一、轧机液压故障的智能诊断探讨（论文文献综述）
杨振[1]（2021）在《热轧铝合金板带厚度质量缺陷追溯理论研究》文中认为随着传统工业向着轻量化、经济化的方向发展,铝合金板带的需求越来越大,对铝合金板带的质量要求变得越来越严格。热轧作为板带成形的重要工序,对铝合金各方面质量有重要影响。纵向厚度是评判铝合金板带质量的重要指标之一,对于严苛工况下使用的铝合金板带,其纵向厚度要求更为严格。但在纵向板厚超差时,找出导致板带厚度质量缺陷的工艺因素仍是一个难题。所以实现铝合金板带厚度质量的生产前可预判、生产中可监测、生产后可追溯成为铝合金板带生产智能化、高精尖化的主要突破方向。本文基于铝合金厚度质量追溯的研究难点问题,建立铝合金板带热轧全流程质量监测和质量追溯诊断模型,并通过现场数据验证,模型具有一定的指导价值与实际意义。本文论述了板带材厚度质量追溯诊断的现状,一些智能算法在热轧板带质量诊断方面的研究现状,尤其基于数据驱动的研究方向。并针对目前研究的盲点,提出在板厚形成机理的基础上采用数据驱动智能算法的研究方案。结合某生产线铝合金板带的实际生产过程整理出厚度质量相关的参数作为后续数据模型的数据源。单机架参数监测远远不能满足全流程的质量监测要求,因此在单机架子过程模型的基础上,提出一种利用单机架“隐变量”建立全流程监测模型的监测方法,实现热轧全流程的分层分块监测。全流程监测模型不仅可以整合子过程监测模型,也可反映子过程模型之间的异常匹配。模拟正常工况轧制与三种参数异常波动的轧制过程,子过程与全流程模型都可以准确、及时的监测参数异常。在铝合金热轧厚度质量监测模型的基础上,建立了一种融入重要度因子的贝叶斯（IBN）追溯模型,从而解决了在热轧过程中,各参数节点之间的条件概率难以量化的问题,改善了传统贝叶斯参数学习不准确造成的先验节点概率偏移。并用某生产线获取的故障数据对IBN的追溯模型的追溯准确性进行验证,结果表明,IBN追溯准确性达80%,对实际生产的质量追溯有一定的指导意义。
刘琥铖,陈新元,杨哲,郭媛[2]（2021）在《轧机伺服液压缸内泄漏故障诊断研究》文中研究指明针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。
艾章荣[3]（2020）在《浅谈故障诊断法在轧机维护中的运用》文中研究指明随着经济的快速发展,轧机得到了广泛的使用,但是如果使用时间过长,零件就会出现磨损,甚至会让轧机无法正常使用。为了保证轧机正常生产,最大程度地提高企业效益,钢铁企业应采取有效的维护措施,例如故障诊断法。该方法能够延长轧机使用期限,节省维修费用。该文主要探究了如何在轧机维护中使用故障诊断法,并且阐述了轧机设备维护需要注意的问题,从而为有关研究提供参考。
唐光波[4]（2020）在《精轧机异常工况检测系统设计与实现》文中研究说明随着大数据、人工智能、物联网等技术发展,钢铁企业积极开展智能制造,以实现产业升级。设备智能运维作为智能制造核心要素,其目的是保证设备可靠运行,合理降低维护维修投入。热轧产线关键设备复杂度高、自动化程度高且造价高昂,生产中伴随着高温、高速、高粉尘,给设备运维带来了巨大挑战。传统设备运维主要依赖于点检运维和定期维修。点检运维工作不但不能实时掌控生产工况,而且恶劣环境影响点检人员的安全与健康;而定期维修存在着维护不足和维护过度,浪费大量资源。热于热轧产线关键设备精轧机的工况监测与维护尤为重要。采集精轧机工况参数,进行实时监测,结合工艺和故障诊断技术分析产线异常,将传统设备运维方式转化为以数据驱动运维方式。本文基于堆叠LSTM建立时序异常检测模型,实现对精轧机工况参数自动检测,并对精轧机系统结构进行层次划分,实现了精轧机结构与状态信息集成与建模,结合生产工艺设计了精轧机异常工况检测系统。本文主要研究内容如下:（1）基于堆叠LSTM的异常检测方法研究。以LSTM神经网络理论为基础,针对工业生产中异常样本少的情况下,提出了基于堆叠LSTM无监督异常检测方法。以精轧机主电机产生的振动时序数据作为研究对象,首先对正常样本进行学习,提取时序数据内在分布与趋势特征,然后计算预测残差并构建异常检测指标,最后通过实验验证该算法的有效性。（2）精轧机异常处理方法研究。本文以精轧机作为研究对象,分析了精轧机结构与工艺,将精轧机系统参数进行分层,每个参数作为一个节点,并对节点的位置、属性、状态、异常传播方向、异常程度信息进行集成,并建立节点与节点之间的抽象模型。通过节点定位与异常追踪,提出了层次异常处理方法。（3）精轧机异常工况检测系统设计与实现。根据需求和热轧工艺设计了精轧机系统异常工况检测系统总体架构。该系统包括工况监测、异常检测、故障诊断、根因分析等模块,可以实现数据采集与传输,工况异常检测,旋转设备振动监测与故障诊断,轧机状态综合评估等功能。
