一、浅谈振动监测与诊断（论文文献综述）
刘鑫[1]（2021）在《基于SystematICS平台的地铁空调机组轴承设备状态监控》文中进行了进一步梳理地铁空调机组在投入运营后使用频繁,易出现空调机组故障,其中因轴承故障引起皮带摩擦冒烟导致现场设备存在消防安全隐患的问题尤为突出,严重影响地铁的平安运营。目前地铁空调机组设备监控信息在地铁综合监控系统平台以及环境与设备监控系统中较为分散和单一,仅对空调机组设备运行状态进行逐站监控。同时,由于线网空调机组设备众多,控制中心调度及专业人员在设备监控及巡检过程中按照固有模式难以覆盖到所有空调机组设备,无法对空调机组轴承故障发展趋势进行提前预警,或者获知空调机组轴承出现了故障。因此,研究地铁空调机组轴承设备状态的实时监控具有重要的意义。论文主要以现有的地铁通风空调系统、综合监控系统、环境与设备监控系统为平台,通过获取实时监测数据判断空调机组轴承设备运行状态,并根据轴承故障状态采取相应控制措施。论文首先对空调机组轴承典型故障进行分析,分析对比了多种轴承性能监测方法,研究确定了轴承运行状态的优劣参数及诊断标准,设计了地铁空调机组轴承设备状态监控系统软硬件方案,利用地铁现有设备及网络平台,通过增加振动传感器、数据监测点等措施,实现了轴承状态检测及振动超限时的报警与停机;同时对综合监控系统工作站各站空调机组设备监控信息进行集中整合,为设备监控及操作人员提供一个方便、直观的监视操作界面。地铁空调机组轴承设备监控系统完成后,通过对现场设备进行测试,验证了系统的有效性。目前该系统已在西安地铁线网中进行安装应用,系统上线后故障预防效果明显。
钱泽琛[2]（2021）在《汽轮发电机组远程振动监测和故障诊断系统研究》文中指出二十一世纪的中国经济发展突飞猛进,有力的带动着电力行业的发展。目前,我国电力行业仍以传统火电厂发电为主,汽轮发电机组在运行过程中,一旦发生故障,将会对电网以及电厂的经济效益产生非常大的影响。为避免故障的发生,需要对汽轮发电机组状态进行监测,并对其所发生的故障进行诊断。我国大部分振动监测和故障诊断系统是基于C/S模式下开发的,C/S系统由于受到局域网的局限,并不能满足当下需求。随着网络信息技术的发展,对汽轮发电机组远程振动监测和故障诊断成为一种可能,本文针对汽轮发电机组开发一套远程振动监测和故障诊断系统。本文首先对汽轮发电机组振动监测和故障诊断系统的发展和国内外研究现状进行详细调研,并且对振动监测技术和故障诊断技术原理进行研究,为系统开发奠定理论基础。通过对不同模式下的系统优缺点对比,最终选择以B/S模式作为系统开发模式。为避免B/S系统由于系统维护等原因造成不能使用,因此配套开发C/S系统。通过对B/S系统和C/S系统的功能需求、数据储存方式需求进行分析,初步确定开发方案。本文对B/S系统和C/S系统进行开发时,选用.NET作为开发平台,SQL Server数据库作为数据储存容器,C#语言、HTML5语言作为开发语言。系统主要开发功能包括振动监测、历史数据查看、信息配置、报警提醒和故障诊断功能,可实现对汽轮发电机组的远程振动监测和在线故障诊断。本文对系统的功能开发过程、使用技术详细介绍,针对实时监测、故障诊断和报警功能重点研究。成功开发系统后进行测试,并将最终结果进行展示。
董健[3]（2021）在《风电机组关键部件故障预警与寿命评估方法及其应用研究》文中进行了进一步梳理2020年9月我国正式提出“2030年碳达峰,2060年碳中和”的减排目标,这为我国能源清洁低碳转型指明了方向、擘画了具体路线图,展现了中国应对气候变化的坚定决心和重信守诺的责任担当。风力发电作为清洁能源的主要利用方式之一,在未来必将更快速度、更大规模、更高质量的发展,这对风电装备设计制造及运维技术水平提出更高的要求。我国在大规模风力发电建设初期存在风电机组设备故障率高和运维成本高的突出问题,特别是关键大部件（齿轮箱、发电机及主轴承等）故障率偏高,严重影响发电量,增加风电场的后期运维和检修成本,给风电场运营带来较大的经济损失。随着风力发电行业逐步朝着大型化和海上化的发展趋势,这就对风电机组运行安全可靠性和经济性提出了更高要求。因此,不断提升风电机组关键部件状态监测及故障诊断技术水平,使部件监测范围更宽、故障预警更及时、故障诊断更准确,必将成为风电全行业的共识。本文的研究结果可为风电场关键部件的检修时机提供科学合理的依据,也可为风电场的安全经济运行提供重要的技术支持。本文针对风电机组关键部件故障诊断及寿命评估的关键技术问题,依托2015年度国家科技支撑计划项目“大型风电场智能化运行维护关键技术研究及示范（2015BAA06B03）”开展深入研究,主要的研究内容及结论如下。（1）基于振动信号复合分解结合特征降维的故障诊断方法:风电机组传动链结构复杂、故障模式多,振动监测信号存在多源耦合调制的特点,这就给快速全面提取微弱故障特征信息造成困难,针对这一关键问题,本文研究并提出一种振动信号复合分解结合主分量分析的降维处理方法。首先采用先进的集合经验模态分析方法（Ensemble Empirical Mode Decomposition,简称 EEMD）和局部均值分解方法（Local Mean Decomposition,简称LMD）对振动监测信号进行复合分解,以全面揭示隐含在振动监测信号中造成状态变化的微弱故障信息;其次选择分解出的高频分量进行特征提取,将两种分解方法得到的各个分量特征值进行融合,构成高维特征向量;最后采用主分量分析（Principal Component Analysis,简称PCA）进行降维处理,采用欧几里得距离或平方预测误差（Squared Prediction Error,简称SPE）指标作为反映状态变化的量化评价指标。通过风电机组实际故障信号分析实例,将该方法的分析效果与其它几种基于不同信号分析方法的特征提取及降维方法进行对比,结果表明,所提出的“复合分解结合主分量分析”的方法既满足特征提取精度要求又可提高特征识别效率。（2）基于盲解卷积结合稀疏分解的微弱故障特征提取方法:针对风电机组振动监测信号的干扰噪声强、故障信息分布频率范围宽、具有强非平稳性等特点,本文研究并提出一种将盲解卷积和稀疏分解相结合的振动信号分析方法。首先采用基于最小熵解卷积（MED）方法对振动监测信号进行预处理,从而抑制监测信号中的随机噪声成分,增强信号中的故障冲击成分;其次对经预处理的振动信号进行稀疏分解,根据风电机组传动链故障周期性冲击成分出现的最小间隔,对振动监测信号进行分段处理,采用匹配追踪算法对每一段信号分解,提取故障成分,再将得到的故障冲击成分按照顺序重构信号。通过对风电机组实际运行监测信号的分析对比,结果表明,该方法可以同时实现微弱故障信息增强和提取的目的,选择合适的解卷积滤波器参数,可以获得明显的振动信号提取效果。（3）基于运行监控数据分类识别的故障预警方法:风电机组运行监控系统（Supervisory Control And Data Acquisition,简称 SC ADA）中拥有海量的大数据,其中数据间各种逻辑关系复杂,干扰数据繁多,这就对快速准确的构建目标模型从而高效诊断和预测各类典型故障带来不小的困难,针对这一难点,本文利用SCADA系统中各类数据的属性构建了分类识别的建模方法。