一、液压控制系统故障及其诊断方法（论文文献综述）
常兴邦[1]（2020）在《基于模式识别的风电机组主轴承温度异常状态检测及其诊断研究》文中进行了进一步梳理主轴承是造成风力发电机故障的主要因素之一。在传统风电机组中,主轴承作为风电机组的核心部件之一,起着十分重要的作用。但风电机组通常位于高空,面临工作环境也相对具有挑战性,较为恶劣的工作环境使其更易受雨雪、冰冻等自然灾害的侵害,造成其内部出现润滑不良而导致各种问题,更有甚者可能致使整机瘫痪。如何准确的对风电机组部件进行科学、有效的状态检测及诊断已成为社会生产发展的迫切需要。主轴承故障检测及其诊断,现在最直接的方式是加装在线振动监测系统,以此来分析主轴承故障,但早期的风机是无此系统的,时至今日,现场安装的振动传感器数量也很少,而较为普遍是通过SCADA系统数据来侧面去推算主轴承是否会出现故障。其中跟振动最接近的一个数据就是主轴承的温度,SCADA系统的风机测点大概有一两百个,除开主轴承温度有些是相关的、有些是不怎么相关的;如何选择合适的算法对相关参数分析,现今较常用的两类典型的方法有经典数学模型和智能算法。由于经典数学模型单一的故障指标评判指标,无法全面的对主轴承温度异常故障进行一个全面的考量,需要逐个分析,在这种情况下是难以建立精确的数学模型。而对于智能算法这样的黑匣子模型,需要大量的数据来训练模型,但问题也同时存在,需要大量的数据才能保证模型是准确的。另外,对于何时发生故障以及具体是哪个机组发生,都充满了不确定性,有时获取的数据范围可能还需要涵盖所有的工况。面对以上问题,本文将直驱型2兆瓦风电机组主轴承作为主要研究对象,研究分为三个版块:主轴承温度异常相关数据预处理、主轴承温度检测方法选择及检测方案设计和主轴承温度异常原因智能推理探索。研究的主要内容如下:（1）主轴承温度异常相关数据预处理。在数据预处理方法的选择上,选用层次分析法和证据理论,通过专家决策标准表和相关水平矩阵表设置影响主轴承温度异常强弱的相关参数,调用@RISK软件并结合采纳多个专家意见,获取主轴承温度异常强相关参数测点。对于参数测点数据存在的问题数据（空值、错误值、奇异点等）拟用局部离群因子（LOF）算法进行数据清理后,作为输入应用于主轴承温度异常检测方案。（2）主轴承温度检测方法选择及检测方案设计。对故障异常检测及诊断中两类主要方法进行阐述和分析后,选取主轴承温度智能检测方法中BP神经网络,并拟用增强后的粒子滤波算法加以改进,设计EPF-BP算法的风电机组主轴承温度异常的状态检测方案,搭建主轴承温度异常状态检测模型。针对直驱型2兆瓦风电机组主轴承温度进行仿真。结果表明该诊断方案可以更为有效、准确地识别风电机组核心部件主轴承温度异常,以提高主轴承运行的可靠性。（3）主轴承温度异常原因智能推理探索。对于主轴承温度异常的原因。使用一种有效的知识模型来对主轴承温度异常原因进行知识推理,使用protégé开放源代码软件构建基于本体的主轴承温度异常原因智能推理模型。添加了Web本体语言-OWL的信息规则,实现了语义层次上的信息共享,交互和处理。通过知识推理,探索主轴承温度异常的原因。
周宇[2]（2020）在《基于数据驱动的轮毂电机轴承故障诊断方法研究》文中研究指明随着电动汽车的迅速发展,基于轮毂电机的分布式驱动技术也迅速地受到关注,相较于传统汽车的集中式驱动,该技术将驱动、制动和承载等功能集成到电机上并安装于汽车轮毂中,控制灵活,传动高效,是未来电动汽车理想的驱动方式。然而由于轮毂电机特殊的安装方式,轮毂电机的关键部件——轴承需要同时承受径向载荷以及轴向载荷,而且电动汽车复杂多变的运行环境也会加剧轮毂电机轴承受到的冲击,使其产生局部磨损性能退化从而引发故障。一旦轮毂电机轴承发生故障,轻则影响轮毂电机的运行性能,重则危及电动汽车的行车安全,因此很有必要对轮毂电机轴承开展故障诊断方法研究。针对轮毂电机驱动的电动汽车运行安全问题,本文将轮毂电机轴承作为研究对象,以故障特征提取、故障特征降维和故障状态识别三个方面为主要研究内容,提出一种基于数据驱动的轮毂电机轴承故障诊断方法,能够有效实现轮毂电机轴承故障状态的诊断识别。首先,针对实车试验难以控制变量的问题,基于电动汽车的实际运行环境,以知豆D1电动汽车为原型搭建轮毂电机轴承故障试验系统,定制带有轴承常见多发故障如外圈损伤、内圈损伤和滚动体损伤的轮毂电机并设计相对应的试验方案,为后续的故障诊断研究工作提供数据支持。其次,针对在间歇性强干扰下提取轮毂电机轴承故障特征信息较为困难的问题,提出基于优化共振稀疏分解的故障特征提取方法,将高共振分量的平滑指数与低共振分量峭度的比值作为目标函数,利用狼群算法优化得到的分解因子对试验原始信号进行分解,能够有效提取出故障特征信息。然后,针对多维故障特征参数集的降维问题,提出基于改进t分布随机邻域嵌入的故障特征降维方法,在传统的t分布随机邻域嵌入基础上,通过Barnes-Hut算法对其梯度进行加速,在保证降维特征的精度同时有效将时间复杂度从O（N2）降至O（NlogN）,大幅度提高运算速度。最后,针对轮毂电机轴承故障诊断过程中噪声数据干扰的问题,提出基于人工碳氢网络的故障状态识别方法,利用碳氢化合物封装信息的特点,对数据库中特征参数集与轮毂电机轴承状态之间的隶属关系进行监督式学习。结合试验数据,通过与其他分类器算法的比较,验证该方法不仅具有较高的故障识别率,而且处理含噪声的数据具有较强的鲁棒性。
