硕士学位论文题纲

回到主页

论文题目：基于深度异常检测的预测性维护技术研究

第一章 绪论

1.1 研究背景与意义

  • 简述工业设备（如球磨机）与大科学装置（如JTEXT托卡马克）在现代化生产与科研中的核心地位。
  • 阐述设备故障带来的经济损失与安全风险，引出预测性维护 (Predictive Maintenance, PdM) 的必要性。
  • 分析当前从“事后维修”到“视情维护”转变的趋势。

1.2 国内外研究现状

  • 传统信号处理方法：回顾RMS（有效值）、FFT（快速傅里叶变换）、趋势分析等经典方法在振动监测中的应用及局限性。
  • 数据驱动的异常检测：综述机器学习（SVM, RF）及深度学习（CNN, RNN, Autoencoder）在异常检测领域的最新进展。
  • 多源特征融合技术：介绍利用时间序列变换（如GAF, STFT谱图）构建多维特征（Multi-view Features）以提升诊断鲁棒性的研究现状。在此背景下，虽然数据源单一（振动），但在表征层面形成了“序列-图像”的多模态融合。

1.3 论文主要研究内容

  • 针对复杂工况下的异常检测难题，提出基于深度学习的异常检测模型。
  • 设计并开发模块化、可扩展的预测性维护系统。
  • 在JTEXT实验装置与大型球磨机上进行算法验证与工程应用。

1.4 论文组织结构

第二章 预测性维护系统架构设计

2.1 系统需求分析

  • 功能需求：数据采集、实时监控、异常报警、历史趋势分析、算法模型管理。
  • 非功能需求：系统的稳定性、模块化扩展能力（支持新增算法插件）、高并发数据处理能力。

2.2 总体架构设计

  • 采用分层架构设计：数据层、逻辑处理层、用户交互层。
  • 核心调度模块 (MasterProc)：基于配置的任务调度机制，实现数据流与算法流的解耦与自动化执行。

2.3 关键功能模块实现

  • 数据采集：基于cfet实现的数据采集

  • 数据管理模块：基于MongoDB的非结构化数据存储方案，实现海量震动数据的读写与索引。

  • 通用处理模块：

    • RMS/Trend分析：实现基于统计学的时域特征提取与趋势跟踪。
    • FFT频谱分析：实现频域特征转换，用于捕捉周期性故障。

  • 异常检测模块： 通过异常指数结合统计得到的阈值，实现异常检测

2.4 本章小结

第三章 异常检测模型算法研究

3.1 异常检测问题定义

  • 定义无监督异常检测任务：利用正常数据重构误差来识别异常。
  • 介绍均方误差 (MSE) 作为损失函数与异常评分标准。

3.2 传统信号处理与特征工程

  • 分析单一时域或频域特征在复杂噪声背景下的不足。
  • 格拉姆角场 (Gramian Angular Field, GAF) 变换原理：将一维振动时间序列映射为二维图像，保留时间相关性并以空间纹理形式呈现，构建“时序-图像”混合特征。

3.3 双分支深度卷积自编码器模型构建

  • 模型架构 ：
    • 时序特征分支 (1D-CNN Encoder)：提取长时间序列的局部波形特征与时间依赖性。
    • 图像特征分支 (2D-CNN Encoder)：提取 GAF 图像的纹理与空间结构特征。
    • 多视角特征融合层 (Fusion Layer)：设计潜在向量 (Latent Vector) 的拼接与融合策略，实现不同维度特征的互补。
    • 双路解码器：同时重构原始序列与 GAF 图像，通过联合 Loss 优化模型。
  • 训练策略：Dropout 正则化、早停机制 (Early Stopping)、学习率动态调整。

3.4 基于公开数据集的有效性验证

  • 数据集介绍：选用 NASA 轴承/铣削数据集或类似开源库作为基准。
  • 实验设置：
    • 基准模型对比：机器学习（SVM, XGBoost）, 传统 Autoencoder, LSTM-AE。
    • 合成异常样本测试：通过在正常样本中叠加噪声、冲击或漂移，模拟不同程度的故障。
  • 结果分析：对比单一特征模型与融合特征模型在不同信噪比下的 MSE 损失分布与 AUC 指标，验证混合特征。
  • 结果分析：对比各模型在不同信噪比下的 MSE 损失分布与 AUC 指标，验证多模态融合的抗噪性与敏感性。

3.5 本章小结

第四章 预测性维护算法的工程应用与验证

4.1 应用场景介绍

  • JTEXT 托卡马克装置：多类型实验下振动监测挑战。
  • 工业球磨机：长时间连续运行、非平稳负载下的故障预警需求。

（

4.2 基于迁移学习的算法适配策略

）

4.3 实验结果与分析

  • 消融实验 (Ablation Study)：
    • 对比 "仅序列模型" (Seq-Only) 与 "融合特征模型" (Fusion-Model) 的重构误差。
    • 证明引入 GAF 图像特征对提升模型表征能力的贡献。
  • 实际故障案例分析：
    • 展示球磨机真实故障发生时的 RMS 趋势突变与模型 Loss 报警时刻对比。
    • 分析 JTEXT 实验中模型对异常振动的捕捉能力。
  • 性能评估：计算漏报率、误报率，并验证系统实时性。

4.4 本章小结

第五章 总结与展望

5.1 全文总结

  • 总结了软件架构的设计亮点。
  • 概括了深度异常检测算法的创新点与性能优势。
  • 回顾了在实际工程项目中的应用效果。

5.2 研究局限

  • 多模态扩展。
  • 异常解释。

5.3 未来展望

本文章使用limfx的vscode插件快速发布