 |
| 3.1 故障树分析法 |
| 3.1.1 简介 |
| 3.1.2 故障树的表示与构造过程 |
| 3.1.3 故障树数学模型的建立 |
| 3.1.4 故障树定性分析 |
| 3.1.5 故障树定量分析 |
| 3.2 集中式汽车检测线故障树设计 |
| 3.2.1 概述 |
| 3.2.2 建立集中式汽车检测线故障树 |
| 3.2.3 集中式汽车检测线故障树定性分析 |
| 3.2.4 集中式汽车检测线故障树定量分析 |
| 3.3 专家系统 |
| 3.3.1 简介 |
| 3.3.2 专家系统的组成与功能 |
| 3.3.3 知识的获取与表示 |
| 3.3.4 专家系统的推理机制 |
| 3.3.5 故障树与专家系统的联系 |
| 3.4 集中式汽车检测线故障诊断专家系统设计 |
| 3.4.1 故障诊断专家系统开发分析 |
| 3.4.2 故障诊断专家系统总体设计 |
| 3.4.3 故障诊断专家系统知识库设计 |
| 3.4.4 故障诊断专家系统推理机设计 |
| 3.5 本章小结 |
| 第四章 基于神经网络的集中式汽车检测线故障诊断模型 |
| 4.1 故障检测与识别 |
| 4.1.1 数据选取与处理 |
| 4.1.2 故障识别标准 |
| 4.2 神经网络故障诊断原理 |
| 4.2.1 BP神经网络 |
| 4.2.2 LSTM神经网络 |
| 4.3 故障诊断神经网络模型建立 |
| 4.3.1 状态参数采集 |
| 4.3.2 数据预处理 |
| 4.3.3 神经网络训练参数 |
| 4.3.4 网络层数及节点数 |
| 4.4 训练实验及结果分析 |
| 4.5 本章小结 |
| 第五章 集中式汽车检测线故障诊断系统的设计与实现 |
| 5.1 故障诊断系统需求分析 |
| 5.2 故障诊断系统总体设计 |
| 5.2.1 系统架构及开发环境选择 |
| 5.2.2 系统总体结构设计 |
| 5.3 数据库设计 |
| 5.4 系统运行界面及测试 |
| 5.4.1 用户信息管理模块 |
| 5.4.2 故障诊断模块 |
| 5.4.3 检测数据监测及诊断模块 |
| 5.4.4 历史故障信息查询模块 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（5）基于虚拟现实的列车电气仿真及诊断系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容和论文结构 |
| 1.5 研究目标与预期成果 |
| 第二章 基于虚拟现实的列车电气仿真相关理论及总体流程 |
| 2.1 列车电气系统介绍 |
| 2.2 虚拟现实技术基本概念与特征 |
| 2.3 虚拟现实的关键技术及分类 |
| 2.4 基于虚拟现实技术的仿真系统应用意义 |
| 2.5 基于虚拟现实技术的仿真系统总体开发流程 |
| 2.5.1 确定系统内容和开发需求 |
| 2.5.2 基于虚拟现实技术的仿真系统的设计 |
| 2.5.3 基于虚拟现实技术的仿真系统的开发 |
| 2.6 本章小结 |
| 第三章 基于虚拟现实的列车电气仿真及诊断系统设计 |
| 3.1 需求分析和设计目标 |
| 3.2 应用对象与任务分析 |
| 3.3 列车电气仿真及诊断系统设计方案 |
| 3.3.1 系统的设计原则 |
| 3.3.2 系统的总体设计 |
| 3.3.3 系统功能模块设计 |
| 3.3.4 系统的虚拟环境设计 |
| 3.4 列车电气仿真及诊断系统的整体架构 |
| 3.4.1 系统逻辑架构 |
| 3.4.2 系统物理结构 |
| 3.5 本章小结 |
| 第四章 基于模糊神经网络的列车电气故障诊断技术研究 |
| 4.1 模糊神经网络概述 |
| 4.1.1 模糊理论 |
| 4.1.2 神经网络 |
| 4.2 基于模糊神经网络的故障诊断模型建立 |
| 4.3 基于模糊神经网络的列车电气系统故障诊断功能设计 |
| 4.4 实例验证 |
| 4.5 本章小结 |
| 第五章 基于虚拟现实的列车电气仿真及诊断系统开发 |
| 5.1 列车电气仿真及诊断系统的底层框架开发 |
| 5.1.1 UI基础介绍 |
| 5.1.2 系统底层框架开发 |
