一、一种通信设备故障诊断知识系统的设计（论文文献综述）
闵凡超[1]（2021）在《基于无线网络的煤矿环境监控系统及故障诊断技术研究》文中研究说明目前,煤矿井下环境复杂,生产风险大、作业人员多,生产系统中任何一环发生故障,都可能造成巨大的经济损失,甚至造成安全事故。因此,设计并配备先进的煤矿环境监控系统不仅可以提高煤矿生产的经济效益与安全系数,而且可以减少人力投入、提升煤矿作业的高水平自动化。完善的煤矿环境监控系统能够有效地解决煤矿生产存在的各类问题,对于实现煤矿生产的智能化与高效化以及保障国家能源供给均具有重要意义。本文主要研究工作从以下几个方面展开:（1）本文按照矿区生产条件及检测对象性质,自主设计了异构分布式通信方式,研发多通讯协议多传感器融合的分布式煤矿生产监测与控制系统,以实现煤矿生产的智能化和现代化。（2）针对井下复杂恶劣环境对传感器带来的噪声干扰,采用DB6小波实现快速去噪与同步特征提取,然后使用概率神经网络进行故障识别,实现了一种新型快速在线故障诊断系统,对系统运行过程中遇到的新型未知故障类型,无需重新训练,直接在线增加模式层单元即可,实现在线增量式故障诊断。经测试验证了该模型具有良好的故障诊断效果。（3）根据煤矿生产的需求,使用Qt完成KTC2018煤矿环境监控系统上位机软件的设计,实现底层数据融合和协议转换,完成设备远程监控、状态显示、智能查询、故障诊断等功能。融合故障诊断系统,将在线增量式故障诊断模型应用于煤矿环境监测控制系统,实现理论研究与实际生产相结合,使故障诊断的速度更快、准确性更高。最后搭建系统测试平台,针对相应的上位机软件功能完成软件测试。
周晓勇[2]（2021）在《地铁车载ATC设备故障诊断与预警系统研究》文中研究说明地铁列车车载ATC设备是保障地铁列车安全高效运行的重要设备。当车载ATC设备发生故障时,可能导致列车运行晚点、列车回库检修等情况,给列车的运营造成损失。对地铁列车车载ATC设备的故障进行归纳分析,进而实现故障的自动化诊断和预警,是提高列车运行效率的必要手段。目前,地铁列车车载ATC设备信息记录不规范、监测信号不全面、预警手段欠缺等都是亟待解决的问题。本文针对这些问题,首先,设计开发信号检测单元的软件模块。其次,利用历史故障记录表,分析故障类型与故障特征,构建故障数据集,采用GA-PSO算法优化SVM模型,分别建立故障诊断与预警模型。最后,编写故障诊断预警软件平台。论文的具体工作包括:（1）针对监测信号不全面的问题,开发信号检测单元软件模块,实现信号采集、通信、日志存储、异常信号检测、远程登录以及看门狗等功能。同时,通过实验室测试和工程专业测试,验证软件程序的实际可用性。（2）针对信息记录不规范的问题,采用结巴分词分析文本信息,建立词汇库。提出以特征词汇的词语逆频率计算权值的方法,获取权值决策表,离散化后获得原数据集,以粗糙集理论中的简单数据分析法约简原数据集。利用原数据集和约简数据集对模型进行训练测试,结果表明,约简后的数据集减少5个特征项,节约20%左右的训练测试时间,对模型性能稍有提升。（3）针对预警手段欠缺的问题,提出一种GA-PSO算法对SVM进行参数寻优的方法,从而建立故障诊断与预警模型。以SVM中的分类模型SVC实现故障诊断,以回归模型SVR进行预测。基于故障数据集,通过对SVM、PSO-SVM、GA-SVM和GA-PSO-SVM模型训练测试,利用F1-Score和ROC曲线对分类结果进行对比评估,利用MSE值对预测结果进行对比评估,验证在分类和预测模型上,GA-PSO算法实现了对SVM模型的优化,并且比单一算法的优化效果更好,证明模型的可用性与稳定性。（4）编写故障诊断与预警模型软件平台。利用MATLAB软件编译器将模型转化为C++代码,封装成动态链接库。使用C++MFC框架设计实现了软件的界面编程,通过引用创建的动态链接库,实现故障诊断与预警软件的功能。本文提出一种基于GA-PSO-SVM模型的方法,分别利用模型中的分类与回归工具,实现车载ATC设备的故障诊断与预警,为地铁列车车载ATC设备的故障诊断与预警提供了新的思路。图45幅,表14个,参考文献67篇。
渠涧涛[3]（2021）在《LTE-R网络智能故障诊断与预测方法研究》文中提出随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R（Long Term Evaluation-Railways）技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:（1）针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统（GIS）技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。（2）在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络（GAN）方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法（NSGA-Ⅲ）对网络参数进行优化。最后,使用逼近理想解排序法（TOPSIS）从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。（3）为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络（CNN）的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。（4）针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载（E-RAB）异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解（CEEMDAN）对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络（LSTM）和注意力机制构建预测模型。此外,又引入了粒子群优化（PSO）算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。（5）考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化（BPSO）算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。
