一、MATLAB神经网络工具箱在故障诊断中的应用（论文文献综述）
侯青松[1]（2021）在《基于机器学习的车载同步电机驱动系统UDS诊断与评估》文中进行了进一步梳理随着新能源汽车扶持政策的持续发布,如今有越来越多的高校和企业活跃在新能源汽车市场。当前我国新能源汽车正在迈向中高级阶段,有着重解决汽车本身充电、续航、安全性等基础技术问题,转向关注与其他高技术行业的协同,充分挖掘新能源汽车的潜能。本课题以故障预测和健康管理（PHM）技术为核心思想,设计了一套结合机器学习和UDS（Unified Diagnostic Services）诊断的车载同步电机的故障诊断系统以及对应的开发流程。该套系统是运用MATLAB/Simulink平台基于模型的开发模式,再结合软件自身的自动代码生成技术,使系统有图形可视化、开发便捷、易于移植等特点。对该套系统的虚拟原型机,从软件和硬件两个方面进行了验证,证明了其可行性。首先,本文从同步电机出发,选择了在新能源汽车上得到广泛运用的六相混合励磁同步电机（HESM）,并对该电机及其驱动系统的故障进行了分类,从材料角度,分析了其中电机永磁去磁的原因,并做了相关的退化模拟,同时基于MATLAB/Simulink平台搭建了相应的电机去磁退化模型。在该模型的基础上,深入研读并介绍了基于CAN的UDS诊断相关的协议标准,以OSI模型为参考,重点从物理层、数据链路层、网络层以及应用层搭建了UDS诊断系统。其次,阐述了机器学习在UDS诊断的关系和应用,并在循环神经网络（RNN）的基础上,介绍了进一步优化的长短期记忆（LSTM）网络,包括其网络结构、激活函数、优化算法以及损失函数。结合MATLAB的神经网络工具箱,从时序预测结构、健康因子（HI）构建、原始数据选择等几个方面,介绍了LSTM神经网络在故障诊断中的应用。此外还对比了三种时序网络结构,并得到最佳结构。最后,在软件验证方面,整合电机去磁退化模型、UDS诊断模型以及训练好的LSTM神经网络,并详细介绍了仿真流程,预测评估了起始温度为140℃的电机去磁退化模型的故障状态。在硬件方面,结合六相HESM电机控制系统,以其整车试验历史数据作为原始数据集来训练LSTM神经网络,预测评估该电机在试验台架上连续运行一段时间后的故障状态。
张玉林[2]（2021）在《基于SVPSO-BP的滚动轴承并行故障诊断方法研究》文中认为滚动轴承广泛存在于风力发电机、石油钻采设备等各类型的旋转机械中,作为旋转机械中重要的零部件和工作主件,它在工作过程中不仅要承受各种交变荷载的作用,还要受到加工误差、安装不当及操作不当等因素的影响,非常容易发生故障。滚动轴承发生故障时会产生异常振动和噪声,严重时甚至会损坏设备,造成停工停产,研究准确有效的滚动轴承故障诊断方法具有非常高的经济价值和社会价值。BP神经网络作为通用的监督机器学习算法,它使用BP算法和标记的训练样本来优化随机初始化的网络权重,以实现预测或分类,被广泛应用于滚动轴承的故障诊断中。在将BP神经网络应用到滚动轴承故障诊断中时,网络的权值与阈值会影响故障诊断精度。同时,信号处理构建输入特征向量结合BP神经网络的故障诊断方法存在实时性的问题。因此,本文基于BP神经网络对滚动轴承的故障诊断方法进行研究。主要工作如下:（1）对基于BP神经网络的滚动轴承故障诊断优化方法进行了研究。因为BP神经网络相关参数和网络输入特征向量会影响故障诊断的精度,本文首先用VMD结合时频熵的方法构建信号特征向量,解决VMD结合其他信息熵的信号特征向量构建方法对故障信号特征提取不充分的问题;通过改进的粒子群算法获取BP网络的最优权值与阈值,解决BP神经网络容易陷入局部极值的缺陷,以此提高BP神经网络的故障诊断精度。（2）研究了基于GPU的VMD-SVPSO-BP并行算法。针对VMD-SVPSO-BP算法实时性差和存在瓶颈函数的问题,本文首先对并行VMD分解的可行性进行了分析,利用多线程并行计算加速提取故障信号特征的过程;另一方面,利用MATLAB探查器查找SVPSO-BP算法中存在的“瓶颈”函数,进而通过GPU编程的方法消除这些“瓶颈”函数,从而提高滚动轴承故障诊断的实时性。（3）利用MATLAB GUI设计了一个滚动轴承故障诊断系统。系统包括“数据处理”、“特征提取”以及“故障诊断”三个模块。“数据处理”模块实现分析信号时频波形以及信号分解的功能;“特征提取”模块实现提取故障信号特征以及特征可视化的功能;“故障诊断”实现用不同神经网络对滚动轴承故障诊断的功能。在利用GUI设计的故障诊断系统中,界面简洁明了,用户能非常方便地通过预设的各个功能控件及模块对滚动轴承振动数据进行“数据处理”、“特征提取”以及“故障诊断”的全过程。
余万科[3]（2020）在《非平稳复杂工业过程数据解析与高性能监控方法研究》文中指出随着科学技术的发展和市场需求的增加,现代工业工厂的生产规模不断扩大、复杂程度不断提升。这最终导致对运行安全、产品质量和经济效益的需求不断增加。过程监控方法能够及时的检测出工业过程运行的异常,并对其进行诊断来提供故障信息以消除异常情况带来的负面影响。因此,工业过程监控受到了学术界和工业界的广泛关注和大量应用。基于数据驱动的方法能够从历史数据中提取过程信息,在不需要过程先验知识的情况下建立监测与诊断模型。通过数据驱动方法,一些数学物理模型难以建立的复杂工业过程同样能够安全、有效、经济的运行。在实际应用中,工业过程由于各种复杂的特性对现有基于数据驱动的状态监测与故障诊断方法提出了挑战。对于状态监测而言,复杂的非平稳特性会导致过程各个阶段处于不同的状态,从而不能用一个固有的模型进行有效的监测。具体而言,慢时变行为和操作工况切换都会使得连续过程变得非平稳;而间歇过程由于包含多个操作阶段也通常是非平稳的。对于故障诊断而言,故障的拖尾效应、历史数据不充分、故障演化信息提取和单模型精度有限等都是实际应用中需要考虑的问题。本文针对这些问题,在数据驱动的框架下,系统性的提出了一系列复杂非平稳工业过程的故障检测与诊断方法。首先,我们在第一章中分析了工业过程故障监测与诊断的研究背景与研究现状;之后,分别在第二章和第三章分别给出了我们所提出的连续过程和间歇过程的监测方法;在检测到过程异常之后,我们在第四章中对其进行变量隔离以确定引起异常事件的子系统;在第五章中,我们在第四章的基础上对过程异常进行故障诊断来确定它所属历史故障类别,方便对故障根因进行追溯;考虑到单模型的诊断精度有限,我们在第六章中给出了概率集成学习方法用来综合不同模型的诊断结果。文章的具体研究内容如下给出:（1）针对传统自适应算法存在的模型误更新问题,提出了一种递归指数慢特征分析（RESFA）算法用于精细化的自适应过程监测。首先,设计了 一种指数慢特征分析（ESFA）方法来提取工业过程的慢特征,以便更好地捕获过程变化的总体趋势。