一、計算機輔助故障診斷與維修系統(tǒng)的實現(xiàn)（論文文獻綜述）
張言科[1]（2021）在《應用AR技術的數(shù)控機床故障診斷與輔助維修系統(tǒng)研究與開發(fā)》文中進行了進一步梳理數(shù)控機床作為制造業(yè)的核心設備之一,在制造業(yè)中有著舉足輕重的地位,《中國制造2025》已將數(shù)控機床列為“加快突破的戰(zhàn)略必爭領域”。機床工業(yè)的現(xiàn)代化水平和規(guī)模已經(jīng)成為一個國家工業(yè)發(fā)達程度的重要標志之一。數(shù)控機床種類繁多,結構原理復雜,其故障診斷和維修方面存在很多疑點難點。在機床的故障診斷工作過程中,長期存在故障認知難、診斷效率低等問題;在維修過程中,則存在結構認知難、漏操作、誤操作等問題,因此需要一款能夠幫助技術人員更加高效的進行數(shù)控機床故障診斷與維修的系統(tǒng)。針對這些問題,本文提出了基于AR技術的數(shù)控機床故障診斷與維修方法,開發(fā)了數(shù)控機床故障診斷與輔助維修系統(tǒng),旨在將故障診斷與維修過程可視化,為技術人員提供故障診斷與維修引導,使技術人員不依賴技術手冊,提高故障診斷與維修效率。本系統(tǒng)以數(shù)控機床故障診斷與維修為對象,應用增強現(xiàn)實技術進行開發(fā),將其運行在安卓系統(tǒng)終端設備上進行真實機床設備展示和操作。本論文的主要工作內(nèi)容有以下幾方面:（1）介紹的選題背景和開發(fā)意義,分析了AR技術及其在故障診斷與維修領域的研究現(xiàn)狀,確立了課題的基本思路和框架結構,介紹了系統(tǒng)相關理論知識。（2）對系統(tǒng)進行需求分析,確定開發(fā)方案,選擇合適的開發(fā)方案;對系統(tǒng)開發(fā)過程進行詳細介紹,制作數(shù)控車床的模型、動畫,開發(fā)系統(tǒng)服務器和My SQL數(shù)據(jù)庫,建立CYK360N/1000數(shù)控車床主軸調速裝置失效故障的故障樹診斷模型和案例庫,對故障樹進行定性和定量分析,利用Unity3D+Vuforia進行客戶端開發(fā)并進行發(fā)布。（3）對系統(tǒng)平面識別、交互設計、著色器可視化、熱更新開發(fā)等重要開發(fā)環(huán)節(jié)進行闡述,介紹并研究了在開發(fā)過程中應用到的關鍵技術。（4）最后對系統(tǒng)在設備上進行調試,并測試其兼容性,經(jīng)過運行測試,本系統(tǒng)能夠對使用移動設備進行數(shù)控機床故障診斷與輔助維修起到積極作用,以3D的表現(xiàn)形式對用戶進行指導和培訓,提高了檢修效率。
王忻[2]（2021）在《自愈控制及其在網(wǎng)絡控制系統(tǒng)中的應用》文中研究指明近年來,隨著科學和信息技術的飛速發(fā)展,各類系統(tǒng)的設計復雜度和各部件之間的耦合度也隨之增加,系統(tǒng)的脆弱性問題逐漸顯現(xiàn),故障對系統(tǒng)的正常和安全運行造成不可忽視的威脅。為了提高系統(tǒng)對自身故障情況的監(jiān)測和應對能力,學者們提出了自愈控制的思想。目前自愈控制仍然處于初級發(fā)展階段,并沒有學者給出自愈控制的明確定義和研究范疇等基本概念。在學術界對自愈控制理論的研究才剛剛起步,自愈控制理論的研究是滯后于自愈控制的工程應用的。本文主要對自愈控制的理論進行初步的研究,并且首次給出了自愈控制的定義、基本架構和研究范疇等基本概念。本文采用自愈控制的方法來處理網(wǎng)絡控制系統(tǒng)面對的多元不確定性問題,同時對提出的自愈控制的理論進行驗證,主要的工作內(nèi)容如下:首先,通過梳理智能電網(wǎng)的自愈控制、飛行控制系統(tǒng)的自愈控制和機械故障的自愈調控系統(tǒng)的相關研究成果,明確了自愈控制的特征和功能并給出了其定義;討論了自愈控制與自愈系統(tǒng)以及容錯控制的聯(lián)系與區(qū)別;總結了研究自愈控制的意義并分析了其發(fā)展趨勢。其次,提出了一種基于狀態(tài)觀測器的自愈控制方法,該方法由故障診斷的狀態(tài)觀測器方法和故障處理機制組成,設計的故障診斷方法包括故障估計、故障檢測和故障定位三個部分,故障估計可以獲得系統(tǒng)發(fā)生的加性故障的幅值信息,改進的故障檢測和故障定位方法,提高了故障檢測和隔離的實時性。結合故障診斷實時獲得的故障信息在控制器中設計了故障處理機制,實時消除了故障對系統(tǒng)的影響。再次,設計了一種基于兩階段卡爾曼濾波的自愈控制方法。針對執(zhí)行器發(fā)生的部分失效故障,利用兩階段卡爾曼濾波器對執(zhí)行器部分失效故障進行診斷,獲得的故障信息的精確度高,但是實時性較差,為了提高故障診斷的實時性,提出了兩階段卡爾曼濾波和BP（Back Propagation）神經(jīng)網(wǎng)絡相協(xié)同的故障診斷方法,并結合在線進行控制律重構/控制律切換方法,消除/抑制故障對系統(tǒng)的影響;同時,對于系統(tǒng)中發(fā)生的未知故障或者執(zhí)行器完全失效故障,提出了基于故障隔離的自愈控制方法,抑制故障對系統(tǒng)的持續(xù)影響。最后,設計了一種基于網(wǎng)絡切換的自愈控制方案。針對系統(tǒng)中發(fā)生故障或拒絕服務攻擊的隨機性,在卡方檢測的基礎上設計了系統(tǒng)異常檢測方法,改進了異常檢測閾值的選擇方法,降低了檢測閾值選擇的難度;然后,采用基于支持向量機的異常診斷方法,對異常狀態(tài)進行分類;對于系統(tǒng)中發(fā)生拒絕服務攻擊的情況,結合異常檢測和診斷的結果,設計了一種基于網(wǎng)絡切換的自愈策略,使得網(wǎng)絡控制系統(tǒng)在發(fā)生拒絕服務攻擊的情況下可以自愈,并且系統(tǒng)性能保持在可接受水平。本文為了驗證所提出的自愈控制方法的有效性,利用MATLAB工具箱True Time搭建了網(wǎng)絡控制系統(tǒng)進行數(shù)值仿真。最后,總結了全文的工作,并對需要進一步研究的工作進行了展望。
蘇霞[3]（2021）在《基于混合現(xiàn)實的工業(yè)設備維修系統(tǒng)》文中提出傳統(tǒng)依靠于維修手冊的設備維修方法普遍存在查閱不便、耗時長、失誤率高等問題,手冊查閱和維修操作執(zhí)行的頻繁切換容易使得維修人員的注意力無法集中,也逐漸無法滿足工業(yè)4.0時代下更加智能、精密的工業(yè)設備的維修需求。為解決以上問題,并進一步提升維修效率、降低設備故障造成的損失和保障設備的高效運轉,可以利用混合現(xiàn)實（Mixed Reality,MR）技術通過逼真的視覺效果和良好的交互方式等實現(xiàn)工業(yè)設備輔助維修。本文設計并開發(fā)了一套基于混合現(xiàn)實的工業(yè)設備維修系統(tǒng),主要工作有:（1）針對工業(yè)維修中存在的問題,進行需求分析,并以此為依據(jù)設計并實現(xiàn)混合現(xiàn)實輔助維修系統(tǒng),其主要包括五項功能:用戶信息管理、故障排查/診斷、維修指導、維修報告單生成和設備引導訓練。系統(tǒng)中對齊到真實設備上的三維模型、操作動畫、文本說明等信息讓維修指導更加直觀,其也被成功應用到一款汽油發(fā)動機的故障維修中。（2）混合現(xiàn)實輔助工業(yè)設備維修系統(tǒng)的關鍵技術研究。將在Holo Lens設備中捕獲到深度幀轉化為點云數(shù)據(jù),并將點云數(shù)據(jù)通過局域網(wǎng)傳輸?shù)絇C服務端,然后對點云執(zhí)行預處理操作,再利用SAC-IA算法和快速魯棒ICP算法分別實現(xiàn)點云粗配準和精配準,獲得的變換矩陣還需要實現(xiàn)深度相機坐標系到視頻相機坐標系的投影變換,最終實現(xiàn)虛實融合的效果;虛擬模型對齊到真實設備后,為其添加空間錨,以保證疊加效果更加穩(wěn)定;可以通過手勢和語音實現(xiàn)用戶與系統(tǒng)之間的交互,操作簡單、自然且高效。（3）系統(tǒng)實現(xiàn)與測試評估。首先對混合現(xiàn)實工業(yè)設備維修系統(tǒng)進行功能測試,結果表明本系統(tǒng)可以有效地提升復雜維修任務的效率和降低維修失誤發(fā)生概率;之后對系統(tǒng)中的人機交互和三維注冊算法等進行性能測試,驗證其有效性;最后從易理解性、易學性、易操作性、容錯度和滿意度五個方面評估該系統(tǒng)的可用性。