李浩[4]（2021）在《基于贝叶斯网络的通信系统故障诊断研究》文中认为在信息时代,通信系统的重要性不言而喻,当其发生故障时,需要在最短时间内进行排查和修复,这对于运营维护人员的专业要求非常高。为了更快速地帮助他们定位故障,自动故障诊断系统被提出,其高效率和实时性受到了各个通信设备公司的关注。然而一些算法模型如决策树、支持向量机等,对于故障类和故障特征之间的不确定关系无能为力,无法取得突出的效果。贝叶斯网络正是在这样一种情况下受到研究人员的关注。本文针对基于贝叶斯网络的通信系统数据难以标准化和模型构建复杂的问题,主要进行了两个部分的研究:其一,根据贝叶斯网络对数据格式的要求,对通信系统故障数据进行了数据预处理,包括挖掘提取、筛选、清洗等一系列处理流程,初步形成了构建初始模型所需的标准样本,并以此为基础,重点探讨了连续特征离散化算法,对K-means算法和Chi Merge算法进行了改进,以提升它们的离散化效果。其二,不同于以往的贝叶斯网络单纯地依靠基础数据建立,本文在融合专家知识的基础上,使用了Wrapper方法确定初始故障特征域,并进行了贝叶斯网络结构学习,极大地提高了模型的构建效率。本文通过实验验证了两种改进的数据离散化算法的有效性,其中改进的Chi Merge算法相对于分箱法使朴素贝叶斯分类器准确度提升了9.32%;验证融合专家知识的K2算法相对原算法进行贝叶斯网络结构学习有效率提升了14.48%;通过专家知识确定的初始特征域使Wrapper算法的迭代次数从大于50次降低到24次。最终融合专家知识得到的BAN模型诊断成功率达到88.67%,对传统的故障诊断算法模型,其在特征数据缺失条件下也能达到诊断要求。实验结果也证实基于贝叶斯网络的故障诊断模型能应用到实际中来,以满足广大运维人员对类似OLT的通信系统故障自动快速定位的需求。
卞子丹[5]（2020）在《自行火炮CAN总线实时数据采集与故障诊断》文中进行了进一步梳理故障诊断系统是复杂武器装备重要的组成部分,随着现代复杂武器装备电子技术发展的不断投入,集成的电子控制单元在复杂武器装备中的使用越来越多,大型武器装备的控制系统也变得更加复杂。某型自行火炮的发展也越发趋于模块化、智能化和现代化。随着大型武器装备的电子零部件不断增多,故障发生的概率也越来越大,并且其故障会并发和传播,一旦该系统发生故障,将会使武器装备的作战能力大打折扣。因此,开展对自行火炮实时故障诊断方法的研究对保障复杂装备完好率具有重要的工程应用价值。本文工作内容主要包括:（1）根据CAN总线实时数据采集与诊断系统的开发过程中出现的问题,研究了CAN总线实时数据采集与故障诊断系统的当前常用诊断方法,并且对故障诊断系统的数据采集和故障诊断的过程进行设计和实现,在传统的方法上加以改进,利用了CAN总线实时采集各部件实时数据,并将实时采集到的状态信息通过专家系统知识框架体系进行快速故障诊断,保障了复杂装备的完好率。（2）根据当前不同技术的故障诊断系统及其适用环境,根据最新的国军标,分析某型自行火炮的故障诊断需求,着重研究了该系统CAN总线的实时数据采集和通过专家系统来对获得的实时数据进行故障诊断处理,设计出自行火炮CAN总线实时数据采集与故障诊断系统软件的总体结构。（3）在上述基础上,运用了模块化的设计方法,对故障诊断系统每一个功能模块都进行了研究,再结合实际情况予以设计,在Linux系统下QT平台开发自行火炮的实时数据采集与故障诊断系统,实现了CAN总线实时数据采集与故障诊断系统典型故障诊断处理的功能。在某型火炮故障诊断实际应用过程中,本文所采用的CAN总线实时数据采集与故障诊断系统,在工程实践过程中,能够实时检测并利用某型火炮的状态进行诊断定位和隔离,提高了故障诊断的效率,为专家系统在复杂武器上的应用提供了一个实例。
范家铭[6]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中认为伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
李弘扬[7]（2020）在《基于机器学习的车载ATC设备非侵入式运维系统研究》文中指出在既有的车载ATC设备运维中,存在设备信息监测不全和故障诊断效率低下等问题。目前,车载ATC设备的信息监测主要通过数据总线采集的方式,对实际输入输出、设备供电等信息缺乏有效的监测手段。在故障诊断手段方面,主要依赖人工数据分析进行故障诊断分类,诊断分类准确度和诊断效率低下;在故障诊断分类算法研究方面,主要从人工记录的故障记录表或设备监测状态日报提取故障特征,可提取的故障特征和可分类的故障类别较少。针对车载ATC设备运维中存在的问题,开展基于机器学习算法的车载ATC设备非侵入式运维系统研究。提出基于磁通门的非侵入式电信号采集方案解决设备信息监测不全的问题;从行车日志中提取故障特征,提出多算法三取二决策故障分类模型解决故障诊断效率低下的问题。论文主要研究内容如下:（1）基于历史故障数据分析论证增加非侵入式信号采集系统的必要性。制定基于行车日志的故障特征提取原则,基于维修经验总结初始故障特征项集。（2）利用关联规则分析对特征项集进行验证和简约,提出基于压缩矩阵的CM-Apriori算法优化运行时间,与经典Apriori算法进行对比。测试结果显示,CMApriori算法可以节约29%的运行时间。