在指数慢特征分析（ESFA）模型的基础上,建立了一种精细化的自适应监测方案,以准确地捕获工业过程的正常变化,包括正常的缓慢变化和正常的工况切换。通过这种方式,可以有效地将正常过程缓慢变化与具有异常动态行为的微小故障区分开来避免错误地适应故障数据。此外,将真实过程异常与正常运行状态切换区分开来之后,可以针对新的运行工况正确的更新监控模型来实施异常检测。所提出的自适应监测方法的性能通过青霉素生产过程、卷烟生产过程和注塑过程的数据来进行验证。实验结果表明该方法可以有效识别不同的运行状态,从而决定是否更新监控模型或发出警报。（2）针对传统间歇过程监测算法在高维空间中划分时段和对微小故障检测灵敏度低的问题,提出了基于平稳子空间分析（SSA）方法的层级监测模型。所提出的方法从历史过程数据中提取全局平稳特征,并为整个间歇过程中的时不变信息建立全局监测模型。基于剩余的全局非平稳特征建立了一种时段划分方法,在低维数据空间中以动态信息来划分间歇过程。根据划分结果,使用长期均衡关系和系统动态信息为每个操作阶段构建局部监测模型。新收集的样本的运行状态由全局模型和局部模型共同确定,并且提供了物理解释来更好地理解过程状态。使用青霉素发酵过程和注塑过程对所提出方法的有效性进行验证,实验结果表明所提方法能够提取关键特征来准确地将间歇过程划分为不同的操作阶段,并能有效地检测出微小故障从而及时地采取纠正措施。（3）针对传统判别算法类内协方差矩阵奇异性和模型解释度低的问题,提出了一种稀疏指数判别分析（SEDA）算法用于同时选择关键变量和寻找判别方向。通过将Lasso或弹性网（Elastic Net）惩罚引入指数判别分析（EDA）算法中,建立了可以自动选择引起过程故障的关键变量的稀疏指数判别模型。由于所建立模型的优化目标是非凸的,因此使用最小化最大化（minorization-maximization,MM）算法将其重铸为迭代凸优化问题。之后,提出了一种可行的梯度方向方法来迭代地解决该优化问题。模型的稀疏解可以指示关键的故障信息,从而提高分类性能达到准确区分不同的故障的效果。通过田纳西-伊士曼过程和卷烟生产过程对该方法的性能进行了验证,实验结果表明所提出的算法可以通过剔除无关的变量达到简化判别模型并提高判别精度的效果。（4）针对传统的故障诊断算法忽视了过程故障演化趋势信息和需要重新训练模型以涵盖新数据的问题,设计了具有增量学习能力的宽度卷积神经网络（BCNN）。所提出的方法将几个连续的样本合并为一个数据矩阵,然后使用卷积运算从获得的数据矩阵中提取故障趋势和非线性结构。之后,利用获得的卷积特征及其相对应的故障标签来训练全连接层中的网络权重。由于BCNN的网络结构,可以通过添加新生成的额外节点来提高BCNN模型的诊断性能。最后,还设计了该方法的增量学习能力,以便BCNN模型可以更新自身网络结构来涵盖新采集的异常样本和故障类别。将该方法应用于田纳西-伊士曼过程和三相流过程,实验结果表明它可以更好地捕获故障过程的特征来进行故障诊断,并有效地更新诊断模型以涵盖新出现的异常样本和故障类别。（5）针对单一模型只能获得有限诊断效果的问题,提出了 一种基于贝叶斯网络（PEL-BN）的概率集成学习策略,用来以概率方式集成多个模型的诊断结果。首先,建立一种集成指标来评估各个候选诊断模型,从而甄选出具有更好诊断性能的诊断模型。然后,基于选定的诊断模型,使用所提出的三种基本拓扑构造贝叶斯网络的网络架构。最后,利用建立的贝叶斯网络来综合不同诊断模型的优点,从而准确地推断出所探测异常样本的故障原因。PEL-BN算法的故障诊断性能通过田纳西-伊士曼过程和火电厂过程数据进行了验证,实验结果证实了该方法能够有效整合不同分类器的优势来提高诊断效果。
吴晓冬[4]（2019）在《小波包结合SVM和神经网络在滚动轴承故障诊断中的应用》文中认为滚动轴承是旋转机械的关键部件,它的健康状况会直接影响到机械系统的正常运行。随着监测技术的发展,所采集到的与滚动轴承运行状态相关的信号的数据量呈指数级增长,使得故障诊断有了“大数据”的概念。因此利用何种先进的技术从大数据中有效提取特征并准确识别滚动轴承的健康状况成为一个新的研究课题。本文以滚动轴承监测参数中的振动信号为研究对象,通过小波包变换、支持向量机（SVM）、BP神经网络对滚动轴承的智能故障诊断进行了研究。本文的主要内容以及结论如下:1.分析了傅立叶变换、短时傅立叶变换在信号分析方面的不足之处,并以小波包变换为手段对滚动轴承的振动信号进行了特征提取。小波包变换能够将原信号分解成多个小波包系数,把每个小波包系数进行信号重构后便生成了能量特征向量。研究表明该特征向量中包含了丰富的故障信息,可以作为智能故障分类方法的样本数据。2.分别研究了以支持向量机和BP神经网络为基础的滚动轴承智能故障诊断模型的训练过程与方法。支持向量机是一种监督式学习方法,其目标是是基于样本数据的支持向量求解得到超平面方程,然后以此超平面方程为判别依据进行分类。对BP神经网络进行训练实质上是基于训练样本优化连接各个神经元之间的权值以及多层感知器中每个神经元的阈值。本文所研究的这两种分类方法拥有各自的优缺点,应根据训练样本数据的实际情况进行方法的选择。3.针对四种滚动轴承的故障状况（正常轴承、外圈故障、内圈故障以及滚珠故障）分别进行了实验。为了更好地评价模型性能,将实验数据分别生成“大样本”和“小样本”集合,并使用Matlab建立了SVM模型和BP神经网络模型。数据处理结果表明SVM模型在对小样本进行诊断时时准确率高于BP神经网络模型;而对大样本进行诊断时时,两种模型的诊断准确率都很高,但SVM模型会耗费更大的计算资源以及时长。理论知识和实验证明小波包变换能够有效提取滚动轴承的故障特征信息;智能诊断方法中SVM模型适用于小样本诊断,BP神经网络更适用于大样本诊断。
张辉斌[5]（2019）在《基于机器学习的机电系统部件级PHM技术研究》文中进行了进一步梳理预测与健康管理（PHM）技术是基于视情维修的新型维修保障方法,包含故障诊断、故障预测和健康管理等诸多内容,能有效降低设备保障费用。数据驱动的PHM技术是当前研究的热点,机器学习方法在其中的应用更是人们关注的焦点。本文采用机器学习方法对故障诊断和剩余使用寿命预测技术进行研究。首先,探讨了关键部件的数据获取和特征提取方法。针对液压作动筒,使用AMESim软件建模仿真的方法获取进口流量和出口流量数据并完成故障注入,分析和使用小波包能量谱方法提取数据特征;针对剩余使用寿命预测,分析了NASA公开的航空发动机数据集,为本文算法的验证奠定了基础。接着,对基于机器学习的故障诊断方法进行研究。分析和使用BP神经网络模型实现液压作动筒的故障诊断,对比了标准梯度下降法和自适应学习率梯度下降法的差异;研究了SVM方法及其参数寻优方法,提出了基于GA-SVM算法的故障诊断方法,并验证了有效性。然后,重点研究了基于相似性的剩余使用寿命预测框架。首先阐述了三个相似性测度函数;针对多源统计数据,提出了基于PCA和BP神经网络的健康因子构建方法,在此基础上,提出了基于多源统计数据的相似性预测方法的实施步骤;进一步使用余弦相似度方法优化参考部件库的构建方法,使待预测部件的剩余使用寿命的估计更加精确;以NASA预测数据集为例,通过三个对比实验验证了相似性预测方法的有效性。最后,搭建算法验证软件平台。采用MATLAB软件的GUIDE工具搭建故障诊断和剩余使用寿命预测算法的可视化验证平台;分析了Qt、MySQL和MATLAB软件信息交互和混合编程的可行性,并将其应用于PHM软件平台的开发。
