一、水电数字仿真在线融合故障诊断专家系统（论文文献综述）
武博翔[1]（2021）在《水轮机振动故障预测算法研究及应用》文中提出随着水资源利用率的提高,在我国,水电站的规模与装机容量也在不断攀升,水电机组的安全性也逐为重要。机组的故障会对人员设备造成危害,甚至造成严重的经济损失。因此,开展水轮机故障诊断、故障预测方面的研究有着重大意义。当前在故障诊断领域相关的研究多为目标设备当前的故障与状态,而对系统未来故障的预测则研究较少,在水电机组方面,由于水轮机故障样本的不足,对水轮机的故障预测更是少之又少,现存的故障诊断算法已无法满足实际工程需求。为了有针对性地维护机组,提高设备安全性,研究开发关于水轮机的故障预测方法已迫在眉睫。伴随着大数据云计算等智能技术的发展,故障预测技术具有重大研究意义,这不仅是水电机组逐渐智能化的体现,也是整个国家能源建设方面的发展方向。深度学习以其强大的时间序列预测能力以及可实时处理大数据海量样本的优势而引起关注。本文针对水轮机系统振动故障诊断存在精度低、难预测等问题,提出了一种基于深度学习LSTM长短期记忆网络结合DBN深度置信网络的水轮机系统故障预测方法,将小波包能量带与时频域指标信息结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障。具体内容包括:（1）阐明本课题的研究背景和意义,对当前的故障预测方法、与针对于水轮机的故障诊断研究现状进行了详细介绍。（2）水轮机设备的故障机理分析。详细介绍水轮机设备的基本结构、工作原理与故障特点,分别从水力、机械与电磁三个因素方面分析了水轮机振动故障类型。（3）振动故障信号的特征提取与分析。通过时频域分析法得到时频域特征,并基于小波分析与小波包分解理论,得到3层分解后的小波包能量谱,合并多种特征共同作为后文网络预测模型的特征向量输入。（4）基于LSTM-DBN的水轮机故障预测模型的建立。介绍了深度学习长短期记忆网络的结构与原理和深度神经网络的优化方法;并从数据预处理、模型参数设定、预测流程与框架等方面,建立了故障预测模型,为后文算法模型的验证作铺垫。（5）实例仿真研究与分析。进行工程仿真试验,并通过算法对比分析,显示了长短期记忆网络与深度置信网络的优势,为预测机组设备部件可能损坏的形式和程度累计统计资料,验证了本文所提出算法的有效性与工程实用性。
高志龙[2]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中认为柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
钱小毅[3]（2020）在《基于k近邻与规则挖掘的风电机组故障诊断研究》文中研究说明发展低碳经济、开发和利用可再生能源,已成为全球能源战略与可持续发展的核心问题。凭借技术手段成熟、商业化程度高、开发规模大等优势,风力发电已成为全球增长速度最快的绿色能源。在风电装机容量的急速增加的同时,也带来了产能过剩以及逐渐凸显的质量问题。在风电机组运行环境恶劣,优质风资源的逐渐减少,风电行业偏向“重制造,轻管理”的现状下,风电机组关键部件故障频频发生,对机组的运行效益甚至电网的安全运行造成了严重影响。本文针对上述背景现状,运用数据挖掘技术,开展基于数据驱动的风电机组故障诊断方法研究,以解决风电机组部分组件的运行状态特征挖掘、异常状态检测、故障识别与故障概率分析等问题,为风电机组故障诊断系统的研发提供理论基础。本论文具体研究工作如下:（1）针对风电机组监测信号之间存在耦合性与动态相关性的问题,提出了基于互信息的风电机组动态特征挖掘方法。通过即时特征与延时特征构造增广特征矩阵,根据特征之间的互信息累计度量建立风电机组监测信号的动态特征矩阵,将动态特征矩阵中的特征参量作为风电机组组件故障检测模型的输入。通过对比不同特征处理方式对风电机组故障检测性能的影响,验证所提特征挖掘方法的有效性。该方法兼顾特征之间的关联性与趋势性关系,同时降低无关特征对模型输出的影响,避免由于特征过多造成的模型计算复杂问题。（2）针对风电机组复杂运行工况下的故障检测问题,提出一种基于动态特征矩阵的加权k近邻故障检测方法。所提方法以k近邻故障检测方法为框架,利用在线样本近邻距离判断运行状态异常,降低了复杂工况对检测模型精度的影响。采用特征间的累计互信息度量实现特征加权,提高对异常状态的分离能力。为减少状态突变引起的误报与漏报现象,提出基于近邻样本的动态阈值设定方法,将给定置信水平下的阈值与近邻距离均值综合计算得到故障检测的动态阈值。将所提方法应用于FAST仿真模型和变桨系统真实故障数据,验证了所提方法的有效性。（3）针对风电机组故障挖掘问题,提出一种基于智能优化的模糊规则挖掘方法。所提方法结合模糊C均值聚类与启发式学习生成初始规则集合,以避免噪声样本对初始规则的影响。通过多种群量子编码和混合进化策略提高种群的多样性与全局搜索能力,并提出矛盾规则重构方法以针对性的处理低质量规则。在通过标准数据集验证所提规则挖掘方法的搜索能力与噪声容忍性之后,将所提方法与Relief F特征选择方法相结合,应用于风电机组的故障规则挖掘与故障类型识别中,验证了所提方法对风电机组故障知识挖掘的效果。（4）针对风电机组潜在故障分析问题,提出一种故障概率分析与异常变量回溯方法。所提方法采用近邻故障规则选择策略评估风电机组部分组件潜在故障程度,在此基础上分别通过潜在故障筛选、多规则竞争与概率计算获取潜在故障的综合概率排序。根据故障状态的近邻故障规则,通过变量筛选与模糊贡献评价等步骤识别关键异常变量。将所提方法应用于NREL-5MW风电机组故障根源分析,验证了所提方法的有效性。
王罗[4]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中提出近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