首先针对SCADA系统中同类监控指标的数据（齿轮箱油温）提出一种工况细化的故障预警方法,该方法针对风电机组并网段的不同叶轮转速分仓,建立齿轮箱油温正常行为模型并划定油温分布和变化率异常限值,采用定时执行、定量分析、定窗评估的手段实现齿轮箱油温异常检测和故障预警的功能;最后针对SCADA数据之间关联性较为直接且可以快速识别关联性的部件（叶片结冰故障）,采用BPAdaboost故障检测强分类器构建模型,其精度优于单一 BP神经网络构建的风电机组叶片结冰故障检测模型。（4）基于疲劳累计损伤理论的风电机组寿命评估系统:由于风电机组的结构、运行工况及环境条件具有复杂多变特点,国内对于处于设计寿命中后期的风电机组,针对整机及特殊关键结构部件寿命评估技术的研究基础相对薄弱,针对这一瓶颈问题,本文开发了一套风电机组关键部件疲劳载荷及寿命评估系统。首先构建了风电机组载荷数据库（包含空气密度、湍流强度和计算风速工况）;其次基于Miner疲劳累计损伤理论,开发出风电机组关键部件寿命评估系统。通过对两个风电场的关键部件剩余寿命预测作为算例进行验证,结果表明,该系统可实现对限电风电场的优化配置及预测会发生疲劳破坏的部位等功能。
刘瑶[4]（2021）在《基于时频分析的风机故障智能诊断方法研究》文中研究指明风机在运行过程中发生故障可能引发重大财产损失和人身安全问题。早期,研究人员通过信号处理方法提取风机故障特征,进行故障识别与分类,该方法需要考虑故障与特征提取方法的对应关系,且不同场景下提取到的故障特征不稳定,难以实现在线诊断。深度神经网络可以有效提取风机故障的深层特征,且工程上可以利用迁移学习方法实现高效、稳定的风机运行状态识别和故障诊断。目前,研究人员通常采用旋转机械振动信号的时频图谱作为深度神经网络输入数据,但时频图谱的获取和存储需要更多的计算资源。为降低故障诊断处理器的使用内存、提高计算效率,本文提出利用风机振动时序信号进行故障识别与诊断的方法,为优化故障诊断系统线下部署提供理论基础。本文从保留特征的时间物理意义出发,利用时频信号处理方法对风机的振动信号进行降噪和信号特征频段提取预处理。针对不同场景应用需求,利用两类深度学习方法,分别对预处理后的风机振动时序信号数据进行深度特征提取和故障分类。本文主要结论如下:（1）基于风机故障机理,推导风机故障的振动信号一般形式,结合风机运行过程中的信号的调制作用,构建了风机振动信号模型,为后续振动信号降噪和特征提取方法的研究奠定基础。设计并进行风机模拟故障实验,对获得的风机振动信号进行单域分析,发现仅从时域或频域难以分辨强背景噪声条件下的风机故障类型。（2）对风机振动信号降噪和特征提取预处理方法进行了研究。首先搭建信号降噪性能指标体系:通过信噪比、相关性和信噪比增益进行仿真信号降噪性能评价,通过类可分离度进行实测振动信号降噪性能评价。研究了分解层数对第二代小波分解降噪效果的影响。对基于经验模态分解的清除重复间隔阈值降噪方法（EMD-CIIT）的影响因素进行了研究,EMD-CIIT方法的降噪性能主要受到选用阈值函数和第一个模态分量的修改模式影响。使用硬阈值函数降噪后信号对真实信号逼近程度最高。第一个模态分量的修改模式会影响降噪信号的平滑性。对比研究了多种小波降噪方法和基于经验模态分解（EMD）的其他降噪方法,EMD-CIIT方法降噪处理后得到的信号与真实信号逼近程度最高,且在低信噪比条件下降噪性能突出,由于风机振动信号通常含有大量噪声,因此采用EMD-CIIT降噪方法进行风机振动信号降噪。（3）对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声集合经验模态分解算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象。（4）采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行深层特征提取,实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类,能进行多通道数据输入条件下的离线风机故障分类,样本分类准确率达到100%。本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了研究,构建了直接处理时序振动信号的风机故障诊断框架,以便在低内存条件下部署故障诊断系统,实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设备的故障诊断,为各种工业设备的运行状态识别和故障诊断提供了技术支撑。
余明东[5]（2021）在《管道振动监测系统研究》文中认为核电是一种清洁、安全、技术成熟的发电方式,现阶段大多数发达国家都能应用核能发电,随着核电站的大量建设,核电站的安全问题也成为了时下不可忽视的热门问题。其中,核级管道的失效是核电站事故的一个常见原因,严重时诱发泄露,造成人员伤亡,而核级管道的失效多是由于振动引起的。本文分析了管道失效时的典型故障特征,基于管道的振动信号,对管道振动特征进行了提取和筛选,提出了基于数据驱动的管道振动的故障诊断方法,并研制了管道振动检测系统为管道故障诊断的工程应用提供了软件平台。本文的主要研究内容如下:（1）本文从分析管道失效的主要原因着手,归纳总结了管道典型的故障特征,并从时域和频域两个角度总结了振动信号的常见指标。在对管道振动信号进行特征提取后,选用了特征对比方法、XGBoost特征筛选方法、GBDT特征筛选方法对特征进行筛选,有效地筛选了故障特征,避免了仅凭经验筛选的局限性。（2）为能够高效、准确地对管道运行状态进行判断,本文采用了基于数据驱动的诊断模型对管道进行故障诊断。本文共采用了两种机器学习算法—KNN算法、logistic算法,一种集成学习算法—XGBoost算法、一种深度学习算法—DNN算法等4种不同的故障诊断模型对管道进行故障诊断。建模后使用先验数据对模型进行交叉验证,再通过混淆矩阵分析对比结果,从而筛选出适用于管道振动信号故障诊断的模型。（3）为切实解决管道故障在初期难以发现的问题,便于管道技术人员对管道实时、高效地进行监测,本文基于管道振动信号的故障诊断模型开发了一套管道振动监测系统。软件从人机交互出发,对整体界面进行了设计,并对各个模块的功能进行了设计,主要包括了数据采集、系统管理、故障诊断、通用模块等四个模块,实现了数据采集与存储、数据预处理、故障诊断等功能,为管道维修人员提供了一款操作简单方便,诊断结果精确的管道监测软件,为核电站的安全运行保驾护航。
