基于全矢谱的设备故障预测方法研究
摘要 | 第4-6页 |
Abstract | 第6-8页 |
1 绪论 | 第12-29页 |
1.1 课题来源 | 第12页 |
1.2 设备故障预测的研究意义 | 第12-13页 |
1.3 故障预测技术研究现状 | 第13-22页 |
1.3.1 故障预测技术的发展历程 | 第13-14页 |
1.3.2 故障预测技术研究现状 | 第14-17页 |
1.3.3 预测方法研究现状 | 第17-20页 |
1.3.4 大数据预警研究现状 | 第20-22页 |
1.4 同源信息融合技术研究现状 | 第22-24页 |
1.4.1 信息融合技术 | 第22-23页 |
1.4.2 同源信息融合 | 第23-24页 |
1.5 课题研究的目的和意义 | 第24-26页 |
1.6 主要研究内容与结构安排 | 第26-29页 |
1.6.1 本文的主要研究内容 | 第26-27页 |
1.6.2 本文的结构安排 | 第27-29页 |
2 基于全矢信息融合的故障预测 | 第29-46页 |
2.1 全矢谱理论与方法 | 第29-40页 |
2.1.1 同源融合的必要性 | 第29-30页 |
2.1.2 全矢谱基本原理 | 第30-38页 |
2.1.3 全矢振动特征计算 | 第38-40页 |
2.2 全矢振动强度预测 | 第40-42页 |
2.3 全矢振动频谱预测 | 第42-43页 |
2.4 多维预测与整机评价 | 第43-45页 |
2.5 本章小结 | 第45-46页 |
3 全矢数据采集与特征提取 | 第46-56页 |
3.1 虚拟振动传感器 | 第46-48页 |
3.2 全矢振动数据采集 | 第48-55页 |
3.2.1 全矢采集电路 | 第48-50页 |
3.2.2 全矢采集过程控制 | 第50-52页 |
3.2.3 全矢数据分析与验证 | 第52-55页 |
3.3 本章小结 | 第55-56页 |
4 全矢AR时序预测模型研究 | 第56-74页 |
4.1 全矢AR模型的构建 | 第57-68页 |
4.1.1 AR模型结构 | 第57-58页 |
4.1.2 时序预测的步骤 | 第58页 |
4.1.3 模型的识别 | 第58-62页 |
4.1.4 参数估计 | 第62-66页 |
4.1.5 AR模型预测递推公式 | 第66-67页 |
4.1.6 分析评价指标 | 第67-68页 |
4.2 全矢AR模型的计算验证 | 第68-73页 |
4.2.1 全矢AR模型数值计算 | 第68-70页 |
4.2.2 预测验证 | 第70-73页 |
4.3 本章小结 | 第73-74页 |
5 全矢灰色预测模型研究 | 第74-85页 |
5.1 全矢灰色模型 | 第74-79页 |
5.1.1 灰色模型理论 | 第74-77页 |
5.1.2 全矢-灰色模型构建 | 第77-79页 |
5.2 实验验证 | 第79-83页 |
5.3 本章小结 | 第83-85页 |
6 全矢综合预测模型与大数据预警 | 第85-101页 |
6.1 全矢综合预测模型 | 第85-97页 |
6.1.1 全矢综合预测模型 | 第86页 |
6.1.2 EMD趋势项提取 | 第86-91页 |
6.1.3 全矢综合预测模型的建立 | 第91-92页 |
6.1.4 试验验证 | 第92-97页 |
6.2 基于全矢谱的大数据预警 | 第97-100页 |
6.2.1 大数据预警流程 | 第97-98页 |
6.2.2 预测结果综合评价与诊断 | 第98-100页 |
6.3 本章小结 | 第100-101页 |
7 全矢故障预测技术及其工程应用 | 第101-114页 |
7.1 基于全矢谱的故障预测技术 | 第101-102页 |
7.2 相关产品与功能开发 | 第102-107页 |
7.2.1 SDC系列采集器 | 第103-105页 |
7.2.2 软件功能 | 第105-107页 |
7.3 工程应用实例 | 第107-113页 |
7.4 本章小结 | 第113-114页 |
8 结论与展望 | 第114-118页 |
8.1 结论 | 第114-115页 |
8.2 关键技术和创新点 | 第115-116页 |
8.3 展望 | 第116-118页 |
参考文献 | 第118-131页 |
个人简历 | 第131-132页 |
在校期间发表的学术论文与研究成果 | 第132-134页 |
致谢 | 第134页 |