李佰霖[5]（2020）在《面向水电站设备检修的虚拟仿真及自动规划方法研究与实践》文中研究表明检修在维持水电站设备安全、稳定、高效运行中起到了重要的作用。设备检修质量依赖于检修工程师对检修任务的处理能力。设备检修数字化是提高检修人员设备检修综合能力的基础,为检修人员的知识学习、检修操作训练和现场检修辅助的支持提供更加便捷的途径。水电站设备检修是三维空间中进行的拆解零部件和处理的一系列过程性活动,进行标准化的可视化表达难度大;同时,由于人检修操作的不确定性,导致在虚拟环境中构建物理设备和系统的可视化仿真模型困难;且水电站设备零部件多,增加了计算机自动计算设备检修拆解序列的复杂度,限制了对设备检修自动支持的能力。因此,研究水电站设备检修数字化的关键技术、理论和方法,构建设备虚拟检修系统,对提升水电站设备维护水平具有重要工程应用价值。在水电站设备检修数字化中,传统的二维动画或者三维过程模拟方法,缺乏人机互动,制约了用户的主动参与,为此本文深入研究了交互检修仿真环境的构建方法;同时,为了提高检修自动支持能力,进一步开展了设备检修拆解序列自动规划问题研究,探索更优的拆解序列求解方法;另外,为了全面掌握设备及其组成系统的运行过程,开展了设备系统的多工况运行过程的可视化仿真研究。最后,在水电站设备检修数字化技术的基础上,开展了虚拟检修应用实践。论文的主要工作及创新性成果如下:（1）研究了设备虚拟检修的数字化方法。首先,针对水电站设备虚拟检修的要求,提出并建立了水电站设备虚拟检修的三维数字化框架,为水电站设备检修学习、培训、支持中的三维数字化确定了基本技术路线。其次,提出了从几何结构、约束关系、检修知识、检修任务、检修过程、检修记录等方面构建水电站设备检修数字信息化的方法。然后,提出了基于层次分析法和模糊综合评价方法,对人员的检修综合素质进行评价,从基础知识、操作熟练度和操作完成度三个方面建立了评价指标体系。最后,研究了设备虚拟检修数据管理方法,为开展设备检修的自动规划、三维可视化仿真和数字化服务奠定了基础。（2）针对检修人员主动参与学习的需求,在设备检修数字化的基础上,开展了交互式检修训练仿真环境的构建方法研究。首先,建立了实际检修操作中人、工具、零部件之间的作用关系模型,制定了从零部件逐步组建设备环境的策略。其次,提出了交互式虚拟元件的概念和构建方法,较好解决了包含复杂作用关系和操作过程的设备检修交互仿真环境的构建。该方法避免了复杂的分析,提高了仿真零部件的重复利用率。应用实例可知,只需要通过对13类零部件仿真即可实现对水轮机导轴承设备全部197个零部件交互仿真,验证了该方法的有效性。（3）为了实现水电站设备检修作业指导自动化,开展了水电站设备检修拆解序列规划问题研究。首先,根据设备的实际拆解过程,制定了分组规划的策略以降低规划计算复杂度。其次,明确目标拆解序列,在拆解序列评价的目标函数中引入空间移动代价。然后,提出了TBGA方法求解拆解序列,引入多团队竞争和更新机制到遗传算法中,提高全局寻优能力;采用优先保护交叉、多点启发变异和往返优化算子相结合的方式,强化局部寻优能力和速度,同时抑制算法陷入局部最优序列。试验结果表明提出的TBGA在拆解序列规划中,用了不到其它算法25%的时间得到了更优的拆解方案。（4）研究了典型设备系统的多运行工况的可视化仿真方法。提出了基于设备系统动态仿真模型和基于有限状态机模型驱动的水电站设备系统的多工况运行三维可视化仿真方法。研究了通用的动态仿真模型结构,实现了正常运行、任务执行、人为操作、设备故障等多种工况的综合。通过进水阀控制油系统的实例建模,在虚拟环境中实现了系统的正常运行、开关进水阀、人工启停设备、有泵效率下降和油路外漏等故障的可视化动态仿真,验证了提出的可视化仿真方法的有效性。（5）开展了服务于水电站的设备虚拟检修应用实践。对水电站设备虚拟检修系统结构、功能和数据组织进行了设计,并通过设备检修基础知识学习、检修技能交互训练、三维可视化的检修作业指导以及人员检修知识的考核,验证了本课题研究的可行性和实用性。
雷亚飞[6]（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》文中研究说明当前,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。
李灿[7]（2020）在《大型发电机组励磁系统故障诊断及预测技术研究》文中提出近年来,随着电网规模的不断扩大,电力系统运行设备的不断增加,系统运行的复杂性也随之增加,电力系统的安全稳定运行变得越来越重要。因此电力系统运行过程的状态监测技术和故障诊断技术越来越引起电网的重视。励磁系统是发电机的核心控制设备,直接关系到电力生产的安全可靠。对励磁控制系统仅实现基本的状态监测和安全保护功能是远远不够的,因此对大型发电机励磁控制系统运行状况进行实时监测和故障的快速诊断愈发显得必要和紧迫。论文就大型发电机组励磁系统故障诊断及预测技术进行了较为深入的研究。具体研究内容如下:对励磁系统典型故障进行了分析,研究了故障诊断方法,利用模型参考法构建励磁系统故障诊断器,对励磁调节器的参数设置错误进行故障诊断,实验结果表明该方法能够迅速准确的判断出励磁系统是否发生故障。此外,研究了基于快速傅里叶变换（FFT）的励磁系统故障诊断方法,利用MATLAB矩阵实验室搭建励磁功率单元模型,通过仿真实验模拟故障输出,对输出波形进行FFT分析,诊断出故障设备的位置。本文基于D5000平台设计了励磁系统故障诊断装置的软硬件模块,对系统的硬件电路和软件模块进行了详细介绍,分析了系统的算法流程和主要模块的设计思路,展示了人机界面的主要功能及运行实例,该装置为励磁系统故障诊断和预测功能的实现提供了技术支撑。实验结果表明,系统运行稳定,能够有效对励磁系统故障进行在线监测和诊断。针对模型参考法无法对故障设备进行精准定位这一缺陷,本文结合模型参考法和神经网络法,设计了励磁系统故障诊断器,以故障波形FFT的相位特征参数代替幅值特征参数作为神经网络的训练输入样本,实现了对单励磁功率单元的故障诊断。实验结果表明,改进后的智能诊断模型能够有效提高故障诊断的正确率。实际应用中的励磁控制系统大多采用多桥并联的功率单元电路,论文通过对双桥并联励磁功率单元的故障诊断,验证了该故障诊断器的有效性和准确性。最后,通过对晶闸管的老化失效分析,确定了晶闸管故障预测的特征参数,搭建了基于神经网络的故障预测模型,实现了对励磁系统故障的有效预测。