姚文斌[6]（2021）在《空冷器风机监控系统的研究与设计》文中研究表明空冷器是石油化工行业重要的冷却设备,作为空冷器的主要动力机构,空冷器风机在整个运行过程中起到关键作用。一旦空冷器风机发生故障,空冷器的作用将受到严重影响。而长期以来,对于空冷器风机的研究,大多是围绕空冷器的结构开展,对于其故障研究,重视程度较低。为了改善现阶段空冷器设备“事故维修”和“定期维修”的维修状态以及空冷器温度控制系统人工参与度高,能耗大等问题,本文以某公司焦炉气制26万吨/年乙二醇项目中采用的水平鼓风式空冷器为研究对象,设计一套空冷器风机监控系统。该系统一方面实现风机运行状态监测,另一方面实现空冷器温度恒定调节的自动控制,在空冷器风机的监控方面为用户提供一个清晰便捷的可视化监控平台。首先,分析风机的国内外状态监测技术、故障诊断技术及空冷器温度控制技术的研究现状,了解状态监测及温度控制的方法和手段,结合空冷器风机现阶段在状态监测和温度控制方面存在的问题提出本文的具体研究内容。其次,分析研究空冷器风机的结构、工作原理以及空冷器常见故障特征,并获取故障的机理。在此基础上,分析系统设计的总体需求,设计系统的总体架构,以数据采集、数据传输、信号分析及温度控制为出发点,研究设计振动监测系统及温度控制系统的硬件,搭建系统硬件平台。然后,研究振动监测系统中振动信号的常用分析方法,以LabVIEW软件作为开发平台,开发设计振动信号分析处理模块,并利用仿真信号对模块的可行性进行测试与验证,实验结果表明,设计的信号处理模块可以达到预期效果。最后,通过软件的需求分析和结构设计进行监控系统的模块化设计和开发。在监测系统的设计中,主要完成包括系统登录、数据采集、数据库、报警控制及报表生成等模块在LabVIEW软件中的开发设计。同时,根据温度控制系统的设计思路和控制方案完成对空冷器温度自动化控制的软件设计。在完成监控系统的设计后,对其进行优缺点分析评估,提出该课题未来的前景和研究方向。通过建立空冷器风机监控系统,实现对空冷器风机运行状态的实时监测,为维修人员在日常的检修和维护中提供判断依据,提高维修人员故障分析的快速性和准确性;同时,系统的设计提高了空冷器温度控制的自动化,降低了人工参与度,具有较高的工程实用价值和应用前景。
庞宇[7]（2021）在《基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究》文中认为近年来,风力发电产业得到迅猛发展,风电场作为风力发电产业的基本出力单元,其经济效益的好坏取决于风电机组故障停机时间。风电机组故障停机时间很大程度上受限于故障定位速度以及备品备件是否充足,这两点严重依赖于风电机组故障诊断技术和部件剩余寿命预测技术,而风电场在这两个关键技术环节上都比较薄弱。风电现场运行状况统计表明风电机组故障停机主要是风电机组传动系统机械部件故障引起的,现有故障诊断技术和部件剩余寿命预测技术要求大量具有高技术水平的诊断分析人员以人工方式进行故障诊断,这种低效工作模式不能有效支撑风电行业的健康发展。本文针对风电场故障诊断效率低下问题进行了详细深入的分析,聚焦于风电机组传动系统故障诊断和轴承剩余寿命预测技术,提出并实现了三种风电机组批量化和自动化故障诊断的方法,并对轴承剩余寿命预测方法进行了研究,相关工作内容如下:（1）系统化研究了信号降噪方法。在详细分析风电机组电磁干扰产生原因和传播路径基础上,从四个层面提出了具体的降噪措施:在传感器网络层面通过屏蔽接地和绝缘隔离方式进行降噪,在监测数据采集硬件平台层面通过设计抗混叠滤波器方式进行降噪,软件层面通过过采样方式进行降噪,在数据预处理层面通过小波变换和经验模态分解方法（EMD）进行降噪,实现了从传感器端到分析数据端各个环节的降噪,并将所提方法成功应用于风电现场实际,取得了良好的降噪效果。（2）提出了基于模糊专家系统的风电机组故障诊断方法。该方法通过设计故障模型来提取监测数据中的故障特征向量,经过模糊化处理后,作为模糊专家系统的事实输入,在模糊知识库和模糊推理机作用下完成风电机组在线故障诊断。目前,该方法已成功应用于风电现场实际,实现了风电机组故障诊断的自动化和批量化操作,大幅提高了风电机组故障诊断效率。（3）提出了基于特征可视化的风电机组故障诊断方法。引入混沌系统相空间重构技术将反映风电机组部件健康状态的非线性时间序列转化成高维解析模型,应用奇异值分解（SVD）将高维解析模型降维到三维空间,将表征部件健康状态的非线性时间序列转变为三维空间坐标点的移动轨迹,当坐标点移动到故障阈值区域时,可判断风电机组部件发生故障。现场应用实践表明该方法不需要进行频谱分析,降低了对故障诊断分析人员的技能要求,可大幅提升故障诊断效率。（4）提出了基于卷积神经网络的风电机组故障诊断方法。该方法核心关键是获得完备的训练样本,然而,风电规模化发展至今,尚未经历一个完整的设计生命周期,无法获取部件现场实际运行的完备性数据。本文通过反方向构建与故障特征相对应的时间序列,并与现场少量实际故障数据一起构成训练样本,完成卷积神经网络的训练和测试。现场实际应用表明本文所提出的故障诊断方法可实现风电机组故障诊断的批量化和自动化,具有很高的实用价值。（5）提出了基于离散余弦变换卷积神经网络的风力机组轴承剩余寿命预测方法。其思路是:首先,对轴承工作过程振动信号进行小波变换获得表征轴承退化状态的时频图像;其次,引入双线性变换技术对时频图像特征进行降维处理,并在应用离散余弦变换对降维后的时频图像进行稀疏性压缩,压缩后的图像作为卷积神经网络的训练样本,从而降低了网络复杂度,提高了网络效率。实验结果表明本文所提出方法相比于其它预测方法具有明显的效率优势,同时可在风电机组现有监测系统硬件平台上实现,提高了监测设备的利用水平,避免了风电场二次投资。本文研究内容直接应用于生产实际,针对风电场不同应用场景,提出的三种故障诊断方法已经应用于超过2000台风力电机组。大量现场应用结果表明,本文所提方法可以有效减少机组平均故障维护时间,降低运维成本,具有显着的经济效益和推广价值。
王晓东[8]（2020）在《基于多源数据融合的风电机组主传动链故障预警研究》文中研究说明近十多年来,我国风电产业发展迅速,风电装机规模迅速扩大。由于风电机组大多处于边远地区和山区,运行环境恶劣,风电机组的运维是个难题。随着越来越多的风电机组出质保,风电机组的智能化运维越来越受到重视。风电机组的智能化运维工作中,风电机组主传动链运维是最为核心的工作。原因是:风电机组主传动链是风电机组故障多发、故障恢复时间最长、故障损失最大的机械部件,其故障频率直接影响风电场运行的可靠性与经济收益。因此,研究风电机组主传动链的智能化故障预警技术,在风电机组主传动链故障发生之前对其进行及时的维护,降低风电机组主传动链故障带来的损失,对我国风电产业的健康发展具有重要意义。本文以双馈风电机组主传动链为研究对象,研究风电机组主传动链的智能化故障预警技术,并设计和研制风电机组主传动链的故障预警系统,实现风电机组主传动链的智能运维。本文的主要研究工作包括:1、研究风电机组主传动链故障预警的基本原理,在分析风电机组主传动链典型故障发生过程及其原因的基础上,归纳风电机组主传动链典型故障的特征提取技术与故障预警算法,为进一步研究风电机组主传动链的故障预警技术奠定理论基础。2、由于基于风电机组SCADA监测系统数据源的故障预警技术存在局限性,提出多源数据融合方法:融合风电机组SCADA系统监测数据和风电机组主传动链的高频振动监测数据这两类数据提取的故障特征,提出基于多源数据融合的风电机组主传动链故障特征提取方法,搭建基于深度自编码网络的多源数据融合故障预警模型,根据多类数据融合的故障特征的重构误差,判断主传动链运行状态是否正常,是否有故障发生的趋势。3、基于深度自编码网络的多源数据融合故障预警模型,研制风电机组主传动链故障预警系统并进行工程应用:对故障预警系统的逻辑架构、硬件架构和功能架构进行设计,并将研发的故障预警系统应用于实际风电场中。故障预警系统试运行结果表明,所研究的故障预警技术能够灵敏地发现主传动链的潜在缺陷,对于发现风电机组主传动链的早期故障有重要价值。
