机械设备论文提纲

论文题目：基于深度学习的机械设备故障诊断方法的研究与应用

摘要：机械设备是企业生产的重要组成部分,一旦出现故障,轻则导致整台机械设备无法正常工作,重则甚至会造成人员伤亡等问题。故障诊断对及时发现机械设备的安全隐患以保证生产的正常运作具有重大意义,针对机械设备故障诊断方法普遍存在准确率较低、鲁棒性较差等问题,论文提出了一种基于深度学习的智能故障诊断方法,并应用于实际项目中,主要贡献如下:1)论文提出一种基于深度学习的智能故障诊断方法,适用于机械设备故障诊断任务。该方法通过在云端使用机械设备零部件运行初期的振动信号训练LSTMVAE混合模型,然后在边缘端使用已训练好的LSTM-VAE模型对实时振动信号重构,计算原始信号和重构信号的差异度,将其与自适应阈值相比较,并结合“3/5”策略,实现故障预警。实验结果表明,相比其它方法,论文提出的方法能够准确的对不同退化模式的滚动轴承进行故障诊断,并且大幅度提前了在缓慢退化模式下的故障预警时间,具有较高的时效性和较强的适应性。2)针对神经网络模型在参数较多、训练数据不足,或者训练数据中噪声较多时容易发生过拟合的问题,论文提出使用Dropout方法对LSTM-VAE混合模型进行增强。通过引入Dropout方法,提升了LSTM-VAE模型对噪声的容忍能力和在强噪声背景下的鲁棒性,为其应用于真实的工业环境提供了可能,具有重要的工程价值。3)所提出的基于深度学习的机械设备故障诊断方法在数字化车间的应用与实现。为了实现数字化车间机械设备的故障诊断任务,将论文介绍的LSTM-VAE混合模型、自适应阈值方法、“3/5”策略工程化,设计了智能故障诊断程序,并将程序通过消息中间件技术集成到边缘平台管理系统中。最后经过系统测试,验证了所开发的功能的逻辑准确性与完整性,达到了预期的结果。

关键词：机械设备;故障诊断;深度学习;长短期记忆网络（LSTM）;变分自动编码器（VAE）

学科专业：计算机技术（专业学位）

摘要

Abstract

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 基于模型的故障诊断方法

1.2.2 基于经验知识的故障诊断方法

1.2.3 基于数据驱动的故障诊断方法

1.3 问题的提出和本文主要工作

1.3.1 问题的提出

1.3.2 本文主要工作

1.4 本文组织结构

1.5 本章小结

第2章 相关知识和理论

2.1 机械设备零部件的退化模式

2.2 循环神经网络和长短期记忆网络

2.2.1 循环神经网络

2.2.2 长短期记忆网络

2.3 自动编码器和变分自动编码器

2.3.1 自动编码器

2.3.2 变分自动编码器

2.4 预防深度学习模型过拟合的方法

2.4.1 模型过拟合介绍

2.4.2 预防模型过拟合的方法

2.5 本章小结

第3章 基于LSTM-VAE的机械设备故障诊断方法

3.1 LSTM-VAE混合模型

3.2 自适应阈值方法

3.3 “3/5”策略

3.4 Dropout方法增强模型的鲁棒性

3.5 智能故障诊断方法总体框架

3.6 本章小结

第4章 实验与结果分析

4.1 实验环境介绍

4.1.1 硬件环境

4.1.2 软件环境

4.2 数据集介绍

4.3 基于LSTM-VAE的故障诊断实验

4.3.1 数据预处理

4.3.2 训练集和测试集的选择

4.3.3 构建LSTM-VAE模型

4.4 实验结果与分析

4.5 本章小结

第5章 故障诊断方法在数字化车间的应用

5.1 系统背景与需求分析

5.1.1 系统背景

5.1.2 需求分析

5.2 系统设计与技术选型

5.2.1 系统架构

5.2.2 智能故障诊断程序设计

5.2.3 技术选型

5.3 系统功能实现

5.3.1 AI模型管理

5.3.2 故障诊断任务管理

5.3.3 故障诊断信息管理

5.4 系统测试

5.4.1 系统功能测试

5.4.2 系统性能测试

5.5 本章小结

结论

1.本文工作总结

2.下一步研究展望

参考文献

致谢