雷亚飞[5]（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》文中认为当前,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。
杨哲[6]（2019）在《大型轧机AGC缸内泄漏故障诊断研究》文中研究说明AGC缸是轧机系统的重要组成部分,主要功能是为轧机提供轧制力,轧机系统是液压与机电高耦合的系统。AGC缸的性能直接影响轧制质量。一旦AGC缸发生故障,不仅直接影响轧制板带质量,同时也会影响轧机系统的其他部件,导致轧机设备振动、带钢打滑、跑偏、断带、堆钢等,严重的可能导致重大事故。因此,开展AGC缸故障诊断,确保轧机的正常工作是十分有意义的。针对目前轧机伺服液压缸内泄漏故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题本文开展的研究工作及成果如下:本文根据AGC系统液压原理在AMESIM软件中建立了AGC系统仿真模型,分析系统在轧制过程中,内泄漏系数对AGC缸无杆腔压力、AGC缸位移的影响。研究表明,随着内泄漏系数的增大,轧机系统响应时间变长,位移峰值开始下降。并在设定输入的基础上,获取了AGC缸在不同内泄漏系数下的故障数据,为AGC缸内泄漏智能诊断提供样本。提出了一种基于深度置信网络的轧机伺服液压缸内泄漏故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将时域特征信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络分类器组成。结果表明,在训练样本数据足够的条件下,深度置信网络模型可以适用于伺服液压缸内泄漏故障诊断。
费昌寿[7]（2019）在《对轧机液压故障的智能诊断分析》文中进行了进一步梳理文章分析了智能诊断主要方式,包括诊断对象、功能要求、诊断方式,并介绍了与智能诊断相关的先进信息技术,包括多媒体技术、互联网技术、智能传感器,希望能给相关人士提供参考。
杨成刚[8]（2019）在《液压系统智能有源测试理论及方法研究》文中进行了进一步梳理液压系统以功率密度大、响应快、精度高等特点,在重工业、轻工业、农业、林业、渔业、航海、航空航天和军工等领域的各类装备中,处于控制和动力传输的核心,是目前应用最广泛的驱动方式。随着液压装备结构越来越复杂,特别是机、电、液三项技术的有机融合,功能越来越强大,致使出现健康状况问题和故障更不易被观察和测试,一旦出现误诊断,则会造成无法估量的经济损失。为了提高液压系统的工作可靠性,国内外行业专家致力于液压系统快捷准确的故障测试技术与方法的研究,并大力开发各种基于不同原理、不同结构、不同特点的液压系统健康状态和故障诊断的仪器或装置。但是,有相当一部分研究工作,还停留在理论研究和实验室实验中,在实际液压装备中,真正得到良好应用的,具有节能化和智能化的测试仪器尚不多见。因此,新一代液压系统的状态测试理论及其实现方法的研发是液压技术的一个重要的工程领域。论文在深入研究液压测试技术的国内外发展概况及现状基础上,针对工程现场对液压系统测试快速便捷的需求,利用液压元件的泄漏特性,提出了具有自主知识产权的液压有源测试理论及方法,提出快捷简单的,效率更高的液压测试方式,概述了课题的来源、研究内容以及所要进行的研究工作。通过总结常用的各种液压系统测试技术和方法特点,利用AEMSim仿真技术,分析了一代液压有源测试仪的检测缺陷,提出了提高一代机测试精度的优化方案,研发了二代机采用测试仪输出流量的闭环控制系统,为更精准的检测液压系统泄漏打下基础;依据液压系统的分类,分别建立了开式回路液压系统和闭式回路液压系统的泄漏模型,并进行了理论的研究,创建了液压系统检测附件库,为液压智能有源测试技术的应用打下理论基础。