王树强[9]（2020）在《石化设备振动监测仪的设计与实现》文中研究指明振动可以反映设备的工作状态,石化企业需要对石化设备的振动状态监测,以便进行故障诊断。振动监测仪能够通过适时精准采集振动信号,实现基于振动的状态监测,为石化设备的检查与维护提供数据支撑。针对现有石化设备振动监测仪存在的测量精度低、数据管理能力弱、功能单一、使用不便等问题,本文设计并实现了一款新型的石化设备振动监测仪。论文的主要工作如下:（1）分析国内外目前使用的振动监测仪存在的问题,给出石化设备振动监测仪的功能需求和非功能需求,对比分析两种架构,提出基于多层架构的振动监测仪总体方案,将振动监测仪分成采集器与手机APP两部分设计,注重采集器与手机APP的数据处理相结合,不仅降低了采集器的设计复杂性,而且易于振动监测仪的功能扩展。（2）在采集器方面,自主研发压电式加速度传感器,降低硬件设计成本;选用外设功能丰富、性能高的32位CC2640R2F微处理器搭建主控电路,并设计了信号调理电路、模数转换电路、电源电路等,集成度较高;采用数电设计电路板,结合编程实现振动数据的运算与分析;采用多种低功耗芯片与低功耗电源电路相结合的方式,延长使用时间;PCB布局和布线严格按照电路板设计原则,同时要注意节省电路板空间,尽量减小仪器的体积,提高便携性。在手机APP方面,采用MVC架构,实现数据分析、存储、上传与下载等功能。（3）针对外界干扰噪声,提出基于EMD的NLM去噪算法,通过EMD算法对采集到的振动信号进行经验模态分解,结合消除波动趋势分析确定噪声主导的IMF分量,再使用改进的NLM算法进行去噪处理,最后重构信号,解决了噪声信号与有用信号不易确定的问题,并提高了滤除噪声的效率,去噪性能得到显着提升。经实验验证和工业测试,本文设计的振动监测仪具有功耗低、蓝牙传输距离远、丢包率低、测量精度高、便于使用等特点,能较好的监测石化设备的振动信号,蓝牙能稳定传输数据。现已经应用在石化设备工作现场,多次发现和预警设备问题,起到监测设备状态、诊断设备故障、维护设备稳定的作用,具有较高的实用价值。
韩越[10]（2020）在《矿用振动筛状态监测与故障诊断分析研究》文中进行了进一步梳理矿用振动筛是煤炭洗选行业的关键设备之一,主要应用于对原煤进行分级、脱泥、脱水等。由于矿用振动筛长期在恶劣的环境下高负荷运转,使得筛机的主要部件频繁发生故障,给洗选煤行业造成了较大的经济损失,故障严重时甚至能够造成人员的伤亡。因此研究如何对矿用振动筛进行状态监测以及故障诊断与预警,具有重要的学术价值与实用意义。文章首先应用ANSYS软件对矿用振动筛整体以及激振器大梁进行了模态分析,通过研究各阶振型,找出了侧板与大梁在各阶固有频率下形变较大的位置,并以此为依据设计了对侧板与大梁损伤的监测方案。为了探究筛箱异常振动故障机理,建立了基于支撑弹簧刚度的振动筛动力学模型,并通过ADAMS软件对振动筛的运动过程进行了仿真分析,得出支撑弹簧的振动位移与相位不一致会引起筛箱不同形式的偏摆。应用LabVIEW软件编写了获取支撑弹簧振动位移与相位的算法程序,设计了筛箱异常振动故障监测方案。在激振器轴承故障的研究中,首先对滚动轴承的故障机理进行了分析,采用基于小波降噪的EEMD包络解调算法获取激振器轴承的故障信息,并通过仿真验证了算法的有效性,进而设计了激振器轴承的故障监测方案。基于上述理论研究,本文将LabVIEW软件与MATLAB软件相结合,开发了矿用振动筛状态监测与故障诊断软件系统,用以监测矿用振动筛的运行状态,并对大梁与侧板损伤、筛箱异常振动以及激振器轴承故障进行数据采集与故障诊断。最后在现场对系统进行应用测试,验证了系统的有效性与实用价值。
二、浅谈振动监测与诊断（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、浅谈振动监测与诊断（论文提纲范文）
（1）基于SystematICS平台的地铁空调机组轴承设备状态监控（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 空调机组轴承故障分析 |
| 2.1 空调机组主要技术参数 |
| 2.2 空调机组轴承结构及原理 |
| 2.3 轴承常见故障以及产生原因 |
| 2.4 空调机组轴承故障典型事件分析 |
| 2.5 空调机组轴承故障危害 |
| 2.6 本章小结 |
| 3 空调机组轴承设备状态监控系统架构与理论分析 |
| 3.1 空调机组轴承设备状态监控系统架构组成部分 |
| 3.2 状态信号采集的理论分析 |
| 3.2.1 空调机组轴承状态监测方法选择 |
| 3.2.2 振动测量方式 |
| 3.2.3 空调机组轴承振动传感器的选择与固定方式 |
| 3.2.4 空调机组轴承振动测点的选择 |
| 3.2.5 被测空调机组的运行条件 |
| 3.2.6 空调机组轴承的控制 |
| 3.3 状态信号特征值的理论分析 |
| 3.3.1 振动信号的特征值 |
| 3.3.2 时域振动振幅特征的描述 |
| 3.4 状态识别与决策理论分析 |
| 3.4.1 空调机组轴承故障的诊断方法 |
| 3.4.2 轴承故障的简易标准 |
| 3.4.3 振动烈度的分级 |
| 3.4.4 轴承通用振动评价标准 |
| 3.4.5 运行限值 |
| 3.5 本章小结 |
| 4 空调机组轴承设备状态监控系统的设计方案 |
| 4.1 空调机组轴承设备状态监控系统总体设计思路 |
| 4.1.1 系统设计思路 |
| 4.1.2 站内机电设备监控系统的接入 |
| 4.1.3 空调机组轴承状态监控系统硬件组成 |
| 4.2 Systemat ICS平台 |
| 4.3 BAS(环境与设备监控系统) |
| 4.3.1 中心ISCS-BAS监控功能 |
| 4.3.2 车站ISCS-BAS监控功能 |
| 4.3.3 BAS子系统设备现场布置原则 |
| 4.3.4 BAS子系统设备监控功能 |
| 4.3.5 BAS与通风空调专业的接口 |
| 4.4 本章小结 |
| 5 空调机组设备监控系统功能实现 |
| 5.1 数据采集及通信模块功能硬件部分实现 |
| 5.1.1 振动传感器选型 |
| 5.1.2 传感器安装位置与数量的选择 |