邱晨[4]（2021）在《面向計算機聯(lián)鎖智能運維的深度學習故障診斷方法研究》文中提出計算機聯(lián)鎖是具有代表性的鐵路信號安全苛求系統(tǒng),負責列車的進路控制和車站作業(yè)安全防護。當前計算機聯(lián)鎖系統(tǒng)運行維護的智能化水平較低,主要還是依靠人工經(jīng)驗,無法應對大規(guī)模的故障診斷需求,且容易出現(xiàn)由于經(jīng)驗不足造成的診斷不完備、診斷出錯等問題。人工智能技術的發(fā)展,以及系統(tǒng)運行過程中產(chǎn)生的海量數(shù)據(jù)給聯(lián)鎖系統(tǒng)的智能運維帶來了機遇。本文從聯(lián)鎖系統(tǒng)自身特點出發(fā),面向智能運維,研究基于深度學習的故障診斷方法,并設計實現(xiàn)了一套計算機聯(lián)鎖智能運維支持系統(tǒng),可有效提高故障診斷的自動化水平。本文主要工作如下:（1）提出了一種針對站場拓撲的樹形數(shù)據(jù)組織方法?？紤]到聯(lián)鎖邏輯對站場拓撲的依賴性,給出一種樹形結構用于描述站場設備間的關聯(lián)關系,解決深度學習模型中,聯(lián)鎖數(shù)據(jù)維度過大的問題。（2）提出了一種基于樹形結構的深度學習聯(lián)鎖邏輯故障診斷模型。以某大規(guī)模實際站場為對象,采用了五種不同的神經(jīng)網(wǎng)絡對其進行建模,并進行對比評估實驗,結果表明,所提出的樹形結構診斷模型提高了30%左右的故障診斷準確率。（3）提出了一種面向聯(lián)鎖邏輯時序特性的深度學習模型。將樹形神經(jīng)網(wǎng)絡分別與循環(huán)神經(jīng)網(wǎng)絡及其衍生算法相結合,形成了針對聯(lián)鎖邏輯特點的故障診斷模型。同時,將結合時序邏輯的故障診斷模型與僅采用樹形結構的模型進行評估對比,實驗結果表明結合時序信息的模型在二分類任務中準確率為90.26%,在多分類任務中為88.00%,證明了其有效性。（4）基于所提出的方法,設計實現(xiàn)了一種基于深度學習的計算機聯(lián)鎖智能運維支持系統(tǒng)。該系統(tǒng)以故障診斷模型為核心,為管理人員提供了可視化界面,并實現(xiàn)了運維相關功能,包括站場狀態(tài)顯示、聯(lián)鎖故障診斷和設備狀態(tài)查詢評估等。本文工作圍繞聯(lián)鎖系統(tǒng)的自身特點,融合深度學習人工智能技術,為聯(lián)鎖邏輯的故障診斷提供了一種新的思路和解決方案,對計算機聯(lián)鎖智能運維具有借鑒意義。
范家銘[5]（2020）在《基于PHM技術的高鐵車載通信裝備健康監(jiān)測智能分析理論與方法的研究》文中指出伴隨著我國“一帶一路”戰(zhàn)略鋪展開來,高鐵已成為我國新“四大名片”之一,其知名度和重要性不亞于古老中國的“四大發(fā)明”。截止2019年末,中國已投入運營的高速鐵路里程數(shù)達到3.5萬公里,穩(wěn)居世界首位。道路千萬條,安全第一條,安全性是高鐵飛速發(fā)展的基石。對關鍵零部件的健康狀態(tài)監(jiān)測,尤為重要。PHM（Prognostics and Health Management）技術可以對高鐵在途運行設備進行狀態(tài)感知、健康監(jiān)控,并對故障的發(fā)生做出預測,從而降低安全風險。本文利用故障預測與健康管理的技術手段,以數(shù)據(jù)無損壓縮技術、數(shù)據(jù)傳輸加密技術、故障特征提取方法、信號去噪技術、關鍵參數(shù)優(yōu)化方法和神經(jīng)網(wǎng)絡方法為理論基礎,建立基于PHM技術的高鐵車載通信裝備健康監(jiān)測智能分析方法,實現(xiàn)了關鍵零部件的故障定位及預測。該方法雖然實現(xiàn)了故障快速定位和精準預測,但通常需要高性能計算機來支撐數(shù)據(jù)的計算和分析,所以本文將高鐵運行數(shù)據(jù)進行實時無損壓縮并加密后,通過鐵路無線通信網(wǎng)絡將數(shù)據(jù)回傳至地面分析服務器,以其高性能計算能力快速、準確地進行故障定位和預測,有效地解決了高鐵車載設備不具備高性能計算能力而無法實時處理數(shù)據(jù)的問題。地面分析服務器對數(shù)據(jù)進行解密和特征分析高效快捷,利用神經(jīng)網(wǎng)絡算法使故障識別和故障預測的精度及效率都得以保障,為保障高速鐵路安全運營提供了重要的技術手段。本文提出的方法已在蘭州鐵路局項目中得到了應用,并在實際應用中不同程度的降低了運維成本和故障不可復現(xiàn)率,體現(xiàn)出PHM技術在故障診斷和故障預測研究方面的意義和價值。本文的主要研究成果如下:（1）針對高速鐵路的安全運行問題,結合了故障預測與健康管理技術理論,提出了一種基于動車組PHM體系架構。該架構對高鐵車載通信裝備進行了PHM技術理論分析、故障診斷技術分析、預測技術分析、應用分析等技術進行論述,并基于故障預測與健康管理技術為理論基礎提出了動車組故障預測與健康管理體系框架,對高鐵車載通信裝備的健康狀態(tài)監(jiān)測和故障預測方面提供重要理論指導。（2）高鐵車載裝備的網(wǎng)絡資源有限,無法滿足對監(jiān)測的車載裝備運行信息實時傳輸至地面服務器,為此提出了一種無損壓縮技術與加密技術聯(lián)合算法。該算法利用鐵路既有無線網(wǎng)絡基礎在低帶寬下實現(xiàn)實時傳輸高鐵車載通信裝備運行數(shù)據(jù),以供地面服務器實時分析車載裝備的健康狀況和故障預測。該算法以行程長度無損壓縮算法為基礎進行了改進以降低數(shù)據(jù)的壓縮比率,同時融入Logistic混沌理論和RSA加密算法以及Logistic置亂加密算法,減少網(wǎng)絡傳輸時所占用的網(wǎng)絡帶寬,提高了網(wǎng)絡傳輸?shù)陌踩?為進一步分析設備的健康狀態(tài)和故障診斷及預測提供基礎性保障。（3）故障診斷通常需要對故障特征進行提取并分析,去除數(shù)據(jù)中混雜的噪聲。該部分對接收到的車載裝備運行信息展開深入研究,針對高鐵車載通信裝備在運行中因場強信號而導致的故障問題,提出了一種基于PHM技術的高鐵車載通信裝備的故障診斷方法。該方法以雙樹復小波包變換為基礎進行算法改進,同時結合了自適應噪聲的完備經(jīng)驗模態(tài)分解來進行故障噪聲的降噪與特征提取,然后利用無監(jiān)督學習中的密度聚類方法進行自適應改進,并將提取出的特征類型進行特征分類,最后將分類結果輸入到極限學習機中進行訓練。實驗驗證了提出的故障診斷方法具有較強的特征提取能力、快速識別故障能力以及高精度的識別率,為設備的故障預測提供良好的支撐。（4）深入分析高鐵車載通信裝備的實際運行工況中,針對高鐵車載通信裝備故障發(fā)生率較高的原因是由于電池失效導致高鐵車載通信裝備無法正常工作的問題,提出了一種HA-FOSELM電池失效預測方法。該方法為了降低噪聲對預測帶來的影響,采用變分模態(tài)分解方法進行去噪處理,同時使用含有遺忘機制的在線序列極限學習機算法對去噪后的數(shù)據(jù)進行學習和訓練,該算法支持數(shù)據(jù)的動態(tài)增量更新。為了提高算法的識別精度和降低關鍵參數(shù)對該算法的影響,引入了混合灰狼優(yōu)化算法對HA-FOSELM方法的關鍵參數(shù)進行自適應優(yōu)化,同時融合注意力機制,從而有效地提高了預測精度。通過實驗驗證,本文提出的方法在性能、效率、精度等方面都優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡算法,有效地降低了因電池故障導致列車行駛安全的問題。