（3）提出基于磁通门的非侵入式电信号采集方案对车载ATC设备的实际输入输出、设备供电、安全及非安全的输入输出信息进行采集。测试结果显示,最大采集误差为0.7m A,最大误差百分比为4.4%,满足采集精度5%的要求。（4）提出多算法三取二决策故障分类模型,对Ge NIe-BN网络、CART决策树和PSO-SVM三种机器学习算法进行综合决策。在Ge NIe-BN网络模型的构建中,对比了MCMC和K2结构学习算法,利用Ge NIe环境进行模型推理;在CART决策树模型的构建中,对最佳最大深度、随机种子等多个参数进行调整,获得最优决策树模型;在PSO-SVM模型的构建中,提出PSO优化算法寻找最优参数。最后,对三种模型进行对比分析,提出三取二决策故障分类模型对三种算法进行综合决策,三种不同的算法共同参与决策解决了三取二决策中的共模安全问题。测试结果显示,三取二决策故障分类模型有效降低了各算法的分类误差,模型准确率均值为94.6%,提升效果显着。本研究依托中国铁道科学研究院的国家重点研究计划项目。经过数据测试,本文所提出的基于机器学习算法的车载ATC设备非侵入式运维系统,在车载ATC设备监测及故障诊断分类算法方面均有良好的应用效果,可为预期维修研究提供借鉴和参考。图56幅,表22个,参考文献72篇。
王文响[8]（2020）在《基于遗传算法与因果模型的网络故障诊断研究》文中研究说明随着通信网络的快速发展,网络技术不断更新,网络规模不断壮大,网络结构越来越复杂,网络中运行的数据也在不断增长,企业和用户对通信网络的安全性、稳定性和可靠性要求越来越高。在如此复杂的网络结构中出现网络故障也是避免不了的,因此当网络出现故障时,能快速的对网络故障进行诊断和定位,有效的解决网络故障并及时恢复网络的正常尤其显得越来越重要。传统的网络故障诊断方法,计算工作量庞大,处理周期也比较长,无法对故障实现准确、快速地诊断。因此,研究智能化、模型化及快速化的网络故障诊断方法将会是未来研究的主流方向。本文重点分析和研究了通信接入网络中出现的各类宽带网络故障,并针对此提出了一种基于遗传算法与因果模型的宽带网络故障诊断方法。由于通信网络故障具有突发性、动态性、难排查的特征,维护起来比较困难。而遗传算法具有并行搜索和全局搜索性,算法简单、适用性强等特点,在计算中可以减少运算量,缩短诊断时间,能够提高故障的诊断效率。本文将遗传算法引入到通信接入网络的宽带故障诊断当中,研究了基于遗传算法的宽带网络故障因果模型的实现。本论文的主要研究工作有:（1）收集和分析通信接入网络项目中出现的各类宽带故障实例,找出故障节点间的因果逻辑联系,构建了一个宽带网络故障因果模型,将该模型分成了四层,由内到外分别为故障现象层、故障标识层、故障原因层和故障措施层。（2）根据已建立的故障因果模型,建立了一个由目标函数,决策变量和约束条件组成的数学模型。将数学模型中的目标函数作为遗传算法的适应度函数求出最小值,即求路径发生的概率最大转换成了求路径距离最短的问题。（3）将问卷调研得到的故障节点间概率大小的样本数据,运用遗传算法并行搜索计算出各条路径的距离大小,将求出的各条路径距离进行从优到次的排序,形成一个比较直观、扩展性好的宽带故障路径优先级表。按照表中从优到次的路径顺序逐一排查,找出导致故障的最终原因。（4）将实际中的通信接入网络项目中工程师的故障日志记录得到的样本数据作为测试集去验证,利用R语言实现遗传算法的效果验证,最后通过使用模型前后的提升度来评估模型的性能。本文提出的宽带网络故障诊断模型经过训练集和测试集的实证,诊断结果与实际相符,并且有较高的提升效果,表明该诊断方法切实可行、具有较高的诊断可靠性和实用价值性。
陈自豪[9]（2020）在《基于工业物联网云平台的轴承故障诊断分析》文中认为传统工业设备运维的定期维修模式,导致设备存在维修不及时、运维成本高等问题。基于人工智能算法的设备故障诊断的出现为设备运维提供了新的解决方案。当前大多数针对设备故障诊断的研究停留算法理论层面,未结合具体工业设备运维场景,诊断模型实际效果有待验证。基于数据驱动的故障诊断是当前故障诊断领域的主流方向,但它对传感器数据质量和故障诊断算法的性能要求较高。将故障诊断集成到物联网系统中直接获取设备监测数据进行故障诊断模型的训练预测,极大提高模型的准确性。本文结合实际工业物联网应用场景,研究了工业数据采集技术和卷积神经网络故障诊断算法。设计研发一套工业物联网云平台系统对各式工业传感器采集的数据进行监测分析存储。设计基于卷积神经网络的故障诊断模型,将其集成到工业物联网云平台系统之中,完成对设备状态的实时监测与运行状态估计,并给予运维建议。本文主要工作在以下三个方面。研究工业物联网的相关技术,对应用在工业物联网云平台系统中的工业传感器技术、工业信息采集技术以及工业物联网数据传输协议进行选型调试,实现设备状态数据采集上传的完整数据链路。设计开发工业物联网云平台系统。系统选用B/S（Browser/Server）架构,利用JAVA编程语言及一系列开发组件设计开发工业物联网云平台。系统运用消息中间件Kafka集群提升平台的数据通讯能力,最后将其部署到服务器之上,其中基于卷积神经网络算法实现故障诊断系统作为该系统的一个子模块。通过对平台进行一系列的测试工作,验证的平台各项功能完备且性能满足实际需求。针对工业场景各式传感器数据特征提取困难的问题,选择在特征学习方面具有强大能力卷积神经网络,搭建故障诊断模型。使用凯斯西储大学的轴承数据集将CNN故障诊断模型与LSTM算法模型、DNN模型以及决策树进行性能对比。综合考量模型预测精度以及运算时间,实验结果证明,卷积神经网络的故障诊断模型均优于几种对比算法。