| 5.1.3 传感器安装方式的确定 |
| 5.1.4 数据采集及通信模块功能硬件部分实现小结 |
| 5.2 数据采集及通信模块功能软件部分实现 |
| 5.2.1 BAS系统部分PLC软件编程 |
| 5.2.2 综合监控系统软件编程 |
| 5.2.3 数据采集及通信模块功能软件部分实现小结 |
| 5.3 本章小结 |
| 6 监控系统现场安装与测试 |
| 6.1 测试整体情况 |
| 6.2 测试图谱分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（2）汽轮发电机组远程振动监测和故障诊断系统研究（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 振动监测诊断系统的发展 |
| 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 本文主要研究内容 |
| 第2章 振动监测与故障诊断技术 |
| 2.1 引言 |
| 2.2 振动监测技术 |
| 2.3 振动监测分析方法 |
| 2.3.1 振动信号分析 |
| 2.3.2 监测分析特征图形 |
| 2.4 振动故障诊断技术 |
| 2.4.1 常见故障类型 |
| 2.4.2 故障诊断技术 |
| 2.5 本章小结 |
| 第3章 振动监测和故障诊断系统方案 |
| 3.1 引言 |
| 3.2 开发模式方案 |
| 3.2.1 C/S模式 |
| 3.2.2 B/S模式 |
| 3.3 需求性分析 |
| 3.3.1 功能需求分析 |
| 3.3.2 数据库需求分析 |
| 3.4 系统方案设计 |
| 3.4.1 系统总体方案设计 |
| 3.4.2 系统具体功能设计 |
| 3.4.3 数据库方案设计 |
| 3.5 本章小结 |
| 第4章 振动监测和故障诊断系统开发 |
| 4.1 引言 |
| 4.2 系统开发环境及技术 |
| 4.2.1 系统开发环境 |
| 4.2.2. NET技术 |
| 4.2.3 JavaScript技术 |
| 4.2.4 Json和Ajax技术 |
| 4.2.5 系统开发架构 |
| 4.3 数据库开发 |
| 4.3.1 数据库设计 |
| 4.3.2 振动信号数据储存及维护 |
| 4.4 系统功能开发 |
| 4.4.1 信息配置功能 |
| 4.4.2 振动监测功能 |
| 4.4.3 报警提醒功能 |
| 4.4.4 故障诊断功能 |
| 4.5 本章小结 |
| 第5章 振动监测和故障诊断系统测试 |
| 5.1 引言 |
| 5.2 系统首页 |
| 5.3 管理功能 |
| 5.4 信息配置功能 |
| 5.5 振动监测功能 |
| 5.6 报警提醒功能 |
| 5.7 故障诊断功能 |
| 5.8 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（3）风电机组关键部件故障预警与寿命评估方法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于解析模型的故障诊断预警方法 |
| 1.2.2 基于振动监测信号特征的关键部件故障诊断预警研究现状 |
| 1.2.3 基于运行监控数据的关键部件故障诊断预警研究现状 |
| 1.2.4 风电机组关键部件疲劳寿命评估研究现状 |
| 1.3 研究目的和主要内容 |
| 1.3.1 任务来源和研究目标 |
| 1.3.2 研究内容 |
| 第2章 风电机组关键部件失效机理及监测技术 |
| 2.1 引言 |
| 2.2 风电机组基本结构 |
| 2.3 风电机组故障模式及关键部件失效机理 |
| 2.3.1 风电机组故障模式 |
| 2.3.2 齿轮箱失效机理 |
| 2.3.3 主轴及轴承失效机理 |
| 2.3.4 发电机失效机理 |
| 2.3.5 叶片失效机理 |
| 2.4 风电机组关键部件状态监测技术与系统 |
| 第3章 振动信号复合分解结合特征降维的故障诊断方法 |
| 3.1 引言 |
| 3.2 风电机组传动链故障振动信号特征 |
| 3.2.1 轴承故障振动信号特征 |
| 3.2.2 故障齿轮啮合副的振动信号特征 |
| 3.2.3 风电机组故障振动信号实例 |
| 3.3 基于集合经验模态分解(EEMD)的故障特征提取 |
| 3.3.1 经验模态分解(EMD)方法 |
| 3.3.2 集合经验模态分解(EEMD)方法 |
| 3.3.3 双馈机组分析案例 |
| 3.3.4 直驱机组分析案例 |
| 3.4 基于局部均值分解(LMD)的故障特征提取 |
| 3.4.1 局部均值分解(LMD)方法 |
| 3.4.2 双馈机组分析案例 |
| 3.4.3 直驱机组分析案例 |
| 3.5 基于复合分解+PCA的特征提取方法 |
| 3.5.1 主分量分析(PCA) |
| 3.5.2 基于复合分解+PCA的特征提取方法 |
| 3.5.3 分析实例:设备状态分类 |
| 3.5.4 分析实例:故障趋势 |
| 3.6 本章小结 |
| 第4章 基于解卷积降噪与稀疏分解的故障特征提取 |
| 4.1 引言 |
| 4.2 盲解卷积方法 |
| 4.2.1 最小熵解卷积原理 |
| 4.2.2 最大相关峭度(MCKD)解卷积原理 |
| 4.3 稀疏分解方法原理 |
| 4.4 直驱风电机组振动信号分析实例 |
| 4.4.1 MED滤波 |
| 4.4.2 MCKD滤波 |
| 4.4.3 稀疏分解 |
| 4.4.4 MED结合稀疏分解 |
| 4.5 本章小结 |
| 第5章 基于运行监控数据分类识别的故障预警方法 |
| 5.1 引言 |
| 5.2 SCADA数据预处理 |
| 5.2.1 数据清洗 |
| 5.2.2 数据预处理 |
| 5.3 基于工况细化条件下数据统计分析的齿轮箱油温故障预警 |
| 5.3.1 齿轮箱油温SCADA数据源 |
| 5.3.2 齿轮箱油温故障预警建模 |
| 5.3.3 实例应用 |
| 5.4 基于BP_ADABOOST算法的叶片结冰故障检测方法 |
| 5.4.1 基于BP_Adaboost算法的叶片结冰故障检测原理 |
| 5.4.2 实例应用 |
| 5.5 本章小结 |
| 第6章 基于疲劳累计损伤理论的风电机组寿命评估系统 |
| 6.1 引言 |
| 6.2 风电机组关键部件疲劳寿命在线评估方法 |
| 6.2.1 疲劳寿命理论 |
| 6.2.2 关键部件疲劳寿命评估系统架构 |
| 6.2.3 数据读入 |
| 6.2.4 载荷数据库建立 |
| 6.2.5 风频分布计算 |
| 6.2.6 等效疲劳载荷的计算方法 |
| 6.3 风电机组关键部件疲劳寿命监测预警系统研发及应用 |
| 6.3.1 系统图形界面设计 |
| 6.3.2 输入输出信息 |
| 6.3.3 系统计算结果 |
| 6.3.4 系统精度控制 |