| 5.2 列车电气仿真及诊断系统的虚拟场景建设 |
| 5.2.1 模型搭建 |
| 5.2.2 动画制作 |
| 5.2.3 基于unity虚拟场景的构建 |
| 5.2.4 交互以及漫游功能实现 |
| 5.3 列车电气系统故障诊断功能实现 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究创新与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（6）基于模糊神经网络的电梯电气故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 文献综述 |
| 1.1 电梯电气故障诊断系统的发展概况 |
| 1.2 故障诊断技术在电梯中的应用 |
| 第2章 电梯控制系统的故障分析 |
| 2.1 电梯控制系统分析 |
| 2.1.1 电梯控制系统的组成及各部分功能 |
| 2.1.2 电梯控制系统的运行机理分析 |
| 2.2 电梯控制系统的故障模式分析 |
| 2.2.1 电梯控制系统的故障特点 |
| 2.2.2 电梯控制系统的故障模式与后果分析 |
| 2.3 电梯控制系统的故障树分析方法 |
| 2.3.1 故障树分析方法概述 |
| 2.3.2 故障树的建立 |
| 2.3.3 电梯控制系统的故障树模型 |
| 2.3.4 故障树定性分析 |
| 2.3.5 故障树定量分析 |
| 2.4 本章小结 |
| 第3章 模糊神经网络的故障诊断模型 |
| 3.1 设备故障的模糊诊断技术 |
| 3.1.1 模糊集合的概念 |
| 3.1.2 模糊推理 |
| 3.1.3 模糊故障诊断技术 |
| 3.2 设备故障的神经网络诊断技术 |
| 3.2.1 神经网络的神经元模型 |
| 3.2.2 神经网络模型 |
| 3.2.3 神经网络的学习规则 |
| 3.2.4 神经网络故障诊断技术 |
| 3.3 电梯电气故障诊断的模糊神经网络模型 |
| 3.3.1 模糊理论与神经网络相结合的必要性 |
| 3.3.2 模糊理论与神经网络的结合 |
| 3.3.3 电梯电气故障诊断的模糊神经网络模型 |
| 3.4 本章小结 |
| 第4章 电梯电气故障诊断系统的设计 |
| 4.1 电梯电气故障诊断系统硬件设计 |
| 4.1.1 检测信号的分析 |
| 4.1.2 电梯控制系统故障诊断系统硬件设计 |
| 4.2 基于模糊神经网络的故障诊断专家系统的建立 |
| 4.2.1 专家系统总体设计 |
| 4.2.2 专家系统的建立 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介 |
| 学位论文数据集 |
（7）基于布谷鸟算法优化BP神经网络的变压器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 变压器故障诊断方法研究现状 |
| 1.3 CS算法研究现状 |
| 1.4 本文的主要研究内容 |
| 2 基于DGA的变压器故障诊断分析 |
| 2.1 变压器的分类及结构 |
| 2.2 油中溶解气体产生机理 |
| 2.3 变压器故障诊断方法 |
| 2.4 本章小结 |
| 3 BP神经网络和CS算法的研究 |
| 3.1 BP神经网络的基本原理 |
| 3.2 BP神经网络特点及改进方法 |
| 3.3 CS算法的基本原理 |
| 3.4 本章小结 |
| 4 CS-BP神经网络在变压器故障诊断中的应用 |
| 4.1 基于BP神经网络的变压器故障诊断方法设计与实现 |
| 4.2 基于CS-BP神经网络的变压器故障诊断研究 |
| 4.3 网络性能对比分析 |
| 4.4 本章小结 |
| 5 变压器故障诊断系统的设计与实现 |
| 5.1 MATLAB和C#混合编程 |
| 5.2 故障诊断系统的设计与实现 |
| 5.3 故障诊断实例分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）车载加热器监控与智能故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 车载加热器研究现状 |