金宜南[3]（2020）在《发动机电控系统故障模拟实验台开发》文中研究说明发动机电控系统故障模拟实验台是职业院校汽车专业重要的实训设备。开发一台符合职业教育特点,具有安全性、可靠性、可操作性强的汽车发动机电控系统故障模拟实验台,不但可以提高实践教学条件,还能实现良好培养效果。本文将结合职业教育专业发动机电控系统教学特点,研究开发具有智能故障系统的发动机电控系统实验台,以提高电控发动机实验台模拟故障的真实性和可操作性。本文分析了国内外现有发动机电控系统实验设备的类型、结构和特点,结合发动机电控系统的常见故障,最终确定以捷达1.6LATK型发动机为载体设计实验台架。将实车发动机设计成可移动台架,显示面板可展示控制电路,即各部件的逻辑关系。预留有检测接口,可实现元件参数的测量和模拟故障诊断及检测。根据该款发动机电控系统电路特点,对各传感器、执行器电路逻辑关系分析,确定故障点,分析发动机电控系统常见故障原因及诊断方法,开发基于ARM微控制器的故障模拟设置系统,设计实验台架故障设置及排除的实验功能。设计思想是在实验台架内部安装自主设计的基于Zigbee无线通信功能的故障设置板,可实现传感器、执行器、控制器的供电、信号断路、短路等故障设置;故障设置指令由手持设置故障终端通过Zigbee无线通信模块发送给故障设置板;实验台架面板上预留OBD-II诊断接口;通过大量工作完成测试,由合作企业完成制作。通过故障设置板控制电路对17个电子元件设置出38个故障点,经实验测试,故障呈现率为100%,故障现象与实车相似度达72%。在职业院校的汽车专业实践教学中使用该实验台架取得了良好的教学效果。该实验台架的开发过程使师生获得了大量的故障诊断实践经验,实验台架作为研究成果应用于教学,能提高学生自主学习能力,培养学生不断探索的科学精神,为发动机电控技术教学打下了坚实的理论与实践基础。
许昆明[4]（2020）在《基于深度学习的EHA关键器件故障诊断及预测方法研究》文中指出机电静压伺服系统（Electro-Hydrostatic Actuator,EHA）以其抗干扰能力强、控制效率高等优点,得到广泛的应用。受工作条件的影响,EHA关键器件不可避免地出现故障现象,但目前故障诊断、维护措施相对滞后。因此,本文以故障预测与健康管理（Prognostics and Health Management,PHM）技术出发,重点开展EHA智能故障诊断及预测方法的研究,为进一步实现EHA的维护保障能力奠定一定理论基础。主要研究内容如下:首先,确定研究EHA的故障模式。从机电静压伺服系统的结构组成和工作原理入手,通过对EHA关键器件的故障模式分析,并从机电静压伺服系统容易实现故障模拟和故障发生概率等级的角度出发,选取油滤堵塞、增压油箱漏气、IGBT短路作为后续研究的三种故障模式。其次,确定EHA关键器件故障诊断和预测的深度学习方法。根据深度神经网络深层架构的特点,结合神经网络可以逼近任意连续函数的性质,分析深度学习中四种主要的网络模型,最后对比各模型的优势、缺陷及应用实例,提出采用堆叠降噪自编码器（Stacked Denoising AutoEncoder,SDAE）和双向长短时记忆网络（Bi-directional Long Short-Term Memory,BiLSTM）两种深度学习方法作为本文的后续研究方法。再次,研究基于SDAE的不同程度油滤堵塞和增压油箱漏气的故障诊断方法。以EHA油滤堵塞和增压油箱漏气故障为对象,分析基于SDAE的不同程度油滤堵塞和增压油箱漏气故障诊断建模流程。通过搭建EHA实验平台,开展不同程度油滤堵塞和增压油箱漏气故障模拟实验,根据实验采集的数据集分析SDAE的隐含层数量、优化器、各隐含层神经元节点数量等超参数对诊断性能的影响,确定模型最优超参数。最后,将SDAE模型与传统神经网络方法诊断结果进行对比,验证SDAE方法可以更准确应用于EHA不同程度油滤堵塞和增压油箱漏气的故障诊断。最后,针对EHA油滤堵塞和IGBT短路故障预测问题,提出一种基于双向长短时记忆网络的故障预测方法。从双向长短时记忆网络模型结构入手,建立基于BiLSTM的油滤堵塞和IGBT短路故障预测建模流程。根据NASA的IGBT加速老化实验数据集和油滤堵塞仿真数据集,明确模型最优预测超参数,如时间步长、状态向量等。进一步通过与典型时间序列预测方法结果对比,验证其在EHA关键器件预测领域中的适用性。
张林伟,张志鹏[5]（2020）在《冶金机械设备运行系统常见故障分析与排除》文中进行了进一步梳理当前我国重工业发展迅速,冶金工业的技术实力也随之不断加强,其中冶金机械设备在冶金行业的发展中起到支柱作用,逐步向现代化与大型化方向发展,对于机械设备在运行过程中出现的故障,一直是冶金企业需要迫切解决的问题,为此对机械设备运行系统的常见故障进行分析与排除。利用振动诊断技术,对机械设备液压系统进行排查,保证系统压力的稳定;针对启动电机运转无力的问题,通过对启动机的线路和接线柱进行短接,从而排除故障。
陈雪娇[6]（2019）在《自适应信号处理的机械传动系统故障诊断》文中研究指明预防火炮在作战过程中出现故障一直都是防范安全事故的重中之重。开展行之有效的故障诊断的课题研究对火炮在短时间内完成高强度的作战任务具有重要意义。在作战过程中,火炮传动机构的作用力变化巨大,其故障率也不断上升。因此,本文针对火炮方向机与高低机的传动机构运用自适应信号处理的方法进行故障诊断。其主要研究内容如下:1)基于LMD与排列熵的方向机故障诊断因火炮方向机在作战过程中环境极其恶劣,其采集的信号中常常混有大量的噪声,为解决这一困难问题,本文特提出一种有效的故障诊断方法---基于LMD与排列熵的故障诊断。通过江苏千鹏公司的齿轮故障数据验证此方法的实用性,然后在应用于火炮方向机数据。将其主要研究过程及步骤描述如下:使用LMD的信号处理方法处理振动信号,还原信号的有效信息,分解得到数个频率由高到低的PF分量;经过数据分析验证排列熵的三个最佳计算参数,然后,计算数个PF状态分量的排列熵,有效提取其特征状态信息;最后,使用上面的特征状态信息训练、测试支持向量机,完成模式识别。