张成[10]（2020）在《纯电动车整车控制器故障诊断系统设计与实现》文中认为在电动化、网联化、智能化、共享化和环保要求越来越严格趋势下,传统燃油车被更加高效节能的纯电动车所替代已大势所趋。但由于我国这几年纯电动车的快速发展,导致售后维护技术人员的匮乏,现有不多的技术人员的技能不足,不但使得现在纯电动车维修成本居高不下（在汽车故障判断方面费时耗力,解决故障效率低下）,也降低了整车制造企业的售后客户满意度评价。所以,在纯电动车中加入故障诊断系统就显得尤为重要,不但是纯电动车大量推广的重要因素,也是整车制造企业能否快速提高客户满意度、提升整车销售市场占有率、提高整车行驶安全性的重要途径。本文对纯电动车整车控制器故障诊断系统进行了研究,具体工作和内容如下:1、本文从CAN网络基本组成出发,详细介绍了SAEJ1939协议中的应用层、网络层、数据链路层、物理层及网络管理层等内容,制定了某型纯电动车整车控制器VCU通信协议,同时也对车辆故障诊断原理、诊断方法及故障分类进行了深入研究分析,选择取了数据流分析法用于在线故障诊断。2、从全局角度分析了纯电动车控制系统,介绍了各部件的作用与原理;提出了纯电动车故障诊断总体方案,完成了VCU功能定义和故障诊断系统网络拓扑结构图设计;再提出了VCU自诊断策略,完成了各子系统常见故障诊断策略设计;重点提出了主动诊断策略,完成了车辆无法上高压、无法行车及打气泵、转向泵等设备不工作的主动诊断策略设计。3、根据VCU故障诊断系统需求,完成了VCU诊断系统的软硬件设计,并制定了CAN故障诊断指令;完成了整车上电流程、自诊断流程及上电主动诊断流程的设计,并以电池管理系统故障为例采用Codewarrior软件完成了故障诊断程序设计。完成了上位机软件设计,主要包括有界面设计、通讯协议制定、串口通信实现。基于智能交互界面Z4000快速完成了手持式诊断设备的开发,主要包括有界面设计、用户程序设计及诊断功能实现等内容。4、搭建了车辆故障测试平台,通过PCAN-View软件读取了测试平台实时报文,再将解析后的报文与上位机实际数据进行了分析对比,验证了上位机实时监控及故障报警功能。再以车辆无法上高压为例进行了故障现场排除,实现了上位机主动诊断功能,诊断结果稳定理想,均可达前期系统功能设计要求。
二、一种通信设备故障诊断知识系统的设计（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、一种通信设备故障诊断知识系统的设计（论文提纲范文）
（1）基于无线网络的煤矿环境监控系统及故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究现状 |
| 1.2.1 国内外发展状况 |
| 1.2.2 故障诊断发展动态 |
| 1.3 本文内容结构与创新点 |
| 第2章 煤矿设备常见故障分析 |
| 2.1 煤矿采集运输系统 |
| 2.2 设备故障分析 |
| 2.2.1 设备常见的故障分类 |
| 2.2.2 设备常见的故障处理方法 |
| 2.3 煤矿环境检测难点分析 |
| 2.4 煤矿环境监控系统功能需求分析 |
| 2.5 本章小结 |
| 第3章 煤矿环境监控系统方案设计及硬件实现 |
| 3.1 KTC2018煤矿环境监控系统总体设计 |
| 3.2 通讯协议选择 |
| 3.2.1 Modbus协议 |
| 3.2.2 DLT645协议 |
| 3.3 系统检测内容 |
| 3.4 检测模块选型 |
| 3.4.1 温度传感器 |
| 3.4.2 撕裂传感器 |
| 3.4.3 压力传感器 |
| 3.4.4 煤位传感器 |
| 3.4.5 跑偏传感器 |
| 3.4.6 振动传感器 |
| 3.4.7 烟雾传感器 |
| 3.5 KTC2018集控台系统设计 |
| 3.6 本章小结 |
| 第4章 基于小波分析和PNN结合的设备故障预警系统 |
| 4.1 概率神经网络 |
| 4.1.1 概率神经网络简介 |
| 4.1.2 模式分类的贝叶斯决策 |
| 4.2 概率神经网络结构模型 |
| 4.3 小波变换与PNN结合的故障诊断模型分析 |
| 4.3.1 小波包分析 |
| 4.3.2 小波包算法 |
| 4.3.3 小波包分解与PNN故障诊断模型分析 |
| 4.4 数据预处理 |
| 4.5 仿真结果分析 |
| 4.6 本章小结 |
| 第5章 KTC2018煤矿环境监控系统研发与测试 |
| 5.1 KTC2018监控系统软件系统架构设计 |
| 5.1.1 KTC2018系统框架 |
| 5.1.2 KTC2018系统控制流程 |
| 5.1.3 KTC2018系统控制模式 |
| 5.1.4 KTC2018系统核心功能 |
| 5.1.5 KTC2018上位机软件工程目录 |
| 5.2 KTC2018系统程序开发框架 |
| 5.2.1 Qt简介 |
| 5.2.2 信号和槽 |
| 5.3 函数类模块 |
| 5.3.1 线程类 |
| 5.3.2 通信类 |
| 5.3.3 窗口类 |
| 5.3.4 其它函数 |
| 5.4 KTC2018工作采面设计 |
| 5.4.1 KTC2018工作采面功能分析 |
| 5.4.2 KTC2018工作采面控制台设计 |
| 5.5 KTC2018上位机皮带采面设计 |
| 5.5.1 KTC2018皮带采面功能 |
| 5.5.2 KTC2018皮带采面运输保护机制 |
| 5.5.3 KTC2018皮带采面主控台功能设计 |
| 5.6 KTC2018系统参数设置和诊断系统界面设计 |
| 5.7 KTC2018软件性能测试结果及故障诊断测试 |
| 5.7.1 KTC2018系统测试平台建设 |
| 5.7.2 KTC2018系统试测平台检测内容 |
| 5.7.3 KTC2018底层协议转换功能测试 |
| 5.7.4 KTC2018底层串口数据交互功能测试 |
| 5.7.5 KTC2018系统设备连锁控制功能测试 |
| 5.7.6 KTC2018系统设备故障检测及报警处理功能测试 |
| 5.7.7 KTC2018系统整体稳定性测试 |