姜伟[8]（2019）在《水电机组混合智能故障诊断与状态趋势预测方法研究》文中研究指明随着我国能源结构改革进程的不断推进,大力开发水电能源对构建清洁低碳的能源体系、促进经济社会可持续发展具有重要战略意义。作为水电站能量转换过程的核心设备,水电机组正在向复杂化、巨型化、集成化和智能化的方向发展,其面临的安全可靠运行问题日益突出。“状态维护”概念的提出与应用,为有效降低机组异常或故障发生风险、提升其稳定运行水平提供了一种可行思路。状态监测、故障诊断和趋势预测是状态维护实施过程的三个关键环节。受水力、机械、电气及其他干扰因素的耦合影响,水电机组监测信号呈现明显的非线性和非平稳性特征,故障与征兆间存在复杂的映射关系,对此,传统方法已难以满足当前背景下准确分析机组运行状态的需求。因此,基于水电机组运行特性,研究新的状态分析理论与方法,对提高机组故障诊断与趋势预测精度、保障机组稳定运行具有重要的工程应用价值。为此,本文围绕工程应用中水电机组复杂非平稳信号降噪分析与特征提取、混合故障诊断以及状态趋势预测等关键技术问题,以快速集成经验模态分解、深度学习、流行学习、灰色马尔科夫模型等作为理论基础与技术手段,探究并改进现有方法中存在的理论或应用缺陷,设计提出了若干适用于水电机组非平稳信号分析及状态特征提取方法,发展了基于健康判别与特征约简的多步递进式故障诊断体系,构建了融合滑动窗与灰色马尔科夫理论的状态趋势预测模型,为相关领域研究范式的方法创新与技术进步提供了必要的理论基础,具有一定的研究推广前景与工程应用价值。论文主要研究内容及创新性成果如下:（1）针对能够有效表征水电机组实际运行状态的振动信号易淹没于强烈背景噪声的问题,提出了一种基于自适应奇异值分解（SVD）与固有模态函数（IMFs）重构的水电机组振动信号多级降噪方法。该方法系统融合了SVD和快速集成经验模态分解（FEEMD）在高频噪声抑制和信号自适应处理方面的优点,完成基于初级滤波和次级去噪的两阶段式信号降噪处理。在初级滤波阶段,首先对原始信号进行SVD分解,在深入分析有效奇异值序列对滤波性能影响的基础上,发展了基于相关分析的奇异值自适应选取方法,实现对高频背景噪声的有效滤除;在次级去噪阶段,依据FEEMD原理分解滤波后所得信号,结合所构建基于排列熵的IMFs选择体系,重构有效模态分量以完成信号降噪,显着提升降噪效果。（2）考虑到多源激励耦合干扰下机组运行状态与征兆间映射关系难以准确度量的问题,在统计分析原理及深度学习技术的基础上,研究提出了一种基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法。针对在线判别机组“正常”或“故障”状态的工程实际需求,深入分析了能量熵对于异常或故障发生时非线性振动信号动力学突变行为的表征作用,综合FEEMD对复杂非线性非平稳信号的高效处理优势,设计了基于FEEMD能量熵的水电机组健康状态特征提取方法,快速获取振动信号能量熵特征。进一步,针对故障模式准确识别的需求和单一能量熵特征不足以反映具体故障类型的问题,创造性地构建了一种用于提取故障特征的混合集成自编码器,有效克服了浅层特征学习模型的局限,提升了模型的特征提取能力及学习泛化性能。（3）为科学建立水电机组“正常”与“故障”状态的特征边界,引入数理统计理论,结合历史样本集与能量熵方法,构建了基于能量熵统计分析的机组健康状态在线判别体系,实时分析机组健康状态。进一步,为抑制机组高维故障特征空间存在的信息冗余、敏感特征易淹没等现象,创新性地设计了基于参数化线性映射模式的改进t-分布式随机领域嵌入（M-t SNE）特征约简方法,该方法在提升故障诊断精度、降低计算时耗方面具有显着优势。基于上述分析,为克服传统单步诊断模式在分析复杂故障工况面临的高复杂性、低精度等缺陷,首次提出了一种基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略,将整个诊断过程简化为健康状态检测和故障类型识别两个阶段,符合对机组进行智能诊断的工程实施思路。（4）围绕水电机组状态趋势预测的工程需求,在系统分析机组状态趋势可预测性的基础上,提出了一种基于滑动窗与灰色马尔科夫（Grey-Markov）模型的状态趋势预测方法。该方法完整集成了Grey-Markov预测模型、灰色背景值优化原理以及基于滑动窗的滚动预测机制,探索从模型构造、预测模式、残差修正等角度降低预测误差的方式,有效提升了预测结果的准确性。此外,针对工程应用中对不同预测时间尺度的需求,考虑模型的不同组合策略,创造性地构建了基于串联式、并联式和嵌入式组合机制的水电机组状态趋势混合预测模型,设计了对应的机组状态趋势组合预测流程,在保证预测精度的同时最大程度提升计算效率,为制定合理的机组维护计划提供相应指导。