构建EMD-PE-SVM诊断模型与上述方法对比,突出本文方法的优势。于诊断精度而言,本文所采用的方法得到了更好的结果,具有一定的工程意义。2)基于改进的CEEMDAN与多尺度熵的高低机故障诊断因方向机的振动信号是非线性、非平稳的,并具备提取特征困难的弊端,为解决这一问题,本文提出了一种基于改进的自适应噪声集成经验模态分解的多尺度熵的识别方法。本节先利用西储大学轴承故障数据验证该方法的有效性,然后在应用于火炮高低机数据。将其主要研究过程及步骤描述如下:使用改进的CEEMDAN算法处理振动信号,去除信号中无效信息,分解得到若干个IMF分量;然后,选取包含有效故障信息最多的前六个IMF,计算其多尺度熵（MSE）,提取其特征状态信息;最后,利用特征信息测试、训练概率神经网络（PNN）,成功实现传动系统的故障诊断研究。为了充分证明改进的CEEMDAN-MSE 方法的优越性,将其与 EMD-MSE、EEMD-MSE、CEEMDAN-MSE、改进的CEEMDAN-AE和改进的CEEMDAN-SE方法进行了比较。实验结果表明,该方法大大提高了诊断精度,突出了该方法的优点。3)传动系统故障诊断的GUI设计在前面两部分的基础上,借助MATLAB的GUIDE,设计了《基于LMD与排列熵的齿轮故障诊断系统》和《基于改进的CEEMDAN与多尺度熵的轴承故障诊断系统》,使得诊断过程方便快捷,同时也使得诊断更为集成化和实用化。
谭文涛[7]（2019）在《带式输送机故障诊断分析与研究》文中研究指明带式输送机作为一种结构简单、维修方便、输送能力强的散料输送设备,其在煤矿、化工、冶金、电力、食品、港口等行业的得到了广泛应用。但是,输送机在实际生产中仍然存在诸多故障,导致非计划性停机的情况时有发生。因此,通过对带式输送机故障诊断的分析与研究,对提高煤矿、冶金等行业的安全可靠生产具有十分重要的意义。为了研究带式输送机的故障类型及原因,根据带式输送机的机械系统和控制系统,分析及研究了带式输送机各个组成部分的故障类型及其影响因素。为了优化传统的状态信号数据采集系统,设计出一套适用于带式输送机故障诊断的数据采集系统,包括数据检测系统和数据传输系统。根据带式输送机现有的数据采集系统,开发了支持Zigbee无线传输方式的状态监测器,并运用查表法及MultiSim电路仿真软件,对状态监测器的滤波电路进行设计和验证,以提高状态监测器的抗混能力。采用无线传输技术,研究了支持Zigbee无线传输方式的数据传输系统。为了探究适用于带式输送机的故障诊断方法,根据模糊综合评判理论和机械振动分析理论,结合带式输送机的故障类型和故障征兆,建立了关于带式输送机故障诊断的模糊综合诊断模型和振动分析诊断模型。为了将带式输送机的诊断模型应用于实践,运用KingView组态软件对传统的组态监控系统进行了优化,运用Matlab的GUI可视化界面,研究开发了故障诊断系统,以故障诊断模型为依据编写了 Matlab实现算法,并结合DDE动态数据交换技术实现了跨平台的数据共享。
刘瀚泽[8]（2019）在《基于机器学习的无人机飞控故障智能诊断系统研究》文中研究表明近年来,无人机技术飞速发展,无人机的安全可靠性是其发展中最重要的环节,无人机控制系统结构复杂,且无人机在执行任务过程中不具备驾驶员现场操作的条件,因此时长会发生故障,影响任务执行。这种背景下,对无人机健康状态的监控技术、故障的高效精准诊断技术提出了更高的要求。本论文以某型号无人机飞控为研究对象,围绕其在智能故障诊断领域的几个关键问题:故障模式、故障传播、诊断专家知识持久化、故障智能诊断方法展开了深入研究,主要工作内容包括以下四个方面:（1）从故障模式、故障传播、故障诊断专家知识持久化存储、智能诊断方法等多个方面,对国内外研究现状进行了考察、对比、分析,制定本文研究目标和技术路线,对研究内容相关领域包括无人机飞控故障形式及其特点、故障传播规律、故障信息异常检测技术、神经网络基础等理论内容进行研究和分析。（2）传统的故障诊断依赖专家知识和经验,针对该问题,需要借助信息技术研究更加简便智能的诊断技术,如何将专家知识,转化为机器可读数据并进行持久化存储是首要研究目标,因此本文第三章对无人机飞控故障诊断知识图谱建立方法进行了研究,对不同的专家知识提取方案进行了对比分析,提出了一种基于逆序故障树的诊断知识图谱建立方式,能对不少于十种故障模式的故障进行建模。（3）对基于神经网络的无人机飞控故障智能诊断方法进行研究,构建卷积神经网络,使用加入空洞的卷积核替代传统的卷积核,增大感受野,大大增强了对深层特征的提取能力,并建立双层空洞卷积层,通过调整膨胀系数取得网络的最优值,提出一种基于空洞卷积神经网络的智能诊断方法,并以经过转化的专家诊断知识为基础数据,对网络进行训练,然后从网络结构、激活函数、消除过拟合等方面对神经网络进行优化,最后对网络进行仿真验证。（4）对本文所做系统需求进行了详细的分析,并结合三四章对无人机飞控故障诊断知识图谱的建立方法以及智能诊断方法的研究,给出了系统软件详细的设计方案,包括总体架构、技术路线、各模块设计方案,然后进行了软件开发实现,并对软件的各个子系统界面及功能进行了描述,最后使用无人机飞控故障数据对软件进行实验测试。
