导读:本文包含了状态监测与预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:状态,健康,在线,挠度,故障,阈值,轧辊。
状态监测与预测论文文献综述
王志伟,李建岐,黄毕尧[1]（2019）在《基于混合队列模型的配电网状态监测业务通信带宽预测》一文中研究指出配电网状态监测系统建设是构建泛在电力物联网的重要内容,准确预测通信网络带宽对明确业务需求、优化资源配置具有重要意义。针对当前配用电基于排队论的通信带宽预测方法在混合业务并存时带宽计算过程复杂的局限性,提出了一种基于G/M/1/N队列模型的通信带宽预测方法。从状态监测系统架构和数据业务特点出发,分析混合数据业务到达时间间隔的统计描述以及基本传输速率,并给出了满足服务质量(quality of service,QoS)要求的系统带宽最优化化求解方法。以典型配电网状态监测应用为例,讨论了业务带宽、服务质量和带宽利用率之间的量化评价过程;验证了配电网状态监测网络信息流的"小数据"特征,为低功耗广域物联网通信技术在配电网状态监测中的应用提供了理论支撑。(本文来源于《电力建设》期刊2019年11期）
安华,王国锋,王喆,马凯乐,钟才川[2]（2019）在《基于深度学习理论的刀具状态监测及剩余寿命预测方法》一文中研究指出针对机械大数据的特点及深度学习的优势,提出了一种新的刀具磨损状态监测及剩余使用寿命预测方法。该方法首先利用稀疏自编码器及皮尔逊相关系数对原始切削力信号自适应提取敏感特征;之后将得到的显着性特征与其对应的刀具磨损值训练反向传播(BP)神经网络;最后使用预测的刀具磨损值作为观测值,利用指数平滑算法预测刀具剩余使用寿命。为了解决样本数量不足带来的过拟合问题,对原始样本进行加噪处理,同时在特征提取过程中引入dropout训练技巧。通过刀具全寿命周期实验实现了大量样本下刀具磨损特征自适应提取与剩余寿命预测,证明了所提方法的有效性。(本文来源于《电子测量与仪器学报》期刊2019年09期）
张瑞[3]（2019）在《基于多源监测数据的道路交通状态预测》一文中研究指出文章根据模糊数学的概念、流体力学等知识,在筛选海量数据后得出其相互关系,建立了道路畅通模型、拥堵预测模型以及新增车辆预测模型,分析道路畅通程度及预测道路拥堵状况,并进行了新增车辆的拥堵预测,最后对模型的合理性进行检验。(本文来源于《科技创新与应用》期刊2019年19期）
夏克刚[4]（2019）在《动力电池组健康状态监测和寿命预测的研究》一文中研究指出随着能源危机和环境污染日益严重的问题,电动汽车的蓬勃发展已成为必然趋势。作为电动汽车能量的来源,动力电池已成为研究的重点。近年来,智能算法对电池的状态预测研究受到国内外学者广泛的重视。本文基于神经网络算法和联合法等方法,提出了预测电池荷电状态(State of Charge,SOC)、健康状态(State of Health,SOH)和剩余使用寿命(Remaining Useful Life,RUL)的方法,采用实验结合仿真的方式,深入研究对电池健康状态和剩余使用寿命预测精度不高和单一参量预测局限性的难题。本文的主要研究工作和创新点如下:(1)通过测量实验发现,锂电池内阻对其SOC的预测有重要影响,而现有文献中很少研究电池内阻对SOC预测的影响。本文采用BP神经网络方法,将采集电池的电压、电流、内阻和温度作为网络的输入,电池SOC作为神经网络的输出,建立SOC预测模型进行仿真实验。相比现有研究工作,本文加入内阻作为输入的预测模型,比未加内阻的模型预测精度更高,误差波动小。(2)在研究工作(1)的基础上,分别提出改进型容量法、改进型内阻法和电压法估算电池的SOH。与现有预测方法对比,叁种方法的预测时间大大缩减,通过仿真实验,从而验证了叁种单独方法的预测精度高。