张昊宇[6]（2018）在《基于六相永磁同步电机的调速控制和故障态势感知方法研究》文中提出随着日益严重的空气污染和温室效应,传统化石燃料汽车尾气排放被认为是造成该问题重要的原因所在,电动汽车因其采用非常规车用燃料作为动力而具有无污染、清洁环保的特点,已经成为了人们关注的重点。永磁同步电机因具有高效率、高转矩密度和多控制自由度的特点已经被广泛应用在电动汽车上。多相永磁同步电机相比传统三相永磁同步电机还具备高功率等级和良好容错运行能力,可以预知在未来电动汽车发展中具有广阔的前景。为了避免多相永磁同步电机在运行过程中因缺相引发更严重电机故障和系统崩坏,需对电机在故障发生前进行提前预测判断和在故障发生后识别故障类型。本文重点研究六相永磁同步电机调速控制和故障态势感知方法。在研究六相永磁同步电机调速控制中,利用矢量空间解耦的方法建立Y型移30°六相永磁同步电机模型,利用仿真与MATLAB自带三相永磁同步电机进行比较,同时利用实验与实际六相永磁同步电机进行比较验证模型的精确性。本文采用矢量控制建立双闭环转速-电流控制系统,为了实现转速良好跟踪性,引入变结构滑模控制策略,通过仿真与传统PI控制器进行比较验证该方法具有快速响应、无超调和鲁棒性的特点。在研究六相永磁同步电机故障态势感知方法中,本文根据故障下定子磁动势不变原理,推导Y型移30°中性点隔离型六相永磁同步电机在各缺相故障下的数学模型。通过小波包分析方法提取故障工况下的特征值,构建小波神经网络模型对故障发生进行预测判断,避免保护系统误触发;构建小波KNN机器学习系统,对故障类型进行快速识别,以实现对故障态势的感知。利用MATLAB软件和Python的Scikit-Learn机器学习库进行仿真实验,对比验证该方法在六相永磁同步电机故障态势感知中可靠有效。最后利用dSPACE控制器与实际六相永磁同步电机搭建实验平台,进行电机调速控制实验,验证所构造数学模型精确可靠,控制策略能够实现转速快速跟踪,鲁棒性高。同时还为后续的故障诊断实验与容错控制实验提供平台基础。
赵建强[7]（2017）在《基于人工鱼群改进支持向量机的变压器故障诊断》文中进行了进一步梳理电力变压器作为电力系统中的重要设备,它能否安全可靠的运行对于电力系统的安全稳定运行具有重要意义。由于变压器运行时间长,运行环境复杂,在检修不及时的情况下,难免会出现故障。随着我国经济的不断发展,人们对电力系统的可靠性要求越来越高,能够及时的发现变压器潜在的故障并进行维修显得尤为重要。论文首先介绍了变压器故障诊断常用的油中溶解气体法,传统的变压器故障诊断和人工智能技术的故障诊断都是基于该方法提出来的。并分析了油中溶解气体的产生以及变压器故障类型和油中气体含量的对应关系,确定了变压器常见的故障类型。然后论述了人工鱼群算法,统计学习理论和支持向量机的基本原理,并对支持向量机的多分类方法进行了深入研究,通过引入改进有向无环图的方法提高了支持向量机的分类性能,并通过仿真实验进行了验证。此外,本文讲述了人工鱼群算法优化支持向量机参数的过程,并将该理论应用到具体的变压器故障诊断中,建立了变压器故障诊断的模型,并通过测试集对诊断模型的性能进行测试,还将本文的方法与BP神经网络故障诊断方法和改良三比值法进行对比,比较这几种方法诊断性能的好坏。最后,本文通过编程实现了变压器故障诊断系统,该系统的平台是基于MATLAB的GUI（图形用户界面环境）搭建的,该系统的优点在于用户不需要进行命令输入,只需通过键盘和鼠标点击按钮就能实现相应的功能,系统建立完成后选取了两组变压器故障的具体实例,对所建故障诊断系统的性能进行测试,证明系统的可用性和实用性。
薛倩倩[8]（2016）在《基于神经网络的装备故障诊断专家系统研究》文中研究说明现代化装备功能越来越多样化和智能化,其结构也随之越来越复杂,导致装备维护和管理工作困难重重,工作量和复杂度大幅度提高,尤其是装备故障诊断问题,因引起故障的因素多样化,故使得维护和维修人员故障诊断准确率和工作效率降低,故障诊断技术研究是保障装备安全、高效、可靠运转的关键技术。本文以陕西省教育厅专项科研计划项目“基于嵌入式系统的武器装备故障诊断方法研究”为背景,以某装备故障诊断专家系统为研究对象,结合其特点及故障诊断问题,本课题提出基于神经网络的装备故障诊断专家系统。本文充分、深入的研究了故障诊断技术,通过分析各种智能故障诊断技术的优缺点,选取适合本课题的智能诊断技术,对比、分析神经网络和专家系统的区别和联系,深入研究神经网络与专家系统的结合方式,构建出多模式、实时的基于神经网络的故障诊断专家系统。另外,通过将故障诊断专家系统移植到移动手持终端,给故障诊断工作提供了更方便、灵活的方式;通过实时监测被诊断装备的工作电压,为故障诊断提供更直接、有效的依据,减少或者在很大程度上避免了人工在故障诊断过程中的参与。在本课题中,通过对Elman神经网络模型结构和功能的分析,以及在某装备工作过程中对故障问题诊断实际效果的检测,Elman神经网络在收敛速度、误差精度方面都明显优于BP神经网络。另外Elman神经网络所具有的动力学特性,使其更能适应动态工作环境,更加有助于故障诊断专家系统发挥其实时故障诊断能力。本课题构建的多模式、实时故障诊断专家系统,经过测试,有效的解决了故障诊断过程中遇到的准确度低、效率低的问题,另减少人工参与,提供方便、灵活的故障诊断方式。