王子豪[9]（2018）在《面向轮毂电机故障的试验台设计及其诊断方法研究》文中认为轮毂电机是一种集驱动、制动、承载等多种功能于一体的车轮内装电机,具有控制灵活、结构紧凑、传动效率高等优点,基于轮毂电机的多轮独立驱动系统被公认为是未来电动汽车驱动系统的最佳选择。面对复杂多变的行驶工况与运行环境,轮毂电机的运行安全和使用寿命已成为制约该技术市场运用推广的关键问题。为了加快发展节能与新能源汽车,促进汽车产业转型升级,开展轮毂电机状态监测和故障诊断理论方法研究非常有必要。本文以轮毂电机为研究对象,以其故障诊断技术为研究重点,设计开发试验台诊断功能基础,提取轮毂电机状态信号特征,建立轮毂电机故障诊断系统,识别其故障状态。首先,分析轮毂电机结构、原理与功能,针对当前试验台结构局限提出一种新型台架搭建方案,拓展多种轮毂电机试验技术,完成结构建模与零件选型。其次,介绍轮毂电机常见故障与机械故障诊断需求,制定诊断流程与参数选取原则,围绕电机状态信号提取精度,利用ANSYS Workbench模态分析优选信号测点,优化台架结构减小共振,分析试验噪声来源及相应的降噪方法。再次,搭建轮毂电机故障诊断试验台,设计多变量试验方案,提出轮毂电机轴承故障的模拟方法,获取不同工况与激励下的状态信号,基于MATLAB分析信号特征,分析变量影响效果,对比理论模态分析结果,验证台架结构设计与试验方案的合理性。最后,针对轮毂电机故障诊断试验信号,提取多个状态信号特征参数,基于可能性理论建立电机状态辨识系统,研究特征参数分布规律,提出DI值作为振动信号测点位置评判指标。结果表明,轮毂电机状态辨识系统的诊断准确率高达87.5%。本文围绕轮毂电机故障诊断功能展开研究,开发台架试验技术,研究故障诊断方法,从电机振动信号提取精度着手,展开台架结构设计与测点优化研究;依据可能性理论建立电机故障诊断模型,结合模态理论分析与试验信号处理结果,表明本文所设计的台架结构合理,故障诊断功能有效,能为轮毂电机技术的性能提升和运行安全评估研究提供可靠的平台和技术支持。
黄杰[10]（2016）在《基于虚拟仪器的直升机故障诊断方法研究》文中指出为了保障直升机的适航,当前对直升机故障的诊断提出了更高的要求。直升机出现故障,小则会造成不必要的经济损失,大则会机毁人亡,其影响是巨大的。以往直升机故障的诊断主要靠机务维修人员丰富的工作经验以及在工卡、维修手册引导下进行的,其维护难度可想而知。而在虚拟仪器辅助作用下所实现的可视化的故障诊断过程则很好的解决了这些问题,缩短了培训周期,提高了培训效率,在直升机故障诊断中充分体现了其优越性。本文简明扼要的介绍了虚拟仪器相关技术、智能推理机和故障树分析方法。在分析各个技术的优缺点的情况下,阐述了它们在故障诊断的应用现状;在针对直升机主要、重要系统的工作原理以及其出现的故障特点,给出了基于虚拟仪器的直升机故障诊断方法的方案。为了解决直升机维修保障过程中训练资源有限,拆装难度较高,且难以确定故障点等难题,提出了应用虚拟仪器检测,确定故障点的直升机故障诊断可视化方法,实现了动态的建立仿真模型和数据处理。通过虚拟仪器和推理机的功能配合,解决了直升机维护中复杂多变的故障诊断难题,形成一个逻辑推理能力强的故障诊断方法。本文通过研究直升机故障诊断的背景、需求做出了关于故障诊断方法的研究、设计,利用关键技术、通用框架建立诊断方法体系。其中还做了虚拟仪器管理方法的设计。提出并设计了具有较强拓展性、交互性能优异的直升机故障诊断方法。
二、液压控制系统故障及其诊断方法（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、液压控制系统故障及其诊断方法（论文提纲范文）
（1）基于模式识别的风电机组主轴承温度异常状态检测及其诊断研究（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 风电机组工作状态检测及其诊断研究现状 |
| 1.2.2 模式识别技术研究现状 |
| 1.2.3 SCADA系统在复杂动态系统方面研究现状 |
| 1.3 课题研究内容及创新 |
| 1.3.1 课题研究内容与章节安排 |
| 1.3.2 特色与创新 |
| 1.4 本章小结 |
| 第2章 直驱型风电机组及其SCADA系统概述 |
| 2.1 直驱型风电机组 |
| 2.2 主轴承 |
| 2.3 SCADA系统与其检测的主轴承温度异常数据 |
| 2.4 本章小结 |
| 第3章 主轴承温度异常相关数据预处理及状态检测方法初探 |
| 3.1 SCADA数据预处理方法 |
| 3.1.1 层次分析法和证据理论 |
| 3.1.2 局部离群因子(LOF)算法 |
| 3.2 基于经典数学模型的主轴承温度检测方法 |
| 3.2.1 热力学分析 |
| 3.2.2 传热模型 |
| 3.2.3 运行工况下的温度指标 |
| 3.3 基于模式识别的主轴承温度智能检测方法 |
| 3.3.1 BP神经网络 |
| 3.3.2 粒子滤波(PF)算法 |
| 3.4 增强型粒子滤波(EPF)智能检测算法 |
| 3.4.1 粒子修改 |
| 3.4.2 多项式重采样 |
| 3.5 EPF-BP算法状态检测方法验证 |
| 3.5.1 EPF-BP算法概述 |
| 3.5.2 EPF-BP算法参数设置 |
| 3.5.3 算法验证 |
| 3.6 本章小结 |
| 第4章 EPF-BP算法的主轴承温度异常状态检测方案 |
| 4.1 主轴承温度异常状态检测方案设计 |
| 4.2 主轴承温度异常状态检测模型数据预处理 |
| 4.2.1 参数提取 |
| 4.2.2 数据清理 |
| 4.3 EPF-BP算法的主轴承温度异常状态检测模型仿真实验 |
| 4.3.1 评判方法 |
| 4.3.2 仿真验证 |
| 4.3.3 案例分析 |
| 4.4 本章小结 |
| 第5章 基于本体的主轴承温度异常原因智能推理探索 |
| 5.1 主轴承温度异常原因简述 |
| 5.2 主轴承温度异常原因推理 |