| 1.2.1 车载加热器国外研究现状 |
| 1.2.2 车载加热器国内研究现状 |
| 1.3 车载加热器监控与故障诊断技术现状与发展趋势 |
| 1.3.1 车载加热器监控技术现状与发展趋势 |
| 1.3.2 车载加热器故障诊断技术现状与发展趋势 |
| 1.4 主要研究内容 |
| 第2章 车载加热器系统结构 |
| 2.1 车载加热器软件结构 |
| 2.1.1 车载加热器工作原理 |
| 2.1.2 车载加热器工作流程 |
| 2.2 车载加热器控制器硬件结构 |
| 2.3 车载加热器故障分析 |
| 2.3.1 车载加热器系统故障原因 |
| 2.3.2 车载加热器常见故障征兆 |
| 2.4 本章小结 |
| 第3章 车载加热器电脑端监控软件设计 |
| 3.1 基于Lab VIEW平台的串口通信设计 |
| 3.2 车载加热器串口通信协议设计 |
| 3.2.1 串口通信硬件设计 |
| 3.2.2 监控系统数据传输流程设计 |
| 3.2.3 串口通信协议设计 |
| 3.3 基于Lab VIEW平台的上位机监控软件设计 |
| 3.3.1 用户登录界面 |
| 3.3.2 上位机监控软件主界面 |
| 3.4 本章小结 |
| 第4章 车载加热器手机端监控软件设计 |
| 4.1 Android客户端开发环境搭建 |
| 4.1.1 Android Studio开发平台介绍 |
| 4.1.2 基于Android Studio的 UI设计 |
| 4.1.3 Android app软件开发环境搭建 |
| 4.2 GSM通信协议设计 |
| 4.2.1 GSM网络通信的软件原理 |
| 4.2.2 GSM网络通信的底层硬件设计 |
| 4.3 基于GSM网络的车载加热器监控Android app设计 |
| 4.3.1 绑定用户编号界面 |
| 4.3.2 主界面 |
| 4.3.3 工作状态监控界面 |
| 4.4 本章小结 |
| 第5章 基于模糊神经网络的故障诊断原理 |
| 5.1 模糊理论概述 |
| 5.1.1 模糊理论的基本概念 |
| 5.1.2 模糊集合的表示方法 |
| 5.2 神经网络概述 |
| 5.2.1 神经元基本概念 |
| 5.2.2 BP神经网络的结构与算法 |
| 5.3 模糊神经网络 |
| 5.3.1 模糊神经元 |
| 5.3.2 模糊神经网络模型 |
| 5.4 模糊神经网络故障诊断原理 |
| 5.4.1 模糊神经网络故障诊断的数学模型建立 |
| 5.4.2 模糊隶属函数的选择 |
| 5.4.3 BP神经网络设计 |
| 5.4.4 BP神经网络参数配置 |
| 5.5 本章小结 |
| 第6章 车载加热器智能故障诊断技术研究 |
| 6.1 车载加热器单故障诊断系统设计 |
| 6.1.1 单故障模糊规则库的建立 |
| 6.1.2 单故障训练仿真 |
| 6.1.3 单故障故障诊断结果分析与验证 |
| 6.2 车载加热器多故障诊断系统设计 |
| 6.2.1 多故障模糊规则库的建立 |
| 6.2.2 多故障训练仿真 |
| 6.2.3 多故障诊断的结果分析与验证 |
| 6.2.4 多故障诊断的二次判别 |
| 6.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位论文期间发表论文与研究成果清单 |
| 致谢 |
（9）基于神经网络和支持向量机及其改进算法的供热锅炉房动力装置故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究的目的和意义 |
| 1.2 故障诊断技术理论、现状及其趋势 |
| 1.2.1 故障诊断技术理论 |
| 1.2.2 故障诊断的现状 |
| 1.2.3 发展趋势 |
| 1.3 模糊神经网络故障诊断技术 |
| 1.3.1 模糊理论及神经网络发展历程 |
| 1.3.2 模糊神经网络的研究历程 |
| 1.3.3 模糊神经网络的国内外发展现状 |
| 1.4 支持向量机故障诊断技术 |
| 1.4.1 支持向量机理论研究 |
| 1.4.2 支持向量机训练算法 |
| 1.4.3 SVM中需要研究的问题 |
| 1.5 风机故障诊断技术及发展 |