付娟娟[9]（2016）在《基于神经网络的有源中点箝位型三电平逆变器故障诊断系统研究》文中指出随着变频器技术的发展,三电平逆变器得到了广泛的应用。电力电子器件需要承受高电压、大电流以及高频率的开关状态,因此,功率开关器件故障导致逆变器故障成为不可忽视的问题。有源中点箝位型三电平逆变器因为能够均衡各功率开关器件的开关损耗而得到广泛应用,但是其内部拓扑结构复杂,快速准确判断出具体功率开关器件的故障位置很难做到,所以,有源中点箝位型三电平逆变器的故障诊断问题亟待解决。论文的主要研究工作包括:首先,本文将有源中点箝位型三电平逆变器作为被诊断对象,介绍了有源中点箝位型三电平逆变器的拓扑结构及其工作原理,分析了逆变器发生故障的原因并将开路故障进行分类,为每种故障情况匹配不同的故障编码,为了最大限度的减小负载突变对故障诊断的影响,本文选择桥臂电压信号作为测试信号,利用MATLAB软件Simulink模块完成逆变器的仿真和故障分析。其次,利用小波包分解算法提取不同故障情况下桥臂电压信号的频带能量值作为故障诊断的输入,为了减少故障信息的维数,利用3/2变换将三相桥臂电压信号转换为两相输出。再次,研究了基于遗传神经网络的ANPC三电平逆变器故障诊断方法,利用遗传算法的全局优化性能对BP神经网络的权值和阈值进行优化,避免了传统BP网络训练时容易陷入局部极小值和学习速度慢等问题,提高诊断的速度和正确率,同时,为了解决Sx2（Sx3）单管开路与Sx1Sx2（Sx3Sx4）双管同时开路时故障特征值一致的难点,本文利用两个BP神经网络进行诊断,通过仿真验证了该方法能够有效诊断出172种开路故障情况。最后,采用LabVIEW和MATLAB混合编程,开发基于小波-遗传神经网络的ANPC三电平逆变器开路故障诊断软件系统,该软件拥有故障信息的保存、小波包分解算法提取故障特征值、遗传神经网络的训练以及逆变器的故障诊断等功能。通过测试,软件能够快速准确的诊断出ANPC三电平逆变器多种开路故障。
刘海英[10]（2014）在《基于MATLAB和LabWindows/CVI的齿轮箱故障诊断系统研究》文中指出随着齿轮箱在工业上的应用越来越广泛,齿轮箱的故障和失效给整个生产过程造成的损失也越来越大,更有可能危害到操作人员的生命安全,因此对齿轮箱进行状态检测和故障诊断具有十分重要的现实意义。本文以Matlab和LabWindows/CVI为开发平台,研究开发了一套基于齿轮箱振动信号的故障诊断系统。具体研究内容包括：1)研究了齿轮箱的典型故障类型,通过对比多种信号分析方法（数字滤波、时域分析、频谱分析、频率细化、小波及小波包分析等）,提取典型故障特征数据。2)采用神经网络进行故障诊断。研究了BP神经网络和RBF神经网络的故障识别能力,并利用齿轮箱故障仿真信号对其进行对比研究。3)采用支持向量机进行故障诊断。提出了三种参数优化方法：CV交叉验证法、GA遗传算法和PSO粒子群优化算法,并证明了其在处理小样本问题上的优越性。4)利用齿轮箱故障数据库,验证了诊断测试平台的各种功能,评价了测试平台的可靠性和实用性。
二、MATLAB神经网络工具箱在故障诊断中的应用（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、MATLAB神经网络工具箱在故障诊断中的应用（论文提纲范文）
（1）基于机器学习的车载同步电机驱动系统UDS诊断与评估（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景、意义和目的 |
| 1.2 国内外的研究现状 |
| 1.2.1 电机故障诊断国内外的研究现状 |
| 1.2.2 PHM技术在国内外的研究现状 |
| 1.2.3 UDS诊断在国内外的研究现状 |
| 1.3 本文研究内容安排 |
| 第二章 电机退化和UDS诊断模型 |
| 2.1 同步电机简述 |
| 2.2 电机退化 |
| 2.2.1 HESM驱动系统故障简述 |
| 2.2.2 电机退化模拟 |
| 2.2.3 基于SIMULINK的电机去磁退化模型 |
| 2.2.3.1 六相HESM模块 |
| 2.2.3.2 退化模块 |
| 2.2.3.3 驱动控制模块 |
| 2.2.3.4 整体电机去磁退化模型 |
| 2.3 基于CAN的 UDS诊断系统介绍 |
| 2.3.1 统一诊断服务(UDS) |
| 2.3.2 CAN总线通信协议概述 |
| 2.3.3 基于ISO15765 的网络层协议 |
| 2.3.3.1 网络层协议数据单元(N_PDU) |
| 2.3.3.2 网络层协议控制信息(N_PCI) |
| 2.3.3.3 通信机制和时间参数 |
| 2.3.4 应用层 |
| 2.4 基于CAN的 UDS诊断系统模型的建立 |
| 2.4.1 UDS诊断系统模型整体结构 |
| 2.4.2 通信状态机 |
| 2.4.2.1 诊断会话控制(0X10) |
| 2.4.2.2 通过ID读数据(0X22) |
| 2.4.3 UDS模型中的CAN总线通信 |
| 2.4.4 UDS模型中的网络层 |
| 2.4.5 UDS模型中的应用层 |
| 2.4.6 UDS模型仿真 |
| 2.5 本章小结 |
| 第三章 机器学习在UDS故障诊断中的应用 |
| 3.1 机器学习与UDS诊断的关系 |
| 3.2 长短期记忆(LSTM)神经网络 |
| 3.2.1 RNN网络 |
| 3.2.2 LSTM神经网络 |
| 3.2.3 激活函数 |
| 3.2.4 优化算法和损失函数 |
| 3.3 LSTM神经网络在故障预测中的应用 |
| 3.3.1 时序预测结构 |
| 3.3.2 健康因子的构建方法 |
| 3.3.3 原始数据的选择 |
| 3.3.4 三种时序预测结构在故障诊断中的应用 |
| 3.3.5 结果分析 |
| 3.4 本章小结 |
| 第四章 软件仿真和硬件验证 |
| 4.1 软件仿真 |
| 4.1.1 软件仿真架构图 |
| 4.1.2 软件仿真流程 |
| 4.2 硬件验证 |
| 4.2.1 硬件验证架构图 |
| 4.2.2 硬件验证环境介绍 |
| 4.2.3 硬件验证过程和结果 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（2）基于SVPSO-BP的滚动轴承并行故障诊断方法研究（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 滚动轴承故障类型 |
| 1.2.2 滚动轴承故障诊断研究现状 |
| 1.2.3 基于神经网络的故障诊断研究现状 |
| 1.2.4 并行故障诊断研究现状 |
| 1.2.5 当前研究中的不足 |
| 1.3 论文研究内容与结构安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 理论基础 |
| 2.1 引言 |
| 2.2 信号分解与特征提取 |
| 2.2.1 变分模态分解 |
| 2.2.2 时频熵 |
| 2.3 相关算法 |
| 2.3.1 粒子群算法 |
| 2.3.2 BP神经网络 |
| 2.4 本章小结 |
| 第3章 基于VMD和优化BP的滚动轴承故障诊断 |
| 3.1 引言 |
| 3.2 VMD-时频熵特征提取方法 |
| 3.3 基于粒子群算法优化的BP神经网络 |
| 3.3.1 改进粒子群算法 |
