一、液压故障诊断专家系统研究（论文文献综述）
杨洁,宋新成,王崴,马占全[1]（2021）在《某装备吊机液压故障诊断专家系统设计》文中进行了进一步梳理装备液压系统快速故障诊断是维修保障人员亟待解决的难题。以某装备吊机液压系统故障诊断为研究对象,梳理历年故障案例库,运用故障树解析故障原因、逻辑及耦合关系,明确故障产生的全部最小割集。将故障树与专家系统有机结合,依据故障规则构建基于故障树的专家知识库,选用自上而下正向查找方式的推理机制,融合概念图知识匹配模式,设计模糊含权概念图的投影匹配算法。在VB环境下实现专家系统软件功能,使系统具备知识库持续升级、用户故障定位查询、故障排除指导、历史故障记录、诊断报告生成等功能,有效指导维修保障人员进行装备液压系统的故障诊断与排除,并可推广至其他型号、类型的装备液压系统故障诊断中。
魏苏杰[2]（2021）在《随车起重机变幅液压系统故障诊断研究》文中认为科学技术的不断发展促进包括工程机械在内的重大装备趋于智能化,为保证其可靠性,设备的健康检测成为研究热点。液压系统作为工程机械的主要组成部分,保证其在运行过程中的可靠性显得尤为重要。目前,对于液压健康检测的研究,主要有基于知识、数据驱动、基于物理模型的三种常用方法,基于知识的健康检测方法适合定性推理,要求有较高的经验及知识储备,基于数据驱动的健康检测方法要求有大量的故障或全寿命周期数据。鉴于两种方法的局限性,基于模型的液压系统的健康检测方法有明显优势,利用获得的系统精确的数学模型,进行系统的健康检测。本文以随车起重机变幅液压系统为研究对象,首先分析变幅液压系统的故障特征,提出典型故障的模拟与注入方案,通过仿真验证所提方案的可行性;其次分析功率键合图和解析冗余关系理论,提出键合图与解析冗余关系相结合的基于模型的故障诊断方法,为验证方法的可行性,进一步搭建基于Simulink的故障诊断仿真模型,验证所提故障诊断方法的合理性。论文的主要研究如下:（1）分析随车起重机结构组成和液压系统工作原理,对变幅液压系统典型故障的机理进行研究,制定各故障的模拟与注入方案,利用AMESim软件建立故障仿真模型,从而验证所提出的故障模拟方案的可行性;（2）采用功率键合图建模方法,根据液压原理和各故障模拟方案,建立变幅液压系统有无故障的键合图模型,并建立各结点本构关系方程;（3）基于解析冗余理论的基本原理,提出与键合图相结合的基于模型的故障诊断方法,主要包括:残差生成、残差估计及故障诊断三个环节;（4）将基于模型的故障诊断方法应用到变幅液压系统换向阀卡死的故障诊断中。在Simulink中搭建故障诊断仿真模型,通过控制部分注入故障信息,故障诊断结果与注入信息的一致性,来验证故障诊断方法的合理性;（5）在随车起重机实验台上设计换向阀卡死故障实验,通过实验曲线与仿真曲线对比,验证故障诊断仿真模型的合理性,进一步验证故障诊断结果的可信度。
闻中翔[3]（2020）在《基于神经网络的阀控液压缸系统故障诊断》文中研究指明针对无法对阀控液压缸系统中的液压元件进行实时故障监测及诊断的问题。论文通过传感器采集系统信号并结合神经网络的方法,对液压缸不同类型的泄漏故障和双喷嘴挡板伺服伺早期单喷嘴堵塞故障进行实时故障诊断。论文主要研究如下:1、分析液压缸和双喷嘴挡板伺服阀的故障机理,设计了一种液压系统故障模拟方法,通过液压缸结构设计并外接元件方法实现液压缸不同程度的内、外泄漏故障模拟。通过传感器采集液压缸的压力信号及活塞杆位移信号,确定具有代表性的故障特征并提取相应的特征值作为故障样本后通过BP神经网络学习算法进行学习训练,并利用部分样本作为检测数据验证了其可行性。结果表明该BP神经网络能准确分别系统的内、外泄漏故障,达到故障诊断目的。2、运用液压机械系统建模仿真软件AMESim建立双喷嘴挡板伺服阀控对称液压缸位置伺服系统仿真模型,通过将仿真所得的液压缸内、外泄漏时对应活塞杆的位移曲线和液压缸左腔压力曲线与实验所得的对应曲线进行对比,发现随着故障程度的加剧,仿真和实验所得的曲线变化趋势基本相同,同时模拟了双喷嘴挡板伺服阀的单喷嘴堵塞故障,所得伺服阀在无输入信号状态下的状态参数与理论推导相吻合,验证了仿真模型的可靠性。3、利用表征学习的概念对双喷嘴挡板伺服阀早期单喷嘴堵塞故障进行诊断。设计一种神经网络来找到一种非线性映射关系,通过该神经网络将原始数据转换到另一个更容易分类的空间中。通过对数据点形成的数据簇的轮廓系数进行评估,表明数据点的聚类效果良好。通过BP神经网络分别对原始数据和新数据进行故障诊断,结果表明故障诊断的准确率大大提高。图52表9参74
杨阔[4]（2020）在《基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究》文中提出挖掘机液压系统在故障发生时具有隐蔽性强、非线性时变信号强、能量传递机理复杂等特点,尤其大多数故障的故障特征在前期表现较弱不易提取,若不能及时发现并解决故障,极易引发重大安全生产事故。因此对于挖掘机液压系统来讲,能够对其实现快速准确的诊断具有很大的研究意义。为了解决上述问题,作者根据本课题的研究方向,依托于校企合作项目“FW080全液压履带式挖掘机开发”（项目号FW/RD201717）,通过查阅大量国内外文献资料对挖掘机液压系统故障诊断技术进行了重点研究,分析了各种故障诊断技术的优缺点,对挖掘机液压系统各个回路中主要液压元件常见故障进行了总结,总结其故障发生时往往会导致其运行参数发生非正常变化,因此从运行参数的变化中能够提取有效的故障信息,从而提出了本文的故障诊断研究方案:将智能算法回归拟合预测思想应用于挖掘机液压系统的诊断之中,并与专家系统相结合的故障诊断方案。提出了基于极限学习机算法（ELM）回归拟合预测模型的诊断方法:首先根据正常状态下挖掘机液压系统的运行参数建立拟合预测模型,故障发生时,将故障状态的运行参数输入到所建立的预测模型中,得到预测模型输出的各个参数正常状态的预测值并于实际运行参数进行对比,通过对比二者残差统计量判别系统是否发生故障。