陈小龙[9]（2019）在《证据驱动型火电机组状态预警方法及其应用研究》文中研究说明对火电机组设备的实时运行状态进行监测,对设备可能的异常状态进行及时的预警并对异常原因进行诊断分析,是保障火电机组健康稳定运行,进而维护电网安全稳定运行的重要手段,也是一项极具挑战性的任务。针对设备运行状态存在的不精确性不确定性,复杂设备机理建模困难以及设备异常或故障样本缺乏的问题,论文研究了基于证据驱动的火电机组设备状态监测、预警及诊断方法的课题,内容涉及设备运行状态的挖掘与表征,设备状态监测及预警,异常状态预警原因分析等。此外,文中还介绍了证据驱动型火电机组状态预警方法在云南省发电设备状态预警平台上的实际应用情况。论文进行了如下主要研究与创新:提出了一种采用基于密度峰值的聚类方法（DPC）的设备运行状态挖掘方法,并基于证据理论框架对设备运行状态进行证据表征,构建设备典型状态证据库。DPC聚类方法可以根据设备历史运行数据的密度分布情况,合理地挖掘设备的典型运行状态,并且不需要预先给定聚类数目。采用证据的形式对设备状态进行表征,可充分表达设备状态的不精确和不确定性。此外,针对对海量数据直接进行DPC聚类分析存在的计算时间长,对计算机硬件要求高等问题,提出一种动态密度偏差抽样算法（DBS）。对海量运行数据进行抽样后再利用DPC方法进行设备状态挖掘,可以有效解决上述问题。动态密度偏差抽样算法很好地解决了传统密度偏差抽样算法中预计抽样数与实际抽样数偏差大的问题。基于调整兰德指数（ARI）,提出了一个可衡量动态DBS算法性能的指标,并根据该指标对动态DBS算法中相关参数的选择进行了研究。提出了一种基于改进证据分类器的设备状态监测与预警方法（CMEW-EKNN）。该方法仅仅基于设备的正常运行数据就可实现设备状态监测及异常状态的预警,解决了设备故障样本缺乏以及获取困难的难题。针对数据样本分布不均的问题,采用一种自适应折现因子用于证据分类器中的证据折现,使得预警模型的局部预警边界能够根据局部训练样本数据的分布特征自适应变化,从而提高预警方法的准确性与鲁棒性。此外,基于留一交叉验证法和变步长渐增迭代法,对折现因子的大小进行了宏观的调整,在不破坏其自适应能力的前提条件下,可以使得预警方法的性能最优。CMEW-EKNN可以对设备状态进行实时监测并给出设备状态的衍变趋势,对设备潜在的异常或故障及时发出警报,防止设备异常状态进一步恶化。提出了一种新的用于k近邻准确搜索的距离计算方法,可使得设备出现异常时k近邻的搜索更准确。基于证据分类器的状态监测与预警方法中,k近邻的搜索过程是根据设备当前状态点与设备状态库中的典型状态点之间的距离来确定,因此某一个或多个运行变量的值发生异常都会导致k近邻搜索过程产生偏差。而设备或过程的运行变量可分为输入和输出两种类型。当设备状态出现异常时,往往表现为一个或多个输出变量的异常偏离,而输入变量受设备异常状态的影响较小。论文采用设备输入空间距离和输出空间距离平方的加权和来进行设备实时状态点k近邻的搜索,有效降低了设备输入输出惯性延迟和输出变量异常偏移对k近邻搜索精度造成的影响。提出了一种基于近邻残差的设备异常状态预警原因反演分析方法。针对传统的基于模型的残差生成方法依赖于机理建模的问题,论文基于k近邻（KNN）的核心思想,以构建的设备典型状态证据库为参照集生成近邻残差,避免了机理建模的困难。采用证据分类器中的证据融合思想将近邻残差进行融合,可对设备异常变量进行定位,进而判断预警发生时设备是发生了真实的异常还是出现了新的状态。针对设备异常或故障数据样本缺乏的问题,论文采用对近邻残差的衍变方向进行评估的方法,结合专家知识或经验,对设备可能的异常原因作出诊断分析,从而为设备的检修提供指导建议。采用高压加热器和凝汽器的如泄漏、结垢等多种不同类型突变与缓变异常的仿真数据对本文状态预警算法的有效性进行了验证。论文中利用现场仅有的一些实际异常数据对状态预警方法的性能进行了一定的测试,但还不充分。针对设备异常或故障数据样本缺乏的实际情况,建立了台州第二发电厂高压加热器和凝汽器的动态仿真模型,并对这两个设备的多种异常状态进行了仿真,以此获得异常测试数据。利用仿真获得的设备正常运行数据,建立了设备典型状态证据库。基于该状态证据库,采用本文中提出的设备状态预警方法,对设备不同的异常状态进行了检测与诊断测试,以此验证了证据驱动型设备状态预警方法对不同类型异常状态进行检测与诊断的能力。
陈士刚[10]（2019）在《基于多路振动信号融合的高压隔离开关故障诊断方法研究》文中认为高压隔离开关不仅保证着正常用电,在系统发生故障时还可对其进行隔离,因此对高压隔离开关进行故障监测有着重要的实用价值。本文利用SolidWorks建立了 GW4B-252DW型高压隔离开关三维模型,并将该模型导入ANSYS Workbench中进行有限元模态分析,计算了合闸、分闸、合闸不到位等三种状态下隔离开关固有频率和振型。利用虚拟样机仿真软件ADAMS建立高压隔离开关传动机构动力学模型,根据实际工况对其进行分合闸动态过程仿真;分析了高压隔离开关连杆松动常见故障下机械特性变化规律,得到各故障情况下驱动力矩波形和触头接触力的变化特性,提出基于振动信号的高压隔离开关故障诊断方法。研制了高压隔离开关数据采集装置,通过传感器采集振动、操动电机的电压和电流信号。开发了基于LabVIEW平台的在线监测系统,实现信号采集、存储、处理和显示功能。针对GW4B-252DW隔离开关开展了故障模拟试验,现场模拟了高操作电压、低操作电压、传动装置松动（拐臂、极间、相间）、螺栓松动、闭锁松动等7种故障。采集正常和模拟故障情况下的6路振动信号及操动电机的电压电流信号,建立了8类典型状态数据库。针对隔离开关振动信号,采用时域与频域相结合的方法进行特征因子提取。对振动信号分别进行预处理、特征因子提取与融合、因子权重计算与筛选处理,建立故障特征库;利用形态学和小波包方法对振动信号去噪,分别提取了振动幅值极大值点时刻、经验模态分解能量矩作为振动信号时频特征因子。鉴于存在单路振动信号特征因子对传动机构松动型故障识别不佳的问题,本文提出了一种将多路振动信号特征进行融合;然后将Relief算法应用到特征量权重计算中,并根据权重值计算结果,实现特征因子的优化;最后通过K-Means聚类算法对多路振动信号IMF能量矩有效性进行验证的特征因子提取方法。在特征因子提取的基础上,建立支持向量机模型进行训练学习与状态预测,利用Matlab GUI完成基于SVM的故障识别系统开发。针对高压隔离开关故障诊断中存在的故障种类不完备的问题,本文提出了不完备故障类别下基于Multi-SVDD建立可识别出未知异常和已知故障种类的诊断方法,增强了诊断模型的适应性。结果表明,多路振动特征融合后更适用于隔离开关故障诊断;经ReliefF算法对特征量进行优化后可提高故障诊断准确率。