| 5.8 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在学期间主要科研成果 |
| 一、发表的学术论文 |
| 二、其它科研成果 |
（2）地铁车载ATC设备故障诊断与预警系统研究（论文提纲范文）
| 致谢 |
| 缩略词注释表 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断预警技术综述 |
| 1.2.2 车载设备故障预警现状 |
| 1.3 论文研究内容 |
| 2 支持向量机原理 |
| 2.1 支持向量机分类(SVC) |
| 2.2 支持向量机回归(SVR) |
| 2.3 支持向量机核函数 |
| 2.4 本章小结 |
| 3 车载ATC设备及数据挖掘方法 |
| 3.1 列车车载ATC设备结构及功能 |
| 3.1.1 车载ATC设备结构 |
| 3.1.2 车载ATC设备功能 |
| 3.2 车载ATC故障数据分析及特征 |
| 3.2.1 信号专业运营故障记录表 |
| 3.2.2 故障数据统计分析 |
| 3.3 基于粗糙集的数据约简与数据集构建 |
| 3.3.1 粗糙集理论 |
| 3.3.2 故障决策属性表 |
| 3.3.3 基于粗糙集的数据约简 |
| 3.4 小结 |
| 4 基于GA-PSO-SVM的车载ATC设备的故障诊断与预警 |
| 4.1 PSO算法 |
| 4.2 GA算法 |
| 4.3 GA-PSO嵌入式混合算法模型 |
| 4.4 基于SVM的车载ATC设备故障诊断与预警 |
| 4.4.1 粒子设计与验证 |
| 4.4.2 适应度函数的确认 |
| 4.4.3 模型建立过程 |
| 4.4.4 模型评价指标 |
| 4.4.5 基于SVC的故障诊断模型仿真实现 |
| 4.4.6 基于SVR的故障预测模型仿真实现 |
| 4.5 小结 |
| 5 信号检测单元及故障诊断预警软件平台 |
| 5.1 信号检测单元 |
| 5.1.1 信号检测单元模块组成 |
| 5.1.2 信号检测单元软件开发 |
| 5.1.3 信号检测单元实际测试 |
| 5.2 故障诊断预警软件平台 |
| 5.2.1 软件功能需求 |
| 5.2.2 软件设计 |
| 5.2.3 软件实现 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（3）LTE-R网络智能故障诊断与预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 智能故障诊断及预测研究现状及进展 |
| 1.2.1 智能故障诊断与预测概述 |
| 1.2.2 智能故障诊断方法 |
| 1.2.3 智能故障预测方法 |
| 1.2.4 智能故障诊断与预测方法总结 |
| 1.3 LTE-R网络故障诊断与预测问题研究 |
| 1.3.1 相关数据和指标 |
| 1.3.2 LTE-R网络故障诊断问题研究 |
| 1.3.3 LTE-R网络故障预测问题研究 |
| 1.3.4 LTE-R网络故障诊断与预测结果评价 |
| 1.4 本文主要研究内容与结构安排 |
| 2 基于大数据及GIS技术的LTE-R覆盖及切换问题检测 |
| 2.1 引言 |
| 2.2 相关技术简介 |
| 2.2.1 大数据相关技术 |
| 2.2.2 “天地图”地理信息平台 |
| 2.2.3 LTE-R覆盖及切换问题 |
| 2.3 方法设计 |
| 2.4 方法实现 |
| 2.4.1 数据预处理 |
| 2.4.2 数据分析 |
| 2.4.3 基于GIS技术的可视化 |
| 2.5 实验与分析 |
| 2.6 本章小结 |
| 3 基于深度学习及多目标优化的LTE-R通信性能劣化小区检测 |
| 3.1 引言 |
| 3.2 方法设计与实现 |
| 3.2.1 方法设计 |
| 3.2.2 双编码器DAE神经网络 |
| 3.2.3 基于GAN的逐层训练方法 |
| 3.2.4 利用NSGA-Ⅲ优化模型参数 |
| 3.2.5 用TOPSIS方法对非支配解集进行排序 |
| 3.3 实验与分析 |
| 3.3.1 对比方法 |
| 3.3.2 KEEL数据描述 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果及分析 |
| 3.4 LTE-R通信性能劣化小区检测 |
| 3.4.1 数据描述及预处理 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测 |
| 4.1 引言 |
| 4.2 相关定义 |
| 4.3 方法设计与实现 |
| 4.3.1 方法设计 |
| 4.3.2 基于CNN的特征提取网络 |
| 4.3.3 不平衡序列特征提取的优化目标 |
| 4.3.4 利用差分进化算法训练网络权值 |
| 4.4 实验与分析 |
| 4.4.1 数据描述及预处理 |
| 4.4.2 实验设置 |
| 4.4.3 对比与讨论 |
| 4.5 本章小结 |
| 5 基于PA-LSTM的 LTE-R小区通信性能预测方法 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 方法设计与实现 |
| 5.3.1 总体框架设计 |
| 5.3.2 基于CEEMDAN的数据预处理 |
| 5.3.3 基于PA-LSTM构建预测模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验设置 |
| 5.4.3 对比与讨论 |
| 5.5 本章小结 |
| 6 面向LTE-R小区通信性能预测的多维时间序列预测方法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 方法设计与实现 |
| 6.3.1 总体设计 |
| 6.3.2 数据预处理 |