为了进一步对预测模型输出残差统计量进行推理及解释,引入了专家系统诊断方法:首先将液压挖掘机液压系统目前的诊断推理流程、故障特征信息以及故障维修方案等知识以本体模型的形式构建了挖掘机液压系统故障诊断的专家系统知识库以及基于残差统计量的推理规则库,通过设置推理规则对故障进行推理解释;同时为实现将以往故障诊断知识的重复利用,提出了基于案例匹配的诊断方法,通过分析不同故障原因引发的不同参数变化及故障现象,将故障回路、故障现象及故障参数以案例特征信息的形式储存,构建故障诊断的案例库,通过特征选取、案例检索、案例匹配实现对故障快速确诊。并基于Visual Studio软件设计了一套实现上述的功能的系统,让用户及时知道挖掘机的故障部位、故障原因以及故障维修方法。在AMEsim系统仿真环境下,建立了实验样机液压系统的仿真模型,通过改变其液压元件物理参数,模拟多种故障实例,获得相应故障数据用以验证本文所提出挖掘机液压系统诊断方法的有效性,结果表明本文所述方案是合理有效的,同时本文所述方案也为其他工程车辆故障的诊断提供了一定的参考。
励文艳[5]（2020）在《轴向柱塞泵早期故障特征提取与模式识别方法研究》文中指出随着现代工业的迅速发展,液压泵作为液压系统的动力部件,在工程应用中发挥着不可替代的作用。轴向柱塞泵以其结构紧凑、工作压力高、容积效率高以及容易实现变量等优点而被广泛使用。柱塞泵在液压系统中负载最重且长时间高速运转,致其容易出现各种故障。轻则引起噪声增加、振动加剧,影响工作效率;重则危害人的生命安全、造成严重财产损失。因此对柱塞泵运行状态进行监测,实现其故障诊断,对保障高速运转柱塞泵正常、高效运行意义重大。柱塞泵内部结构复杂,故障类型多样,且同种类型不同程度的故障对泵产生不同程度的影响。尤其在故障的早期阶段,故障信号较为微弱,这些故障信号极易被强烈的背景噪声所淹没,不易察觉,导致故障特征提取和定位困难。针对上述问题,本论文以轴向柱塞泵为研究对象,运用合适的信号处理方法,以早期典型多故障诊断为出发点将不同程度故障诊断作为研究目标,在轴向柱塞泵振动信号中提取故障特征量,对轴向柱塞泵的早期典型多故障和不同程度故障的特征提取与模式识别方法做了深入的研究。论文主要从以下几个方面展开研究:（1）了解轴向柱塞泵内部结构和基本工作原理,分析其典型故障类型及故障振动机理,进而确定故障参量的采集方法。针对斜盘式轴向柱塞泵常见故障设计和搭建试验台,完成正常信号、松靴、柱塞磨损、配流盘磨损、不同程度的滑靴磨损故障信号的采集。（2）针对轴向柱塞泵结构复杂且早期故障易受噪声干扰的问题,本文提出了变分模态分解（Variational Mode Decomposition,VMD）、分位数排列熵（Quantile Permutation Entropy,QPE）和多分类支持向量机相结合的方法对几种典型故障（滑靴磨损、松靴、柱塞磨损和配流盘磨损故障）进行研究。首先将采集的振动信号进行VMD分解得若干固有模态分量（Intrinsic Mode Function,IMF）,根据相关系数法进行信号重构;然后计算各重构信号的QPE值作为特征向量;最后将提取的特征向量输入多分类支持向量机进行模式识别。并与其它方法进行对比分析,证明所提故障诊断方法的有效性。（3）针对轴向柱塞泵不同程度磨损的早期微弱故障诊断方法开展研究,其内容包括以下两个方面:1)针对轴向柱塞泵不同程度故障特征相近、难以识别的问题,提出基于局部S变换和ELM的故障诊断方法。采集正常状态和不同程度滑靴边缘磨损状态的振动信号进行局部S变换;然后对不同特征向量组进行定性和定量分析,选择提取S矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量;最后将特征向量输入ELM完成不同程度滑靴边缘磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法可以用较少的特征向量获得较高的模式识别效率。2)针对不同程度的早期微弱故障特征变化规律难以提取的问题,传统的信号处理方法难以满足需求,因此提出一种基于VMDF多尺度散布熵和ELM的柱塞泵早期故障诊断方法。在基于传统VMD基础之上,本文提出基于特征能量占比（Feature Energy Ratio,FER）的变分模态分解特征能量重构法（Variational Mode Decomposition Feature Energy Reconstruction,VMDF）实现信号重构;计算重构信号的多尺度散布熵（Multiscale Dispersion Entropy,MDE）,选择峰值尺度散布熵作为特征向量;最后将提取的特征向量输入ELM完成不同程度滑靴端面磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法既可以反映故障程度变化规律,又能获得较高的模式识别效率。
朱永新[6]（2020）在《基于改进支持向量机的航空发动机滑油系统故障诊断研究》文中进行了进一步梳理在航空发动机的故障中,滑油系统的故障占据了很大一部分,针对当前滑油系统的故障诊断数据匮乏、定性模糊、鲜有定量的特点,研究滑油系统的故障诊断,以方便获取故障数据,在故障时刻及时作出判断,或者在故障形成之前作出预测,对于保障航空发动机的安全运行具有很重要的意义。以某型航空发动机为研究对象,使用改进支持向量机实现了滑油系统的故障诊断。论文的具体研究内容如下:（1）研究了某型航空发动机滑油系统的构造,然后根据调研数据选取了滑油系统的四大典型故障,并对其故障成因进行了逐一分析。（2）根据故障的分析结果,建立了典型故障的贝叶斯网络模型。然后以滑油消耗量大这一故障为例,选用贝叶斯网络的精确推理算法——Hugin算法进行推理。最后结合三种部件重要度的评价方法,筛选出了故障成因中的重要基本事件。（3）因为航空发动机滑油供油系统与回油系统具有相似性,因此仅以供油系统为例,使用AMESim软件建立了供油系统的模型。然后将上文筛选出的重要基本事件在AMESim模型中进行故障仿真,得到了故障与故障特征参数之间的映射关系,即故障数据。（4）首先,使用支持向量机建立滑油系统的故障诊断模型。然后,提出了一种支持向量机在分类问题上的平均影响值计算方法——“平均距离计算法”。并将该方法用于故障数据的降维,并通过与主元分析法对比,证明了该方法的正确性。为了提升故障诊断的精确率,引入蚱蜢优化算法,优化支持向量机的惩罚因子C和高斯核参数g,使故障诊断模型的精度提升至97.5%。