二、水电数字仿真在线融合故障诊断专家系统（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、水电数字仿真在线融合故障诊断专家系统（论文提纲范文）
（1）水轮机振动故障预测算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障预测方法的研究现状 |
| 1.2.2 水轮机系统故障诊断技术的研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 水轮机设备故障机理分析 |
| 2.1 水轮机基本结构与工作原理 |
| 2.1.1 水轮机设备基本结构 |
| 2.1.2 水轮机组设备工作原理 |
| 2.2 水轮机故障的特点 |
| 2.3 水轮机的振动故障类型 |
| 2.3.1 水力因素引起的振动故障 |
| 2.3.2 机械因素引起的振动故障 |
| 2.3.3 电磁因素引起的振动故障 |
| 2.4 本章小结 |
| 第3章 水轮机故障信号特征提取与分析 |
| 3.1 基于时频域的特征提取 |
| 3.1.1 时域分析法 |
| 3.1.2 频域分析法 |
| 3.2 基于小波包能量谱的特征提取 |
| 3.2.1 小波分析 |
| 3.2.2 小波包分析 |
| 3.3 融合故障特征分析 |
| 3.3.1 数据融合算法 |
| 3.3.2 水轮机振动故障信号特征融合 |
| 3.4 本章小结 |
| 第4章 基于深度学习LSTM-DBN的水轮机振动故障预测模型 |
| 4.1 深度学习与深度神经网络 |
| 4.1.1 神经元 |
| 4.1.2 深度前馈神经网络 |
| 4.1.3 RNN循环神经网络 |
| 4.1.4 LSTM长短期记忆网络 |
| 4.1.5 DBN深度置信网络 |
| 4.1.6 Dropout优化 |
| 4.2 LSTM-DBN预测算法的模型建立 |
| 4.2.1 预测算法的流程 |
| 4.2.2 水电机组实测参数处理 |
| 4.2.3 预测模型的最优参数选择 |
| 4.2.4 多信息融合的故障特征 |
| 4.2.5 预测算法的框架 |
| 4.3 本章小结 |
| 第5章 实例仿真研究与分析 |
| 5.1 实验开发环境 |
| 5.2 预测模型的参数选择 |
| 5.2.1 LSTM网络层数及参数数量 |
| 5.2.2 LSTM网络超参数设置实验 |
| 5.2.3 LSTM网络迭代次数选择 |
| 5.2.4 DBN网络参数设置 |
| 5.3 振动预测和故障分类算法对比实验 |
| 5.3.1 基于GM(1,1)灰色理论的预测算法 |
| 5.3.2 基于WNN小波神经网络的预测算法 |
| 5.3.3 基于NAR动态神经网络的预测算法 |
| 5.3.4 基于LSTM长短期记忆网络的预测算法 |
| 5.3.5 不同预测模型的对比分析 |
| 5.3.6 故障分类算法的对比分析 |
| 5.4 工程运用实例分析 |
| 5.5 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它成果 |
| 致谢 |
（2）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（3）基于k近邻与规则挖掘的风电机组故障诊断研究（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 风电机组故障诊断研究现状 |
| 1.2.1 风电机组故障诊断方法 |
| 1.2.2 基于数据驱动的风电机组故障诊断方法 |
| 1.3 存在的主要问题 |
| 1.4 本文研究内容 |
| 第2章 变桨距风力发电机模型与故障描述 |
| 2.1 引言 |
| 2.2 风力发电机工作原理 |
| 2.3 FAST风电机组仿真模型 |
| 2.3.1 5MW海上风电机组模型 |
| 2.3.2 数据描述 |
| 2.3.3 传感器与执行器故障描述 |
| 2.4 GW77-1.5MW风力发电机变桨系统描述 |
| 2.4.1 风电机组结构与参数 |
| 2.4.2 电动变桨系统描述 |
| 2.4.3 运行数据获取 |
| 2.4.4 变桨系统故障描述 |
| 2.5 本章小结 |
| 第3章 风电机组数据清洗与模型特征选择方法 |
| 3.1 引言 |
| 3.2 风电机组运行数据清洗方法 |
| 3.2.1 数据清洗整体方案 |
| 3.2.2 k近邻分类算法 |
| 3.2.3 两阶段风电机组数据清洗 |
| 3.3 基于Relief F算法的风电机组监测特征选择 |
| 3.4 实验与分析 |
| 3.4.1 风电机组运行数据清洗 |
| 3.4.2 风电机组有监督状态特征选择 |
| 3.5 本章小结 |
| 第4章 基于动态特征矩阵的加权k近邻风电故障检测 |
| 4.1 引言 |
| 4.2 基于互信息的风电机组动态特征挖掘方法 |
| 4.2.1 风电机组运行监测参数 |
| 4.2.2 特征处理算法 |
| 4.2.3 风电机组动态特征挖掘 |
| 4.3 DFM-Wk NN故障检测方法 |
| 4.3.1 FD-kNN故障检测方法 |
| 4.3.2 组合加权策略 |
| 4.3.3 动态阈值设定 |
| 4.4 实验与分析 |
| 4.4.1 风电机组动态特征挖掘 |
| 4.4.2 FAST仿真模型故障检测 |
| 4.4.3 GW77-1.5MW风电机组变桨系统故障检测 |
| 4.5 本章小结 |
| 第5章 基于FRBCS的风电机组故障规则挖掘方法研究 |
| 5.1 引言 |
| 5.2 基于模糊规则的分类系统 |
| 5.2.1 FRBCS分类原理 |