| 6.3.3 基于MRMR准则以及BPSO的特征选择 |
| 6.3.4 深度特征提取及结果预测 |
| 6.4 实验与分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验设置 |
| 6.4.3 特征选择实验 |
| 6.4.4 模型训练及评估 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于贝叶斯网络的通信系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 贝叶斯网络研究现状 |
| 1.3 本文的主要内容 |
| 2 贝叶斯网络的基本原理 |
| 2.1 贝叶斯网络的基础知识 |
| 2.1.1 贝叶斯定理 |
| 2.1.2 贝叶斯网络的几种连接情况 |
| 2.1.3 贝叶斯网络学习 |
| 2.2 几种贝叶斯分类器模型 |
| 2.2.1 朴素贝叶斯分类器 |
| 2.2.2 树形增强型朴素贝叶斯分类器 |
| 2.2.3 增强的朴素贝叶斯分类器 |
| 2.3 本章小结 |
| 3 通信系统故障数据的预处理 |
| 3.1 数据采集 |
| 3.2 对告警数据的处理 |
| 3.3 建立初始样本集 |
| 3.4 对有缺失样本的处理 |
| 3.5 连续特征值的离散 |
| 3.5.1 等宽法 |
| 3.5.2 等频法 |
| 3.5.3 改进K-means聚类离散化 |
| 3.5.4 Chi Merge离散化 |
| 3.6 本章小结 |
| 4 基于贝叶斯网络的通信系统故障诊断 |
| 4.1 对专家知识的运用 |
| 4.1.1 专家知识 |
| 4.1.2 专家知识的导出 |
| 4.1.3 专家知识融合 |
| 4.2 Wrapper方法确定特征域 |
| 4.3 基于贝叶斯网络的通信系统故障诊断 |
| 4.4 几种模型效果对比 |
| 4.5 总体架构设计 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 成果总结 |
| 5.2 主要创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 |
（5）自行火炮CAN总线实时数据采集与故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的背景和研究意义 |
| 1.2 技术研究发展现状 |
| 1.2.1 CAN总线数据采集 |
| 1.2.2 故障诊断技术研究现状及相关诊断方法 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 2 相关技术理论 |
| 2.1 CAN总线通信协议 |
| 2.1.1 通信方式 |
| 2.1.2 扩展帧29位帧ID定义 |
| 2.1.3 短报文数据通信 |
| 2.1.4 长报文数据通信 |
| 2.1.5 数据错误检测 |
| 2.2 专家系统简介 |
| 2.2.1 专家系统的类型 |
| 2.2.2 专家系统的组成 |
| 2.2.3 诊断推理机的建立 |
| 2.3 故障诊断 |
| 2.3.1 故障诊断系统概述 |
| 2.3.2 智能故障诊断系统 |
| 2.3.3 在线实时故障诊断 |
| 2.3.4 层次结构与故障决策树 |
| 2.4 本章小结 |
| 3 某自行火炮的故障诊断知识表示与推理 |
| 3.1 对象式框架知识表示 |
| 3.1.1 对象式框架知识的定义 |
| 3.1.2 诊断系统对象式框架知识的存储 |
| 3.1.3 在线诊断知识的表示 |
| 3.1.4 经验诊断知识的表示 |
| 3.1.5 原理诊断知识的表示 |
| 3.2 知识的获取 |
| 3.2.1 专家知识的构成 |
| 3.2.2 故障诊断知识的获取途径 |
| 3.2.3 知识获取的步骤 |
| 3.2.4 诊断知识的预处理 |
| 3.3 对象式框架知识表示推理 |
| 3.4 本章小结 |
| 4 某自行火炮实时数据采集与故障诊断系统的设计与实现 |
| 4.1 系统分析 |
| 4.1.1 某自行火炮及其故障诊断系统组成 |
| 4.1.2 自行火炮实时数据采集与故障诊断系统 |
| 4.2 系统功能设计 |
| 4.2.1 CAN总线的数据采集 |
| 4.2.2 专家系统与信号处理装置软件的协议以及实现 |
| 4.2.3 自行火炮的故障诊断 |
| 4.3 故障诊断专家系统的实现 |
| 4.3.1 系统开发环境 |
| 4.3.2 故障诊断软件 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
（6）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 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 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于机器学习的车载ATC设备非侵入式运维系统研究（论文提纲范文）
| 致谢 |
| 缩略词注释表 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车载ATC设备状态监测技术现状 |
| 1.2.2 车载ATC设备故障诊断技术现状 |
| 1.3 论文的主要工作 |
| 2 车载ATC设备及其故障分析 |
| 2.1 车载ATC设备结构及其功能概述 |
| 2.2 车载ATC设备故障及行车日志表现分析 |
| 2.2.1 设备故障分类总结及典型故障分析 |
| 2.2.2 设备故障时刻行车日志表现分析 |
| 2.3 基于行车日志的故障特征提取方法 |