在此基础上又提出基于BP神经网络联合方法估算电池的SOH,并且通过仿真实验,验证了遗传神经网络联合方法相比BP神经网络联合方法和粒子群神经网络联合方法预测SOH的优势。(3)在研究工作(1)和(2)的基础上,分别提出基于曲线拟合、卡尔曼滤波和灰色神经网络算法预测电池的剩余使用寿命。并在此基础上,提出基于神经网络联合方法预测电池的剩余使用寿命。通过仿真实验,验证了基于神经网络联合方法预测精度高于其他叁种方法。同时通过仿真对比,验证了粒子群神经网络联合方法相比BP神经网络联合方法和遗传神经网络联合方法预测RUL的优势。(本文来源于《温州大学》期刊2019-05-01）
翟鹏,顾廷权,王学敏,李鹤[5]（2019）在《轧辊磨床状态监测与故障预测技术进展》一文中研究指出轧辊磨床是冶金行业的关键装备,针对其运行状态缺乏有效监测等问题,特提出了应用于轧辊磨床的状态监测与故障预测技术。简要介绍了轧辊磨床状态监测技术的方式与方法,综述了国内外学者在信号特征提取及轧辊磨床状态监测系统开发上所做的工作。重点对故障预测的方法进行了分类和介绍,总结归纳了21种故障预测的工具方法并分别做了评价。最后提出当前轧辊磨床状态监测与故障预测所面临的问题与挑战。(本文来源于《冶金自动化》期刊2019年02期）
赖旭伟[6]（2018）在《中走丝数控电火花线切割加工过程能耗预测及其加工状态监测研究》一文中研究指出制造业能量消耗巨大,污染排放严重,对全球的资源以及环境造成了巨大的影响,对制造过程能耗以及相应节能减排策略的研究是实现可持续发展的必经之路。中走丝数控电火花线切割(WEDM-MS)是我国特有的非传统的电加工方式之一,在加工高硬度合金、复杂几何结构等传统加工难以实现的领域占有重要地位,常用于航空航天、汽车、模具等行业。本文将针对WEDM-MS的加工过程能量消耗、低能耗参数控制以及加工状态的监测问题进行研究,提出了WEDM-MS能量消耗预测模型、低能耗控制策略方法以及加工过程状态监控的原型系统,具体研究如下:首先对WEDM-MS机床加工过程中的能耗部件进行了分类,并建立相应的能量模型。在此基础上,结合加工过程中的具体工件信息、电参数信息建立了加工能量消耗的计算模型,实现了在设计阶段能量消耗预测。并提出了一种基于电参数设置的WEDM-MS机床加工节能策略。其次对WEDM-MS机床加工过程状态监测系统进行了研究与开发。以加工过程中的能耗特性为基础,以加工任务为导向,对不同任务的状态进行监测。构建了该系统的硬件平台,同时开了系统的软件平台,实现了该监测系统的各个功能模块。最后将该原型系统应用于DK7740D机床加工过程中,利用该系统所采集的加工过程能耗信息对两次加工进行了对比,验证了本文所建立的能耗计算模型的准确性。此外,本论文中所提出的节能策略也被验证,实验结果表明该策略在保证加工质量的基础上,能够有效的节约加工时间、降低加工能耗同时提高脉冲系统的能效。(本文来源于《浙江科技学院》期刊2018-12-04）
段敏,谢俊斌[7]（2018）在《回响状态网络预测方法在桥梁健康监测中的应用》一文中研究指出回响状态网络是一种模仿大脑神经元递归连接的新型回归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题。针对莲花大桥的挠度数据,通过回响状态网络预测方法对其进行建模分析并进行趋势预测。实测结果表明:基于回响状态网络预测的精度较高,预测误差仅为0.796 1 mm,可为桥梁的安全运营预测提供可靠依据。(本文来源于《公路交通技术》期刊2018年03期）