張雨萌[6]（2020）在《數(shù)字孿生驅動的礦用設備維修MR輔助指導系統(tǒng)》文中研究指明煤礦機電設備因惡劣工況環(huán)境導致故障頻發(fā),加之井下環(huán)境和場地限制,專業(yè)維修困難且效率低。隨著高產(chǎn)高效工作面建設,采掘裝備現(xiàn)場維修矛盾日益突出,因維修人員水平限制或者不能及時到位,設備難以有效維修,經(jīng)常造成停工引起巨大經(jīng)濟損失。傳統(tǒng)礦用設備故障維修方法存在維修知識獲取不直觀、對人依賴性大、專家維修指導不及時等問題,復雜故障甚至要升井返廠維修,現(xiàn)場急需強有力的維修指導技術。數(shù)字孿生（Digital Twin,DT）驅動維修指導過程,以混合現(xiàn)實（Mixed Reality,MR）連接維修現(xiàn)場和虛擬指導過程,實現(xiàn)維修虛擬指導和專家遠程協(xié)同的復雜系統(tǒng)維修技術是解決上述問題的最佳策略。論文提出了一種數(shù)字孿生驅動的礦用機電設備維修MR輔助指導方法,研究MR輔助維修模型、技術框架及使能技術,促進現(xiàn)實和虛擬維修環(huán)境的虛實融合、雙向映射、仿真預警,實現(xiàn)機電設備的可視化輔助維修指導,對提高復雜故障維修能力意義重大。針對零部件多、維修過程復雜,指導流程多樣等問題,提出基于故障樹分析的礦用設備維修行為模型,通過礦用設備故障機理研究和總結,采用故障樹分析法建立設備失效模型,根據(jù)目標設備的關鍵失效因素分析維修行為,建立有效的維修行為樹模型,奠定了系統(tǒng)開發(fā)理論基礎,提高了系統(tǒng)開發(fā)效率。針對輔助維修指導過程中的流程表達、可視化指導等難題,研發(fā)基于DT+MR的礦用設備輔助維修指導原型系統(tǒng),促進現(xiàn)實維修空間與虛擬維修空間虛實融合,搭建混合現(xiàn)實虛擬仿真開發(fā)環(huán)境,通過人工標識和自然特征點相結合的MR三維注冊虛實融合方法改善虛實融合效果,并設計適用于礦用設備故障維修指導的標準示意圖,形成匹配典型過程的維修指導流程虛擬仿真片段,實現(xiàn)了礦用設備故障維修指導過程的流程化表達。針對設備輔助維修指導缺乏信息交互的問題,研發(fā)數(shù)字孿生驅動的虛實空間數(shù)據(jù)反饋技術,從設備故障數(shù)據(jù)交互、MR人機交互和遠程專家在線交互三個方面,實現(xiàn)虛擬維修空間與真實維修空間的雙向映射和仿真預警,達到設備運行狀態(tài)數(shù)據(jù)監(jiān)測下實時性故障維修指導的目標。最后,搭建數(shù)字孿生驅動的復雜機電設備MR故障維修指導系統(tǒng),以電牽引采煤機搖臂部傳動系統(tǒng)故障為對象搭建實驗平臺,對系統(tǒng)的實時維修指導功能進行實驗驗證。實驗測試結果表明,維修人員佩戴一臺HoloLens眼鏡便可按照虛擬輔助維修系統(tǒng)的提示獨立完成維修過程,隨時可調用維修知識和請求遠程專家指導,按照直觀的故障維修指導流程完成維修作業(yè),對解決惡劣環(huán)境或危急場景下的復雜故障維修具有重要意義和應用價值。
龔雅瓊[7]（2020）在《基于增強現(xiàn)實技術的輔助維修系統(tǒng)設計與實現(xiàn)》文中指出隨著機電裝備結構、功能復雜性的增加和產(chǎn)品更新?lián)Q代速度的加快,傳統(tǒng)依靠維修人員經(jīng)驗的方式會導致維修作業(yè)負荷強度大、出錯率高,難以滿足日益增長的維修需求。增強現(xiàn)實（Augmented Reality,AR）技術可以作為輔助角色,在維修操作時減輕人員的認知與記憶負荷,進而提高維修效率和質量,基于AR的輔助維修系統(tǒng)為維修作業(yè)改善提供了新的技術手段。本文以增強現(xiàn)實技術在維修領域的應用為研究目標,基于維修作業(yè)需求分析增強現(xiàn)實環(huán)境下維修作業(yè)系統(tǒng)核心模塊的設計,以某渦輪發(fā)動機為維修對象,完成一套增強現(xiàn)實維修輔助系統(tǒng)的開發(fā)。該系統(tǒng)具有人機交互友好、適用于多用戶、支持遠程通訊等特點。論文完成的主要研究工作如下:（1）在分析維修需求和輔助維修系統(tǒng)功能的基礎上,提出輔助維修系統(tǒng)總體架構。通過梳理輔助維修系統(tǒng)功能需求,確定系統(tǒng)開發(fā)流程和相關技術,采用3ds Max完成場地和模型構建、基于Unity3D引擎搭建虛擬場景,選擇Kinect作為傳感器采集數(shù)據(jù),采用C#語言在Visual Studio平臺實現(xiàn)相關軟件模塊的開發(fā)、打包、編譯和部署。（2）圍繞維修作業(yè)任務,完成輔助維修關鍵信息的提取與轉化,得到AR環(huán)境下維修工藝文件;通過建立維修作業(yè)模型,實現(xiàn)傳統(tǒng)維修工藝向增強現(xiàn)實環(huán)境下維修工藝的處理、轉化和存儲;完成輔助維修系統(tǒng)通用數(shù)據(jù)庫設計,使之具備良好的靈活性和可移植性。（3）以人機交互模塊和協(xié)同模塊為重點,研究系統(tǒng)模塊的功能需求及其實現(xiàn)方法。從增強現(xiàn)實交互、維修任務和模塊要素等層面分析人機交互模塊的結構組成,建立系統(tǒng)交互任務模型。針對目前手勢交互存在方式單一的問題,開展基于Kinect傳感器的手勢識別模塊開發(fā),滿足用戶自定義手勢的拓展功能。確定了協(xié)同模塊并發(fā)控制策略和增強現(xiàn)實場景共享技術路線,選用C/S的軟件架構,采用TCP和UDP網(wǎng)絡通信協(xié)議實現(xiàn)數(shù)據(jù)的傳輸、封裝和解析,分析代碼的實現(xiàn)過程。（4）在開展系統(tǒng)功能分析和模塊設計的基礎上,完成相關功能模塊的開發(fā)與集成,并以某渦輪發(fā)動機為例完成輔助維修案例分析,驗證所開發(fā)的AR輔助維修系統(tǒng)具有輔助維修等相關功能和良好的人機交互特性?；谠鰪姮F(xiàn)實的輔助維修系統(tǒng)能有效提升用戶的使用體驗,提高維修作業(yè)的效率與質量,具有重要工程應用前景。論文完成了此類系統(tǒng)核心功能模塊的設計和開發(fā),系統(tǒng)具備后臺管理、維修記錄管理、維修引導、多人協(xié)同以及遠程通信等功能。相關研究內(nèi)容為增強現(xiàn)實技術在工業(yè)維修領域的應用做出了有益的理論探索和初步的應用實踐。
周廣宇[8]（2020）在《基于專家系統(tǒng)的飛機配電系統(tǒng)輔助排故綜合決策研究》文中進行了進一步梳理航空工業(yè)和航空運輸行業(yè)高速發(fā)展導致飛機型號迭代加快和航空公司機隊規(guī)模快速擴張,進而導致故障隔離難度增加和維修工作量劇增。如何快速確定關鍵故障信息,提高故障處置效率,減少對航班正常運行的影響,降低維修成本,是飛機航線維修面臨的一個難題。傳統(tǒng)的飛機航線故障處置主要依靠維修人員查找維修手冊制定排故方案并臨時預估故障處置時間,對歷史故障數(shù)據(jù)和維修經(jīng)驗利用不充分,導致排故效率低且對航班運行決策支撐不夠,進而導致飛機出現(xiàn)故障時航班延誤時間長且調整頻繁。本文針對上述問題展開研究,主要研究內(nèi)容如下:一、對飛機故障診斷和輔助排故的國內(nèi)外研究現(xiàn)狀進行綜述和分析,對飛機配電系統(tǒng)常見故障診斷分析方法,特別是故障樹分析法和專家系統(tǒng)方法進行了理論研究,并在文中配電系統(tǒng)故障分析和輔助排故綜合決策部分加以應用。二、深入分析了某機型配電系統(tǒng)的組成結構及其關鍵部件的功能和原理。從航線維修實際出發(fā),利用故障樹分析法分析某機型配電系統(tǒng)關鍵LRU的故障模式,并建立故障樹。根據(jù)飛機系統(tǒng)功能框圖和基本控制理論簡化飛機系統(tǒng),便于判斷故障信息處理的優(yōu)先級;同時結合維修工作實際,將故障簡化分為虛假故障和真實故障,便于在排故決策邏輯中計算排故優(yōu)先順序。三、基于專家系統(tǒng)理論,本文提出了配電系統(tǒng)輔助排故綜合決策解決方案。將歷史故障（三年滾動數(shù)據(jù)）與維修排故手冊相結合,加權確定排故優(yōu)先順序,并使用維修經(jīng)驗對其進行補充,使排故方案更貼近機隊實際情況;提出關鍵故障信息預判的單一性、關聯(lián)性、上下級關系的判斷邏輯,提高故障預判效率;引入平均保留放行工作時間和平均排故工作時間參數(shù),根據(jù)行業(yè)工時計算方法,不斷對上述參數(shù)進行修正,為評估保留放行或排故工作停場時間提供依據(jù);對傳統(tǒng)的排故決策邏輯、保留放行決策邏輯進行優(yōu)化,提出了綜合決策邏輯,提升對航班運行決策的支撐。四、利用配電系統(tǒng)故障案例對輔助排故綜合決策進行驗證,并與實際故障處置方案和結果復盤進行對比,驗證該綜合決策在提高故障處置效率、節(jié)省維修成本、提高運行決策支撐方面具有實用價值,值得在飛機其他系統(tǒng)推廣應用。