雷亚飞[7]（2020）在《工业互联网+油动机液压系统状态监测与故障诊断研究》文中研究表明当前,大数据、云计算、工业互联网等新一代信息技术飞速发展,为设备状态监测与故障诊断研究提供了新理论和新技术。随着新型信息技术和传统液压技术融合发展,基于工业互联网平台开发油动机状态监测与故障诊断系统具有重要的理论意义和实际价值。因此,本文以油动机液压系统为研究对象,以挖掘状态监测数据中隐藏的故障信息为目标,采用工业互联网平台技术打通了信号采集、边缘数据处理、端云之间数据传输、海量数据弹性存储、故障诊断建模分析等信息通道,为油动机液压系统的状态监测与故障诊断系统提供了新理论、新技术和新方法。首先,依据信息物理系统（Cyber-Physical Systems,CPS）理论,设计了油动机状态监测与故障诊断系统的CPS六层功能架构,涵盖了从数据采集到数据分析的各项功能需求。并选取WISE-PaaS工业互联网平台为载体,构建了基于工业互联网平台的油动机状态监测与故障诊断系统的功能实现架构。其次,将油动机液压系统划分为正常调节和快关缓冲两个工作状态,分别进行建模分析。并在AMESim仿真平台上对电液伺服阀喷嘴与阻尼孔堵塞、油动机液压缸内泄漏、电磁阀电磁性能退化等故障进行仿真模拟,以探究状态监测与故障诊断所需的故障敏感数据源,为工业互联网的数据接入提供理论指导。再次,针对油动机在正常调节状态下易发生的液压缸内泄漏故障,基于支持向量数据描述（Support Vector Data Description,SVDD）单值分类法,利用液压缸两腔压力状态监测时域信号的最小值和最大值两个特征值构建液压缸内泄漏故障诊断的新模型,为在工业互联网上实现油动机液压缸内泄漏故障诊断提供模型。然后,针对油动机快关缓冲系统中的核心控制元件——快关电磁阀电磁性能退化故障,利用电磁阀出口压力信号进行故障诊断,研究基于主成分分析（Principal Component Analysis,PCA）降维与极限梯度提升树（eXtreme Gradient Boosting,XGBoost）分类算法相融合的电磁阀电磁性能退化故障诊断的新算法,为在工业互联上实现快关电磁阀故障诊断提供算法。最后,在WISE-PaaS工业互联网平台上为油动机新型试验样机开发状态监测与故障诊断系统,研制从信号采集、边缘特征提取,云端数据分析等功能模块,为“工业互联网+油动机液压系统状态监测与故障诊断”研究提供具体解决方案。本文研究成果不仅完成了基于工业互联网平台开发油动机状态监测与故障诊断系统的具体研究任务。还探索了“工业互联网+液压”实现途径,为传统液压技术与工业互联网信息技术融合提供了应用范例。
李时奇[8]（2020）在《基于卷积神经网络的飞机液压系统故障诊断算法研究》文中研究说明液压系统直接决定飞机的飞行性能和飞行安全,一旦发生故障,严重时可能会造成机毁人亡的惨剧。传统飞机液压系统故障诊断方法过度依赖人工经验。现有的一些智能故障诊断方法需要用较为复杂的信号处理方法对故障特征进行提取和分析,对相关专业技术要求较高且不能保证通用性。随着大数据技术的发展和计算机计算能力的提高,以卷积神经网络（Convolutional Neural Networks,CNN）为代表的深度学习模型近年来发展迅速。CNN具有较强的学习能力,且其卷积层和池化层结构本身就具备抽象特征提取的功能,在故障诊断领域有巨大的应用前景。因此,本文以飞机液压系统为对象,针对现有故障诊断算法存在的问题,研究了卷积神经网络在飞机液压系统故障诊断上的应用。主要研究内容如下:（1）对某型飞机液压系统进行了AMESim仿真,并选取了飞机液压系统中几种常见的故障类型进行了故障植入。通过提取不同位置多个传感器的压力和流量曲线从而构建了飞机液压系统故障诊断数据集。后续算法均在该数据集上训练以及测试。（2）为实现CNN对一维时间序列信号的处理以及多传感器融合,首先提出了1DMCCNN模型。该模型使用一维卷积和一维池化操作处理一维压力和流量时间序列,并将多传感器数据作为CNN多通道数据从而实现多传感器融合。为了更有效的融合压力和流量信号,提出1DFFCNN模型。该模型用不同的卷积层和池化层分别对压力和流量信号进行特征提取,融合特征后再连接相同的网络结构从而实现故障诊断分类。结果表明,这两种算法准确率远高于现有算法;1DFFCNN的网络结构有不错的效果提升。（3）针对卷积神经网络训练时间较长的问题,提出了基于改进CNN特征提取及模型融合的飞机液压系统故障诊断算法。相比于传统CNN特征提取使用全部数据训练CNN,改进CNN特征提取只用少量数据训练CNN,再将全部数据输入训练好的CNN进行特征提取。这里的CNN选用1DFFCNN。然后分别使用多种经典的机器学习模型在提取出的特征上进行训练。最后用Stacking技术进行融合这些模型。结果表明,该算法在提高准确率的同时能大幅减少训练时间。（4）为了研究算法的可解释性并进一步提高故障诊断准确率,提出了基于多级注意力机制的CNN-LSTM网络的飞机液压系统故障诊断算法。该算法将1DFFCNN与LSTM相结合,同时加入了两级注意力机制来让其学习到重点信息。结果表明,该算法能进一步提升故障诊断的准确率;两级注意力机制能够在一定程度上解释算法是否学习到了有效信息。