| 5.2.2 基于智能优化的模糊规则挖掘方法 |
| 5.3 基于多种群量子进化的模糊分类规则挖掘算法 |
| 5.3.1 初始规则生成 |
| 5.3.2 多种群量子编码 |
| 5.3.3 混合更新策略 |
| 5.3.4 矛盾规则重构 |
| 5.4 风电机组状态规则挖掘与运行状态识别 |
| 5.5 实验与分析 |
| 5.5.1 数值仿真实验 |
| 5.5.2 风电机组运行状态识别实验 |
| 5.6 本章小结 |
| 第6章 风电机组潜在故障概率分析与异常变量回溯 |
| 6.1 引言 |
| 6.2 风电机组可解释性故障诊断方案 |
| 6.2.1 可解释性与可解释性模型 |
| 6.2.2 NREL-5MW风电机组可解释性故障分析方案 |
| 6.3 潜在故障概率分析与异常变量回溯方法 |
| 6.3.1 FRBCS故障识别过程分析 |
| 6.3.2 近邻故障规则选择策略 |
| 6.3.3 潜在故障概率推理与异常变量回溯 |
| 6.4 实验与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 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 |
（5）面向水电站设备检修的虚拟仿真及自动规划方法研究与实践（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 三维数字化技术研究现状 |
| 1.3 设备虚拟检修研究现状 |
| 1.4 设备拆解序列规划研究现状 |
| 1.5 本文的研究内容及章节安排 |
| 2 面向水电站设备虚拟检修的数字化方法 |
| 2.1 引言 |
| 2.2 面向虚拟检修的数字化框架 |
| 2.3 设备结构数字化 |
| 2.4 设备检修数字化 |
| 2.5 检修能力评价方法 |
| 2.6 设备虚拟检修数据管理 |
| 2.7 本章小结 |
| 3 水电站设备检修交互式训练仿真方法 |
| 3.1 引言 |
| 3.2 水电站设备检修交互操作仿真要求 |
| 3.3 交互式元件建模与仿真方法 |
| 3.4 交互式设备建模与仿真方法 |
| 3.5 水电站设备交互训练环境构建实例 |
| 3.6 本章小结 |
| 4 水电站设备检修拆解序列规划问题及群智能优化求解 |
| 4.1 引言 |
| 4.2 水电站设备拆解序列规划问题 |
| 4.3 团队遗传算法 |
| 4.4 基于TBGA的拆解序列求解 |
| 4.5 实例应用与算法性能测试 |
| 4.6 本章小结 |
| 5 水电站典型系统多工况运行可视化仿真 |
| 5.1 引言 |
| 5.2 设备系统运行仿真建模方法 |
| 5.3 进水阀控制油系统建模实例 |
| 5.4 多工况虚拟运行联合仿真 |
| 5.5 本章小结 |
| 6 水电站设备虚拟检修实践 |
| 6.1 引言 |
| 6.2 系统结构 |
| 6.3 系统功能设计 |
| 6.4 实例应用 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的论文 |
| 附录2 攻读博士学位期间完成和参与的项目 |
| 附录3 论文附图 |
| 附录4 论文附表 |
| 附录5 层次分析法与模糊综合评价 |
（6）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 |
（7）大型发电机组励磁系统故障诊断及预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容和章节安排 |
| 第二章 励磁系统故障诊断技术研究 |
| 2.1 励磁系统的基本原理 |
| 2.1.1 励磁系统的作用 |
| 2.1.2 励磁系统的组成结构 |
| 2.2 励磁系统故障分析及诊断方法 |
| 2.2.1 励磁系统故障分析 |
| 2.2.2 励磁系统故障诊断方法 |
| 2.3 励磁系统调节器故障诊断仿真研究 |
| 2.3.1 基于模型参考的励磁系统故障诊断器设计 |
| 2.3.2 故障仿真分析 |
| 2.4 励磁系统功率单元故障仿真研究 |
| 2.4.1 励磁系统功率单元故障分类 |
| 2.4.2 故障仿真分析 |
| 2.5 本章小结 |
| 第三章 励磁系统故障诊断装置研究 |
| 3.1 励磁系统数据采集 |
| 3.1.1 励磁系统数据上送PMU的实现 |
| 3.1.2 故障信息采集 |
| 3.2 励磁系统故障诊断装置软硬件设计 |
| 3.2.1 系统硬件结构设计 |
| 3.2.2 系统软件结构设计 |
| 3.3 基于WAMS的励磁系统状态在线评估算法 |
| 3.3.1 励磁系统状态在线评估算法 |
| 3.3.2 励磁系统状态在线评估算法流程 |
| 3.4 系统运行界面及功能展示 |
| 3.4.1 系统运行界面展示 |
| 3.4.2 运行实例 |
| 3.5 本章小结 |
| 第四章 基于神经网络的智能故障诊断及预测技术研究 |
| 4.1 人工神经网络 |
| 4.1.1 人工神经网络模型 |
| 4.1.2 网络的前馈计算 |
| 4.1.3 神经网络中的参数整定 |
| 4.2 基于神经网络的故障的辨识 |
| 4.2.1 故障波形的FFT分析 |
| 4.2.2 基于参考模型法和神经网络的三相整流器的故障辨识 |
| 4.3 多桥并联励磁功率单元故障诊断分析 |
| 4.3.1 多桥并联励磁功率单元故障分类 |
| 4.3.2 故障仿真分析 |
| 4.4 励磁系统故障预测技术研究 |
| 4.4.1 故障预测模型 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 全文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 致谢 |