刘海平[8]（2018）在《基于状态监测数据融合的破碎机辊套剩余寿命预测及再造性研究》一文中研究指出由于大型机械装备的特殊工况对其健康管理提出了严峻的挑战,如何准确有效地对关键零部件进行剩余寿命预测及再制造性研究已成了企业关注的焦点。本文就大型机械装备再制造领域中面临的两大难题——如何有效预测剩余寿命及评估其可再制造性,对复杂工况下大型构件基于状态监测数据融合的剩余寿命预测算法及其可再制造性系数评价方法进行了系统的研究。首先,本文对常见的剩余寿命预测方法及再制造现状,还有数据融合算法与SVM数学模型进行了研究,通过分析比较,总结提出了适用于大型构件剩余寿命预测的方法,同时也为健康管理诊断PHM做了奠基。然后,选择大型破碎机辊套为试验研究对象,在PRONOSTIA试验平台上进行加速寿命试验,使用传感器采集得到加速度和温度原始数据信息。通过时域、频域及时频域叁维特征分析实现特征获取,选取出最能体现设备健康状态的信号特征,并通过预处理手段消除状态特征的奇异值及趋势项,再用小波技术对原始信号实现降噪。其次,构建预测辊套剩余寿命的数学模型。通过最小二乘和D-S数据融合将加速度信号和温度信号整合构建预测SVM预测模型,先利用数据训练集对预测模型进行训练,再通过网格寻优算法及交叉验证优化模型参数,最后利用优化好的SVM模型完成预测。同时将本文方法的预测结果跟仅利用单个数据源进行预测及其他预测方法的剩余寿命预测结果进行对比验证,并且将辊套在不同工况下进行疲劳试验,结果证明本文所提预测方法的可靠性和算法的正确性。最后,本文针对辊套健康管理中的可再制造性问题进行分析,根据机械设备现行评价其可再制造性的标准设计了更适用评价本文讨论对象的可再制造性系数模型,并确定了模型中各个指数的具体算法。该模型从技术、经济及环境叁个维度综合评定辊套的可再制造性,形成了一套完整的评价其可再制造性指数的方法,实例结果表明该方法有效可行。(本文来源于《江西理工大学》期刊2018-05-22）
叶健锋[9]（2018）在《智能电网设备状态监测评估及预测应用研究》一文中研究指出本文从智能电网的发展前景和电力网设备状态监测需求出发,对电力设备运行状态实时监测。通过分析电力设备状态评估总体需求,利用驾驶舱技术总结和探讨电力设备状态评估及预测等典型业务场景应用,并对相关技术进行了展望。(本文来源于《电子制作》期刊2018年10期）
杜乐[10]（2018）在《基于状态监测数据的盘式刀库故障预测与健康管理技术研究》一文中研究指出随着装备制造业的快速发展,我国已成为世界上加工中心需求量最大的国家,然而,国产高档加工中心在国内市场占有率却相对较低。究其原因,国产高档加工中心的可靠性和安全性较低,导致故障频发,给机床用户企业造成巨大的经济损失,提高国产数控机床的可靠性和安全性迫在眉睫。自动换刀系统作为加工中心中故障率最高的关键功能部件之一,其可靠性水平直接影响了整机的可靠性水平。经过在机床主机企业和用户企业的长时间现场跟踪试验和调研,了解到自动换刀系统的预防性维修策略和事后维策略存在着维修时间不当的问题,所以,确定出本文要解决的核心问题,如何实现盘式刀库的故障预测与健康管理,从而为基于状态维修策略的制定提供依据。针对上述问题,根据故障预测与健康管理技术的国内外现状,可知PHM技术是解决基于状态维修策略制定的基础。目前,关于自动换刀系统故障预测与健康管理的研究文献和应用报道极少。因此,本文以加工中心盘式刀库自动换刀系统为研究对象,对其开展故障预测与健康管理研究工作,对提高盘式刀库可靠性、制定维修策略具有重要的实际应用价值和理论研究意义。具体研究内容如下:1.盘式刀库的故障分析与PHM体系结构的设计。首先,对盘式刀库典型故障进行了分析,根据其运行环境、工作应力等分析其故障机理;其次,建立起盘式刀库典型故障模式与刀库性能指标之间的隐含关系模型;最后,在分析盘式刀库故障机理的基础上,确定了盘式刀库的PHM体系结构。2.盘式刀库状态监测系统的搭建及健康状态评估方法的研究。研究并搭建了盘式刀库状态监测系统,对盘式刀库的振动、电流、电压、位移等性能指标进行监测,通过对各性能指标的监测结果的分析确定出各性能指标的标准值、上极限值和下极限值。根据故障分析结果,将盘式刀库及五大部件的健康状态分为健康、亚健康、退化、恶化和故障等五个等级,为了准确评估盘式刀库及各部件的健康状态,本文提出了基于灰色聚类和熵权法的健康状态评估方法。