基于多传感器数据的电机故障诊断技术研究与软件设计 |
论文目录 |
| 摘要 | 第1-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 电机故障诊断的研究现状 | 第12-15页 |
| 1.3 研究内容及结构安排 | 第15-17页 |
| 1.3.1 论文主要研究内容 | 第15页 |
| 1.3.2 本论文的结构安排 | 第15-17页 |
| 第二章 电机故障分析 | 第17-22页 |
| 2.1 电机故障类型 | 第17页 |
| 2.2 轴承故障 | 第17-18页 |
| 2.3 匝间短路故障 | 第18-19页 |
| 2.4 转子断条故障 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 多传感器数据下基于多重分形去趋势波动分析的电机故障诊断 | 第22-51页 |
| 3.1 概述 | 第22-23页 |
| 3.2 多传感器数据的多重分形去趋势波动分析 | 第23-30页 |
| 3.2.1 多重分形 | 第23页 |
| 3.2.2 算法 | 第23-24页 |
| 3.2.3 特征数据 | 第24-25页 |
| 3.2.4 多传感器特征数据 | 第25-26页 |
| 3.2.5 MFDFA-MD算例 | 第26-30页 |
| 3.3 分类器的选择 | 第30-36页 |
| 3.3.1 马氏距离判别法 | 第30-32页 |
| 3.3.2 支持向量机(Support Vector Machine,SVM) | 第32-36页 |
| 3.4 实验及结果分析 | 第36-50页 |
| 3.4.1 实验数据 | 第36-42页 |
| 3.4.2 实验结果分析 | 第42-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 多传感器数据下基于卷积神经网络的电机故障诊断 | 第51-66页 |
| 4.1 概述 | 第51页 |
| 4.2 多传感器数据下基于二维卷积神经网络的电机故障诊断方法 | 第51-59页 |
| 4.2.1 预处理 | 第51-56页 |
| 4.2.2 多传感器数据导致的CNN模型的改进 | 第56-58页 |
| 4.2.3 改进的CNN模型的训练流程与诊断流程 | 第58-59页 |
| 4.3 CNN实验结果及分析 | 第59-64页 |
| 4.3.1 实验数据描述及预处理 | 第59-61页 |
| 4.3.2 实验结果 | 第61-64页 |
| 4.3.3 实验结果分析 | 第64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 电机状态监测与故障诊断软件设计 | 第66-82页 |
| 5.1 设计方案 | 第66-68页 |
| 5.1.1 硬件平台介绍 | 第66-67页 |
| 5.1.2 软件设计方案 | 第67-68页 |
| 5.2 数据采集模块 | 第68-72页 |
| 5.2.1 数据采集框架 | 第68-69页 |
| 5.2.2 数据采集 | 第69-72页 |
| 5.3 文件模块 | 第72-75页 |
| 5.3.1 内存中的数据 | 第72-73页 |
| 5.3.2 数据库 | 第73-75页 |
| 5.3.3 磁盘中的数据 | 第75页 |
| 5.4 数据交换模块和故障监测模块 | 第71-76页 |
| 5.4.1 数据交换模块 | 第71-76页 |
| 5.4.2 故障监测模块 | 第76页 |
| 5.5 显示模块 | 第76-81页 |
| 5.5.1 .采集界面 | 第76-78页 |
| 5.5.2 电机状态监测界面 | 第78-81页 |
| 5.6 本章小结 | 第81-82页 |
| 第六章 全文总结与展望 | 第82-84页 |
| 6.1 全文总结 | 第82-83页 |
| 6.2 后续工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 读硕士学位期间取得的成果 | 第88页 |
|
| |