肖鹏飞[9]（2020）在《基于数据驱动的SPMT状态监测与故障诊断研究》文中指出自行式模块运输车因为其载重量大、使用灵活以及稳定性高的优点,被广泛应用于各种大型的重载运输场合。本文针对自行式模块运输车使用过程中存在的安全和故障维护等问题,对运输车的状态监测和故障诊断系统进行了研究。首先以某型号的自行式模块运输车为对象,介绍了运输车的基本组成、功能和应用特点,并对其主要组成部分,行走驱动系统、悬挂系统和转向系统各自的结构、液压系统以及工作原理做了较详细的分析。在现有的监控系统的基础上,提出了包含基本参数监测、安全状态监测和故障状态监测三方面的状态监测系统方案,并完成了对系统中的基本参数监测和安全状态监测的实现过程的研究,以及运输车的故障状态的初步分析。然后重点对系统的故障诊断方法进行研究以实现其故障状态监测,限于篇幅限制,故障诊断方法研究仅以悬挂液压系统为对象。为此先在AMESim仿真软件建立了悬挂液压系统的完整模型,对悬挂系统的正常工况和故障工况进行了仿真,并初步分析不同类型、不同程度的液压元件故障对系统性能的影响,为后续的故障诊断提供依据和数据来源。最后本文在对现有的各种液压故障诊断方法的介绍和对比的基础上,结合系统本身的特点,设计了基于小波包分析和多分类支持向量机的故障诊断方案。该方案对采集的流量信号样本,进行小波包分析并提取子信号的能量谱,结合仿真分析的结果和对比实验,为各类故障选取合适的特征;通过对支持向量机方法的分析和对比,设计了一种基于二叉树的多分类支持向量机的故障识别方案,将从仿真模型中获取的样本数据做上述小波包分析处理后,对支持向量机模型进行训练和测试,并使用改进的网格搜索法对模型参数进行优化,最终取得了较好的分类性能,实现了以悬挂液压系统为对象的故障诊断。至此,本文完成了自行式模块运输车的状态监测系统中的主要研究工作。
唐敏,宋云艳[10]（2019）在《基于专家系统和稀疏编码的农机液压系统故障诊断》文中研究指明针对农业机械液压系统故障诊断问题,提出一种基于专家系统和稀疏编码的故障诊断模型。分析农业机械液压系统的元件故障和系统故障,构建故障诊断专家系统,并设计适合于农业机械液压系统故障诊断的知识库和推理机。为进一步提高故障诊断专家系统的诊断准确性,设计基于稀疏编码的故障诊断,将稀疏编码故障诊断结果与专家系统进行融合,提高诊断准确性。试验结果表明,农机液压系统故障诊断专家系统准确性可达85%以上,经过稀疏编码融合后,故障诊断准确率可以提升至91%以上。该模型符合故障诊断要求,为农机液压系统的故障诊断提出新的思路。
二、液压故障诊断专家系统研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、液压故障诊断专家系统研究（论文提纲范文）
（2）随车起重机变幅液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 随车起重机技术与发展 |
| 1.1.1 随车起重机简介 |
| 1.1.2 随车起重机发展状况 |
| 1.2 故障诊断技术的发展 |
| 1.2.1 故障诊断方法 |
| 1.2.2 故障诊断方法研究现状 |
| 1.3 本文研究工作主要内容 |
| 1.3.1 选题背景与意义 |
| 1.3.2 工作内容 |
| 1.4 本文组织结构 |
| 2 变幅液压系统故障分析与故障模拟 |
| 2.1 随车起重机液压系统介绍 |
| 2.1.1 随车起重机介绍 |
| 2.1.2 液压系统工作原理 |
| 2.2 液压系统故障分类与特点 |
| 2.3 变幅液压系统故障分析与模拟 |
| 2.3.1 液压缸的故障分析及模拟 |
| 2.3.2 液压泵的故障分析及模拟 |
| 2.3.3 换向阀的故障分析及模拟 |
| 2.3.4 溢流阀与过滤器的故障分析及模拟 |
| 2.4 基于AMESim的液压系统故障仿真 |
| 2.4.1 AMESim液压系统建模 |
| 2.4.2 液压系统故障注入与模拟 |
| 2.4.3 仿真结果分析 |
| 2.5 本章小结 |
| 3 基于功率键合图的液压系统建模 |
| 3.1 功率键合图建模方法 |
| 3.2 液压元件功率键合图 |
| 3.3 变幅液压系统功率键合图模型 |
| 3.3.1 系统无故障建模 |
| 3.3.2 系统多故障建模 |
| 3.4 变幅液压系统多模式故障 |
| 3.5 本章小结 |
| 4 基于模型的液压系统故障诊断方法 |
| 4.1 解析冗余关系理论 |
| 4.2 残差与阀值计算 |
| 4.2.1 残差计算 |
| 4.2.2 阀值计算 |
| 4.2.3 故障隔离与故障特征矩阵 |
| 4.3 故障诊断 |
| 4.4 本章小结 |
| 5 案例分析与实验验证 |
| 5.1 换向阀卡死故障诊断 |
| 5.2 实验验证 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于神经网络的阀控液压缸系统故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 故障诊断理论及技术的发展 |
| 1.3 液压系统故障诊断国内外研究现状及分析 |
| 1.3.1 液压系统故障诊断国外研究动态 |
| 1.3.2 液压系统故障诊断国内研究动态 |
| 1.4 液压系统故障介绍 |
| 1.4.1 液压系统介绍 |
| 1.4.2 液压系统故障特性 |
| 1.5 主要研究内容 |
| 2 液压系统故障研究 |
| 2.1 液压缸故障机理分析 |
| 2.2 双喷嘴挡板伺服阀故障机理分析 |
| 2.3 液压系统常用故障诊断方法 |
| 2.3.1 基于模型的液压系统故障诊断方法 |
| 2.3.2 基于信号处理的液压系统故障诊断方法 |
| 2.3.3 基于人工智能的液压系统故障诊断方法 |
| 2.4 本章小结 |
| 3 基于神经网络的液压缸泄漏故障诊断 |
| 3.1 人工神经元模型 |
| 3.2 BP神经网络算法 |
| 3.2.1 信号的前向传递 |
| 3.2.2 误差的反向传播 |
| 3.3 阀控液压缸位置伺服系统油路搭建及故障模拟 |
| 3.3.1 阀控液压缸位置伺服系统简介 |
| 3.3.2 阀控液压缸位置伺服系统油路搭建及故障模拟 |
| 3.4 基于神经网络的液压缸泄漏故障诊断 |
| 3.4.1 故障样本提取 |
| 3.4.2 BP神经网络参数设计 |
| 3.4.3 BP神经网络训练与诊断结果 |