| 2.3.1 基于维修经验的故障特征项提取原则 |
| 2.3.2 基于压缩矩阵(CM)的Apriori算法原理 |
| 2.3.3 基于CM-Apriori算法的故障特征关联规则分析 |
| 2.4 本章小结 |
| 3 非侵入式电信号采集系统设计 |
| 3.1 车载ATC设备待采集电信号介绍 |
| 3.2 非侵入式电信号采集技术及传感器选型 |
| 3.2.1 非侵入式磁通门传感器采集原理 |
| 3.2.2 RCMU型磁通门传感器 |
| 3.3 非侵入式车载ATC设备电信号采集系统设计 |
| 3.3.1 信号采集模块电路设计及功能测试 |
| 3.3.2 信号采集组合式单元电路设计及功能测试 |
| 3.4 本章小结 |
| 4 多算法三取二决策故障分类模型研究 |
| 4.1 车载ATC设备故障数据仿真及处理 |
| 4.1.1 基于MTC-1型CBTC系统实验平台的行车日志仿真 |
| 4.1.2 构建故障样本数据集 |
| 4.2 基于GENIE-BN网络的故障分类模型 |
| 4.2.1 BN网络基础知识 |
| 4.2.2 基于MCMC与 K2 算法的BN网络结构学习 |
| 4.2.3 基于期望最大化算法(EM)的BN网络参数学习 |
| 4.2.4 基于Ge NIe环境的BN网络模型推理 |
| 4.3 基于CART-决策树的故障分类模型 |
| 4.3.1 CART-决策树算法基础知识 |
| 4.3.2 CART-决策树模型调参 |
| 4.4 基于粒子群算法(PSO)的SVM故障分类模型 |
| 4.4.1 SVM分类算法基础知识 |
| 4.4.2 SVM模型参数调整 |
| 4.4.3 基于PSO算法的SVM模型参数寻优 |
| 4.5 算法模型对比及三取二决策模型构建 |
| 4.6 本章小结 |
| 5 非侵入式运维系统软件设计与实现 |
| 5.1 车载ATC设备接口监测上位机 |
| 5.1.1 软件功能设计 |
| 5.1.2 软件功能实现 |
| 5.2 行车日志特征提取软件 |
| 5.2.1 软件功能设计 |
| 5.2.2 软件功能实现 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（8）基于遗传算法与因果模型的网络故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外网络故障诊断方法研究现状 |
| 1.2.2 国内网络故障诊断方法研究现状 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 章节安排和全文框架 |
| 1.4.1 章节安排 |
| 1.4.2 全文框架 |
| 2 相关概念及理论基础 |
| 2.1 通信网络概述及网络故障分类 |
| 2.1.1 通信网络概述 |
| 2.1.2 通信网络故障分类 |
| 2.1.3 通信接入网络及故障分析 |
| 2.2 故障诊断相关理论基础 |
| 2.2.1 故障诊断的相关概念 |
| 2.2.2 故障诊断方法分类 |
| 2.2.3 故障诊断技术分类 |
| 2.3 故障诊断模型方法 |
| 2.3.1 定量诊断模型 |
| 2.3.2 定性诊断模型 |
| 2.3.3 故障树模型 |
| 2.3.4 因果图模型 |
| 2.4 本章小结 |
| 3 因果网络模型下遗传算法故障诊断方法 |
| 3.1 遗传算法的起源及应用现状 |
| 3.2 遗传算法的实现 |
| 3.2.1 编码 |
| 3.2.2 适应度函数 |
| 3.2.3 选择算子 |
| 3.2.4 交叉算子 |
| 3.2.5 变异算子 |
| 3.2.6 终止操作 |
| 3.3 遗传算法的主要特点 |
| 3.4 故障因果网络模型的构建 |
| 3.4.1 构建基本故障因果网络模型 |
| 3.4.2 构建数学模型 |
| 3.5 融入项目背景下的宽带网络故障因果模型 |
| 3.6 遗传算法下的宽带网络故障因果模型的实现 |
| 3.7 本章小结 |
| 4 实证分析 |
| 4.1 配置环境 |
| 4.2 实证数据集 |
| 4.2.1 数据的来源 |
| 4.2.2 数据的相关描述 |
| 4.2.3 问卷的信度分析 |
| 4.2.4 数据结果分析 |
| 4.3 实证过程 |
| 4.3.1 选取数据集 |
| 4.3.2 评价标准 |
| 4.3.3 R语言实证过程 |
| 4.3.4 实证结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 调查问卷 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（9）基于工业物联网云平台的轴承故障诊断分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工业物联网技术研究现状 |
| 1.2.2 故障诊断方法研究现状 |
| 1.2.3 基于工业物联网系统的故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 工业物联网的相关技术 |
| 2.1 工业传感器技术 |
| 2.2 工业信息采集技术 |
| 2.3 工业物联网数据传输协议 |
| 2.4 本章小结 |
| 第三章 工业互联网云平台实现 |
| 3.1 工业互联网云平台技术路线 |
| 3.2 工业互联网云平台硬件基础 |
| 3.3 开发环境与服务器端配置 |
| 3.4 扩展Kafka集群 |
| 3.4.1 .配置虚拟机 |
| 3.4.2 配置Zookeeper |
| 3.4.3 配置kafka文件 |
| 3.5 平台数据库设计 |
| 3.5.1 设备消息表设计 |
| 3.5.2 用户信息表设计 |
| 3.5.3 设备类型信息表设计 |