楊楠[9]（2020）在《汽輪機智能診斷與健康管理關鍵技術研究》文中研究說明隨著“中國制造2025”、“互聯(lián)網(wǎng)+”、“新一代人工智能發(fā)展規(guī)劃”等國家戰(zhàn)略的提出,在人工智能技術的推動下,智慧電廠成為能源企業(yè)未來趨勢。智能診斷與健康管理（Intelligent Diagnosis and Health Management,IDHM）技術,更是需要新一代人工智能技術的融入,用以輔助提高電廠對設備運行、診斷、維護的效率。當前關于故障診斷與維修決策的相關研究繁多,且各有特點。另一方面,又缺乏針對復雜系統(tǒng)構建IDHM技術體系的研究。導致當前各種新技術、新方法不能有效的被電廠認識和應用。由其是對汽輪機這類重大設備,其本身具有故障模式復雜、監(jiān)測信息少、故障樣本稀缺、診斷知識祭奠豐富等特點,需要有針對性的運用IDHM技術解決傳統(tǒng)問題,同時,靈活的運用經(jīng)驗知識使IDHM技術更具智慧。因此,本文立足于IDHM是輔助運維人員發(fā)現(xiàn)異常、排除故障、降低風險的初衷,以汽輪機組這類重大設備為例,在總結其故障診斷難點問題的基礎上,開展綜合利用經(jīng)驗知識和機器學習的IDHM關鍵技術研究。首先,結合汽輪機組故障診斷與維護過程中經(jīng)驗知識依賴性強、知識重用性高、知識數(shù)據(jù)非結構化等特點,基于設備樹分析、故障模式與影響分析和故障樹分析方法,總結了故障機理的分析方法和步驟。基于知識圖譜和本體理論,對具有復雜關系結構的診斷知識,提出了故障診斷知識圖譜的構建流程。并以核電汽輪機例,建立了故障診斷知識圖譜。通過采用知識圖譜對診斷知識進行存儲和表達,減少了系統(tǒng)中知識數(shù)據(jù)的冗余,提高了IDHM系統(tǒng)對知識數(shù)據(jù)的管理效率。其次,在總結汽輪機故障診斷常用的狀態(tài)數(shù)據(jù)故障特征的基礎上,對趨勢型征兆和頻譜型征兆的識別方法進行了研究。提出了一種與經(jīng)驗相結合的序列數(shù)據(jù)趨勢特征量化方法,彌補了以往汽輪機故障診斷中對趨勢型征兆識別方法的不足?；谄啺l(fā)電機組振動故障發(fā)生時,激振力在非線性系統(tǒng)中傳播的原理,提出了一種基于提取振源方向的頻譜識別方法,相比傳統(tǒng)方法,頻譜識別準確率得到較大提高。本文基于汽輪機故障機理知識開展的征兆識別方法研究,彌補了當前汽輪機故障診斷中對趨勢型征兆和頻譜識別的不足,有助于IDHM系統(tǒng)實現(xiàn)自動征兆識別,提高系統(tǒng)診斷效率。再次,為了彌補征兆識別方法存在誤報率和漏報率的情況,以及機器學習方法無法進行知識推理,得到故障原因和維修建議的缺陷,本文對故障隔離、故障診斷和故障嚴重程度評估方法進行了研究。本文提出了基于圖數(shù)據(jù)庫搜索技術的故障隔離方法,以解決由于測點冗余、征兆信息過剩、診斷知識重用造成的診斷目標范圍過大的問題。通過故障隔離,也極大的縮小了后續(xù)故障診斷的目標范圍。為進一步推理故障發(fā)生可能性,在提出故障因果網(wǎng)絡概念的基礎上,將知識圖譜中的故障診斷知識轉化為可進行模糊推理的貝葉斯網(wǎng)絡（Bayesian Network,BN）診斷模型?；谠诰€征兆和人工排查信息實現(xiàn)了診斷系統(tǒng)與維修人員工作的交互式推理。為綜合評估設備當前運行風險水平和優(yōu)化故障排查順序,提出了故障鏈嚴重程度計算方法,從多個角度綜合評估診斷網(wǎng)絡中的可能故障鏈,使維修建議可在較少維修次數(shù)下快速降低設備運行風險水平。最后,本文在上述研究的基礎上,通過對核電汽輪機IDHM樣機系統(tǒng)的開發(fā),設計和開發(fā)了 IDHM系統(tǒng)的架構、數(shù)據(jù)倉庫以及各主要功能,使各項技術在功能和數(shù)據(jù)流轉方面得以有效的融合。通過樣機系統(tǒng)的開發(fā)與測試,驗證了本論文研究內(nèi)容的可行性與有效性。
劉申易[10]（2020）在《基于動態(tài)故障樹分析與傳感網(wǎng)絡的機車故障診斷系統(tǒng)的設計》文中指出隨著我國重載鐵路貨運機車的快速發(fā)展,機車的故障率與事故發(fā)生率隨之上升,機車故障診斷技術的重要性也越來越突出。本文基于動態(tài)故障樹算法和分布式傳感網(wǎng)絡,研究并設計了適用于SS4B型機車的故障診斷系統(tǒng),分析了機車的故障模式,確定了傳感器布設位置,對系統(tǒng)的硬件部分進行了電路設計與選型,提出了動態(tài)故障樹分析算法,并通過C#進行編程實現(xiàn),最后對設計中的理論以及系統(tǒng)整體進行了建模、仿真,驗證了可行性。首先本文根據(jù)機車的實際情況,將診斷系統(tǒng)的硬件總體設計為傳感器網(wǎng)絡、分布式傳感節(jié)點、數(shù)據(jù)檢測終端以及智能故障診斷終端四個部分;對SS4B型機車的主、輔電路的結構以及工作原理進行了分析,并進一步分析了主、輔電路以及氣路制動系統(tǒng)的具體故障模式;針對機車的重要故障模式,確定了9個電壓傳感器和23個電流傳感器的布設位置,并對布設原因進行了分析。其次,對系統(tǒng)硬件方面進行了設計。選擇了傳感網(wǎng)絡的拓撲結構,設計了傳感網(wǎng)絡的接口;對模擬和數(shù)字式傳感節(jié)點的硬件電路進行了設計;對數(shù)據(jù)檢測終端各個板卡實現(xiàn)的功能進行了介紹;完成智能故障診斷終端的選型。相關的軟件方面,對網(wǎng)絡的通訊協(xié)議、傳輸數(shù)據(jù)內(nèi)容以及擁塞控制算法進行了研究,研究設計了傳感節(jié)點的濾波算法,并對各個節(jié)點和終端的軟件流程進行了設計。另外,本文在故障樹分析法的基礎上,提出了一種基于傳感器信息的動態(tài)故障樹分析法,能夠根據(jù)故障原因部位傳感器采集的數(shù)據(jù)對故障樹分析得到的故障原因進行化簡。最后,對網(wǎng)絡的擁塞控制算法、數(shù)字濾波器進行了建模仿真,通過C#編寫了能夠實現(xiàn)動態(tài)故障樹分析算法的診斷軟件,進行了驗證分析;并在此基礎上,對傳感器濾波、網(wǎng)絡數(shù)據(jù)傳輸、故障原因診斷進行了綜合建模與仿真,驗證了故障診斷系統(tǒng)的可行性。圖113幅,表16個,參考文獻79篇。
二、計算機輔助故障診斷與維修系統(tǒng)的實現(xiàn)（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關系。
文獻研究法：通過調查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、計算機輔助故障診斷與維修系統(tǒng)的實現(xiàn)（論文提綱范文）
（1）應用AR技術的數(shù)控機床故障診斷與輔助維修系統(tǒng)研究與開發(fā)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 問題的提出背景及課題研究意義 |
| 1.1.1 問題提出背景 |
| 1.1.2 課題研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 AR技術研究現(xiàn)狀 |
| 1.2.2 AR故障診斷與維修國外研究現(xiàn)狀 |
| 1.2.3 AR故障診斷與維修應用國外研究現(xiàn)狀 |
| 1.3 論文基本思路和框架結構 |
| 1.3.1 基本思路 |
| 1.3.2 框架結構 |
| 第2章 數(shù)控機床故障診斷與輔助維修系統(tǒng)理論 |
| 2.1 數(shù)控機床系統(tǒng)概述 |
| 2.2 數(shù)控機床故障診斷技術 |
| 2.2.1 數(shù)控機床故障類型 |
| 2.2.2 基于故障樹分析的故障診斷方法 |
| 2.2.3 基于案例庫的故障診斷方法 |
| 2.3 增強現(xiàn)實技術 |
| 2.3.1 三維跟蹤注冊技術 |
| 2.3.2 增強現(xiàn)實系統(tǒng)組成 |
| 2.4 本章小結 |
| 第3章 數(shù)控機床故障診斷與輔助維修系統(tǒng)開發(fā) |
| 3.1 需求分析 |
| 3.1.1 功能需求分析 |
| 3.1.2 用戶需求分析 |
| 3.2 系統(tǒng)開發(fā)方案及開發(fā)工具的選擇 |
| 3.2.1 系統(tǒng)框架組成 |
| 3.2.2 系統(tǒng)硬件環(huán)境 |
| 3.2.3 系統(tǒng)軟件環(huán)境 |
| 3.3 數(shù)控機床模型及動畫制作過程 |
| 3.3.1 機床模型建模過程及優(yōu)化 |
| 3.3.2 數(shù)控機床模型動畫制作 |
| 3.4 系統(tǒng)后端開發(fā) |
| 3.4.1 服務器開發(fā)設計 |
| 3.4.2 數(shù)據(jù)庫開發(fā)設計 |
| 3.5 故障樹診斷模型構建 |
| 3.5.1 故障樹模型創(chuàng)建 |
| 3.5.2 故障樹定性分析 |
| 3.5.3 故障樹定量分析 |
| 3.6 Unity客戶端開發(fā) |
| 3.6.1 客戶端場景開發(fā) |
| 3.6.2 AR故障診斷與維修功能開發(fā) |
| 3.6.3 系統(tǒng)發(fā)布 |
| 3.7 本章小結 |