| 6.4 实例应用 |
| 6.4.1 甘肃某风电场在役风电机组寿命预测 |
| 6.4.2 山东某风电场在役风电机组寿命预测 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 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 |
（4）基于时频分析的风机故障智能诊断方法研究（论文提纲范文）
| 致谢 |
| 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 面向旋转机械的信号处理方法及应用现状 |
| 1.2.2 旋转机械故障的智能诊断方法研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第2章 风机模拟故障实验与信号模型研究 |
| 2.1 引言 |
| 2.2 旋转机械故障分析及风机信号模型研究 |
| 2.2.1 转子不平衡故障 |
| 2.2.2 定转子碰磨故障 |
| 2.2.3 基座松动故障 |
| 2.2.4 风机振动信号模型 |
| 2.3 模拟故障装置与测试方法 |
| 2.3.1 实验设备及参数 |
| 2.3.2 故障模拟实验测试方法 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第3章 风机振动监测信号降噪及特征提取技术 |
| 3.1 引言 |
| 3.2 降噪效果评价指标 |
| 3.2.1 信噪比 |
| 3.2.2 相关性 |
| 3.2.3 信噪比增益率 |
| 3.2.4 类可分离度 |
| 3.3 基于第二代小波的风机振动信号降噪 |
| 3.3.1 小波分析理论 |
| 3.3.2 小波降噪理论 |
| 3.3.3 信号模型降噪 |
| 3.3.4 风机振动信号降噪 |
| 3.4 基于EMD-CIIT的风机振动信号降噪 |
| 3.4.1 经验模态分解理论 |
| 3.4.2 经验模态分解降噪理论 |
| 3.4.3 信号模型降噪 |
| 3.4.4 风机振动信号降噪 |
| 3.4.5 降噪效果对比 |
| 3.5 基于CEEMDAN的风机故障特征提取 |
| 3.5.1 CEEMDAN理论 |
| 3.5.2 信号模型验证 |
| 3.5.3 风机振动信号验证 |
| 3.6 本章小结 |
| 第4章 基于信号特征提取的风机故障智能诊断试验 |
| 4.1 引言 |
| 4.2 长短时记忆模型诊断 |
| 4.2.1 长短时记忆模型理论 |
| 4.2.2 风机故障试验验证 |
| 4.3 残差神经网络诊断 |
| 4.3.1 残差神经网络理论 |
| 4.3.2 风机故障试验验证 |
| 4.4 分类效果对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的工作内容总结 |
| 5.2 本文创新点 |
| 5.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（5）管道振动监测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究课题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 振动信号特征的研究现状 |
| 1.2.2 监测系统研究现状 |
| 1.2.3 智能故障诊断的现状分析 |
| 1.3 论文主要研究内容和结构安排 |
| 第二章 管道故障类型及特征提取 |
| 2.1 管道振动的典型故障类型 |
| 2.2 管道振动信号的特征 |
| 2.2.1 时域特征提取 |
| 2.2.2 频域特征提取 |
| 2.3 特征对比及敏感特征筛选 |
| 2.3.1 汽蚀敏感特征筛选 |
| 2.3.2 共振敏感特征筛选 |
| 2.3.3 支撑刚度不足敏感特征筛选 |
| 2.3.4 特征筛选 |
| 2.4 基于XGBoost的特征筛选 |
| 2.4.1 XGBoost特征筛选理论介绍 |
| 2.4.2 XGBoost管道特征筛选Python实现 |
| 2.5 基于GBDT的特征筛选 |
| 2.5.1 GBDT特征筛选理论介绍 |
| 2.5.2 GBDT管道特征筛选Python实现 |
| 2.6 本章小结 |
| 第三章 基于振动信号的管道故障诊断 |
| 3.1 K-近邻算法 |
| 3.1.1 K-近邻基本原理 |
| 3.1.2 基于KNN算法的管道故障诊断实验 |
| 3.2 逻辑回归算法 |
| 3.2.1 逻辑回归基本原理 |
| 3.2.2 基于逻辑回归算法的管道故障诊断实验 |
| 3.3 XGBoost分类算法 |
| 3.3.1 XGBoost基本原理 |
| 3.3.2 基于XGBoost算法的管道故障诊断实验 |
| 3.4 深度学习DNN算法 |
| 3.4.1 DNN算法基本原理 |
| 3.4.2 基于DNN算法的管道故障诊断实验 |
| 3.5 几种学习算法诊断结果的比对 |
| 3.6 本章小结 |
| 第四章 管道振动监测系统的平台设计 |
| 4.1 软件整体概述 |
| 4.1.1 设计目的 |
| 4.1.2 开发工具 |
| 4.1.3 软件整体架构 |
| 4.1.4 平台界面 |
| 4.2 软件功能模块 |
| 4.2.1 数据采集模块 |
| 4.2.2 故障诊断模块 |
| 4.3 软件平台功能验证 |
| 4.3.1 数据采集功能验证 |
| 4.3.2 故障诊断功能验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（6）空冷器风机监控系统的研究与设计（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 国内外研究现状 |
| 1.2.1 风机故障诊断技术 |
| 1.2.2 风机状态监测技术 |
| 1.2.3 空冷器温度控制技术 |
| 1.3 本文的研究目标及内容安排 |
| 第2章 空冷器风机常见故障及特征分析 |
| 2.1 空冷器风机的结构及工作原理 |
| 2.2 空冷器风机常见故障 |
| 2.3 风机常见故障的特征分析 |
| 2.4 本章小结 |
| 第3章 空冷器风机监控系统的总体设计 |
| 3.1 系统总体设计 |
| 3.1.1 系统需求分析 |
| 3.1.2 系统总体设计思路 |
| 3.1.3 硬件结构总体设计 |
| 3.2 监测系统的硬件设计 |
| 3.2.1 风机主传动系统的模态分析 |
| 3.2.2 监测对象及测点布置 |
| 3.2.3 传感器的选择及安装 |
| 3.2.4 数据采集卡选择 |
| 3.2.5 数据传输电缆的选择 |
| 3.2.6 上位监控主机的选择 |
| 3.3 温度控制系统的硬件设计 |
| 3.3.1 控制方案的设计 |