| 1.6 水泵故障诊断技术及发展 |
| 1.7 本文研究的主要内容 |
| 第二章 供热锅炉房动力装置常见故障分析 |
| 2.1 风机和水泵的分类及工作原理 |
| 2.1.1 风机和水泵的分类 |
| 2.1.2 常见的风机与水泵 |
| 2.2 风机与水泵的基本性能参数 |
| 2.3 供热锅炉常见故障分析 |
| 2.3.1 故障的多样性 |
| 2.3.2 故障频率的不均衡性 |
| 2.3.3 振动的破坏性 |
| 2.4 供热锅炉房动力装置风机和水泵的故障分析 |
| 2.4.1 由于流体流动而引起的振动 |
| 2.4.2 由于机械原因而引起的振动 |
| 2.5 本章小结 |
| 第三章 供热锅炉房动力装置智能故障诊断在城镇供热GIS平台的实现 |
| 3.1 GIS用于供热锅炉房动力装置智能故障诊断 |
| 3.1.1 GIS简介及功能 |
| 3.1.2 基于GIS的供热锅炉房动力装置故障诊断系统的开发工具选择 |
| 3.2 基于GIS的供热锅炉房动力装置故障的数据库设计 |
| 3.3 系统的核心设计 |
| 3.4 系统的整体设计方案 |
| 3.4.1 监测对象的分析 |
| 3.4.2 系统整体设计 |
| 3.5 监测诊断系统的设计开发 |
| 3.5.1 系统开发的思路 |
| 3.5.2 用户登录 |
| 3.5.3 数据显示模块 |
| 3.5.4 数据库的查询、添加、修改和删除 |
| 3.5.5 信号处理 |
| 3.5.6 基于模糊神经网络和支持向量机及其改进算法的风机和水泵故障诊断 |
| 3.5.7 配置硬件地址和通信协议 |
| 3.5.8 在地图上显示设备的位置分布 |
| 3.5.9 历史数据回放及自动控制 |
| 3.6 本章小结 |
| 第四章 基于模糊神经网络的供热锅炉房动力装置故障诊断研究 |
| 4.1 模糊理论 |
| 4.1.2 模糊规则 |
| 4.1.3 模糊逻辑系统 |
| 4.2 神经网络 |
| 4.2.1 神经网络基本理论 |
| 4.2.2 神经网络按结构分类 |
| 4.3 模糊神经网络理论 |
| 4.3.1 模糊系统和神经网络融合 |
| 4.3.2 模糊神经网络按结构分类 |
| 4.4 基于模糊神经网络的供热锅炉房动力装置故障诊断模型设计 |
| 4.4.1 一级多输入单输出的自适应模糊神经网络的结构 |
| 4.4.2 一级多输入单输出的自适应模糊神经网络的学习算法 |
| 4.4.3 二级多输入多输出的模糊神经网络的学习算法 |
| 4.4.4 一级ANFIS系统故障诊断模型 |
| 4.4.5 二级模糊神经网络故障原因诊断模型 |
| 4.5 风机故障诊断实例 |
| 4.5.1 一级ANFIS系统故障诊断结果 |
| 4.5.2 二级模糊神经网络故障原因诊断结果 |
| 4.6 结论 |
| 4.7 本章小结 |
| 第五章 基于参数优化支持向量机的供热锅炉房动力装置故障诊断研究 |
| 5.1 支持向量机理论和思想 |
| 5.1.1 线性分类问题 |
| 5.1.2 近似线性分类问题 |
| 5.1.3 非线性分类问题 |
| 5.2 支持向量核函数的选择 |
| 5.3 支持向量机的参数优化 |
| 5.4 基于网格搜索算法的供热锅炉房动力装置故障诊断 |
| 5.4.1 网格搜索法基本原理 |
| 5.4.2 基于网格搜索算法故障诊断结果 |
| 5.5 基于遗传算法的供热锅炉房动力装置故障诊断 |
| 5.5.1 遗传算法基本原理 |
| 5.5.2 基于遗传算法故障诊断结果 |
| 5.6 基于粒子群算法的供热锅炉房动力装置故障诊断 |
| 5.6.1 粒子群算法基本原理 |
| 5.6.2 基于粒子群算法故障诊断结果 |
| 5.7 基于三种参数优化SVM的供热锅炉房动力装置故障诊断模型结果对比 |
| 5.8 本章小结 |
| 第六章 基于二叉树支持向量机算法的供热锅炉房动力装置故障诊断研究 |
| 6.1 支持向量机的分类算法 |
| 6.1.1 一对一的分类算法 |
| 6.1.2 一对多分类算法 |
| 6.1.3 DAG-SVM分类算法 |
| 6.1.4 二叉树支持向量机分类算法 |
| 6.2 二叉树支持向量机分类原理 |