研究液压系统新的测试方法的准确计算模型以及与其它关键参数的关系,为新型液压测试装置的设计与控制奠定理论计算基础。在进一步深入研究的基础上,研发了二代液压有源测试仪,利用MySQL软件建立了液压元件的健康泄漏的数据库,实现了液压系统泄漏健康状态智能有源测试,完善了液压有源测试理论及方法,研究新型液压测试方法与各种液压装备的适应问题,提出智能测试方法以便实现液压测试技术的高适应性,提高液压测试装置的测试精度。运用液压有源测试技术分别完成对电液换向阀、比例溢流阀和轴向柱塞泵等典型液压元件泄漏量的检测及故障诊断。依据国家标准和国内外派克、力士乐等液压元件厂家产品样本,对多种液压元件出厂检测的泄漏量数据,建立了液压元件健康泄漏量数据库,以及液压系统泄漏健康状态智能有源检测系统。运用该液压智能有源测试系统完成对100 T平板车、液压校直切断机、锻造液压机和中国天眼FAST液压促动器群组等液压系统的泄漏健康状态的检测,验证了液压智能有源测试系统,可以实现快速、精准地检测液压系统的泄漏健康状态和各种液压故障部位,为科学的维修维护提供条件。
晁海涛[9]（2019）在《基于文本分类的纺织热轧机故障诊断系统研究与开发》文中指出故障诊断是企业提供售后服务的关键,如何准确的发现故障原因,减少停机时间,快速维修成为增强企业核心竞争力的关键。本文以常州某企业生产的纺织用热轧机为研究对象,发现主要存在以下问题:纺织热轧机的故障具有多发性、隐秘性等特点,故障排查难度大且多依赖于工人经验,维修知识得不到传承与积累。对此,本文展开了纺织热轧机故障诊断系统的设计与研究,主要研究内容如下:（1）将模糊算法与t范数结合应用于故障树优化,确定了纺织热轧机重要零部件故障发生概率。建立了热轧机故障树模型;对于重要零部件故障发生概率不明确问题,提出了专家打分与模糊函数相结合的方法确定故障概率范围;研究了最弱t范数运算法则,用以减少计算过程中的模糊累积;最后采用了去模糊化方法获得各重要零部件故障概率。（2）研究了热轧机故障描述文本特征提取技术。优化了基于N-Gram模型的中文文本分词技术并对热轧机故障文本分词处理,根据袋模型确定故障文本的向量表达范式;对不同型号的纺织热轧机,分别采用基于词频-逆文档频率和基于Word2vec模型的方法提取故障文本特征向量,作为故障分类的预处理工作。（3）对于故障样本数量较少的热轧机型号,采用了基于遗传算法优化的支持向量机对故障描述文本建立分类模型,分类预测准确性达71.17%。对于故障样本数量较多的热轧机型号,建立了基于卷积神经网络的故障文本分类模型,分类预测准确性达89.67%。（4）开发了基于B/S的热轧机诊断系统。分析了企业需求,明确了系统开发的总体目标,分配了系统用户角色权限,设计了数据库结构。最后利用Java语言实现了系统开发,确立了企业维修纺织热轧机的管理流程,实现了故障诊断案例的智能推荐。
王义[10]（2018）在《基于声发射的轧机液压缸在线故障诊断与分析》文中提出在钢铁冶金领域,机械设备的在线故障诊断具有重要意义,因为此类诊断不仅可以极大节约设备的维护、维修、更换等成本,而且还能降低设备故障引发的生产事故概率。然而,调研表明国内外针对钢铁工业的机械设备故障诊断研究尚处于初步阶段,还未发现成熟的理论与方法的推广与应用。轧机液压缸是钢铁生产过程中的重要机械设备之一,故障率较高,常常采用定期检修与更换的方法,保证轧机液压缸的稳定运行。轧机液压缸的在线故障诊断研究对其早期故障预报,降低维护成本和避免生产事故发生具有重要意义,因为轧机液压缸的故障轻则降低产品质量,重则引发停产事故。但由于液压缸故障诊断与识别涉及到多个相似度较大的状态变量,无法直接采用面向故障管理理念的模式识别手段处理。为此,研究轧机液压缸的在线故障诊断具有重要的理论意义和实际应用价值。本论文提出了基于声发射技术的轧机液压缸在线故障诊断理论与方法,通过声发射检测仪,在线检测了轧机液压缸正常、泄露状态下的声发射信号,深入研究了轧机液压缸状态声发射信号的消噪法和特征识别方法,分别提出了小波去噪法和三维状态热图与主成分分析的特征分类与识别方法,并与小波特征识别方法进行了特征识别效果比较,并给出了上述三种信号分析方法的优缺点,为解决液压缸在线故障诊断问题提供了新方法与思路,主要研究内容为:（1）详细分析了轧机液压缸的泄露以及声发射信号产生的机理,结合轧机液压缸的运动工作原理,确定了声发射采集系统传感器的安装位置,完成了液压缸在正常和泄露两种状态下的声发射信号的采集工作。