| 3.3.2 温度采集元件的选择 |
| 3.3.3 控制系统的下位机选型 |
| 3.3.4 控制系统的电路设计 |
| 3.4 本章小结 |
| 第4章 振动信号分析方法及软件设计 |
| 4.1 常用振动信号分析方法 |
| 4.1.1 时域分析 |
| 4.1.2 频域分析 |
| 4.1.3 时频联合分析 |
| 4.2 信号分析方法的模块化设计 |
| 4.2.1 时域模块的设计 |
| 4.2.2 频域模块的设计 |
| 4.2.3 时频模块的设计 |
| 4.3 本章小结 |
| 第5章 监控系统的软件设计 |
| 5.1 监控系统的软件总体设计 |
| 5.1.1 软件功能需求分析 |
| 5.1.2 软件结构设计 |
| 5.2 监测系统的软件模块化设计 |
| 5.2.1 系统登录模块 |
| 5.2.2 数据采集模块 |
| 5.2.3 数据库模块 |
| 5.2.4 报警控制模块 |
| 5.2.5 报表生成模块 |
| 5.3 温度控制系统的软件设计 |
| 5.3.1 LabVIEW与PLC的通讯 |
| 5.3.2 PLC控制程序的设计 |
| 5.3.3 上位监控界面的设计 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 课题展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文 |
| 附录B 温度控制系统的部分电路设计 |
（7）基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 风电机组结构及运行原理介绍 |
| 1.2 风电机组运行故障及主动运维模式 |
| 1.3 风电机组传动系统故障诊断及剩余寿命预测技术现状 |
| 1.3.1 风电机组传动系统故障诊断技术 |
| 1.3.2 风电机组传动系统剩余寿命预测技术 |
| 1.4 本论文拟展开研究的内容及技术路线 |
| 1.5 本论文内容安排 |
| 2 风电机组运行状态监测信号降噪方法 |
| 2.1 引言 |
| 2.2 噪声来源 |
| 2.2.1 功率开关器件 |
| 2.2.2 断路器和继电器干扰 |
| 2.2.3 雷电干扰 |
| 2.3 噪声传播途径 |
| 2.3.1 接地传导干扰 |
| 2.3.2 电磁辐射干扰 |
| 2.4 风电机组故障诊断系统降噪方法 |
| 2.4.1 数据预处理-传感器网络降噪方法 |
| 2.4.2 数据预处理-数据采集硬件降噪方法 |
| 2.4.3 数据预处理-数据采集软件降噪方法 |
| 2.4.4 数据预处理-小波降噪方法 |
| 2.4.5 数据预处理-EMD 降噪方法 |
| 2.5 风电机组故障诊断系统降噪案例 |
| 2.5.1 数据预处理-传感器网络降噪现场案例 |
| 2.5.2 数据预处理-数据过采样降噪现场案例 |
| 2.5.3 数据预处理-小波降噪现场案例 |
| 2.5.4 数据预处理-EMD 降噪案例 |
| 2.6 本章小结 |
| 3 基于模糊专家系统的风电机组智能故障诊断方法 |
| 3.1 引言 |
| 3.2 基于模糊专家系统的风电机组智能故障诊断方法总体结构 |
| 3.3 基于故障模型触发的风电机组故障特征提取方法 |
| 3.3.1 风电机组运行状态故障特征提取方法 |
| 3.3.2 风电机组运行状态故障特征模糊化处理 |
| 3.4 风电机组故障诊断专家系统模糊知识库设计 |
| 3.4.1 风电机组故障诊断专家系统故障知识获取系统设计 |
| 3.4.2 风电机组故障诊断专家系统知识库构建方法 |
| 3.5 风电机组故障诊断专家系统模糊推理机设计 |
| 3.5.1 风电机组故障诊断专家系统模糊推理流程 |
| 3.5.2 风电机组故障诊断专家系统模糊关系矩阵设计 |
| 3.6 风电机组故障诊断专家系统诊断案例 |
| 3.6.1 现场情况概述 |
| 3.6.2 风电机组运行状态故障特征提取 |
| 3.6.3 风电机组故障诊断专家系统诊断结果 |
| 3.7 本章小结 |
| 4 基于特征可视化的风电机组智能故障诊断方法 |
| 4.1 引言 |
| 4.2 风电机组运行状态特征变化混沌特性判定 |
| 4.3 风电机组运行状态特征相空间建模方法 |
| 4.3.1 风电机组运行状态特征相空间延时时间确定 |
| 4.3.2 风电机组运行状态特征相空间嵌入维数确定 |
| 4.4 风电机组运行状态高维特征SVD降维方法 |
| 4.5 基于运行状态特征可视化的风电机组故障诊断方法 |
| 4.5.1 基于风电机组状态特征参数变化率进行故障诊断阈值设计 |
| 4.5.2 基于风电场整体状态特征参数进行故障诊断阈值设计 |
| 4.6 风电机组运行状态特征变化趋势预测方法 |
| 4.7 现场诊断案例 |
| 4.7.1 现场情况描述 |
| 4.7.2 基于特征可视化风电机组故障诊断过程 |
| 4.7.3 基于特征可视化的风电机组运行状态预测 |
| 4.8 本章小结 |
| 5 基于卷积神经网络的风电机组故障诊断方法 |
| 5.1 引言 |
| 5.2 风电机组故障诊断深度学习网络选择 |
| 5.2.1 小样本与大样本学习 |
| 5.2.2 风电机组故障诊断深度学习网络选择 |
| 5.3 基于卷积神经网络的风电机组故障诊断系统设计 |
| 5.3.1 风电机组故障诊断卷积神经网络结构 |
| 5.3.2 风电机组故障诊断卷积神经网络前馈运算 |
| 5.3.3 风电机组故障诊断卷积神经网络目标函数 |
| 5.3.4 风电机组故障诊断卷积神经网络反馈优化算法 |
| 5.4 风电机组故障诊断卷积神经网络训练样本构建 |
| 5.4.1 风电机组故障特征 |
| 5.4.2 风电机组故障样本构建 |
| 5.5 现场故障诊断案例 |
| 5.5.1 现场情况描述 |
| 5.5.2 风电机组运行监测数据采集及预处理 |
| 5.5.3 风电机组故障诊断卷积神经网络训练 |
| 5.5.4 现场故障诊断结果 |
| 5.6 本章小结 |
| 6 基于离散余弦变换神经网络的风电机组轴承剩余寿命预测 |
| 6.1 引言 |
| 6.2 基于离散余弦变换卷积神经网络的轴承剩余寿命预测方法 |
| 6.3 轴承退化性能表征向量提取和降维方法 |
| 6.4 轴承退化性能表征向量稀疏压缩方法 |
| 6.5 轴承剩余寿命回归预测方法 |
| 6.6 实例验证 |
| 6.6.1 试验设备和数据采集 |
| 6.6.2 轴承退化性能表征向量降维 |
| 6.6.3 轴承退化性能表征向量稀疏压缩 |
| 6.6.4 轴承剩余寿命回归预测方法 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 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）基于多源数据融合的风电机组主传动链故障预警研究（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 |