| 3.3.2 SVPSO算法优化BP神经网络 |
| 3.4 基于VMD-时频熵和优化BP神经网络的故障诊断 |
| 3.5 实验结果与分析 |
| 3.5.1 实验装置及数据描述 |
| 3.5.2 实验方案 |
| 3.5.3 特征提取效果对比 |
| 3.5.4 故障诊断性能对比 |
| 3.6 本章小结 |
| 第4章 基于VMD和 SVPSO-BP的并行故障诊断 |
| 4.1 引言 |
| 4.2 多线程并行加速的VMD分解 |
| 4.2.1 多线程并行计算 |
| 4.2.2 VMD分解并行性分析 |
| 4.3 GPU编程的SVPSO-BP算法 |
| 4.3.1 基于MATLAB工具箱的GPU编程 |
| 4.3.2 SVPSO-BP算法可加速性分析 |
| 4.4 多线程并行加速的VMD-SVPSO-BP算法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于GUI的滚动轴承故障诊断系统设计 |
| 5.1 引言 |
| 5.2 MATLAB GUI简介 |
| 5.3 系统总体方案设计 |
| 5.4 系统界面设计 |
| 5.5 功能模块设计 |
| 5.5.1 数据处理模块 |
| 5.5.2 特征提取模块 |
| 5.5.3 故障诊断模块 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士期间参与科研项目与发表学术论文 |
（3）非平稳复杂工业过程数据解析与高性能监控方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 工业过程描述与特性分析 |
| 1.2.1 连续过程的特性 |
| 1.2.2 间歇过程的特性 |
| 1.3 过程监测与故障诊断的研究现状 |
| 1.3.1 连续过程过程监测研究现状 |
| 1.3.2 间歇过程过程监测研究现状 |
| 1.3.3 故障变量隔离研究现状 |
| 1.3.4 故障诊断研究现状 |
| 1.4 本文的主要工作 |
| 第二章 基于递归指数慢特征分析的精细化自适应过程监测 |
| 2.1 引言 |
| 2.2 慢特征分析(SFA)回顾 |
| 2.3 递归指数慢特征分析 |
| 2.3.1 问题陈述与动机分析 |
| 2.3.2 递归指数慢特征分析 |
| 2.3.3 基于RESFA的精细化自适应过程监测策略 |
| 2.4 实验验证与结果分析 |
| 2.4.1 案例一、青霉素发酵过程 |
| 2.4.2 案例二、卷烟生产过程 |
| 2.4.3 案例三、注塑过程 |
| 2.5 本章小结 |
| 第三章 基于平稳子空间分析的间歇过程层级监测模型 |
| 3.1 引言 |
| 3.2 平稳子空间分析(SSA)回顾 |
| 3.3 基于平稳子空间的间歇过程层级监测方案 |
| 3.3.1 问题陈述与动机分析 |
| 3.3.2 非平稳子空间时段划分 |
| 3.3.3 基于SSA的层级监测模型 |
| 3.3.4 在线层级监测 |
| 3.3.5 讨论与分析 |
| 3.4 实验验证与结果分析 |
| 3.4.1 案例一、青霉素生产过程 |
| 3.4.2 案例二、注塑过程 |
| 3.5 本章小结 |
| 第四章 稀疏指数判别分析及其在故障变量隔离中的应用 |
| 4.1 引言 |
| 4.2 指数判别分析回顾 |
| 4.3 稀疏指数判别分析 |
| 4.3.1 稀疏指数判别分析算法的公式化表述 |
| 4.3.2 稀疏指数判别分析算法的求解 |
| 4.3.3 利用可行梯度方向法求解稀疏判别优化 |
| 4.3.4 进一步的讨论和评价 |
| 4.4 实验验证与结果分析 |
| 4.4.1 案例一、田纳西-伊斯曼过程 |
| 4.4.2 案例二、卷烟生产过程 |
| 4.5 本章小结 |
| 第五章 基于宽度卷积神经网络的工业过程故障诊断 |
| 5.1 引言 |
| 5.2 卷积神经网络回顾 |
| 5.3 宽度卷积神经网络 |
| 5.3.1 问题陈述与动机分析 |
| 5.3.2 宽度卷积神经网络 |
| 5.3.3 对新样本和新类别的增量学习能力 |
| 5.3.4 关于BCNN的一些讨论 |
| 5.4 实验验证与结果分析 |
| 5.4.1 案例一、田纳西-伊士曼过程 |
| 5.4.2 案例二、三相流过程 |
| 5.5 本章小结 |
| 第六章 基于贝叶斯网络的概率集成学习 |
| 6.1 引言 |
| 6.2 基于贝叶斯网络的概率集成学习 |
| 6.2.1 基于贝叶斯网络的概率集成学习概述 |
| 6.2.2 基础拓扑结构的条件概率表 |
| 6.2.3 候选分类器选择和贝叶斯网络搭建 |
| 6.2.4 在线概率故障诊断 |
| 6.3 实验验证与结果分析 |
| 6.3.1 案例一、田纳西-伊士曼过程 |
| 6.3.2 案例二、火电厂过程 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间完成的学术论文 |
（4）小波包结合SVM和神经网络在滚动轴承故障诊断中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.2 滚动轴承故障诊断的国内外研究现状 |
| 1.3 滚动轴承智能故障诊断的主要内容 |
| 1.4 本文的主要内容及章节安排 |
| 第二章 小波分析的相关理论 |
| 2.1 傅立叶变换 |
| 2.2 小波变换理论 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 多分辨分析与正交小波的构造 |
| 2.2.4 离散小波变换的Mallat算法 |
| 2.3 小波包理论 |
| 2.4 小波包变换在故障诊断中的应用 |
| 2.5 本章小结 |
| 第三章 支持向量机原理 |
| 3.1 线性支持向量机 |
| 3.2 非线性支持向量机 |
| 3.3 超平面方程的求解的SMO算法 |
| 3.3.1 最优化求解 |
| 3.3.2 变量的选择方法 |
| 3.4 支持向量机在故障诊断中的应用 |
| 3.5 本章小结 |
| 第四章 反向传播神经网络 |
| 4.1 神经元模型 |
| 4.2 人工神经网络的结构 |
| 4.3 反向传播算法 |
| 4.4 本章小结 |
| 第五章 滚动轴承故障诊断的实验研究 |
| 5.1 实验平台 |
| 5.2 数据处理及模型训练方法 |
| 5.2.1 通过小波包变换提取能量特征 |
| 5.2.2 支持向量机模型的训练 |
| 5.2.3 BP神经网络模型的训练 |
| 5.3 数据处理结果及分析 |
| 5.3.1 能量特征向量的分析 |