（8）水电机组混合智能故障诊断与状态趋势预测方法研究（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 水电机组振动故障机理分析 |
| 1.3 振动信号时频分析方法概述 |
| 1.4 振动信号特征提取与高维特征约简方法概述 |
| 1.5 水电机组故障诊断方法研究综述 |
| 1.6 水电机组状态趋势预测方法研究综述 |
| 1.7 本文主要研究内容与章节安排 |
| 2 基于自适应SVD与 IMFs重构的水电机组振动信号多级降噪方法 |
| 2.1 引言 |
| 2.2 自适应SVD滤波 |
| 2.3 IMFs重构降噪 |
| 2.4 基于自适应SVD与 IMFs重构的水电机组振动信号多级降噪 |
| 2.5 水电机组振动信号降噪实例分析 |
| 2.6 本章小结 |
| 3 基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法.. |
| 3.1 引言 |
| 3.2 基于FEEMD固有模态函数能量熵的健康状态特征提取方法 |
| 3.3 自编码器基本原理 |
| 3.4 混合集成自编码器设计及其在故障状态特征提取中的应用 |
| 3.5 水电机组状态特征提取实例分析 |
| 3.6 本章小结 |
| 4 基于能量熵判别与深度特征约简的水电机组混合故障诊断策略 |
| 4.1 引言 |
| 4.2 基于能量熵统计分析的健康状态判别体系 |
| 4.3 改进t-SNE映射机制的深度故障特征约简方法 |
| 4.4 基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略 |
| 4.5 诊断实例分析 |
| 4.6 本章小结 |
| 5 融合滑动窗与Grey-Markov模型的水电机组运行状态趋势预测方法 |
| 5.1 引言 |
| 5.2 水电机组运行状态趋势预测可行性分析 |
| 5.3 Grey-Markov预测模型 |
| 5.4 预测误差来源分析及模型优化思路 |
| 5.5 融合滑动窗与Grey-Markov模型的水电机组状态趋势组合预测方法 |
| 5.6 水电机组运行状态趋势预测实例分析 |
| 5.7 本章小结 |
| 6 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 :攻读博士期间发表的论文 |
| 附录2 :攻读博士期间完成和参与的科研项目 |
| 附录3 :与导师合作申请的发明专利 |
| 附录4 :攻读博士期间所获奖励 |
（9）证据驱动型火电机组状态预警方法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明 |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 基于模型的状态监测与预警方法 |
| 1.2.2 基于信号处理的状态监测与预警方法 |
| 1.2.3 基于知识的状态监测与预警方法 |
| 1.3 当前研究中存在的问题 |
| 1.3.1 状态监测及预警方法存在的问题 |
| 1.3.2 证据理论在故障预警领域中应用存在的问题 |
| 1.4 本文的主要研究思路及内容 |
| 1.5 论文主要创新点 |
| 第2章 证据理论及证据分类器 |
| 2.1 引言 |
| 2.2 证据理论 |
| 2.3 融合法则 |
| 2.3.1 TBM与法则 |
| 2.3.2 基于与权函数的谨慎融合法则 |
| 2.3.3 证据融合示例 |
| 2.4 经典证据KNN分类器 |
| 2.4.1 基本原理 |
| 2.4.2 参数选择 |
| 2.5 本章小结 |
| 第3章 设备典型状态挖掘及证据表征方法研究 |
| 3.1 引言 |
| 3.2 特征选择与提取 |
| 3.3 基于DPC的设备典型状态挖掘 |
| 3.3.1 设备典型状态挖掘思路 |
| 3.3.2 聚类算法 |
| 3.3.3 基于DPC的设备典型状态挖掘 |
| 3.4 设备运行状态的证据表征 |
| 3.5 基于动态DBS的设备典型样本选择方法 |
| 3.5.1 密度偏差抽样方法 |
| 3.5.2 动态密度偏差抽样方法 |
| 3.5.3 动态DBS性能分析及参数选择 |
| 3.6 实际应用算例 |
| 3.6.1 一次风机运行状态挖掘案例 |
| 3.6.2 高压加热器运行状态挖掘案例 |
| 3.7 本章小结 |
| 第4章 基于证据分类器的状态监测与预警方法研究 |
| 4.1 引言 |
| 4.2 正常运行数据驱动的异常检测方法 |
| 4.2.1 主元分析法 |
| 4.2.2 FD-kNN故障检测方法 |
| 4.3 自适应折现因子证据分类器EKNN |
| 4.3.1 EKNN的“距离抑制分类”特性 |
| 4.3.2 自适应折现因子 |
| 4.4 基于改进EKNN的状态监测及预警方法 |
| 4.4.1 基本思想及框架 |
| 4.4.2 基于改进EKNN的状态监测及预警 |
| 4.4.3 预警阈值选择 |
| 4.4.4 留一法参数选择 |
| 4.4.5 邻域快速搜索方法 |
| 4.4.6 数值模拟示例分析 |
| 4.5 CMEW-EKNN在火电机组设备上的实际应用 |
| 4.5.1 实际应用Ⅰ:一次风机 |
| 4.5.2 实际应用Ⅱ:高压给水加热器 |
| 4.5.3 计算结果及讨论 |
| 4.6 本章小结 |
| 第5章 基于近邻残差的预警原因反演方法研究 |
| 5.1 引言 |
| 5.2 基于证据反演方法的异常变量定位 |
| 5.2.1 k近邻精准搜索 |
| 5.2.2 异常变量定位 |
| 5.2.3 参数选择 |
| 5.3 基于近邻残差及专家知识的预警原因诊断 |
| 5.3.1 近邻残差衍变趋势分析 |