| 3.5 本章小结 |
| 4 基于AMESim的阀控液压缸系统建模及故障仿真 |
| 4.1 阀控液压缸位置伺服系统建模 |
| 4.1.1 力矩马达仿真模型 |
| 4.1.2 衔铁挡板组件仿真模型 |
| 4.1.3 功率级滑阀仿真模型 |
| 4.1.4 液压缸泄漏故障注入仿真模型 |
| 4.2 液压缸泄漏故障仿真 |
| 4.2.1 液压缸内泄漏故障仿真 |
| 4.2.2 液压缸外泄漏仿真 |
| 4.3 双喷嘴挡板伺服阀喷嘴堵塞故障仿真 |
| 4.3.1 双喷嘴挡板伺服阀单喷嘴堵塞故障分析 |
| 4.3.2 双喷嘴挡板伺服阀单喷嘴堵塞故障仿真 |
| 4.4 本章小结 |
| 5 双喷嘴挡板伺服阀早期堵塞故障诊断 |
| 5.1 双喷嘴挡板伺服阀单喷嘴堵塞故障特征提取 |
| 5.2 故障诊断方法 |
| 5.2.1 非线性映射 |
| 5.2.2 双层神经网络 |
| 5.2.3 梯度上升算法 |
| 5.3 诊断结果与讨论 |
| 5.4 本章小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
| 一、作者简介 |
| 二、读研期间主要科研成果 |
| 论文 |
| 专利 |
（4）基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究（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 液压系统故障诊断技术概述 |
| 1.2.1 故障诊断概述 |
| 1.2.2 液压系统故障诊断技术发展历程 |
| 1.3 挖掘机液压系统故障诊断研究现状及发展趋势 |
| 1.3.1 挖掘机液压系统故障诊断技术研究现状 |
| 1.3.2 挖掘机液压系统故障诊断技术发展趋势 |
| 1.4 本文研究内容 |
| 第2章 故障诊断系统设计方案 |
| 2.1 挖掘机液压系统作业特点及组成 |
| 2.1.1 挖掘机液压系统作业特点 |
| 2.1.2 挖掘机液压系统组成 |
| 2.2 挖掘机液压系统故障分析 |
| 2.2.1 挖掘机液压系统常见故障 |
| 2.2.2 挖掘机液压系统故障规律 |
| 2.3 挖掘机液压系统故障诊断研究策略 |
| 2.3.1 挖掘机液压系统故障诊断策略 |
| 2.3.2 挖掘机液压系统故障诊断理论方法 |
| 2.3.3 挖掘机液压系统故障诊断系统整体框架 |
| 2.4 本章小结 |
| 第3章 挖掘机液压系统仿真模型建立 |
| 3.1 挖掘机液压系统主要元件分析建模 |
| 3.1.1 恒功率变量泵分析与仿真模型 |
| 3.1.2 主控阀分析与仿真模型 |
| 3.1.3 回转马达分析与仿真模型 |
| 3.1.4 行走马达分析与仿真模型 |
| 3.1.5 挖掘机液压系统模型及仿真分析 |
| 3.2 挖掘机液压系统故障数据采集系统设计 |
| 3.3 挖掘机液压系统仿真模型实验验证 |
| 3.4 本章小结 |
| 第4章 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.1 拟合预测思想概述 |
| 4.2 基于ELM极限学习机算法的拟合预测模型 |
| 4.2.1 ELM极限学习机算法应用 |
| 4.2.2 极限学习机算法拟合预测模型模型建立 |
| 4.2.3 性能分析 |
| 4.2.4 算法对比 |
| 4.3 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.3.1 基于预测模型的故障判定方法 |
| 4.3.2 挖掘机液压系统故障诊断预测模型 |
| 4.3.3 基于预测模型的挖掘机液压系统故障诊断方法 |
| 4.4 基于模型预测故障诊断方法验证 |
| 4.4.1 建立预测模型及设置检测阈值 |
| 4.4.2 挖掘机液压系统故障设置 |
| 4.4.3 基于预测模型的故障诊断方法检验 |
| 4.5 本章小结 |
| 第5章 基于预测模型与专家系统故障诊断方法研究 |
| 5.1 预测模型与专家系统故障诊断总体方案设计 |
| 5.2 基于规则推理的故障诊断方法研究 |
| 5.2.1 基于规则推理的诊断方法概述 |
| 5.2.2 挖掘机液压系统故障诊断专家系统知识库 |
| 5.2.3 故障诊断规则的建立 |
| 5.2.4 基于规则推理的诊断过程 |
| 5.3 基于案件匹配的挖掘机液压系统故障诊断研究 |
| 5.3.1 基于案例匹配的挖掘机液压系统故障诊断方法 |
| 5.3.2 特征选取与案例检索 |
| 5.3.3 案例匹配相似度计算 |
| 5.3.4 基于案例匹配方法验证 |
| 5.4 挖掘机液压系统故障诊断系统实现与验证 |
| 5.4.1 故障诊断系统实现 |
| 5.4.2 故障设置 |
| 5.4.3 总体诊断系统验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（5）轴向柱塞泵早期故障特征提取与模式识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于信号处理的诊断方法 |
| 1.2.2 基于人工智能的诊断方法 |
| 1.3 本文主要研究内容 |
| 1.3.1 研究路径 |
| 1.3.2 主要研究内容 |
| 第二章 轴向柱塞泵故障机理分析与故障参量选择 |
| 2.1 轴向柱塞泵内部结构及工作原理 |
| 2.2 轴向柱塞泵故障振动机理分析 |
| 2.2.1 轴向柱塞泵机械振动机理分析 |
| 2.2.2 轴向柱塞泵流体振动机理分析 |
| 2.3 轴向柱塞泵典型故障类型及振动传递路径 |
| 2.3.1 轴向柱塞泵典型故障类型 |
| 2.3.2 轴向柱塞泵振动传递路径 |
| 2.4 轴向柱塞泵故障参量选择 |
| 2.5 本章小结 |
| 第三章 轴向柱塞泵故障特征提取与模式识别方法模型建立 |