| 5.2.1 故障树建立 |
| 5.2.2 本体建模 |
| 5.2.3 规则建立 |
| 5.2.4 故障推理探索 |
| 5.3 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的学术论文以及参与的科研项目 |
（2）基于数据驱动的轮毂电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 国内外发展及研究现状 |
| 1.3.1 故障特征提取方法研究现状 |
| 1.3.2 故障特征降维方法研究现状 |
| 1.3.3 故障状态识别方法研究现状 |
| 1.4 主要研究内容与技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 轮毂电机轴承故障试验设计 |
| 2.1 试验系统组成 |
| 2.1.1 试验台架模块 |
| 2.1.2 试验控制模块 |
| 2.1.3 信号采集模块 |
| 2.2 试验方案设计 |
| 2.2.1 轮毂电机轴承故障模拟方案 |
| 2.2.2 轮毂电机轴承信号采集方案 |
| 2.3 本章小结 |
| 第三章 基于优化共振稀疏分解的故障特征提取方法研究 |
| 3.1 共振稀疏分解方法 |
| 3.1.1 信号的共振特性 |
| 3.1.2 品质因子可调小波变换 |
| 3.1.3 共振分量的分离 |
| 3.2 基于狼群算法的参数优化 |
| 3.2.1 狼群算法基本原理 |
| 3.2.2 参数优化目标函数 |
| 3.2.3 基于狼群算法优化的共振稀疏分解方法 |
| 3.3 仿真与试验信号分析 |
| 3.3.1 仿真信号分析 |
| 3.3.2 试验信号分析 |
| 3.4 本章小结 |
| 第四章 基于改进t分布随机邻域嵌入的故障特征降维方法研究 |
| 4.1 信号特征参数 |
| 4.1.1 时域特征参数 |
| 4.1.2 频域特征参数 |
| 4.2 传统t分布随机邻域嵌入特征降维方法 |
| 4.2.1 随机邻域嵌入特征降维 |
| 4.2.2 t分布随机邻域嵌入特征降维 |
| 4.3 改进t分布随机邻域嵌入特征降维方法 |
| 4.3.1 Barnes-Hut算法 |
| 4.3.2 基于Barnes-Hut改进的t分布随机邻域嵌入算法 |
| 4.3.3 试验数据分析 |
| 4.4 本章小结 |
| 第五章 基于人工碳氢网络的故障状态识别方法研究 |
| 5.1 人工碳氢网络理论 |
| 5.1.1 人工有机网络简介 |
| 5.1.2 人工碳氢网络简介 |
| 5.2 基于人工碳氢网络的故障状态识别方法 |
| 5.2.1 人工碳氢网络算法 |
| 5.2.2 基于人工碳氢网络的分类器模型 |
| 5.2.3 试验数据分析 |
| 5.3 与其他分类器的对比分析 |
| 5.3.1 分类器评价指标 |
| 5.3.2 对原始数据的诊断效果分析 |
| 5.3.3 对含噪声数据的诊断效果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作与结论 |
| 6.2 主要创新点 |
| 6.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的主要研究成果 |
（3）发动机电控系统故障模拟实验台开发（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发动机电控系统故障模拟实验台的研究现状 |
| 1.2.2 发动机电控系统故障模拟实验台在教学中的应用 |
| 1.3 研究的内容和方法 |
| 第2章 典型发动机电子控制系统分析 |
| 2.1 ATK型发动机电子控制系统分析 |
| 2.1.1 捷达1.6LATK发动机电控系统主要部件 |
| 2.1.2 ATK发动机技术参数 |
| 2.2 ATK发动机电控系统电路逻辑关系分析 |
| 2.2.1 发动机电子控制单元 |
| 2.2.2 各传感器电路逻辑分析 |
| 2.2.3 执行元件电路逻辑分析 |
| 2.3 发动机电控系统常见故障原因及诊断方法 |
| 2.3.1 发动机电控系统常见故障 |
| 2.3.2 发动机电控系统故障诊断方法 |
| 2.3.3 电路的诊断方法 |
| 2.3.4 控制单元、传感器和执行器的诊断方法 |
| 2.4 本章小结 |
| 第3章 发动机电控系统故障模拟实验台的开发 |
| 3.1 实验台设计要求 |
| 3.2 实验台开发的总体设计方案 |
| 3.3 实验台的结构设计 |
| 3.4 实验台的功能设计与实现 |
| 3.5 实验台控制柜的设计与制作 |
| 3.6 实验台显示面板电路设计与连接 |
| 3.7 实验台故障模拟系统开发 |
| 3.7.1 故障模拟系统开发思路 |
| 3.7.2 手持故障设置终端设计 |
| 3.7.3 实验台故障设置板设计 |
| 3.7.4 无线故障设置终端与故障设置板间的通信 |
| 3.8 本章小结 |
| 第4章 实验台功能测试 |
| 4.1 实验台模拟故障点设置 |
| 4.2 实验台实验数据测试 |
| 4.2.1 正常运转相关测试 |
| 4.2.2 模拟故障数据测试 |
| 4.3 系统应用分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）基于深度学习的EHA关键器件故障诊断及预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 伺服系统的PHM技术研究现状 |