| 5.3.2 基于专家知识的预警原因诊断 |
| 5.4 实际应用案例 |
| 5.4.1 实际应用Ⅰ:一次风机 |
| 5.4.2 实际应用Ⅱ:高压给水加热器 |
| 5.5 本章小结 |
| 第6章 基于仿真建模的设备状态监测及预警算法验证 |
| 6.1 引言 |
| 6.2 仿真对象介绍 |
| 6.2.1 高压加热器 |
| 6.2.2 凝汽器 |
| 6.3 高压加热器仿真建模 |
| 6.3.1 高压加热器动态数学模型 |
| 6.3.2 高加水位自动控制 |
| 6.3.3 高压加热器Simulink仿真 |
| 6.3.4 高加全工况仿真及异常状态仿真 |
| 6.4 凝汽器仿真建模 |
| 6.4.1 凝汽器动态数学模型 |
| 6.4.2 凝汽器全工况仿真及异常状态仿真 |
| 6.5 基于仿真结果的状态监测、预警及诊断算法验证 |
| 6.5.1 高压加热器异常状态检测 |
| 6.5.2 凝汽器异常状态检测 |
| 6.6 本章小结 |
| 第7章 状态预警方法在火电机组设备上的实际应用 |
| 7.1 引言 |
| 7.2 系统软件集成技术及应用 |
| 7.3 平台设计及集成方案 |
| 7.3.1 硬件平台架构 |
| 7.3.2 软件平台架构 |
| 7.4 现场实际应用情况 |
| 7.5 设备状态证据库更新 |
| 7.6 本章小结 |
| 第8章 论文总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间研究成果 |
（10）基于多路振动信号融合的高压隔离开关故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 前言 |
| 1.1 研究背景及意义 |
| 1.2 高压隔离开关状态评估研究现状 |
| 1.2.1 三维动力学分析方法 |
| 1.2.2 振动信号处理方法 |
| 1.2.3 分合闸电流信号处理方法 |
| 1.2.4 状态评估方法 |
| 1.3 本文的研究内容 |
| 2 高压隔离开关三维动力学仿真研究 |
| 2.1 高压隔离开关ANSYS模态分析 |
| 2.1.1 高压隔离开关Solidworks模型搭建 |
| 2.1.2 高压隔离开关ANSYS模态分析计算 |
| 2.2 高压隔离开关ADAMS动力学仿真 |
| 2.2.1 高压隔离开刚柔耦合动力学模型 |
| 2.2.2 正常分合闸仿真结果分析 |
| 2.2.3 高压隔离开关故障仿真结果分析 |
| 2.3 本章小结 |
| 3 高压隔离开关分合闸振动信号采集 |
| 3.1 采集系统设计方案 |
| 3.2 采集系统硬件设计 |
| 3.2.1 振动传感器 |
| 3.2.2 电流传感器 |
| 3.2.3 数据采集卡及工控机 |
| 3.3 采集系统软件设计 |
| 3.3.1 数据采集系统 |
| 3.4 GW4B-252DW高压隔离开关故障模拟试验 |
| 3.4.1 高压隔离开关典型故障模拟 |
| 3.4.2 高压隔离开关信号采集 |
| 3.5 本章小结 |
| 4 高压隔离开关分合闸振动信号特征因子提取分析 |
| 4.1 信号的预处理 |
| 4.1.1 基于小波变换的信号去噪 |
| 4.1.2 基于形态学滤波的信号去噪 |
| 4.2 振动信号极值时刻特征因子提取 |
| 4.2.1 极值点发生时刻 |
| 4.2.2 特征量可重复性分析 |
| 4.3 振动信号能量矩特征因子提取 |
| 4.3.1 振动信号EMD分解 |
| 4.3.2 能量矩特征量 |
| 4.3.3 采用K-means聚类算法评估类间差别 |
| 4.4 多路特征因子融合与优化 |
| 4.4.1 多路振动特征因子融合 |
| 4.4.2 融合特征因子优化分析 |
| 4.4.3 特征量的重复性分析与有效性验证 |
| 4.5 本章小结 |
| 5 高压隔离开关机械故障诊断方法研究 |
| 5.1 基于支持向量机的故障诊断系统 |
| 5.2 不完备故障类别下基于Multi-SVDD的状态评估算法 |
| 5.2.1 SVDD算法和核函数 |
| 5.2.2 改进型加权高斯核函数 |
| 5.2.3 粒子群优化SVDD核参数 |
| 5.2.4 Multi-SVDD不完备故障集诊断方法 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 论文的主要结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
四、水电数字仿真在线融合故障诊断专家系统（论文参考文献）
- [1]水轮机振动故障预测算法研究及应用[D]. 武博翔. 华北电力大学(北京), 2021(01)
- [2]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [3]基于k近邻与规则挖掘的风电机组故障诊断研究[D]. 钱小毅. 沈阳工业大学, 2020(07)
- [4]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [5]面向水电站设备检修的虚拟仿真及自动规划方法研究与实践[D]. 李佰霖. 华中科技大学, 2020(01)
- [6]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
- [7]大型发电机组励磁系统故障诊断及预测技术研究[D]. 李灿. 南京师范大学, 2020(03)
- [8]水电机组混合智能故障诊断与状态趋势预测方法研究[D]. 姜伟. 华中科技大学, 2019(01)
- [9]证据驱动型火电机组状态预警方法及其应用研究[D]. 陈小龙. 东南大学, 2019
- [10]基于多路振动信号融合的高压隔离开关故障诊断方法研究[D]. 陈士刚. 北京交通大学, 2019(01)