| 6.3 基于二叉树支持向量机的供热锅炉房动力装置故障诊断模型 |
| 6.4 基于二叉树支持向量机的供热锅炉房动力装置故障诊断结果 |
| 6.4.1 基于二叉树的遗传算法优化SVM的故障诊断结果 |
| 6.4.2 基于二叉树的粒子群算法优化SVM的故障诊断结果 |
| 6.4.3 基于二叉树的遗传算法与粒子群算法优化SVM故障诊断结果比较 |
| 6.5 基于参数优化SVM与基于二叉树的参数优化SVM故障诊断结果比较 |
| 6.6 基于二叉树的参数优化SVM与模糊神经网络故障诊断结果比较 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）某型航空发动机故障模式分析及诊断系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文主要工作 |
| 1.5 论文的组织结构 |
| 第2章 故障模式分析及故障诊断技术的理论基础 |
| 2.1 故障模式分析理论基础 |
| 2.2 模糊逻辑的理论基础 |
| 2.2.1 模糊集合及模糊子集 |
| 2.2.2 隶属函数 |
| 2.2.3 模糊决策原则 |
| 2.3 神经网络的理论基础 |
| 2.3.1 人工神经元模型 |
| 2.3.2 神经网络的学习机制 |
| 2.3.3 BP神经网络 |
| 2.4 模糊神经网络的基本原理 |
| 2.4.1 模糊神经元 |
| 2.4.2 模糊神经网络构造类型 |
| 2.5 本章小结 |
| 第3章 模糊神经网络故障诊断方法研究 |
| 3.1 航空发动机故障诊断基本原理 |
| 3.2 故障诊断过程 |
| 3.3 模糊神经网络故障诊断模型设计 |
| 3.4 隶属函数的设计 |
| 3.5 学习算法的应用 |
| 3.6 模糊神经网络故障诊断实例 |
| 3.7 实验结果对比分析 |
| 3.8 本章小结 |
| 第4章 改进型模糊神经网络故障诊断方法研究 |
| 4.1 模糊推理和神经网络融合系统结构 |
| 4.2 模糊推理和神经网络的融合优势 |
| 4.3 改进模糊神经网络故障诊断模型设计 |
| 4.4 模糊规则及模糊推理过程 |
| 4.5 改进型模糊神经网络学习算法应用 |
| 4.6 故障诊断实验仿真结果及分析 |
| 4.7 本章小结 |
| 第5章 故障模式分析及诊断系统的设计与开发 |
| 5.1 系统总体设计 |
| 5.2 系统详细设计 |
| 5.2.1 用户管理模块 |
| 5.2.2 数据管理模块 |
| 5.2.3 故障诊断模块 |
| 5.3 辅助功能模块 |
| 5.4 数据库设计 |
| 5.5 系统测试实例 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表（含录用）的学术论文 |
四、基于模糊神经网络的故障诊断系统的设计与实现（论文参考文献）
- [1]电动汽车动力电池故障诊断方法研究[D]. 赵士博. 辽宁工业大学, 2021(02)
- [2]发电机励磁系统在线故障诊断边缘代理装置研发[D]. 王志盛. 重庆理工大学, 2021(02)
- [3]船舶电力推进系统智能容错控制技术研究[D]. 郭晓杰. 哈尔滨工程大学, 2020(04)
- [4]集中式汽车检测线故障诊断系统的研究[D]. 薛昊. 长安大学, 2020(06)
- [5]基于虚拟现实的列车电气仿真及诊断系统研究[D]. 高家涛. 上海工程技术大学, 2020(04)
- [6]基于模糊神经网络的电梯电气故障诊断研究[D]. 裴航. 华北理工大学, 2019(01)
- [7]基于布谷鸟算法优化BP神经网络的变压器故障诊断研究[D]. 韩清春. 山东科技大学, 2019(05)
- [8]车载加热器监控与智能故障诊断技术研究[D]. 张天一. 北京理工大学, 2018(07)
- [9]基于神经网络和支持向量机及其改进算法的供热锅炉房动力装置故障诊断研究[D]. 张昭. 太原理工大学, 2016(08)
- [10]某型航空发动机故障模式分析及诊断系统的设计与实现[D]. 尹德好. 沈阳航空航天大学, 2014(03)
标签：故障诊断论文; 电池论文; 模糊神经网络论文; 模糊理论论文; bms电池管理系统论文;