| 第4章 數(shù)控機床故障診斷與輔助維修系統(tǒng)開發(fā)過程關鍵技術研究 |
| 4.1 平面識別實現(xiàn) |
| 4.1.1 SLAM技術 |
| 4.1.2 系統(tǒng)平面識別模塊開發(fā) |
| 4.2 系統(tǒng)交互開發(fā) |
| 4.2.1 系統(tǒng)交互方式 |
| 4.2.2 系統(tǒng)交互設計 |
| 4.3 著色器開發(fā) |
| 4.3.1 Shader Graph分類 |
| 4.3.2 機床模型邊緣高光實現(xiàn) |
| 4.3.3 Fresnel Effect節(jié)點分析 |
| 4.4 系統(tǒng)版本熱更新 |
| 4.4.1 系統(tǒng)熱更新方案選擇 |
| 4.4.2 ILRuntime熱更新的遷入及Hot Fix環(huán)境配置 |
| 4.5 本章小結 |
| 第5章 數(shù)控機床故障診斷與輔助維修系統(tǒng)運行測試與分析 |
| 5.1 系統(tǒng)構成 |
| 5.2 系統(tǒng)功能的實現(xiàn) |
| 5.2.1 系統(tǒng)登錄 |
| 5.2.2 機床原理認知學習 |
| 5.2.3 數(shù)控機床故障診斷與維修模擬培訓的實現(xiàn) |
| 5.2.4 數(shù)控機床故障診斷與維修輔助功能的實現(xiàn) |
| 5.3 系統(tǒng)兼容性測試 |
| 5.4 本章小結 |
| 第6章 結論與展望 |
| 6.1 結論 |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士學位期間論文發(fā)表及科研情況 |
（2）自愈控制及其在網(wǎng)絡控制系統(tǒng)中的應用（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 自愈控制 |
| 1.3 網(wǎng)絡控制系統(tǒng)的研究現(xiàn)狀 |
| 1.3.1 NCS的基本問題的研究現(xiàn)狀 |
| 1.3.2 NCS的故障診斷的研究現(xiàn)狀 |
| 1.3.3 NCS的容錯控制的研究現(xiàn)狀 |
| 1.3.4 NCS的安全問題研究現(xiàn)狀 |
| 1.4 本文的主要工作及章節(jié)安排 |
| 1.5 本章小結 |
| 2 自愈控制的綜述與分析 |
| 2.1 引言 |
| 2.2 自愈控制的應用領域 |
| 2.2.1 智能電網(wǎng)領域的自愈控制 |
| 2.2.2 飛行控制系統(tǒng)領域的自愈控制 |
| 2.2.3 機械系統(tǒng)領域的自愈控制 |
| 2.2.4 自愈控制應用領域的總結 |
| 2.3 自愈控制的特征、功能及定義 |
| 2.4 自愈系統(tǒng)、容錯控制與自愈控制的關系 |
| 2.4.1 自愈系統(tǒng)與自愈控制 |
| 2.4.2 容錯控制與自愈控制 |
| 2.5 自愈控制的架構及研究范疇 |
| 2.6 本章小結 |
| 3 基于狀態(tài)觀測器的網(wǎng)絡控制系統(tǒng)的自愈控制 |
| 3.1 引言 |
| 3.2 基于狀態(tài)觀測器的網(wǎng)絡控制系統(tǒng)的故障估計方法 |
| 3.2.1 基于狀態(tài)觀測器的故障估計方法 |
| 3.2.2 執(zhí)行器故障估計輔助信號的設計 |
| 3.3 故障檢測和故障定位方法 |
| 3.3.1 基于狀態(tài)觀測器的故障檢測 |
| 3.3.2 基于狀態(tài)觀測器的故障定位 |
| 3.4 基于控制律重構的主動容錯控制 |
| 3.5 仿真驗證 |
| 3.5.1 基于狀態(tài)觀測器的故障估計的仿真驗證 |
| 3.5.2 故障檢測與故障定位的仿真驗證 |
| 3.5.3 控制律重構方法的仿真驗證 |
| 3.6 本章小結 |
| 4 基于卡爾曼濾波器的網(wǎng)絡控制系統(tǒng)的自愈控制 |
| 4.1 引言 |
| 4.2 基于兩階段卡爾曼濾波的故障診斷方法 |
| 4.2.1 執(zhí)行器部分失效故障建模 |
| 4.2.2 故障診斷方法的設計 |
| 4.3 基于BP神經(jīng)網(wǎng)絡的自愈控制方法研究 |
| 4.3.1 BP神經(jīng)網(wǎng)絡的介紹與應用 |
| 4.3.2 基于BP神經(jīng)網(wǎng)絡的執(zhí)行器故障程度辨識 |
| 4.3.3 基于控制律切換的主動容錯控制方法 |
| 4.4 仿真驗證 |
| 4.4.1 故障診斷仿真驗證 |
| 4.4.2 控制律切換方法的仿真驗證 |
| 4.5 本章小結 |
| 5 拒絕服務攻擊下的網(wǎng)絡控制系統(tǒng)的自愈控制研究 |
| 5.1 引言 |
| 5.1.1 關于網(wǎng)絡控制系統(tǒng)的多元不確定性的概述 |
| 5.1.2 關于拒絕服務攻擊的模擬 |
| 5.2 具有多元不確定性的網(wǎng)絡控制系統(tǒng)的異常檢測方法 |
| 5.2.1 卡爾曼濾波方法 |
| 5.2.2 異常檢測方法的設計 |
| 5.3 針對具有多元不確定性的網(wǎng)絡控制系統(tǒng)的異常診斷方法 |
| 5.3.1 支持向量機 |
| 5.3.2 基于支持向量機的異常診斷方法研究 |
| 5.3.3 針對拒絕服務攻擊的自愈策略 |
| 5.4 仿真驗證 |
| 5.4.1 異常檢測及診斷方法的仿真驗證 |
| 5.4.2 基于網(wǎng)絡切換的自愈策略的仿真驗證 |
| 5.5 本章小結 |
| 6 結論與展望 |
| 6.1 本文結論 |
| 6.2 對未來工作的展望 |
| 參考文獻 |
| 作者簡歷及攻讀碩士學位期間取得的研究成果 |
| 學位論文數(shù)據(jù)集 |
（3）基于混合現(xiàn)實的工業(yè)設備維修系統(tǒng)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與研究意義 |
| 1.1.1 混合現(xiàn)實技術 |
| 1.1.2 混合現(xiàn)實工業(yè)設備維修 |
| 1.2 工業(yè)輔助設備維修研究現(xiàn)狀與分析 |
| 1.2.1 國外研究現(xiàn)狀 |
| 1.2.2 國內(nèi)研究現(xiàn)狀 |
| 1.3 主要研究內(nèi)容 |
| 1.4 本文組織結構 |
| 第二章 混合現(xiàn)實工業(yè)設備維修系統(tǒng)設計 |
| 2.1 混合現(xiàn)實工業(yè)設備維修系統(tǒng)的需求分析 |
| 2.2 系統(tǒng)設計 |
| 2.2.1 物理層設計 |
| 2.2.2 數(shù)據(jù)層設計 |
| 2.2.3 網(wǎng)絡層設計 |
| 2.2.4 應用層設計 |
| 2.3 本章小結 |
| 第三章 混合現(xiàn)實工業(yè)設備維修的關鍵技術 |
| 3.1 三維注冊技術 |
| 3.1.1 點云預處理 |
| 3.1.2 點云粗配準 |
| 3.1.3 點云精配準 |
| 3.2 深度圖到點云圖的轉換 |
| 3.3 坐標系映射 |
| 3.4 本章小結 |
| 第四章 混合現(xiàn)實工業(yè)設備維修系統(tǒng)軟件實現(xiàn) |
| 4.1 系統(tǒng)開發(fā)環(huán)境 |
| 4.2 數(shù)據(jù)層實現(xiàn) |
| 4.2.1 三維注冊實現(xiàn) |
| 4.2.2 人機交互實現(xiàn) |
| 4.2.3 信息管理實現(xiàn) |
| 4.3 網(wǎng)絡層實現(xiàn) |
| 4.4 應用層實現(xiàn) |
| 4.5 本章小結 |
| 第五章 混合現(xiàn)實工業(yè)設備維修系統(tǒng)測試 |
| 5.1 系統(tǒng)功能測試 |
| 5.2 系統(tǒng)性能測試 |
| 5.2.1 點云配準效率測試 |
| 5.2.2 人機交互效率測試 |
| 5.3 系統(tǒng)可用性評估 |
| 5.4 本章小結 |
| 第六章 總結與展望 |
| 6.1 全文總結 |
| 6.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學位期間取得的成果 |
（4）面向計算機聯(lián)鎖智能運維的深度學習故障診斷方法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 鐵路領域智能運維研究現(xiàn)狀 |
| 1.2.2 計算機聯(lián)鎖系統(tǒng)故障診斷現(xiàn)狀 |
| 1.2.3 基于深度學習的計算機聯(lián)鎖系統(tǒng)故障診斷現(xiàn)狀 |