| 1.2 课题研究现状 |
| 1.2.1 风电机组主传动链典型故障特征提取技术研究现状 |
| 1.2.2 风电机组主传动链典型故障预警算法研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 第二章 风电机组主传动链典型故障预警基本原理 |
| 2.1 风电机组主传动链典型故障过程分析 |
| 2.1.1 风电机组主传动链基本结构 |
| 2.1.2 风电机组主传动链典型故障过程及其原因分析 |
| 2.2 风电机组主传动链典型故障特征提取方法 |
| 2.2.1 基于SCADA系统监测数据的主传动链典型故障特征监测 |
| 2.2.2 基于高频振动监测数据的主传动链典型故障特征提取方法 |
| 2.3 风电机组主传动链典型故障预警算法 |
| 2.3.1 传统阈值分析方法 |
| 2.3.2 智能化分析方法 |
| 2.4 本章小结 |
| 第三章 基于多源数据融合的风电机组主传动链典型故障预警方法 |
| 3.1 风电机组主传动链多源数据融合的故障特征提取方法 |
| 3.1.1 基于单一数据源的主传动链故障特征提取方法局限性分析 |
| 3.1.2 多源数据融合的主传动链典型故障特征提取流程 |
| 3.1.3 多源数据融合的主传动链典型故障特征提取 |
| 3.2 基于多源数据融合的风电机组主传动链故障预警模型 |
| 3.2.1 深度自编码网络基本原理 |
| 3.2.2 基于DA的多源数据故障融合预警模型 |
| 3.3 算例分析 |
| 3.3.1 参数选择 |
| 3.3.2 模型训练 |
| 3.3.3 模型测试 |
| 3.3.4 多特征融合对比 |
| 3.4 本章小结 |
| 第四章 基于多源数据融合的风电机组主传动链典型故障预警系统设计 |
| 4.1 系统架构设计 |
| 4.2 系统硬件构成 |
| 4.2.1 硬件配置 |
| 4.2.2 传感器选型与测点配置 |
| 4.3 系统功能设计 |
| 4.4 本章小结 |
| 第五章 风电机组主传动链典型故障预警系统应用分析 |
| 5.1 风电机组齿轮箱齿轮故障案例分析 |
| 5.1.1 23#机组中速小齿轮断齿案例分析 |
| 5.1.2 32#机组一级内齿圈小齿轮断齿案例分析 |
| 5.1.3 15#机组一级内齿圈小齿轮断齿案例分析 |
| 5.2 风电机组齿轮箱轴承故障案例分析 |
| 5.3 风电机组发电机轴承故障案例分析 |
| 5.3.1 13#机组发电机后轴承磨损案例分析 |
| 5.3.2 27#机组发电机后轴承内圈碎裂案例分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
| 附件 |
（9）石化设备振动监测仪的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与技术路线 |
| 1.4 论文结构 |
| 2 论文研究相关理论与技术 |
| 2.1 振动监测技术 |
| 2.2 振动信号分析方法 |
| 3 振动监测仪需求分析与总体架构设计 |
| 3.1 振动监测仪功能需求分析 |
| 3.2 振动监测仪非功能性需求分析 |
| 3.3 振动监测仪总体架构设计 |
| 4 振动监测仪硬件设计 |
| 4.1 硬件总体架构设计 |
| 4.2 传感器设计 |
| 4.3 主控电路设计 |
| 4.4 信号采集模块设计 |
| 4.5 电源电路设计 |
| 4.6 PCB设计 |
| 5 振动监测仪信号分析方法与软件设计 |
| 5.1 振动信号分析方法设计 |
| 5.2 采集器软件设计与实现 |
| 5.3 手机APP软件设计 |
| 6 系统测试与现场应用 |
| 6.1 采集器调试 |
| 6.2 系统测试与结果分析 |
| 6.3 现场应用效果 |
| 7 结论 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 学位论文数据集 |
（10）矿用振动筛状态监测与故障诊断分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与课题来源 |
| 1.2 振动筛故障监测在国内外的研究现状 |
| 1.3 目的与意义 |
| 1.4 主要研究工作 |
| 2 振动筛工作原理及模态分析 |
| 2.1 振动筛结构组成与工作原理 |
| 2.2 振动筛的故障类型 |
| 2.3 振动筛模态分析 |
| 2.4 大梁与侧板损伤监测方案设计 |
| 2.5 本章小结 |
| 3 矿用振动筛筛箱异常振动机理分析与监测 |
| 3.1 筛箱异常振动故障机理 |
| 3.2 支撑弹簧振动位移与相位的获取 |
| 3.3 筛箱异常振动故障监测方案设计 |
| 3.4 本章小结 |
| 4 矿用振动筛激振器轴承故障监测与分析 |
| 4.1 激振器轴承故障机理分析 |
| 4.2 基于小波降噪的EEMD包络解调算法 |
| 4.3 旋转机械滚动轴承故障信号分析 |
| 4.4 激振器轴承故障监测方案设计 |
| 4.5 本章小结 |
| 5 矿用振动筛状态监诊断系统的开发 |
| 5.1 系统硬件部分设计 |
| 5.2 系统软件部分设计 |
| 5.3 现场测试 |
| 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 |
四、浅谈振动监测与诊断（论文参考文献）
- [1]基于SystematICS平台的地铁空调机组轴承设备状态监控[D]. 刘鑫. 西安理工大学, 2021(01)
- [2]汽轮发电机组远程振动监测和故障诊断系统研究[D]. 钱泽琛. 华北电力大学(北京), 2021(01)
- [3]风电机组关键部件故障预警与寿命评估方法及其应用研究[D]. 董健. 华北电力大学(北京), 2021(01)
- [4]基于时频分析的风机故障智能诊断方法研究[D]. 刘瑶. 浙江大学, 2021(09)
- [5]管道振动监测系统研究[D]. 余明东. 电子科技大学, 2021(01)
- [6]空冷器风机监控系统的研究与设计[D]. 姚文斌. 兰州理工大学, 2021(01)
- [7]基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究[D]. 庞宇. 北京交通大学, 2021(02)
- [8]基于多源数据融合的风电机组主传动链故障预警研究[D]. 王晓东. 华南理工大学, 2020(05)
- [9]石化设备振动监测仪的设计与实现[D]. 王树强. 山东科技大学, 2020(06)
- [10]矿用振动筛状态监测与故障诊断分析研究[D]. 韩越. 山东科技大学, 2020(06)