| 5.3.2 支持向量机模型的数据处理结果 |
| 5.3.3 神经网络模型的数据处理结果 |
| 5.3.4 结果分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）基于机器学习的机电系统部件级PHM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 研究背景与意义 |
| 1.2 国内外PHM技术的发展 |
| 1.2.1 故障诊断方法的研究现状 |
| 1.2.2 故障预测方法的研究现状 |
| 1.2.3 机器学习方法的研究现状 |
| 1.3 关键技术分析及难点 |
| 1.4 研究目标与主要研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 本文主要研究内容 |
| 第二章 机电系统关键部件数据获取 |
| 2.1 概述 |
| 2.2 液压作动筒建模及故障注入 |
| 2.2.1 基于AMESim的液压作动筒位置反馈控制系统仿真模型 |
| 2.2.2 液压作动筒故障注入 |
| 2.3 基于小波包能量谱的液压作动筒特征提取 |
| 2.3.1 小波包分解及其能量谱 |
| 2.3.2 液压作动筒故障特征提取 |
| 2.4 NASA航空发动机预测数据集 |
| 2.4.1 数据集简介 |
| 2.4.2 数据预处理 |
| 2.5 本章小结 |
| 第三章 基于机器学习的故障诊断方法研究 |
| 3.1 概述 |
| 3.2 基于BP神经网络的故障诊断方法 |
| 3.2.1 BP神经网络理论概述 |
| 3.2.2 自适应学习率梯度下降法 |
| 3.2.3 基于BP神经网络的液压作动筒故障仿真验证 |
| 3.3 基于GA-SVM的故障诊断方法 |
| 3.3.1 GA-SVM理论概述 |
| 3.3.2 基于GA-SVM的液压作动筒故障诊断仿真验证 |
| 3.4 本章小结 |
| 第四章 基于相似性的剩余寿命预测方法研究 |
| 4.1 概述 |
| 4.2 相似性剩余寿命预测方法流程 |
| 4.2.1 相似性剩余寿命预测方法概述 |
| 4.2.2 预测流程 |
| 4.3 基于多源信息融合的相似性剩余寿命预测步骤 |
| 4.3.1 健康因子构建方法 |
| 4.3.2 基于多源信息融合的相似性预测步骤 |
| 4.4 基于退化模式一致性的相似性剩余寿命预测方法 |
| 4.4.1 余弦相似度概述 |
| 4.4.2 基于退化模式一致性的相似性预测方法步骤 |
| 4.5 预测方法评价指标 |
| 4.6 航空发动机剩余寿命预测方法 |
| 4.6.1 实验一:不同相似性度量方法对预测结果的影响 |
| 4.6.2 实验二:不同信息融合方法对预测结果的影响 |
| 4.6.3 实验三:退化模式一致性方法对预测结果的影响 |
| 4.7 本章小结 |
| 第五章 故障诊断与预测算法验证平台设计及实现 |
| 5.1 概述 |
| 5.2 基于Matlab GUIDE的验证平台设计 |
| 5.2.1 MATLAB GUIDE工具概述 |
| 5.2.2 基于MATLAB GUIDE工具的故障诊断与预测软件平台实现 |
| 5.3 基于Qt与 Matlab的验证平台设计 |
| 5.3.1 可行性分析 |
| 5.3.2 基于Qt、MySQL和 MATLAB的剩余寿命预测平台设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究工作总结 |
| 6.2 存在问题及后期研究方向 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）基于六相永磁同步电机的调速控制和故障态势感知方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 六相永磁同步电机调速控制技术现状 |
| 1.2.1 六相永磁同步电机正常工况建模 |
| 1.2.2 六相永磁同步电机的调速控制 |
| 1.3 多相电机故障诊断研究现状 |
| 1.3.1 六相永磁同步电机故障工况下的建模 |
| 1.3.2 六相永磁同步电机故障检测方法 |
| 1.4 文章主要研究内容和结构安排 |
| 第二章 六相永磁同步电机的调速控制 |
| 2.1 六相永磁同步电机正常工况下建模 |
| 2.2 六相永磁同步电机调速系统 |
| 2.3 变结构滑模控制的原理 |
| 2.3.1 变结构滑模控制的基本步骤 |
| 2.3.2 变结构滑模控制的基本特性 |
| 2.4 变结构滑模控制在六相永磁同步电机中的应用 |
| 2.4.1 六相永磁同步电机转速外环滑模控制器 |
| 2.4.2 六相永磁同步电机电流内环滑模控制器 |
| 2.5 本章小结 |
| 第三章 六相永磁同步电机故障态势感知方法 |
| 3.1 六相永磁同步电机故障工况下建模 |
| 3.2 小波包分析原理 |
| 3.2.1 小波分析和傅里叶分析的比较 |
| 3.2.2 小波包分解在故障特征值提取中的应用 |
| 3.3 神经网络和机器学习原理 |
| 3.3.1 人工神经网络 |
| 3.3.2 统计模式分类理论 |
| 3.4 小波神经网络和小波机器学习在故障态势感知中的应用 |
| 3.5 本章小结 |
| 第四章 仿真与实验 |
| 4.1 六相永磁同步电机的调速控制仿真 |
| 4.1.1 六相永磁同步电机正常工况下的数学模型 |
| 4.1.2 六相永磁同步电机调速控制 |
| 4.2 基于小波神经网络和小波机器学习的故障态势感知方法仿真 |
| 4.2.1 小波包对电机特征向量的提取 |
| 4.2.2 神经网络和机器学习算法的应用 |
| 4.3 六相永磁同步电机调速实验 |
| 4.3.1 六相永磁同步电机实验平台搭建 |
| 4.3.2 六相永磁同步电机开环实验 |
| 4.3.3 六相永磁同步电机闭环控制 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间已发表或录用的论文 |
| 致谢 |
（7）基于人工鱼群改进支持向量机的变压器故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 变压器故障诊断方法的研究现状 |
| 1.2.1 传统变压器故障诊断方法研究现状 |
| 1.2.2 人工智能的变压器故障诊断的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 电力变压器的油中溶解气体法 |
| 2.1 变压器油中溶解气体的产生 |