| 1.2.4 研究現(xiàn)狀分析 |
| 1.3 論文主要工作及章節(jié)安排 |
| 1.4 本章小結 |
| 2 計算機聯(lián)鎖系統(tǒng)分析及數(shù)據(jù)組織 |
| 2.1 計算機聯(lián)鎖系統(tǒng)原理 |
| 2.1.1 計算機聯(lián)鎖系統(tǒng)結構 |
| 2.1.2 聯(lián)鎖進路控制功能 |
| 2.2 聯(lián)鎖特征數(shù)據(jù)提取 |
| 2.2.1 靜態(tài)屬性 |
| 2.2.2 動態(tài)屬性 |
| 2.3 聯(lián)鎖系統(tǒng)數(shù)據(jù)組織方法 |
| 2.3.1 深度學習算法選擇 |
| 2.3.2 樹形數(shù)據(jù)組織方法 |
| 2.4 聯(lián)鎖系統(tǒng)故障類型分析 |
| 2.5 本章小結 |
| 3 基于樹形結構的聯(lián)鎖邏輯故障診斷模型 |
| 3.1 基于深度學習的故障診斷算法 |
| 3.1.1 前饋神經(jīng)網(wǎng)絡算法原理 |
| 3.1.2 樹形神經(jīng)網(wǎng)絡算法原理 |
| 3.2 基于深度學習的故障診斷模型構建 |
| 3.2.1 示例站場結構 |
| 3.2.2 前饋神經(jīng)網(wǎng)絡故障診斷模型構建 |
| 3.2.3 基于樹形結構的故障診斷模型構建 |
| 3.3 基于樹形結構的故障診斷模型評估 |
| 3.3.1 實驗數(shù)據(jù) |
| 3.3.2 模型參數(shù)選擇 |
| 3.3.3 權值初始化 |
| 3.3.4 評估指標 |
| 3.3.5 二分類任務評估結果 |
| 3.3.6 多分類任務評估結果 |
| 3.4 本章小結 |
| 4 面向聯(lián)鎖時序邏輯的深度學習故障診斷模型 |
| 4.1 時序邏輯 |
| 4.1.1 時序邏輯概念 |
| 4.1.2 聯(lián)鎖系統(tǒng)時序邏輯 |
| 4.2 結合樹形結構和時序邏輯的故障診斷模型 |
| 4.2.1 循環(huán)神經(jīng)網(wǎng)絡及其衍生算法原理 |
| 4.2.2 循環(huán)神經(jīng)網(wǎng)絡模型構建 |
| 4.2.3 結合時序邏輯的故障診斷模型構建 |
| 4.3 結合時序邏輯的故障診斷模型評估 |
| 4.3.1 模型參數(shù)選擇 |
| 4.3.2 二分類任務評估結果 |
| 4.3.3 多分類任務評估結果 |
| 4.4 本章小結 |
| 5 智能運維支持系統(tǒng)的設計與實現(xiàn) |
| 5.1 智能運維支持系統(tǒng)框架設計 |
| 5.2 智能運維支持系統(tǒng)實現(xiàn) |
| 5.2.1 故障診斷算法實現(xiàn) |
| 5.2.2 其他輔助功能實現(xiàn) |
| 5.3 本章小結 |
| 6 總結與展望 |
| 6.1 本文工作總結 |
| 6.2 未來工作展望 |
| 參考文獻 |
| 附錄A 示例站場平面布置圖 |
| 附錄B 站場樹形結構 |
| 圖索引 |
| 表索引 |
| 作者簡歷及攻讀碩士學位期間取得的研究成果 |
| 學位論文數(shù)據(jù)集 |
（5）基于PHM技術的高鐵車載通信裝備健康監(jiān)測智能分析理論與方法的研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國外研究現(xiàn)狀 |
| 1.2.2 國內(nèi)研究現(xiàn)狀 |
| 1.3 目前存在的問題 |
| 1.4 主要研究內(nèi)容和創(chuàng)新點 |
| 1.5 論文組織結構 |
| 2 關鍵技術及相關工作 |
| 2.1 引言 |
| 2.2 機車綜合無線通信設備工作原理 |
| 2.3 壓縮算法 |
| 2.3.1 無損壓縮技術 |
| 2.3.2 有損壓縮技術 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技術 |
| 2.6.1 PHM系統(tǒng)體系結構 |
| 2.6.2 動車組PHM體系結構 |
| 2.6.3 動車組PHM技術架構 |
| 2.6.4 動車組PHM系統(tǒng)功能和目標 |
| 2.6.5 動車組PHM診斷技術 |
| 2.6.6 動車組PHM預測技術 |
| 2.7 小結 |
| 3 基于無損數(shù)據(jù)壓縮及加密聯(lián)合算法的研究 |
| 3.1 問題提出 |
| 3.2 相關研究 |
| 3.3 SRLE無損壓縮算法 |
| 3.3.1 SRLE壓縮處理 |
| 3.3.2 SRLE解壓處理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 壓縮加密聯(lián)合算法 |
| 3.5 實驗與結論 |
| 3.5.1 壓縮性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 復雜度及效率分析 |
| 3.6 小結 |
| 4 基于PHM技術的高鐵車載通信裝備故障診斷 |
| 4.1 問題提出 |
| 4.2 相關研究 |
| 4.3 基于高鐵機車綜合通信設備中故障診斷的研究 |
| 4.3.1 實驗數(shù)據(jù)集 |
| 4.3.2 特征提取 |
| 4.3.3 無監(jiān)督聚類 |
| 4.3.4 極限學習機故障識別模型 |
| 4.4 實驗與結論 |
| 4.4.1 仿真實驗驗證 |
| 4.4.2 實測數(shù)據(jù)集實驗驗證 |
| 4.5 小結 |
| 5 基于PHM技術的高鐵車載通信裝備健康狀態(tài)評估預測 |
| 5.1 問題提出 |
| 5.2 相關研究 |
| 5.3 基于鋰電池的剩余使用壽命預測與健康狀態(tài)監(jiān)測 |
| 5.3.1 實驗數(shù)據(jù)集 |
| 5.3.2 健康狀況和健康指標 |
| 5.3.3 降噪處理 |
| 5.3.4 關鍵參數(shù)優(yōu)化 |
| 5.3.5 注意力機制 |
| 5.3.6 遺忘機制的在線序列極限學習機 |
| 5.4 實驗與結論 |
| 5.4.1 算法訓練過程 |
| 5.4.2 在線監(jiān)測部分 |
| 5.4.3 剩余使用壽命預測部分 |
| 5.5 小結 |
| 6 總結及展望 |
| 6.1 研究總結 |
| 6.2 未來展望 |
| 參考文獻 |
| 作者簡歷及攻讀博士學位期間取得的研究成果 |
| 學位論文數(shù)據(jù)集 |
（6）數(shù)字孿生驅動的礦用設備維修MR輔助指導系統(tǒng)（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 選題背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 大型復雜裝備輔助維修技術 |
| 1.2.2 混合現(xiàn)實關鍵維修技術 |
| 1.2.3 數(shù)字孿生技術 |
| 1.3 主要研究內(nèi)容 |
| 1.3.1 主要研究內(nèi)容 |
| 1.3.2 技術路線 |
| 2 數(shù)字孿生驅動的設備維修MR輔助指導系統(tǒng)總體設計 |
| 2.1 系統(tǒng)需求分析 |
| 2.1.1 礦用設備維修特點 |
| 2.1.2 DT+MR輔助維修指導方法 |
| 2.2 系統(tǒng)功能分析 |
| 2.3 系統(tǒng)總體方案設計 |
| 2.3.1 設備故障維修MR輔助指導數(shù)字孿生模型 |
| 2.3.2 系統(tǒng)整體架構 |
| 2.4 系統(tǒng)主要模塊實現(xiàn) |
| 2.4.1 故障分析與數(shù)據(jù)匹配模塊 |
| 2.4.2 MR故障維修指導模塊 |
| 2.4.3 維修環(huán)境感知與注冊融合模塊 |
| 2.4.4 信息交互模塊 |
| 2.5 小結 |
| 3 礦用設備機械故障分析與維修行為建模 |
| 3.1 故障樹分析法 |
| 3.1.1 故障樹 |
| 3.1.2 故障樹分析 |
| 3.1.3 礦用設備關鍵零部位故障樹分析 |
| 3.2 維修過程行為樹設計 |
| 3.2.1 虛擬維修指導過程需求分析 |
| 3.2.2 虛擬維修過程行為樹設計 |
| 3.2.3 礦用設備關鍵零部位虛擬維修指導系統(tǒng)行為樹應用 |
| 3.3 小結 |
| 4 基于MR的設備故障輔助維修指導方法研究 |
| 4.1 維修環(huán)境感知 |
| 4.2 基于BIM-Unity3D-Holo Lens的設備三維建模 |