| 1.2.2 深度学习在故障诊断中的研究现状 |
| 1.2.3 深度学习在故障预测中的研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 第2章 机电静压伺服系统及其关键器件故障分析 |
| 2.1 机电静压伺服系统组成及工作原理 |
| 2.1.1 机电静压伺服系统组成结构 |
| 2.1.2 机电静压伺服系统工作原理 |
| 2.2 机电静压伺服系统关键器件故障分析 |
| 2.2.1 驱动器故障分析 |
| 2.2.2 增压油箱故障分析 |
| 2.2.3 其他器件故障分析 |
| 2.3 本章小结 |
| 第3章 深度学习基础理论 |
| 3.1 深度学习神经网络概述 |
| 3.1.1 深度学习神经网络的背景 |
| 3.1.2 深度学习的深层架构理解 |
| 3.1.3 神经网络可以逼近任意连续函数的性质 |
| 3.2 深度学习主要模型及其对比 |
| 3.2.1 卷积神经网络 |
| 3.2.2 深度置信网络 |
| 3.2.3 自动编码器 |
| 3.2.4 循环神经网络 |
| 3.2.5 深度学习主要模型对比 |
| 3.3 本章小结 |
| 第4章 基于SDAE的EHA油滤堵塞和增压油箱漏气故障诊断 |
| 4.1 堆叠降噪自编码器模型结构 |
| 4.1.1 降噪自编码器 |
| 4.1.2 堆叠降噪自编码器 |
| 4.2 基于SDAE的油滤堵塞和增压油箱漏气故障诊断建模流程 |
| 4.3 实验验证及分析 |
| 4.3.1 实验设计及结果 |
| 4.3.2 堆叠降噪自编码器参数的选取 |
| 4.3.3 与传统神经网络方法诊断性能对比分析 |
| 4.4 本章小结 |
| 第5章 基于双向LSTM的EHA油滤堵塞和IGBT短路故障预测 |
| 5.1 双向长短时记忆网络模型结构 |
| 5.1.1 长短时记忆网络 |
| 5.1.2 双向长短时记忆网络 |
| 5.2 基于BiLSTM的油滤堵塞和IGBT短路故障预测建模流程 |
| 5.3 实验验证及分析 |
| 5.3.1 实验设计及结果 |
| 5.3.2 双向长短时记忆网络参数的选取 |
| 5.3.3 与其他故障预测方法预测性能对比分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间的研究成果 |
（5）冶金机械设备运行系统常见故障分析与排除（论文提纲范文）
| 1 设备运行系统常见故障分析 |
| 2 启动电机运转无力 |
| 3 常见故障排除方法 |
| (1)引用振动诊断。 |
| (2)短接电机线路和接线柱。 |
| 4 结束语 |
（6）自适应信号处理的机械传动系统故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 机械设备故障诊断的研究意义和研究内容 |
| 1.2.1 机械设备故障诊断的研究意义 |
| 1.2.2 机械设备故障诊断的研究内容 |
| 1.3 传动系统振动信号分析与故障诊断技术的研究现状 |
| 1.3.1 传动系统振动信号分析方法的研究现状 |
| 1.3.2 传动系统故障诊断方法的研究现状 |
| 1.4 论文研究的目的及意义 |
| 1.5 论文的主要研究内容 |
| 2 火炮传动机构振动信号的采集 |
| 2.1 引言 |
| 2.2 振动传感器的选择原则 |
| 2.3 振动信号的采集系统 |
| 2.4 本章小结 |
| 3 基于LMD与排列熵的方向机故障诊断 |
| 3.1 引言 |
| 3.2 方向机传动机构的振动信号处理 |
| 3.2.1 EMD的原理及算法 |
| 3.2.2 EMD方法的不足 |
| 3.2.3 LMD分解的原理与算法 |
| 3.2.4 EMD与LMD的比较 |
| 3.3 基于LMD的特征提取 |
| 3.3.1 排列熵的算法 |
| 3.3.2 排列熵的参数选择 |
| 3.4 基于SVM的故障诊断 |
| 3.4.1 SVM的算法及原理 |
| 3.4.2 故障诊断流程 |
| 3.5 标准数据案例分析 |
| 3.6 实测数据案例分析 |
| 3.7 本章小结 |
| 4 基于改进的CEEMDAN与多尺度熵的高低机故障诊断 |
| 4.1 引言 |
| 4.2 高低机传动机构振动信号处理 |
| 4.2.1 EEMD原理及算法 |
| 4.2.2 CEEMDAN原理及算法 |
| 4.2.3 改进的CEEMDAN原理及算法 |
| 4.2.4 EEMD、CEEMDAN及改进的CEEMDAN算法的比较 |
| 4.3 基于改进的CEEMDAN的特征提取 |
| 4.3.1 近似熵原理及算法 |
| 4.3.2 样本熵原理及算法 |
| 4.3.3 多尺度熵原理及算法 |
| 4.3.4 近似熵、样本熵、多尺度熵的比较 |
| 4.4 基于PNN的故障诊断 |
| 4.4.1 PNN的算法及原理 |
| 4.4.2 故障诊断流程 |
| 4.5 标准数据实例分析 |
| 4.6 实测数据实例分析 |
| 4.7 本章小结 |
| 5 传动系统故障诊断的GUI设计 |
| 5.1 引言 |
| 5.2 Matlab/GUI的简介及设计流程 |
| 5.2.1 Matlab/GUI的简介 |
| 5.2.2 Matlab/GUI设计流程 |
| 5.3 机械传动机构故障诊断系统 |
| 5.3.1 基于LMD与排列熵的齿轮故障诊断系统 |