| 2.2 变压器内部故障类型与油中溶解气体含量的关系 |
| 2.3 变压器常见的故障类型 |
| 2.4 传统的变压器故障诊断方法 |
| 2.5 本章小结 |
| 第三章 人工鱼群算法和支持向量机原理 |
| 3.1 人工鱼群算法 |
| 3.1.1 人工鱼群算法的提出 |
| 3.1.2 人工鱼群算法的数学模型 |
| 3.1.3 人工鱼群算法的实现 |
| 3.1.4 人工鱼群算法的流程 |
| 3.2 统计学习理论 |
| 3.3 支持向量机基本原理 |
| 3.3.1 线性可分支持向量机 |
| 3.3.2 近似线性可分的支持向量机 |
| 3.3.3 非线性可分支持向量机 |
| 3.3.4 核函数的选取 |
| 3.4 支持向量机多分类方法研究 |
| 3.4.1 一对一方法 |
| 3.4.2 一对多方法 |
| 3.4.3 有向无环图的方法 |
| 3.4.4 改进有向无环图的分类方法 |
| 3.4.5 仿真实验 |
| 3.5 支持向量机参数的选择方法 |
| 3.5.1 K折交叉验证法 |
| 3.5.2 基于人工鱼群的支持向量机参数选择 |
| 3.6 本章小结 |
| 第四章 人工鱼群改进支持向量机的变压器故障诊断 |
| 4.1 特征提取 |
| 4.2 数据处理 |
| 4.3 故障诊断模型的建立及应用 |
| 4.4 与其他方法的比较 |
| 4.5 本章小结 |
| 第五章 变压器故障诊断系统的软件实现 |
| 5.1 软件系统的功能需求 |
| 5.2 开发平台的介绍和系统的总体设计 |
| 5.3 系统的界面实现 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（8）基于神经网络的装备故障诊断专家系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源及研究背景 |
| 1.2 课题研究意义 |
| 1.3 故障诊断技术的发展和现状 |
| 1.3.1 故障诊断技术的发展 |
| 1.3.2 故障诊断技术的现状 |
| 1.4 故障诊断专家系统发展和现状 |
| 1.4.1 专家系统发展 |
| 1.4.2 故障诊断专家系统发展 |
| 1.4.3 故障诊断专家系统现状 |
| 1.4.4 故障诊断专家系统发展方向 |
| 1.5 神经网络的发展和现状 |
| 1.5.1 神经网络的发展 |
| 1.5.2 神经网络的现状 |
| 1.5.3 神经网络在故障诊断中的应用 |
| 1.6 课题研究的主要内容 |
| 1.7 本章小结 |
| 2 神经网络诊断方法与故障树诊断方法对比与结合 |
| 2.1 专家系统概述 |
| 2.1.1 专家系统结构 |
| 2.1.2 故障诊断专家系统 |
| 2.2 基于故障树的诊断方法 |
| 2.2.1 故障树分析法 |
| 2.2.2 故障树分析法应用到故障诊断中的优势 |
| 2.2.3 基于故障树的故障诊断专家系统的不足 |
| 2.3 神经网络原理 |
| 2.3.1 神经网络概念 |
| 2.3.2 神经元模型 |
| 2.3.3 激活函数 |
| 2.3.4 神经网络拓扑结构 |
| 2.3.5 神经网络学习规则 |
| 2.4 神经网络工作原理 |
| 2.4.1 神经网络知识表示 |
| 2.4.2 神经网络知识获取 |
| 2.4.3 神经网络推理机制 |
| 2.5 基于神经网络的故障诊断方法 |
| 2.5.1 神经网络故障诊断方法研究 |
| 2.5.2 神经网络故障诊断方法的优势和不足 |
| 2.6 神经网络诊断方法与故障树诊断方法的对比与结合 |
| 2.6.1 神经网络故障诊断方法与故障树诊断方法对比 |
| 2.6.2 神经网络故障诊断方法与故障树诊断方法的结合 |
| 2.7 基于神经网络的装备故障诊断专家系统 |
| 2.7.1 基于神经网络的装备故障诊断专家系统的结构 |
| 2.7.2 基于神经网络的装备故障诊断专家系统的工作原理 |
| 2.8 本章小结 |
| 3 神经网络模型建立与MATLAB仿真 |
| 3.1 BP神经网络模型 |
| 3.1.1 BP神经网络模型结构 |
| 3.1.2 BP神经网络模型算法 |
| 3.1.3 BP神经网络模型工作原理 |
| 3.2 Elman神经网络模型 |
| 3.2.1 Elman神经网络模型结构 |
| 3.2.2 Elman神经网络模型算法 |
| 3.2.3 Elman神经网络模型工作原理 |
| 3.3 MATLAB工具使用 |
| 3.3.1 MATLAB的神经网络工具箱 |
| 3.3.2 MATLAB/Simulink |
| 3.3.3 MATLAB/Real-Time Workshop工具 |
| 3.4 被诊断设备描述 |
| 3.4.1 被诊断设备内部采集点设置 |
| 3.4.2 设备故障征兆表示 |
| 3.4.3 设备故障征兆编码 |
| 3.4.4 设备故障样本 |
| 3.5 BP神经网络模型建立及MATLAB仿真 |
| 3.5.1 BP神经网络模型建立 |
| 3.5.2 BP神经网络的MATLAB仿真效果 |
| 3.6 Elman神经网络模型建立及MATLAB仿真 |
| 3.6.1 Elman神经网络模型建立 |
| 3.6.2 Elman神经网络的MATLAB仿真效果 |
| 3.7 Elman神经网络和BP神经网络对比 |
| 3.7.1 Elman网络输出和BP网络输出对比 |
| 3.7.2 Elman神经网络和BP神经网络对比总结 |
| 3.8 神经网络模型翻译 |
| 3.9 本章小结 |
| 4 基于神经网络的装备故障诊断专家系统的设计 |
| 4.1 基于神经网络的装备故障诊断专家系统 |
| 4.1.1 基于神经网络的装备故障诊断专家系统描述 |
| 4.1.2 基于神经网络的装备故障诊断专家系统的结构 |
| 4.2 诊断Agent |
| 4.2.1 被诊断设备工作电压值数据采集 |
| 4.2.2 被诊断设备工作电压值数据处理 |
| 4.2.3 被诊断设备工作电压值数据发送 |
| 4.3 诊断客户端 |
| 4.3.1 诊断客户端通信接口 |
| 4.3.2 诊断客户端征兆数据库 |
| 4.3.3 实时故障诊断工作模式 |
| 4.3.4 离线故障诊断工作模式 |
| 4.3.5 两种故障诊断工作模式的结合 |
| 4.4 课题开发环境及运行环境介绍 |
| 4.4.1 课题开发环境 |
| 4.4.2 课题运行环境 |
| 4.4.3 交叉编译器 |
| 4.4.4 minicom工具 |
| 4.5 本章小结 |
| 5 基于神经网络的装备故障诊断专家系统的实现 |
| 5.1 串口通信 |