| 4.3 基于Unity3D的 MR輔助維修環(huán)境構建 |
| 4.4 空間坐標虛實映射 |
| 4.4.1 建立虛實空間坐標系 |
| 4.4.2 虛實坐標系之間的轉換 |
| 4.5 基于三維注冊的虛實模型融合方法 |
| 4.5.1 基于人工標識的三維注冊融合算法 |
| 4.5.2 基于自然特征點的三維注冊融合 |
| 4.6 維修指導過程的流程化表達 |
| 4.6.1 維修指導標準示意圖序列設計 |
| 4.6.2 維修指導流程虛擬仿真片段設計 |
| 4.6.3 基于ID序列匹配的維修過程虛擬化表達 |
| 4.7 小結 |
| 5 礦用設備維修指導系統(tǒng)信息交互集成 |
| 5.1 虛實空間數(shù)據(jù)交互反饋機制 |
| 5.2 故障數(shù)據(jù)交互 |
| 5.2.1 確定設備故障類別 |
| 5.2.2 混合現(xiàn)實設備數(shù)據(jù)庫通訊 |
| 5.2.3 維修指導過程的數(shù)據(jù)驅動 |
| 5.3 混合現(xiàn)實人機交互系統(tǒng) |
| 5.3.1 GUI交互界面設計 |
| 5.3.2 視線跟蹤 |
| 5.3.4 手勢識別 |
| 5.3.5 語音交互 |
| 5.4 遠程專家在線交互技術 |
| 5.5 小結 |
| 6 實驗驗證與分析 |
| 6.1 實驗方案設計 |
| 6.1.1 實驗方案及目的 |
| 6.1.2 系統(tǒng)實驗平臺組成 |
| 6.1.3 混合現(xiàn)實平臺的建立與發(fā)布 |
| 6.2 系統(tǒng)功能調試與實現(xiàn) |
| 6.2.1 故障分析與數(shù)據(jù)匹配實驗 |
| 6.2.2 維修環(huán)境感知與虛實注冊融合實驗 |
| 6.2.3 人機交互實驗 |
| 6.2.4 故障維修指導實驗 |
| 6.3 小結 |
| 7 結論與展望 |
| 7.1 結論 |
| 7.2 展望 |
| 致謝 |
| 參考文獻 |
| 附錄 |
（7）基于增強現(xiàn)實技術的輔助維修系統(tǒng)設計與實現(xiàn)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 增強現(xiàn)實技術研究現(xiàn)狀 |
| 1.2.2 輔助維修技術發(fā)展現(xiàn)狀 |
| 1.2.3 人機交互研究現(xiàn)狀 |
| 1.3 論文研究內(nèi)容與架構 |
| 1.3.1 論文的研究內(nèi)容 |
| 1.3.2 論文的組織結構 |
| 第二章 AR輔助維修系統(tǒng)的分析與設計 |
| 2.1 AR輔助維修系統(tǒng)分析 |
| 2.1.1 系統(tǒng)整體分析 |
| 2.1.2 用戶需求分析 |
| 2.1.3 功能需求分析 |
| 2.2 系統(tǒng)方案設計 |
| 2.2.1 系統(tǒng)體系結構 |
| 2.2.2 系統(tǒng)開發(fā)平臺 |
| 2.3 關鍵技術 |
| 2.3.1 常用的任務模型 |
| 2.3.2 輔助手勢識別 |
| 2.3.3 Vuforia圖片識別 |
| 2.3.4 數(shù)據(jù)傳輸協(xié)議 |
| 2.4 本章小結 |
| 第三章 AR輔助維修信息轉化與過程建模 |
| 3.1 維修信息處理簡介 |
| 3.2 輔助維修作業(yè)信息處理 |
| 3.2.1 輔助維修的信息需求 |
| 3.2.2 輔助維修信息的組成與分類 |
| 3.2.3 輔助維修信息轉化 |
| 3.3 維修作業(yè)過程建模 |
| 3.3.1 維修作業(yè)過程 |
| 3.3.2 維修作業(yè)分層 |
| 3.4 本章小結 |
| 第四章 交互模塊設計 |
| 4.1 AR交互模塊 |
| 4.1.1 多模交互原理 |
| 4.1.2 交互模塊要素 |
| 4.1.3 多模交互層次模型 |
| 4.1.4 交互操作流程 |
| 4.2 AR環(huán)境中的交互任務分解 |
| 4.2.1 交互基本任務 |
| 4.2.2 選擇/操縱的任務分析和分解 |
| 4.2.3 導航/漫游的任務分析和分解 |
| 4.2.4 交互反饋 |
| 4.3 用戶維修任務 |
| 4.3.1 AR維修場景 |
| 4.3.2 面向維修場景的用戶任務 |
| 4.4 基于CTT模型的交互任務建模 |
| 4.4.1 CTT簡介 |
| 4.4.2 基于CTT模型的任務分析 |
| 4.4.3 操作任務建模 |
| 4.5 本章小結 |
| 第五章 協(xié)同模塊設計與實現(xiàn) |
| 5.1 協(xié)同權限管理 |
| 5.2 協(xié)同一致與并發(fā)控制 |
| 5.2.1 協(xié)同并發(fā)控制技術和策略 |
| 5.2.2 協(xié)同AR中場景共享 |
| 5.3 網(wǎng)絡通信模塊設計 |
| 5.3.1 網(wǎng)絡通信結構 |
| 5.3.2 數(shù)據(jù)傳輸?shù)脑O計 |
| 5.3.3 數(shù)據(jù)的封裝和解析 |
| 5.4 本章小結 |
| 第六章 系統(tǒng)實現(xiàn)與實例應用 |
| 6.1 系統(tǒng)開發(fā)與實現(xiàn) |
| 6.1.1 系統(tǒng)實現(xiàn)流程 |
| 6.1.2 模型建立與約束 |
| 6.1.3 數(shù)據(jù)庫設計 |
| 6.1.4 輔助手勢識別的開發(fā) |
| 6.2 系統(tǒng)的實現(xiàn)效果 |
| 6.2.1 用戶登錄 |
| 6.2.2 圖片識別與虛擬模型定位 |
| 6.2.3 系統(tǒng)交互總菜單 |
| 6.2.4 產(chǎn)品及其零部件介紹 |
| 6.2.5 維修記錄查詢 |
| 6.2.6 維修引導 |
| 6.2.7 多人協(xié)同維修 |
| 6.2.8 遠程通信 |
| 6.3 本章小結 |
| 第七章 總結與展望 |
| 7.1 論文總結 |
| 7.2 未來展望 |
| 致謝 |
| 參考文獻 |
| 附錄 A |
| 附錄 B |
| 攻讀碩士學位期間發(fā)表的論文 |
| 參與的科研項目 |
（8）基于專家系統(tǒng)的飛機配電系統(tǒng)輔助排故綜合決策研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 選題背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 飛機配電系統(tǒng)故障診斷分析方法 |
| 1.4 本文主要研究內(nèi)容和研究路線 |
| 第二章 飛機配電系統(tǒng)結構和原理 |
| 2.1 飛機配電系統(tǒng)分類 |
| 2.2 飛機配電系統(tǒng)結構和原理 |
| 2.3 飛機配電系統(tǒng)關鍵部件介紹 |
| 2.4 本章小結 |
| 第三章 飛機配電系統(tǒng)故障分析 |
| 3.1 故障樹分析法理論 |
| 3.2 飛機配電系統(tǒng)故障特點與分類 |
| 3.2.1 飛機配電系統(tǒng)故障特點 |
| 3.2.2 飛機配電系統(tǒng)故障分類 |
| 3.3 飛機配電系統(tǒng)LRU部件故障樹分析 |
| 3.4 飛機配電系統(tǒng)及故障分類簡化 |
| 3.4.1 飛機配電系統(tǒng)功能框圖簡化 |
| 3.4.2 飛機配電系統(tǒng)故障分類簡化 |
| 3.5 本章小結 |
| 第四章 基于專家系統(tǒng)的飛機配電系統(tǒng)輔助排故綜合決策 |
| 4.1 專家系統(tǒng)基本理論 |
| 4.1.1 專家系統(tǒng)組成 |
| 4.1.2 知識表示形式 |
| 4.1.3 推理方法和沖突解決策略 |
| 4.2 知識獲取和建立知識庫 |
| 4.3 綜合數(shù)據(jù)庫系統(tǒng) |
| 4.3.1 維修數(shù)據(jù)庫 |
| 4.3.2 運行數(shù)據(jù)庫 |
| 4.4 推理機設計 |
| 4.4.1 故障信息獲取 |
| 4.4.2 故障信息預判 |
| 4.4.3 保留放行決策邏輯 |
| 4.4.4 排故決策邏輯 |
| 4.4.5 綜合決策邏輯 |
| 4.5 人機交互界面設計 |
| 4.6 本章小結 |
| 第五章 配電系統(tǒng)輔助排故綜合決策驗證 |
| 5.1 配電系統(tǒng)輔助排故綜合決策驗證 |
| 5.1.1 電力負載控制組件故障案例驗證 |
| 5.1.2 匯流條功率控制組件故障案例驗證 |
| 5.1.3 遠程電源分配組件故障案例驗證 |