（2）针对因小波基选择不当而引发的处理功能精度低的问题提出了一种新的小波基选择方法,然后采用小波阈值去噪方法处理轧机液压缸状态声发射信号进行消噪处理,并完成了除噪后信号的时、频、时-频特征的计算与特征提取。（3）针对轧机液压缸状态声发射信号的特征分类与识别问题,分别提出了三维状态热图法、主成分分析法,并与小波识别法进行了比较与分析,给出了仿真结果。分析表明,三维状态热图法适用于状态间相似度较大情况,主成分分析法适用于分析大样本高维特征数据,小波分析法虽简单高效,但较适用于分析小样本数据。
二、轧机液压故障的智能诊断探讨（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、轧机液压故障的智能诊断探讨（论文提纲范文）
（1）热轧铝合金板带厚度质量缺陷追溯理论研究（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 铝合金板带轧制现状 |
| 1.3 故障溯源的研究现状 |
| 1.3.1 定性分析的方法 |
| 1.3.2 定量分析的方法 |
| 1.4 本文研究内容及创新点 |
| 第2章 铝合金热轧板带厚度缺陷因素梳理 |
| 2.1 铝合金热轧工艺与某生产线设备简介 |
| 2.2 铝合金热轧板厚成形影响因素分析 |
| 2.2.1 影响轧机弹性变形的工艺因素 |
| 2.2.2 影响轧件塑性变形的工艺因素 |
| 2.3 关键工艺参数选取 |
| 2.3.1 参数选取原则 |
| 2.3.2 关键参数选取 |
| 2.4 本章小结 |
| 第3章 基于KPCA的铝合金热轧全流程分层监测 |
| 3.1 KPCA数学原理与监测原理 |
| 3.1.1 KPCA数学原理 |
| 3.1.2 KPCA非线性主元提取过程 |
| 3.1.3 KPCA过程监测方法 |
| 3.2 基于KPCA的铝合金板带热轧全流程过程监测 |
| 3.2.1 全流程监测模型基本思想 |
| 3.2.2 全流程监测模型离线建模 |
| 3.3 铝合金热轧板带厚度质量监测仿真 |
| 3.3.1 正常工况的数据监测仿真 |
| 3.3.2 异常工况的数据监测仿真 |
| 3.4 本章小结 |
| 第4章 基于蚁群优化的BN热轧质量缺陷追溯 |
| 4.1 贝叶斯网络理论基础 |
| 4.1.1 贝叶斯网络基础数学模型 |
| 4.1.2 贝叶斯网络推理示例 |
| 4.2 基于协方差-蚂蚁寻优(Cov-ACO)的BN网络结构优化 |
| 4.2.1 蚂蚁寻优(ACO)算法 |
| 4.2.2 基于协方差的蚂蚁寻优(Cov-ACO)算法研究 |
| 4.3 单机架故障贝叶斯网络追溯结构优化 |
| 4.3.1 构造完全无向图 |
| 4.3.2 基于Cov-ACO的贝叶斯结构优化 |
| 4.4 贝叶斯网络参数学习 |
| 4.4.1 父节点先验概率确定 |
| 4.4.2 条件节点概率确定 |
| 4.5 贝叶斯网络模型诊断推理 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）轧机伺服液压缸内泄漏故障诊断研究（论文提纲范文）
| 1 引言 |
| 2 轧机液压AGC系统建模仿真 |
| 2.1 轧机液压AGC系统原理 |
| 2.2 AGC系统仿真模型建立及验证 |
| 3 深度置信网络 |
| 3.1 受限波尔兹曼机 |
| 3.2 深度置信网络模型 |
| 4 液压缸内泄漏诊断方法 |
| 5 内泄漏诊断仿真实验验证 |
| 6 结论 |
（3）浅谈故障诊断法在轧机维护中的运用（论文提纲范文）
| 0 引言 |
| 1 轧机故障特殊性分析 |
| 1.1 故障点隐蔽 |
| 1.2 故障因果关系烦琐 |
| 1.3 故障影响因素特征 |
| 1.4 故障分散性 |
| 2 轧机故障诊断主要分类 |
| 2.1 轧机故障诊断 |
| 2.1.1 FFT故障诊断分析技术 |
| 2.1.2 故障分析技术 |