| 5.3.2 基于改进的CEEMDAN与多尺度熵的轴承故障诊断系统 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 后期的工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）带式输送机故障诊断分析与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 目的与意义 |
| 1.4 主要研究工作 |
| 2 带式输送机故障分析与研究 |
| 2.1 系统组成分析 |
| 2.2 故障分析 |
| 2.3 本章小结 |
| 3 数据采集系统的分析与设计 |
| 3.1 状态信号分析 |
| 3.2 数据检测系统设计 |
| 3.3 数据传输系统设计 |
| 3.4 本章小结 |
| 4 故障诊断模型的分析与研究 |
| 4.1 模糊理论 |
| 4.2 模糊综合诊断模型的构建 |
| 4.3 振动分析诊断模型的构建 |
| 4.4 本章小结 |
| 5 故障诊断系统的软件开发 |
| 5.1 数据链接 |
| 5.2 故障诊断系统的开发 |
| 5.3 监控界面的开发 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究内容展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）基于机器学习的无人机飞控故障智能诊断系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机飞控故障诊断发展现状 |
| 1.2.2 基于机器学习的飞控故障诊断现状 |
| 1.3 研究目标与研究内容 |
| 1.4 论文结构与内容安排 |
| 第二章 无人机飞控故障及其诊断方法基础理论 |
| 2.1 无人机飞控故障特点与征兆空间 |
| 2.1.1 无人机飞控结构 |
| 2.1.2 无人机飞控故障来源及特点 |
| 2.1.3 故障征兆参数与征兆空间 |
| 2.2 无人机飞控故障诊断方法分析 |
| 2.2.1 基于知识的方法 |
| 2.2.2 基于解析模型的方法 |
| 2.2.3 基于信号处理的方法 |
| 2.3 神经网络基础理论 |
| 2.3.1 激活函数 |
| 2.3.2 神经网络结构 |
| 2.3.3 误差逆传播算法 |
| 2.3.4 局部最优与全局最优 |
| 2.4 本章小结 |
| 第三章 无人机飞控故障诊断知识图谱建立方法研究 |
| 3.1 飞控故障专家诊断知识抽取 |
| 3.2 基于逆序故障树的飞控故障诊断知识图谱建立方法 |
| 3.2.1 逆序故障树知识图谱结点设置与多故障模式实现 |
| 3.2.2 逆序故障树知识图谱结构设计与完整性检验 |
| 3.2.3 基于逆向故障树的双向推理诊断分析法 |
| 3.3 本章小结 |
| 第四章 无人机飞控故障神经网络智能诊断方法研究 |
| 4.1 基于空洞卷积神经网络的飞控故障智能诊断方法 |
| 4.1.1 飞控故障诊断神经网络模型结构设计 |
| 4.1.2 飞控故障诊断神经网络模型训练与模型优化 |
| 4.1.3 基于空洞卷积的监督式飞控故障智能诊断方法 |
| 4.2 监督式飞控故障智能诊断方法实验验证与分析 |
| 4.3 本章小结 |
| 第五章 无人机飞控故障智能诊断软件开发实现 |
| 5.1 飞控故障智能诊断软件需求分析 |
| 5.2 飞控故障智能诊断软件方案设计 |
| 5.2.1 飞控故障诊断软件总体结构设计 |
| 5.2.2 飞控故障诊断软件技术方案制定 |
| 5.2.3 飞控故障诊断软件执行流程与功能设计 |
| 5.3 无人机飞控故障智能诊断软件实现 |
| 5.3.1 开发环境与软件框架搭建 |
| 5.3.2 飞控故障诊断知识图谱建模子系统实现 |
| 5.3.3 飞控故障神经网络智能诊断子系统实现 |
| 5.3.4 飞控故障诊断结果可视化分析与管理子系统实现 |
| 5.4 无人机飞控故障智能诊断软件指标分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
（9）面向轮毂电机故障的试验台设计及其诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 电动轮系统及试验技术研究现状 |
| 1.4 轮毂电机故障诊断方法研究现状 |
| 1.5 研究的主要内容 |
| 第二章 轮毂电机试验台架功能分析与结构设计 |
| 2.1 轮毂电机性能与试验台设计理论介绍 |
| 2.1.1 轮毂电机工作原理及性能介绍 |
| 2.1.2 试验台关键参数的设计理论 |
| 2.2 轮毂电机试验台架的主要功能分析 |
| 2.2.1 轮毂电机驱动性能试验 |
| 2.2.2 轮毂电机工况性能试验功能 |
| 2.2.3 汽车道路模拟试验 |
| 2.3 试验台布置方案 |
| 2.4 试验台结构设计与功能开发 |
| 2.4.1 垂向载荷加载模块 |
| 2.4.2 惯量模拟模块 |
| 2.4.3 其他模块与部件的选型 |
| 2.5 本章小结 |
| 第三章 轮毂电机试验台故障诊断功能设计 |
| 3.1 轮毂电机常见故障分析与诊断功能要求 |
| 3.1.1 轮毂电机常见故障分析 |
| 3.1.2 试验台故障诊断功能要求 |
| 3.2 试验台机械故障诊断功能基础设计 |
| 3.2.1 基于模态分析的振动测点优选 |
| 3.2.2 惯性负载的耦合振动分析 |
| 3.3 试验噪声分析与降噪措施 |
| 3.4 本章小结 |
| 第四章 轮毂电机故障诊断试验设计 |
| 4.1 试验系统 |
| 4.1.1 轮毂电机试验台搭建 |