| 5.1.4 次級電源分配組件故障案例驗證 |
| 5.2 應用效果分析 |
| 5.3 本章小結 |
| 第六章 總結和展望 |
| 6.1 論文工作總結 |
| 6.2 論文研究展望 |
| 參考文獻 |
| 附錄 |
| 致謝 |
| 附件 |
（9）汽輪機智能診斷與健康管理關鍵技術研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究的背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 信息獲取的研究現(xiàn)狀 |
| 1.2.2 故障診斷技術研究現(xiàn)狀 |
| 1.2.3 設備健康管理的研究現(xiàn)狀 |
| 1.3 本文研究內(nèi)容和結構安排 |
| 第2章 基于知識圖譜的診斷知識獲取與表達 |
| 2.1 引言 |
| 2.2 故障機理分析方法與步驟 |
| 2.2.1 名詞解釋 |
| 2.2.2 設備樹分析 |
| 2.2.3 故障模式及影響分析 |
| 2.2.4 故障樹分析 |
| 2.2.5 基于Neo4j的知識圖譜構建 |
| 2.2.6 故障機理分析步驟 |
| 2.3 診斷知識圖譜的建立 |
| 2.3.1 知識圖譜構建流程 |
| 2.3.2 類和實體屬性定義 |
| 2.3.3 關系定義 |
| 2.4 核電汽輪機診斷知識圖譜的構建 |
| 2.4.1 核電汽輪機設備樹分析 |
| 2.4.2 汽輪機組故障機理分析 |
| 2.4.3 核電汽輪機診斷知識圖譜 |
| 2.5 本章小結 |
| 第3章 汽輪機典型故障征兆識別 |
| 3.1 引言 |
| 3.2 基于模糊矢量映射的序列數(shù)據(jù)趨勢型征兆識別 |
| 3.2.1 模糊矢量空間映射 |
| 3.2.2 案例驗證 |
| 3.3 基于獨立元空間重構的頻譜類征兆識別 |
| 3.3.1 頻譜中的方向概念 |
| 3.3.2 獨立元空間重構方法 |
| 3.3.3 案例驗證 |
| 3.4 本章小結 |
| 第4章 基于知識圖譜與貝葉斯網(wǎng)絡的智能診斷與維修決策 |
| 4.1 引言 |
| 4.2 基于知識圖譜確定性推理的故障隔離 |
| 4.2.1 Cypher查詢語句 |
| 4.2.2 基于圖數(shù)據(jù)搜索的故障隔離 |
| 4.2.3 案例測試 |
| 4.3 基于貝葉斯網(wǎng)絡不確定性推理的故障診斷 |
| 4.3.1 貝葉斯網(wǎng)絡的定義 |
| 4.3.2 BN診斷模型構建關鍵技術 |
| 4.3.3 基于聯(lián)合樹算法的BN推理 |
| 4.3.4 案例測試 |
| 4.4 基于故障鏈嚴重程度評估的維修決策 |
| 4.4.1 獨立嚴重程度指標 |
| 4.4.2 故障鏈嚴重程度 |
| 4.4.3 與PM和傳統(tǒng)CM的對比 |
| 4.4.4 實例測試 |
| 4.5 結論 |
| 第5章 智能診斷與健康管理原型系統(tǒng)設計與實現(xiàn) |
| 5.1 引言 |
| 5.2 原型系統(tǒng)基本框架 |
| 5.3 智能診斷與健康管理系統(tǒng)主要功能設計 |
| 5.3.1 基于數(shù)據(jù)倉庫技術的存儲設計 |
| 5.3.2 基于機器學習算法框架的征兆識別模塊設計 |
| 5.3.3 基于確定性和不確定性推理的診斷推理模塊設計 |
| 5.4 樣機系統(tǒng)實現(xiàn) |
| 5.5 本章小結 |
| 第6章 結論與展望 |
| 6.1 全文總結 |
| 6.2 論文主要創(chuàng)新點 |
| 6.3 有待進一步開展的工作 |
| 參考文獻 |
| 攻讀博士期間發(fā)表的論文及其它成果 |
| 攻讀博士學位期間參加的科研工作 |
| 致謝 |
| 作者簡介 |
（10）基于動態(tài)故障樹分析與傳感網(wǎng)絡的機車故障診斷系統(tǒng)的設計（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 項目背景 |
| 1.2 機車故障診斷方法的研究與應用現(xiàn)狀 |
| 1.3 機車在線故障診斷系統(tǒng)的研究與應用現(xiàn)狀 |
| 1.4 本文所做的主要工作 |
| 2 重載貨運電力機車的故障診斷系統(tǒng)方案 |
| 2.1 SS4B型電力機車故障診斷系統(tǒng)設計的總體方案 |
| 2.2 機車主電路的故障模式及相關傳感器布設方案 |
| 2.2.1 機車主電路的主要構成 |
| 2.2.2 機車主電路的主要故障模式 |
| 2.2.3 機車主電路的相關傳感器布設 |
| 2.3 輔助電路的故障模式及相關傳感器布設方案 |
| 2.3.1 輔助電路的主要構成 |
| 2.3.2 輔助電路的主要故障模式 |
| 2.3.3 輔助電路的相關傳感器布設 |
| 2.4 氣路與制動系統(tǒng)的故障模式及相關傳感器引入方案 |
| 2.4.1 氣路與制動系統(tǒng)的主要故障模式 |
| 2.4.2 氣路與制動系統(tǒng)的相關傳感器引入 |
| 2.5 分布式傳感節(jié)點布設方案 |
| 2.6 本章小結 |
| 3 重載貨運電力機車的車載分布式傳感網(wǎng)絡的軟硬件設計 |
| 3.1 傳感器網(wǎng)絡通訊協(xié)議的設計 |
| 3.1.1 傳感器網(wǎng)絡的拓撲結構設計 |
| 3.1.2 傳感器網(wǎng)絡的接口選型 |
| 3.1.3 以太網(wǎng)的網(wǎng)絡傳輸協(xié)議 |
| 3.1.4 網(wǎng)絡的傳輸數(shù)據(jù)內(nèi)容 |
| 3.1.5 網(wǎng)絡擁塞控制機制 |
| 3.2 分布式傳感節(jié)點的軟硬件設計 |
| 3.2.1 模擬式傳感節(jié)點軟硬件設計 |
| 3.2.2 數(shù)字式傳感節(jié)點硬件設計 |
| 3.2.3 節(jié)點濾波功能的設計 |
| 3.3 數(shù)據(jù)檢測終端方案 |
| 3.4 智能故障診斷終端方案 |
| 3.5 本章小結 |
| 4 基于DFTA的重載貨運電力機車故障診斷算法 |
| 4.1 FTA與 DFTA算法 |
| 4.1.1 FTA算法的概述 |
| 4.1.2 DFTA算法 |
| 4.2 機車故障樹模型的建立 |
| 4.3 本章小結 |
| 5 實驗及仿真分析 |
| 5.1 數(shù)字濾波器的仿真及分析 |
| 5.2 基于OPNET的網(wǎng)絡擁塞控制仿真及分析 |
| 5.3 DFTA的實現(xiàn)測試和分析 |
| 5.4 傳感器濾波及網(wǎng)絡狀態(tài)下的診斷系統(tǒng)模型仿真 |
| 5.5 本章小結 |
| 6 總結與展望 |
| 6.1 總結 |
| 6.2 展望 |
| 參考文獻 |
| 作者簡歷及攻讀碩士學位期間取得的研究成果 |
| 學位論文數(shù)據(jù)集 |
四、計算機輔助故障診斷與維修系統(tǒng)的實現(xiàn)（論文參考文獻）
- [1]應用AR技術的數(shù)控機床故障診斷與輔助維修系統(tǒng)研究與開發(fā)[D]. 張言科. 山東建筑大學, 2021
- [2]自愈控制及其在網(wǎng)絡控制系統(tǒng)中的應用[D]. 王忻. 北京交通大學, 2021(02)
- [3]基于混合現(xiàn)實的工業(yè)設備維修系統(tǒng)[D]. 蘇霞. 電子科技大學, 2021(01)
- [4]面向計算機聯(lián)鎖智能運維的深度學習故障診斷方法研究[D]. 邱晨. 北京交通大學, 2021(02)
- [5]基于PHM技術的高鐵車載通信裝備健康監(jiān)測智能分析理論與方法的研究[D]. 范家銘. 北京交通大學, 2020
- [6]數(shù)字孿生驅動的礦用設備維修MR輔助指導系統(tǒng)[D]. 張雨萌. 西安科技大學, 2020(01)
- [7]基于增強現(xiàn)實技術的輔助維修系統(tǒng)設計與實現(xiàn)[D]. 龔雅瓊. 東南大學, 2020(01)
- [8]基于專家系統(tǒng)的飛機配電系統(tǒng)輔助排故綜合決策研究[D]. 周廣宇. 華南理工大學, 2020(02)
- [9]汽輪機智能診斷與健康管理關鍵技術研究[D]. 楊楠. 華北電力大學(北京), 2020(06)
- [10]基于動態(tài)故障樹分析與傳感網(wǎng)絡的機車故障診斷系統(tǒng)的設計[D]. 劉申易. 北京交通大學, 2020(03)
標簽：故障診斷論文; 故障樹分析法論文; 數(shù)據(jù)與信息論文; 網(wǎng)絡模型論文; 預測控制論文;