| 2.1.3 网络化检测诊断技术 |
| 2.2 轧辊轴承的监测 |
| 2.2.1 应用人工智能技术 |
| 2.2.2 应用远程诊断技术 |
| 2.2.3 应用动态检测技术 |
| 3 轧机故障诊断应用方法 |
| 4 轧机电子自动化诊断技术的优化措施 |
| 4.1 优化工艺流程 |
| 4.2 可编程逻辑控制器 |
| 4.3 轧线两级自动化控制 |
| 4.4 人机界面对连轧机设备的控制 |
| 4.5 调节自动化控制系统配置 |
| 5 维护轧机注意问题 |
| 5.1 构建维修监管轧机系统 |
| 5.2 培训维修方法 |
| 5.3 重视改造技术 |
| 5.4 轧机位置控制故障诊断 |
| 5.5 控制逻辑信号 |
| 5.6 油液变质检测 |
| 6 结语 |
（4）精轧机异常工况检测系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备健康管理技术研究现状 |
| 1.2.2 基于时间序列的异常检测研究现状 |
| 1.2.3 信息集成与建模研究现状 |
| 1.3 设备健康管理技术应用现状 |
| 1.4 论文章节安排 |
| 1.5 本章小结 |
| 2 基于时间序列的精轧机工况异常检测 |
| 2.1 引言 |
| 2.2 异常检测 |
| 2.2.1 数据集介绍 |
| 2.2.2 异常检测方法选择 |
| 2.2.3 基于预测的异常检测 |
| 2.3 基于堆叠LSTM的时序异常检测方法 |
| 2.3.1 基于堆叠LSTM的时序异常检测算法设计 |
| 2.3.2 时序预测模型构建 |
| 2.3.3 异常检测算法设计 |
| 2.4 实验与结果分析 |
| 2.4.1 实验环境 |
| 2.4.2 数据预处理 |
| 2.4.3 预测模型训练 |
| 2.4.5 结果分析 |
| 2.5 本章小结 |
| 3 精轧机信息集成建模及异常处理分析 |
| 3.1 引言 |
| 3.2 精轧机系统组成与故障分析 |
| 3.2.1 精轧机系统及元件 |
| 3.2.2 精轧机常见故障及原因 |
| 3.3 精轧机系统信息集成与建模 |
| 3.3.1 精轧机系统层次划分 |
| 3.3.2 状态信息集成与建模 |
| 3.4 精轧机系统异常处理与分析 |
| 3.4.1 精轧机主电机状态传播与评估举例 |
| 3.4.2 精轧机主电机异常处理方法与分析举例 |
| 3.5 本章小结 |
| 4 精轧机异常工况检测系统设计与实现 |
| 4.1 热轧工艺介绍 |
| 4.2 需求分析 |
| 4.3 精轧机异常工况检测系统总体设计 |
| 5.3.1 数据采集层 |
| 5.3.2 数据存储与处理层 |
| 5.3.3 系统层 |
| 5.3.4 业务层 |
| 4.4 系统硬件设计 |
| 4.4.1 测点配置 |
| 4.4.2 系统硬件网络架构 |
| 4.4.3 基础数据采集 |
| 4.4.4 基础数据传输 |
| 4.5 系统软件设计 |
| 4.5.1 软件架构设计 |
| 4.5.2 数据库设计 |
| 4.6 系统主要功能实现 |
| 4.6.1 精轧机系统全局看板 |
| 4.6.2 精轧机工况异常检测 |
| 4.6.3 旋转部件振动监测与分析 |
| 4.6.4 轧机状态综合评估 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间参加的科研项目目录 |
| B.学位论文数据集 |
| 致谢 |
（5）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 |
（6）大型轧机AGC缸内泄漏故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 AGC缸研究现状 |
| 1.2.1 AGC系统动态建模问题研究现状 |
| 1.2.2 国外AGC缸内泄漏故障诊断问题研究现状 |
| 1.2.3 国内AGC缸内泄漏故障诊断问题研究现状 |
| 1.3 文章内容及章节安排 |
| 1.3.1 文章主要工作 |
| 1.3.2 本文组织结构 |
| 第2章 AGC 系统内泄漏故障建模研究 |
| 2.1 引言 |