| 3.1 信号预处理及特征提取算法介绍 |
| 3.1.1 S变换与希尔伯特变换 |
| 3.1.2 变分模态分解 |
| 3.1.3 分位数排列熵 |
| 3.1.4 多尺度散布熵 |
| 3.2 模式识别算法介绍 |
| 3.2.1 支持向量机 |
| 3.2.2 极限学习机 |
| 3.3 基于VMD分位数排列熵和多分类SVM的故障诊断方法 |
| 3.3.1 前言 |
| 3.3.2 数学模型建立 |
| 3.4 基于局部S变换和极限学习机的故障诊断方法 |
| 3.4.1 前言 |
| 3.4.2 数学模型建立 |
| 3.5 基于VMDF多尺度散布熵和极限学习机的故障诊断方法 |
| 3.5.1 前言 |
| 3.5.2 数学模型建立 |
| 3.6 本章小结 |
| 第四章 轴向柱塞泵试验台搭建及早期典型多故障诊断方法研究 |
| 4.1 轴向柱塞泵故障实验平台的搭建 |
| 4.1.1 实验平台系统原理及设备选择 |
| 4.1.2 传感器安装位置及方向 |
| 4.1.3 故障实验台的搭建 |
| 4.2 基于VMD分位数排列熵和多分类SVM的轴向柱塞泵早期典型多故障诊断方法研究 |
| 4.2.1 信号采集 |
| 4.2.2 信号VMD分解和重构 |
| 4.2.3 特征提取与结果分析 |
| 4.2.4 模式识别与结果分析 |
| 4.2.5 结论 |
| 4.3 本章小结 |
| 第五章 轴向柱塞泵不同程度早期磨损故障诊断方法研究 |
| 5.1 基于局部S变换和ELM的轴向柱塞泵磨损故障诊断方法研究 |
| 5.1.1 信号采集 |
| 5.1.2 特征提取与结果分析 |
| 5.1.3 模式识别与结果分析 |
| 5.1.4 结论 |
| 5.2 基于VMDF多尺度散布熵和ELM的轴向柱塞泵早期磨损故障诊断方法研究 |
| 5.2.1 信号采集 |
| 5.2.2 信号VMDF分解和重构 |
| 5.2.3 特征提取及结果分析 |
| 5.2.4 模式识别及结果分析 |
| 5.2.5 结论 |
| 5.3 本章小节 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表成果 |
| 致谢 |
（6）基于改进支持向量机的航空发动机滑油系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 航空发动机滑油系统的构造与典型故障分析 |
| 2.1 引言 |
| 2.2 滑油系统的组成 |
| 2.2.1 滑油系统的部件 |
| 2.2.2 滑油系统的子系统 |
| 2.3 滑油系统的典型故障分析 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯网络的滑油系统重要基本事件的确定 |
| 3.1 引言 |
| 3.2 贝叶斯网络理论 |
| 3.2.1 贝叶斯网络的概率基础 |
| 3.2.2 贝叶斯网络的组成 |
| 3.2.3 贝叶斯网络的推理 |
| 3.3 基于贝叶斯网络的典型故障的重要基本事件的确定 |
| 3.3.1 滑油系统典型故障的贝叶斯网络 |
| 3.3.2 贝叶斯网络的求解 |
| 3.3.3 重要基本事件的确定 |
| 3.4 本章小结 |
| 第四章 基于AMESim模型的重要基本事件的故障特征参数获取 |
| 4.1 引言 |
| 4.2 滑油系统部件的数学建模 |
| 4.3 供油系统的AMESim建模 |
| 4.3.1 模型的简化处理 |
| 4.3.2 边界条件的设置 |
| 4.3.3 供油系统的AMESim模型及验证 |
| 4.4 故障特征参数的获取 |
| 4.4.1 故障的模拟 |
| 4.4.2 故障数据的获取 |
| 4.5 本章小结 |
| 第五章 基于支持向量机的航空发动机滑油系统故障诊断 |
| 5.1 引言 |
| 5.2 支持向量机的基本理论 |
| 5.2.1 最优分类超平面 |
| 5.2.2 核函数 |
| 5.3 基于支持向量机的平均影响值的故障数据降维 |
| 5.3.1 一种新的基于支持向量机的平均影响值的计算方法 |
| 5.3.2 计算方法在多分类问题情况下的推广 |
| 5.4 蚱蜢优化算法对支持向量机参数的优化 |
| 5.5 基于改进支持向量机的航空发动机滑油系统故障诊断 |
| 5.5.1 支持向量机的子分类器选择 |
| 5.5.2 滑油系统故障数据的降维处理 |
| 5.5.3 基于蚱蜢优化算法的参数寻优 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 创新点 |
| 6.3 对未来的展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）工业互联网+油动机液压系统状态监测与故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究目的和意义 |
| 1.2 油动机及电液伺服系统国内外研究现状及分析 |
| 1.2.1 油动机及汽轮机系统故障诊断研究现状及分析 |
| 1.2.2 电液伺服系统故障诊断研究现状及分析 |
| 1.2.3 液压阀的故障诊断研究现状及分析 |
| 1.2.4 液压缸的故障诊断研究现状及分析 |
| 1.3 CPS系统与工业互联网的研究现状及应用分析 |
| 1.3.1 CPS系统的研究现状及其应用分析 |
| 1.3.2 工业互联网研究现状及其应用分析 |
| 1.3.3 工业大数据挖掘算法的研究现状及分析 |
| 1.4 本文主要研究内容 |
| 第2章 油动机状态监测与故障诊断系统CPS功能架构 |
| 2.1 引言 |
| 2.2 油动机状态监测与故障诊断系统CPS功能架构设计 |
| 2.2.1 CPS功能架构概述 |
| 2.2.2 CPS五层功能架构 |
| 2.2.3 CPS三个层级特征 |
| 2.2.4 油动机CPS六层功能架构设计 |
| 2.3 基于工业互联网平台的油动机CPS功能实现架构设计 |