| 5.2 征兆数据库 |
| 5.3 诊断客户端 |
| 5.3.1 实时故障诊断工作模式实现 |
| 5.3.2 离线故障诊断工作模式实现 |
| 5.3.3 两种工作模式结合实现效果 |
| 5.4 本章小结 |
| 6 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（9）基于神经网络的有源中点箝位型三电平逆变器故障诊断系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 2 有源中点箝位型三电平逆变器故障分析 |
| 2.1 有源中点箝位型三电平逆变器拓扑结构和工作原理 |
| 2.2 ANPC三电平逆变器换流路径 |
| 2.3 三电平逆变器故障分析 |
| 2.4 故障建模仿真研究 |
| 2.5 本章小结 |
| 3 故障诊断系统的理论基础 |
| 3.1 小波包分解 |
| 3.2 神经网络 |
| 3.3 遗传算法 |
| 3.4 本章小结 |
| 4 基于神经网络的有源中点箝位型三电平逆变器故障诊断仿真分析 |
| 4.1 小波包分解提取故障特征向量 |
| 4.2 传统BP算法实现故障诊断 |
| 4.3 遗传-神经网络实现故障诊断 |
| 4.4 本章小结 |
| 5 基于LabVIEW和MATLAB混合编程的故障诊断系统 |
| 5.1 Lab VIEW软件概述 |
| 5.2 Lab VIEW与MATLAB混合编程 |
| 5.3 基于LabVIEW和MATLAB混合编程的故障诊断系统 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（10）基于MATLAB和LabWindows/CVI的齿轮箱故障诊断系统研究（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 齿轮箱故障诊断技术及国内外研究现状 |
| 1.2.1 齿轮箱故障诊断常用技术 |
| 1.2.2 齿轮箱故障诊断技术国内外研究现状 |
| 1.3 LabWindows/CVI与Matlab简介及其混合编程 |
| 1.3.1 LabWindows/CVI简介 |
| 1.3.2 Matlab简介 |
| 1.3.3 LabWindows/CVI与Matlab的混合编程 |
| 1.4 本课题主要研究内容 |
| 第2章 齿轮箱典型故障类型与信号特征提取 |
| 2.1 齿轮箱的典型结构及常见故障 |
| 2.2 齿轮典型故障及信号特征 |
| 2.2.1 齿轮典型故障类型 |
| 2.2.2 齿轮振动原理及信号特征 |
| 2.3 轴承典型故障及信号特征 |
| 2.3.1 轴承典型故障类型 |
| 2.3.2 轴承振动原理及信号特征 |
| 2.4 齿轮箱故障特征提取 |
| 2.4.1 信号的预处理 |
| 2.4.2 时域信号特征 |
| 2.4.3 频域信号指标 |
| 2.4.4 故障特征的提取 |
| 2.5 本章小结 |
| 第3章 神经网络原理及其在齿轮箱故障诊断中的应用研究 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经元基本模型 |
| 3.1.2 人工神经网络的学习算法及其优点 |
| 3.2 BP神经网络在齿轮箱故障诊断中的应用研究 |
| 3.2.1 BP神经网络原理 |
| 3.2.2 BP神经网络设计 |
| 3.2.3 BP神经网络的训练和预测 |
| 3.3 RBF神经网络在齿轮箱故障诊断中的应用 |
| 3.3.1 RBF神经网络原理 |
| 3.3.2 RBF神经网络设计 |
| 3.3.3 RBF神经网络的训练和预测 |
| 3.4 本章小结 |
| 第4章 支持向量机理论在齿轮箱故障诊断系统中的应用研究 |
| 4.1 统计学习方法研究 |
| 4.2 支持向量机原理 |
| 4.2.1 最优超平面 |
| 4.2.2 核函数 |
| 4.3 支持向量机在齿轮箱故障诊断系统的中应用研究 |
| 4.3.1 SVM在齿轮箱故障诊断系统中的应用 |
| 4.3.2 交叉验证优化SVM在齿轮箱故障诊断系统中的应用研究 |
| 4.3.3 遗传算法优化SVM在齿轮箱故障诊断系统中的应用研究 |
| 4.3.4 粒子群优化SVM在齿轮箱故障诊断系统中的应用研究 |
| 4.4 本章小结 |
| 第5章 齿轮箱故障诊断系统设计与实现 |
| 5.1 故障诊断系统平台总体功能目标及设计方案 |
| 5.1.1 故障诊断系统的总体功能目标 |
| 5.1.2 故障诊断系统的总体方案设计 |
| 5.2 系统登录模块 |
| 5.3 打开数据文件模块 |
| 5.3.1 特征数据文件 |
| 5.3.2 仿真数据文件 |
| 5.3.3 采集故障信号数据 |
| 5.4 数据处理模块 |
| 5.4.1 数字滤波 |
| 5.4.2 时域分析 |
| 5.4.3 频谱分析 |
| 5.4.4 频率细化分析 |
| 5.4.5 小波与小波包分析 |
| 5.5 故障诊断模块 |
| 5.5.1 神经网络模块 |
| 5.5.2 SVM支持向量机模块 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
四、MATLAB神经网络工具箱在故障诊断中的应用（论文参考文献）
- [1]基于机器学习的车载同步电机驱动系统UDS诊断与评估[D]. 侯青松. 电子科技大学, 2021(01)
- [2]基于SVPSO-BP的滚动轴承并行故障诊断方法研究[D]. 张玉林. 兰州理工大学, 2021(01)
- [3]非平稳复杂工业过程数据解析与高性能监控方法研究[D]. 余万科. 浙江大学, 2020(01)
- [4]小波包结合SVM和神经网络在滚动轴承故障诊断中的应用[D]. 吴晓冬. 合肥工业大学, 2019(01)
- [5]基于机器学习的机电系统部件级PHM技术研究[D]. 张辉斌. 南京航空航天大学, 2019
- [6]基于六相永磁同步电机的调速控制和故障态势感知方法研究[D]. 张昊宇. 上海交通大学, 2018(02)
- [7]基于人工鱼群改进支持向量机的变压器故障诊断[D]. 赵建强. 河北工业大学, 2017(01)
- [8]基于神经网络的装备故障诊断专家系统研究[D]. 薛倩倩. 西安工业大学, 2016(04)
- [9]基于神经网络的有源中点箝位型三电平逆变器故障诊断系统研究[D]. 付娟娟. 中国矿业大学, 2016(02)
- [10]基于MATLAB和LabWindows/CVI的齿轮箱故障诊断系统研究[D]. 刘海英. 华东理工大学, 2014(09)