| 2.2 轧机 AGC 缸结构 |
| 2.3 轧机液压AGC系统原理 |
| 2.4 AGC缸泄漏故障机理研究 |
| 2.5 AGC系统仿真模型建立 |
| 2.6 AGC缸内泄漏仿真分析 |
| 2.7 本章小结 |
| 第3章 AGC缸内泄漏故障诊断的特征参数提取研究 |
| 3.1 引言 |
| 3.2 液压AGC系统的结构特点 |
| 3.3 轧机伺服液压缸相关信号数据采集 |
| 3.4 轧机伺服液压缸相关信号降噪预处理 |
| 3.5 轧机伺服液压缸相关信号特征提取 |
| 第4章 基于深度置信网络的AGC缸内泄漏故障诊断方法 |
| 4.1 引言 |
| 4.2 深度置信网络简介 |
| 4.2.1 受限波尔兹曼机 |
| 4.2.2 深度置信网络模型 |
| 4.3 液压缸内泄漏故障诊断方法 |
| 4.4 内泄漏故障诊断结果分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 论文主要成果总结 |
| 5.2 课题研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（7）对轧机液压故障的智能诊断分析（论文提纲范文）
| 1 智能诊断主要方式 |
| 1.1 诊断对象 |
| 1.2 功能要求 |
| 1.3 诊断方式 |
| 2 信息技术与智能诊断的有机融合 |
| 2.1 多媒体技术 |
| 2.2 互联网技术 |
| 2.3 智能传感器 |
| 3 结语 |
（8）液压系统智能有源测试理论及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 液压系统测试技术研究现状 |
| 1.1.1 液压系统常用测试方法 |
| 1.1.2 液压系统测试技术发展现状 |
| 1.2 液压有源测试技术的研究基础 |
| 1.2.1 常用测试方法的优缺点 |
| 1.2.2 液压有源测试技术 |
| 1.3 课题来源、研究内容和研究难点 |
| 1.3.1 课题来源和意义 |
| 1.3.2 课题研究内容 |
| 1.3.3 课题研究难点 |
| 第2章 液压有源测试理论与方法的优化 |
| 2.1 液压有源测试仪优化方案 |
| 2.1.1 泄漏测试影响分析 |
| 2.1.2 一代测试仪AEMSim仿真研究 |
| 2.1.3 一代机提高测试精度方案 |
| 2.1.4 二代机输出流量的闭环控制系统 |
| 2.1.5 一二代机对比 |
| 2.2 开式回路液压有源测试理论研究 |
| 2.2.1 开式回路液压系统泄漏理论 |
| 2.2.2 开式液压系统泄漏有源测试模型 |
| 2.3 闭式回路液压系统液压有源测试理论研究 |
| 2.3.1 闭式回路液压系统泄漏理论 |
| 2.3.2 闭式液压系统泄漏有源测试模型 |
| 2.4 液压系统检测附件库 |
| 2.4.1 附件代码 |
| 2.4.2 创建附件库 |
| 2.5 本章小结 |
| 第3章 液压元件泄漏健康状态有源检测方法研究 |
| 3.1 液压元件的泄漏健康状态的几个定义 |
| 3.2 电液换向阀的泄漏健康状态检测 |
| 3.2.1 电液换向阀的工作位内泄漏方程 |
| 3.2.2 电液换向阀中位内泄漏方程 |
| 3.2.3 液压有源测试电液换向阀的泄漏模型 |
| 3.2.4 电液换向阀泄漏测试 |
| 3.2.5 实验验证 |
| 3.3 比例溢流阀的常见故障测试 |
| 3.3.1 比例溢流阀故障的机理 |
| 3.3.2 比例溢流阀常见故障的机理分析 |
| 3.3.3 实验系统搭建 |
| 3.3.4 实验验证 |
| 3.4 液压泵的泄漏健康状态检测 |
| 3.4.1 轴向柱塞泵的测试理论分析 |
| 3.4.2 轴向柱塞泵泄漏健康状态检测 |
| 3.4.3 检测 |
| 3.5 本章小结 |
| 第4章 智能液压有源泄漏检测系统的研究 |
| 4.1 液压系统健康泄漏数据库 |
| 4.1.1 液压元件数据代码规则的制定 |
| 4.1.2 液压元件健康泄漏数据库建立 |
| 4.2 数据库链接 |
| 4.3 智能检测程序 |
| 4.4 本章小结 |
| 第5章 智能液压有源泄漏检测系统的试验 |