| 2.3.1 工业互联网平台标准功能架构 |
| 2.3.2 工业互联网平台的关键支撑技术 |
| 2.3.3 基于WISE-Paa S平台的油动机CPS功能实现架构 |
| 2.4 小结 |
| 第3章 油动机电液伺服系统建模仿真分析 |
| 3.1 引言 |
| 3.2 油动机电液伺服系统概述 |
| 3.2.1 油动机在汽轮机系统中的功能作用 |
| 3.2.2 油动机电液伺服系统工作原理 |
| 3.3 油动机正常调节状态建模分析 |
| 3.3.1 永磁力矩马达工作原理 |
| 3.3.2 衔铁喷嘴挡板组件运动分析 |
| 3.3.3 电液伺服阀阀芯受力分析 |
| 3.3.4 油动机活塞运动分析 |
| 3.4 油动机快关缓冲系统建模分析 |
| 3.4.1 油动机快关缓冲过程分析 |
| 3.4.2 初期短孔节流阶段分析 |
| 3.4.3 中期薄壁孔节流阶段分析 |
| 3.4.4 末期环形缝隙节流阶段分析 |
| 3.5 油动机电液伺服系统仿真及常见故障类型仿真分析 |
| 3.5.1 基于AMESim的油动机电液伺服系统仿真 |
| 3.5.2 油动机正常调节状态的故障类型仿真分析 |
| 3.5.3 油动机快关缓冲状态的故障类型仿真分析 |
| 3.6 本章小结 |
| 第4章 基于SVDD的油动机液压缸内泄漏故障诊断模型研究 |
| 4.1 引言 |
| 4.2 支持向量数据描述理论 |
| 4.2.1 支持向量机理论 |
| 4.2.2 单值分类概述 |
| 4.2.3 SVDD原理 |
| 4.3 油动机液压缸内泄漏故障模拟试验与信号采集 |
| 4.3.1 电液伺服系统故障模拟试验台概述 |
| 4.3.2 油动机液压缸内泄故障模拟试验方案 |
| 4.3.3 油动机液压缸内泄故障模拟与信号采集 |
| 4.4 基于SVDD构建油动机液压缸内泄漏故障诊断模型 |
| 4.4.1 信号滤波预处理 |
| 4.4.2 时域信号特征提取 |
| 4.4.3 基于SVDD的液压缸内泄漏故障诊断流程 |
| 4.4.4 利用多个特征值构建SVDD内泄漏故障诊断模型 |
| 4.4.5 利用单个特征值构建SVDD内泄漏故障诊断模型 |
| 4.4.6 利用两个特征值构建SVDD内泄漏故障诊断模型 |
| 4.5 本章小结 |
| 第5章 基于XGBoost的油动机快关电磁阀故障诊断算法研究 |
| 5.1 引言 |
| 5.2 XGBoost算法基本原理 |
| 5.2.1 CART回归决策树 |
| 5.2.2 Boosting算法与GBDT算法原理 |
| 5.2.3 XGBoost算法原理 |
| 5.3 快关电磁阀故障模拟试验与信号采集 |
| 5.3.1 油动机快关电磁阀组工作原理 |
| 5.3.2 油动机快关电磁阀故障模拟试验方案 |
| 5.3.3 电磁阀电磁性能退化故障模拟与信号采集 |
| 5.3.4 构建电磁阀电磁性能退化故障诊断数据样本 |
| 5.4 基于PCA降维与XGBoot算法相结合的故障诊断算法 |
| 5.4.1 PCA降维原理 |
| 5.4.2 数据样本降维 |
| 5.4.3 基于PCA降维与XGBoost算法故障诊断建模与评估 |
| 5.4.4 与CART和 GBDT算法建模对比分析 |
| 5.5 本章小结 |
| 第6章 基于WISE-Paa S油动机状态监测与故障诊断系统开发 |
| 6.1 引言 |
| 6.2 油动机数据测点布置层设计 |
| 6.2.1 油动机缸体结构 |
| 6.2.2 油动机数据采集测量点布置 |
| 6.2.3 油动机关键元件与传感器选型 |
| 6.3 油动机数据采集连接层搭建 |
| 6.3.1 油动机信号采集硬件系统设计 |
| 6.3.2 信号采集板卡选型 |
| 6.3.3 数据传输总线技术 |
| 6.4 油动机边缘侧数据处理层开发 |
| 6.4.1 边缘侧油动机状态监测系统开发 |
| 6.4.2 边缘侧与云端和设备端之间数据通讯 |
| 6.5 油动机云平台数据挖掘层云服务功能开发 |
| 6.5.1 人工智能服务架构AFS云服务 |
| 6.5.2 数据可视化Visualization云服务 |
| 6.5.3 设备性能管理APM云服务 |
| 6.5.4 基于AFS云服务的油动机故障诊断模型迁移部署 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）基于卷积神经网络的飞机液压系统故障诊断算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 飞机液压系统故障诊断研究现状和发展趋势 |
| 1.2.1 飞机液压系统故障诊断研究现状 |
| 1.2.2 飞机液压系统故障诊断发展趋势 |
| 1.3 卷积神经网络 |
| 1.3.1 卷积神经网络研究现状 |
| 1.3.2 卷积神经网络在故障诊断方面的应用 |
| 1.4 本课题主要研究内容 |
| 第二章 飞机液压系统建模与故障仿真 |
| 2.1 某型飞机液压系统AMESim建模 |
| 2.2 某型飞机液压系统AMESim故障仿真 |
| 2.2.1 液压泵内泄漏AMESim故障仿真 |
| 2.2.2 油滤堵塞AMESim故障仿真 |
| 2.2.3 作动筒内泄漏AMESim故障仿真 |
| 2.2.4 伺服阀堵塞AMESim故障仿真 |
| 2.2.5 液压油污染AMESim故障仿真 |
| 2.3 故障诊断数据集生成 |
| 2.4 本章小结 |
| 第三章 基于CNN作为分类器的飞机液压系统故障诊断 |
| 3.1 卷积神经网络原理 |
| 3.1.1 卷积神经网络基本结构 |
| 3.1.2 误差反向传播 |
| 3.2 一维多通道卷积神经网络 |
| 3.2.1 一维卷积以及多通道叠加 |
| 3.2.2 传感器做差数据增强 |
| 3.2.3 一维多通道卷积神经网络结构设计 |
| 3.3 一维特征融合卷积神经网络 |