| 4.1.2 数据采集系统介绍 |
| 4.1.3 试验控制系统设计 |
| 4.2 试验方案 |
| 4.2.1 轮毂电机故障诊断试验方案 |
| 4.2.2 轮毂电机轴承故障模拟方案 |
| 4.3 试验信号结果与初步处理 |
| 4.3.1 转速对电机状态的影响分析 |
| 4.3.2 垂向压力对电机状态的影响分析 |
| 4.3.3 路面激励对电机状态的影响分析 |
| 4.4 信号滤波处理 |
| 4.5 本章小结 |
| 第五章 试验信号处理与结果对比验证 |
| 5.1 检测信号的特征提取 |
| 5.1.1 信号特征介绍 |
| 5.1.2 振动信号特征提取 |
| 5.1.3 其他检测信号的特征提取 |
| 5.2 基于可能性理论的故障诊断研究 |
| 5.2.1 基于可能性理论的状态辨识方法 |
| 5.2.2 电机故障诊断研究 |
| 5.2.3 基于贝叶斯网络的轮毂电机故障识别模型对比 |
| 5.3 基于DI值的测点选取 |
| 5.4 本章小结 |
| 第六章 研究总结与展望 |
| 6.1 主要工作与结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的主要研究成果 |
（10）基于虚拟仪器的直升机故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 直升机故障诊断发展现状 |
| 1.2 存在的问题及主要工作 |
| 1.2.1 存在的问题 |
| 1.2.2 主要工作 |
| 第二章 直升机故障及其诊断技术 |
| 2.1 直升机液压系统故障 |
| 2.1.1 直升机液压系统简介 |
| 2.1.2 直升机液压系统故障 |
| 2.1.3 液压泵故障 |
| 2.1.4 调节控制元件故障 |
| 2.1.5 传感器故障及排故方法 |
| 2.2 直升机燃油系统故障 |
| 2.2.1 直升机燃油系统简介 |
| 2.2.2 直升机燃油系统故障 |
| 2.3 直升机其他系统 |
| 2.3.1 滑油系统及其常见故障 |
| 2.3.2 主齿轮箱及其常见故障 |
| 2.4 常见故障诊断技术 |
| 2.5 本章小结 |
| 第三章 基于虚拟仪器的直升机故障诊断方法研究 |
| 3.1 虚拟仪器技术 |
| 3.1.1 虚拟检测仪器概念 |
| 3.1.2 虚拟检测仪器系统构成 |
| 3.2 基于故障树的智能推理机 |
| 3.2.1 故障树理论 |
| 3.2.2 故障树建立方法 |
| 3.2.3 故障树故障诊断的应用 |
| 3.3 基于故障树的推理机技术 |
| 3.4 可视化技术 |
| 3.4.1 故障诊断可视化概念提出 |
| 3.4.2 可视化技术在直升机故障诊断中应用 |
| 3.5 虚拟仪器可视化故障诊断方法 |
| 3.5.1 故障可视化理论 |
| 3.5.2 虚拟仪器可视化理论 |
| 3.6 本章小结 |
| 第四章 虚拟仪器管理模块设计 |
| 4.1 虚拟仪器管理可视化设计 |
| 4.1.1 虚拟仪器管理可视化分析 |
| 4.1.2 虚拟仪器管理可视化实现 |
| 4.2 虚拟仪器管理模块设计 |
| 4.3 管理过程仿真 |
| 4.3.1 数据库的架构 |
| 4.3.2 过程设计 |
| 4.4 警告指示面板实例 |
| 4.4.1 警告指示面板可视化分析 |
| 4.4.2 警告指示面板可视化实现 |
| 4.5 本章小结 |
| 第五章 基于虚拟仪器故障诊断方法实例 |
| 5.1 虚拟仪表实例 |
| 5.1.1 虚拟仪表可视化需求分析 |
| 5.1.2 虚拟仪表设计思想 |
| 5.1.3 虚拟仪表结构设计 |
| 5.1.4 直升机虚拟仪表实例 |
| 5.2 基于虚拟仪表的故障诊断方法 |
| 5.3 伺服作动器故障诊断实例 |
| 5.3.1 液压系统伺服作动器 |
| 5.3.2 液压系统伺服作动器故障诊断实例 |
| 5.3.3 诊断方法优势 |
| 5.4 故障关联情况下诊断方法对比 |
| 5.4.1 实际压力传感器故障诊断 |
| 5.4.2 基于虚拟仪器的压力传感器故障诊断 |
| 5.4.3 压力传感器故障诊断对比情况 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、液压控制系统故障及其诊断方法（论文参考文献）
- [1]基于模式识别的风电机组主轴承温度异常状态检测及其诊断研究[D]. 常兴邦. 湘潭大学, 2020(02)
- [2]基于数据驱动的轮毂电机轴承故障诊断方法研究[D]. 周宇. 江苏大学, 2020(02)
- [3]发动机电控系统故障模拟实验台开发[D]. 金宜南. 长安大学, 2020(06)
- [4]基于深度学习的EHA关键器件故障诊断及预测方法研究[D]. 许昆明. 浙江理工大学, 2020(03)
- [5]冶金机械设备运行系统常见故障分析与排除[J]. 张林伟,张志鹏. 世界有色金属, 2020(04)
- [6]自适应信号处理的机械传动系统故障诊断[D]. 陈雪娇. 西安工业大学, 2019(07)
- [7]带式输送机故障诊断分析与研究[D]. 谭文涛. 山东科技大学, 2019(05)
- [8]基于机器学习的无人机飞控故障智能诊断系统研究[D]. 刘瀚泽. 电子科技大学, 2019(12)
- [9]面向轮毂电机故障的试验台设计及其诊断方法研究[D]. 王子豪. 江苏大学, 2018(05)
- [10]基于虚拟仪器的直升机故障诊断方法研究[D]. 黄杰. 中国民航大学, 2016(03)