| 5.1 某100 T平板车悬挂液压系统智能泄漏健康状态检测 |
| 5.1.1 某100 T平板车悬挂液压系统介绍 |
| 5.1.2 某100T平板车悬挂液压系统泄漏健康检测模型建立 |
| 5.1.3 检测前准备工作 |
| 5.1.4 悬挂液压系统泄漏健康状态检测 |
| 5.2 校直切断机智能液压有源泄漏健康状态检测 |
| 5.2.1 校直切断机介绍 |
| 5.2.2 液压校直切断机泄漏健康检测模型建立 |
| 5.2.3 检测前准备工作 |
| 5.2.4 液压校直切断机泄漏健康状态检测 |
| 5.3 锻造液压机液压控制系统智能泄漏健康状态检测 |
| 5.3.1 锻造液压机介绍 |
| 5.3.2 锻造液压机液压控制系统泄漏健康检测模型建立 |
| 5.3.3 检测前准备工作 |
| 5.3.4 液压控制系统泄漏健康状态检测 |
| 5.4 FAST液压促动器群智能有源测试试验 |
| 5.4.1 液压促动器群组的负载试验 |
| 5.4.2 液压促动器组液压缸静位沉降故障智能液压有源检测 |
| 5.4.3 液压促动器液压缸锁紧泄漏健康状态检测 |
| 5.5 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 |
（9）基于文本分类的纺织热轧机故障诊断系统研究与开发（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及课题来源 |
| 1.1.1 研究背景 |
| 1.1.2 课题来源 |
| 1.2 研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 故障树研究现状 |
| 1.2.3 文本特征表达方法研究现状 |
| 1.2.4 文本分类算法研究现状 |
| 1.3 存在问题及方案提出 |
| 1.4 课题研究目标与研究意义 |
| 1.5 研究思路与论文结构 |
| 第二章 热轧机模糊故障树的建立 |
| 2.1 引言 |
| 2.2 模糊故障树理论 |
| 2.2.1 故障树基本概念 |
| 2.2.2 故障树的定性与定量分析 |
| 2.2.3 故障树构建方法 |
| 2.2.4 模糊数学理论 |
| 2.3 热轧机故障树的构建 |
| 2.3.1 热轧机故障树构建 |
| 2.3.2 热轧机故障树分析 |
| 2.4 基于模糊函数的故障树算法优化 |
| 2.4.1 专家打分 |
| 2.4.2 模糊数的形成 |
| 2.4.3 模糊函数的聚类 |
| 2.4.4 去模糊化 |
| 2.5 热轧机模糊故障树 |
| 2.5.1 热轧机模糊故障树构建 |
| 2.5.2 热轧机模糊故障树结果分析 |
| 2.6 本章小结 |
| 第三章 热轧机故障文本特征提取 |
| 3.1 引言 |
| 3.2 自然语言处理 |
| 3.2.1 自然语言处理基础理论 |
| 3.2.2 自然语言到数学语言的转化 |
| 3.2.3 传统中文文本分类算法介绍 |
| 3.3 中文文本预处理 |
| 3.3.1 分词原理 |
| 3.3.2 基于N-gram的分词理论基础 |
| 3.3.3 N-gram分词方法的优化 |
| 3.4 基于TF-IDF的文本特征选择 |
| 3.4.1 特征选择方法介绍 |
| 3.4.2 TF-IDF原理 |
| 3.4.3 基于词袋模型的文本向量表示 |
| 3.4.4 基于TF-IDF的特征表示 |
| 3.4.5 文本特征词降维处理 |
| 3.5 基于Word2vec的特征抽取 |
| 3.5.1 Word2vec模型原理 |
| 3.5.2 基于Skip-gram的特征表示 |
| 3.5.3 基于哈夫曼树的Softmax |
| 3.5.4 基于Word2vec的特征抽取方法实现 |
| 3.6 本章小结 |
| 第四章 热轧机故障文本分类 |
| 4.1 引言 |
| 4.2 基于SVM的文本分类 |
| 4.2.1 SVM理论基础 |
| 4.2.2 SVM文本分类建模 |
| 4.2.3 SVM参数优选 |
| 4.2.4 分类模型评价指标 |
| 4.2.5 SVM故障分类结果及分析 |
| 4.3 基于神经网络的文本分类 |