| 3.3.1 特征融合分析 |
| 3.3.2 特征融合位置以及方式 |
| 3.3.3 一维特征融合卷积神经网络结构设计 |
| 3.4 试验结果与分析 |
| 3.4.1 试验参数设置及优化 |
| 3.4.2 故障诊断试验结果 |
| 3.4.3 特征融合位置与方式影响分析 |
| 3.5 本章小结 |
| 第四章 基于改进CNN特征提取及模型融合的飞机液压系统故障诊断 |
| 4.1 改进CNN特征提取 |
| 4.2 多模型融合 |
| 4.2.1 经典机器学习模型 |
| 4.2.2 Stacking模型融合技术 |
| 4.3 改进CNN特征提取及模型融合原理与分析 |
| 4.4 试验结果与分析 |
| 4.4.1 故障诊断试验结果对比 |
| 4.4.2 CNN特征提取效果分析 |
| 4.4.3 算法参数选优分析 |
| 4.5 本章小结 |
| 第五章 基于多级注意力机制的CNN-LSTM网络的飞机液压系统故障诊断 |
| 5.1 算法原理 |
| 5.1.1 CNN-LSTM原理与结构 |
| 5.1.2 注意力机制原理 |
| 5.2 基于多级注意力机制的CNN-LSTM网络 |
| 5.2.1 基于多级注意力机制的CNN-LSTM网络结构设计 |
| 5.2.2 多级注意力机制的可解释性分析 |
| 5.3 试验结果与分析 |
| 5.3.1 故障诊断试验结果 |
| 5.3.2 网络结构以及算法参数选优分析 |
| 5.3.3 多级注意力机制可解释性效果分析 |
| 5.4 算法结果对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）基于数据驱动的SPMT状态监测与故障诊断研究（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 SPMT的发展和状态监测及故障诊断分析方法 |
| 1.2.1 自行式模块运输车国内外发展现状 |
| 1.2.2 在线监测技术国内外研究现状 |
| 1.2.3 液压故障诊断技术国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 SPMT状态监测系统分析 |
| 2.1 自行式模块运输车 |
| 2.1.1 自行式模块运输车简介 |
| 2.1.2 行走系统 |
| 2.1.3 悬挂系统 |
| 2.1.4 转向系统 |
| 2.2 状态监测系统 |
| 2.2.1 状态监测系统方案设计 |
| 2.2.2 基本参数与安全状态监测 |
| 2.2.3 故障状态分析及监测 |
| 2.3 小结 |
| 第3章 基于AMESim的悬挂液压系统建模及故障仿真 |
| 3.1 悬挂液压系统AMESim建模与仿真 |
| 3.1.1 负载敏感变量泵建模 |
| 3.1.2 电液比例换向阀建模 |
| 3.1.3 防爆阀建模 |
| 3.1.4 柱塞缸建模 |
| 3.1.5 悬挂液压系统仿真 |
| 3.2 悬挂液压系统故障仿真 |
| 3.2.1 悬挂液压系统故障分析 |
| 3.2.2 液压缸泄漏仿真 |
| 3.2.3 负载敏感阀及定差减压阀故障仿真 |
| 3.2.4 变量柱塞泵故障仿真 |
| 3.3 小结 |
| 第4章 基于小波包分析与多分类SVM的故障诊断研究 |
| 4.1 故障诊断方案设计 |
| 4.1.1 液压故障诊断技术 |
| 4.1.2 故障诊断方案设计 |
| 4.2 基于小波包分析的故障特征提取 |
| 4.2.1 小波包分析 |
| 4.2.2 流量信号分解 |
| 4.2.3 故障特征提取 |
| 4.3 基于多分类支持向量机的故障分类 |
| 4.3.1 多分类支持向量机 |
| 4.3.2 基于二叉树多分类SVM的故障诊断方法 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
（10）基于专家系统和稀疏编码的农机液压系统故障诊断（论文提纲范文）
| 0 引言 |
| 1 农机液压系统故障分析 |
| 1.1 元件故障 |
| 1.2 系统故障 |
| 2 故障诊断专家系统构建 |
| 2.1 基本结构 |
| 2.2 知识库实现 |
| 1) 知识表示。 |
| 2) 知识库组成。 |
| 3) 知识管理。 |
| 2.3 推理机实现 |
| 1) 策略控制。 |
| 2) 推理规则。 |
| 2.4 系统开发与实现 |
| 3 稀疏编码故障诊断 |
| 3.1 基于K-SVD的字典学习 |
| 3.2 基于正交匹配追踪的稀疏求解 |
| 3.3 系数编码故障诊断实现 |
| 4 试验与分析 |
| 5 结论 |
四、液压故障诊断专家系统研究（论文参考文献）
- [1]某装备吊机液压故障诊断专家系统设计[J]. 杨洁,宋新成,王崴,马占全. 火力与指挥控制, 2021(09)
- [2]随车起重机变幅液压系统故障诊断研究[D]. 魏苏杰. 大连理工大学, 2021(01)
- [3]基于神经网络的阀控液压缸系统故障诊断[D]. 闻中翔. 安徽理工大学, 2020
- [4]基于预测模型与专家系统的挖掘机液压系统故障诊断技术研究[D]. 杨阔. 吉林大学, 2020(08)
- [5]轴向柱塞泵早期故障特征提取与模式识别方法研究[D]. 励文艳. 太原理工大学, 2020(07)
- [6]基于改进支持向量机的航空发动机滑油系统故障诊断研究[D]. 朱永新. 中国民航大学, 2020(01)
- [7]工业互联网+油动机液压系统状态监测与故障诊断研究[D]. 雷亚飞. 燕山大学, 2020
- [8]基于卷积神经网络的飞机液压系统故障诊断算法研究[D]. 李时奇. 南京航空航天大学, 2020(07)
- [9]基于数据驱动的SPMT状态监测与故障诊断研究[D]. 肖鹏飞. 武汉理工大学, 2020(08)
- [10]基于专家系统和稀疏编码的农机液压系统故障诊断[J]. 唐敏,宋云艳. 中国农机化学报, 2019(12)