首先将盘式刀库各性能指标进行归一化处理,采用熵权法确定出各部件性能指标的权重;其次,建立了五个灰类等级所对应的白化权函数,采用灰色聚类计算出各个部件的隶属灰类,即得到各部件的健康状态水平;之后,根据各部件的健康水平,建立盘式刀库的模糊综合评判矩阵;最后,利用模糊综合评判法得到盘式刀库的健康状态综合评估结果,通过试验验证该评估方法的准确性和可靠性。3.根据健康评估结果确定盘式刀库当前运行状态属于哪一灰色类别,当评估结果为退化时,需要对其进行故障预测。通过对常见的叁种故障预测方法的对比分析,提出了适用于非线性复杂系统的基于ARMA模型的盘式刀库故障预测方法。首先对状态监测的性能指标数据进行标准化处理和平稳性检验,若性能指标当前状态为退化时,对该数据进行一阶差分处理后建立ARMA预测模型,利用该模型得出一阶差分的预测结果,将一阶差分结果与原始数据累加,得到性能指标的预测值。本文以刀套拔刀力为例,对盘式刀库刀套的拔刀力进行了长时间的监测,确定了拔刀力值的变化趋势,将预测的拔刀力值与原始数据对比分析,验证了该方法的预测精度。4.为了便于刀库企业对盘式刀库实施故障树分析、状态监测、健康状态评估、故障预测等的研究,研究开发了一套基于LabVIEW虚拟平台的盘式刀库PHM系统。该系统采用LabVIEW与MATLAB混合编程的方法,将系统功能划分为五大模块:状态监测模块、数据管理模块、健康状态评估模块、故障预测模块和维修策略模块,从而实现了对盘式刀库进行状态监测、数据管理、健康状态评估、故障预测以及维修策略的制定等功能,并集成于同一系统中,增加了该系统的实际应用价值。(本文来源于《吉林大学》期刊2018-04-01）
状态监测与预测论文开题报告
（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：
针对机械大数据的特点及深度学习的优势,提出了一种新的刀具磨损状态监测及剩余使用寿命预测方法。该方法首先利用稀疏自编码器及皮尔逊相关系数对原始切削力信号自适应提取敏感特征;之后将得到的显着性特征与其对应的刀具磨损值训练反向传播(BP)神经网络;最后使用预测的刀具磨损值作为观测值,利用指数平滑算法预测刀具剩余使用寿命。为了解决样本数量不足带来的过拟合问题,对原始样本进行加噪处理,同时在特征提取过程中引入dropout训练技巧。通过刀具全寿命周期实验实现了大量样本下刀具磨损特征自适应提取与剩余寿命预测,证明了所提方法的有效性。
（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。
状态监测与预测论文参考文献
[1].王志伟,李建岐,黄毕尧.基于混合队列模型的配电网状态监测业务通信带宽预测[J].电力建设.2019
[2].安华,王国锋,王喆,马凯乐,钟才川.基于深度学习理论的刀具状态监测及剩余寿命预测方法[J].电子测量与仪器学报.2019
[3].张瑞.基于多源监测数据的道路交通状态预测[J].科技创新与应用.2019
[4].夏克刚.动力电池组健康状态监测和寿命预测的研究[D].温州大学.2019
[5].翟鹏,顾廷权,王学敏,李鹤.轧辊磨床状态监测与故障预测技术进展[J].冶金自动化.2019
[6].赖旭伟.中走丝数控电火花线切割加工过程能耗预测及其加工状态监测研究[D].浙江科技学院.2018
[7].段敏,谢俊斌.回响状态网络预测方法在桥梁健康监测中的应用[J].公路交通技术.2018
[8].刘海平.基于状态监测数据融合的破碎机辊套剩余寿命预测及再造性研究[D].江西理工大学.2018
[9].叶健锋.智能电网设备状态监测评估及预测应用研究[J].电子制作.2018
[10].杜乐.基于状态监测数据的盘式刀库故障预测与健康管理技术研究[D].吉林大学.2018
论文知识图