| 3.5.4 网络信息表设计 |
| 3.5.5 插件信息表设计 |
| 3.5.6 用户网络信息表设计 |
| 3.6 工业物联网云平台启动 |
| 3.7 工业互联网平台界面及功能介绍 |
| 3.7.1 工业物联网平台登陆页面 |
| 3.7.2 用户设置页面 |
| 3.7.3 网络设置页面 |
| 3.7.4 设备类型设置页面 |
| 3.7.5 设备详情页面 |
| 3.7.6 令牌设置页面 |
| 3.7.7 插件设置页面 |
| 3.8 本章小结 |
| 第四章 工业物联网云平台测试 |
| 4.1 kafka集群测试 |
| 4.2 传感器采集数据MQTT通信测试 |
| 4.3 平台设备接入性能压力测试 |
| 4.4 本章小结 |
| 第五章 基于卷积神经网络的轴承故障诊断 |
| 5.1 卷积神经网络理论基础 |
| 5.1.1 输入层 |
| 5.1.2 卷积层 |
| 5.1.3 池化层 |
| 5.1.4 激励函数层 |
| 5.2 轴承数据解读 |
| 5.3 CNN模型构建 |
| 5.4 模型调参数与实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所获得研究成果 |
| 致谢 |
（10）纯电动车整车控制器故障诊断系统设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外汽车故障诊断研究现状 |
| 1.2.1 国外汽车故障诊断研究现状 |
| 1.2.2 国内汽车故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 整车控制器通信协议设计 |
| 2.1 SAEJ1939协议介绍 |
| 2.1.1 物理层 |
| 2.1.2 数据链路层 |
| 2.1.3 网络层 |
| 2.1.4 应用层 |
| 2.1.5 网络管理层 |
| 2.2 整车控制器通信协议设计 |
| 2.3 故障诊断管理 |
| 2.3.1 故障诊断原理 |
| 2.3.2 故障诊断方法 |
| 2.3.3 故障分类 |
| 2.4 本章小结 |
| 第三章 整车控制器故障诊断策略设计 |
| 3.1 纯电动车控制系统 |
| 3.2 纯电动车系统参数 |
| 3.2.1 车型基本参数及性能参数 |
| 3.2.2 动力系统参数 |
| 3.3 纯电动车故障诊断总体方案 |
| 3.3.1 整车控制器功能定义 |
| 3.3.2 故障诊断系统网络结构 |
| 3.4 VCU自诊断及处理策略 |
| 3.4.1 电池故障诊断及处理策略 |
| 3.4.2 电机驱动系统故障诊断及处理策略 |
| 3.4.3 CAN网络故障诊断及处理策略 |
| 3.5 主动诊断策略 |
| 3.5.1 无法上高压故障诊断及处理策略 |
| 3.5.2 无法行车故障诊断及处理策略 |
| 3.5.3 档位故障诊断及处理策略 |
| 3.5.4 设备故障诊断及处理策略 |
| 3.6 本章小结 |
| 第四章 整车控制器故障诊断系统设计 |
| 4.1 系统总体需求分析 |
| 4.2 整车控制器故障诊断系统硬件设计 |
| 4.2.1 主控芯片选择及最最小系统 |
| 4.2.2 电源电路设计 |
| 4.2.3 输入采集电路设计 |
| 4.2.4 输出电路设计 |
| 4.2.5 通信电路设计 |
| 4.3 整车控制器的故障诊断系统软件设计 |
| 4.3.1 软件主要功能需求分析及结构设计 |
| 4.3.2 软件底层驱动开发 |
| 4.3.3 软件应用层逻辑控制策略 |
| 4.4 上位机诊断软件实现 |
| 4.4.1 软件界面(UI)设计 |
| 4.4.2 串口通信实现 |
| 4.4.3 上位机诊断功能实现 |
| 4.5 手持诊断设备设计 |
| 4.5.1 串口命令及程序编写 |
| 4.5.2 手持诊断设备界面设计及诊断实现 |
| 4.6 本章小结 |
| 第五章 故障诊断系统测试 |
| 5.1 车辆故障测试平台 |
| 5.2 车辆故障诊断系统测试 |
| 5.2.1 实时监控和故障报警功能测试 |
| 5.2.2 主动诊断功能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 芯片部分端口定义程序 |
| 附录2 定时器初始化定义程序 |
| 附录3 单体电压故障程序 |
| 附录4 手持诊断设备部分用户程序 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、一种通信设备故障诊断知识系统的设计（论文参考文献）
- [1]基于无线网络的煤矿环境监控系统及故障诊断技术研究[D]. 闵凡超. 齐鲁工业大学, 2021(09)
- [2]地铁车载ATC设备故障诊断与预警系统研究[D]. 周晓勇. 北京交通大学, 2021(02)
- [3]LTE-R网络智能故障诊断与预测方法研究[D]. 渠涧涛. 北京交通大学, 2021(02)
- [4]基于贝叶斯网络的通信系统故障诊断研究[D]. 李浩. 武汉邮电科学研究院, 2021(01)
- [5]自行火炮CAN总线实时数据采集与故障诊断[D]. 卞子丹. 西安工业大学, 2020(04)
- [6]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [7]基于机器学习的车载ATC设备非侵入式运维系统研究[D]. 李弘扬. 北京交通大学, 2020(03)
- [8]基于遗传算法与因果模型的网络故障诊断研究[D]. 王文响. 大连海事大学, 2020(01)
- [9]基于工业物联网云平台的轴承故障诊断分析[D]. 陈自豪. 中北大学, 2020(09)
- [10]纯电动车整车控制器故障诊断系统设计与实现[D]. 张成. 合肥工业大学, 2020(02)