| 4.3.1 神经网络理论基础 |
| 4.3.2 卷积神经网络算法 |
| 4.3.3 CNN文本分类建模 |
| 4.3.4 CNN建模效果分析 |
| 4.3.5 CNN故障分类结果及分析 |
| 4.4 本章小结 |
| 第五章 热轧机故障诊断系统设计与开发 |
| 5.1 引言 |
| 5.2 系统需求分析及总体目标 |
| 5.2.1 需求分析 |
| 5.2.2 总体目标 |
| 5.3 系统总体设计 |
| 5.3.1 系统功能模块设计 |
| 5.3.2 系统角色和权限设计 |
| 5.3.3 系统业务流程 |
| 5.3.4 数据库设计 |
| 5.3.4.1 数据库的概念设计 |
| 5.3.4.2 数据库逻辑结构设计 |
| 5.3.4.3 数据库物理设计 |
| 5.4 系统开发 |
| 5.4.1 开发环境 |
| 5.4.2 功能实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
| 附录 |
（10）基于声发射的轧机液压缸在线故障诊断与分析（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 文献综述 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 声发射技术的应用 |
| 1.3 主要研究内容 |
| 第2章 液压缸声发射信号的产生和采集 |
| 2.1 声发射信号概述 |
| 2.2 液压缸声发射信号的产生机理和特点 |
| 2.3 液压缸声发射信号的采集 |
| 2.4 本章小结 |
| 第3章 液压缸声发射信号的预处理 |
| 3.1 小波变换基本理论 |
| 3.2 液压缸声发射信号的小波去噪 |
| 3.2.1 阈值函数的选择及阈值准则的确定 |
| 3.2.2 小波基的选取 |
| 3.2.3 小波分解层数确定 |
| 3.2.4 实验数据分析 |
| 3.3 轧机液压缸故障声发射信号的特征提取与分析 |
| 3.3.1 声发射信号的特征参数及其定义 |
| 3.3.2 能量值特征小波变换提取方法 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 第4章 液压缸声发射信号的特征选择与可视化分类 |
| 4.1 基于主成分分析的特征选择与分类 |
| 4.1.1 主成分分析 |
| 4.1.2 实验分析 |
| 4.2 基于状态热图的特征选择与状态分类 |
| 4.2.1 液压缸声发射信号的定量分析 |
| 4.2.2 液压缸声发射信号的三维状态热图 |
| 4.2.3 实验分析 |
| 4.3 基于小波变换的特征选择与状态识别 |
| 4.3.1 基于小波变换的特征选择 |
| 4.3.2 实验分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间参研课题与研究成果 |
| 致谢 |
四、轧机液压故障的智能诊断探讨（论文参考文献）
- [1]热轧铝合金板带厚度质量缺陷追溯理论研究[D]. 杨振. 燕山大学, 2021
- [2]轧机伺服液压缸内泄漏故障诊断研究[J]. 刘琥铖,陈新元,杨哲,郭媛. 机械设计与制造, 2021(01)
- [3]浅谈故障诊断法在轧机维护中的运用[J]. 艾章荣. 中国新技术新产品, 2020(22)
- [4]精轧机异常工况检测系统设计与实现[D]. 唐光波. 重庆大学, 2020
- [5]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
- [6]大型轧机AGC缸内泄漏故障诊断研究[D]. 杨哲. 武汉科技大学, 2019(09)
- [7]对轧机液压故障的智能诊断分析[J]. 费昌寿. 化工管理, 2019(15)
- [8]液压系统智能有源测试理论及方法研究[D]. 杨成刚. 燕山大学, 2019
- [9]基于文本分类的纺织热轧机故障诊断系统研究与开发[D]. 晁海涛. 南京航空航天大学, 2019(02)
- [10]基于声发射的轧机液压缸在线故障诊断与分析[D]. 王义. 冶金自动化研究设计院, 2018(01)