1. 研究目的与意义（文献综述）
1.1背景
随着工业生产与科学技术的发展，现代机械设备发展的一个明显趋势是向大型化、高速化、连续化和自动化方向发展，结构越来越复杂，自动化水平亦相应提高，生产效率也越来越高。
随着现代设备的复杂化和大型化，机器的异常检测和故障诊断一直是学术界的重点关注问题。若不能及时发现并处理故障，将造成巨大的人员伤亡和经济损失。如果能及时检测出早期故障并隔离报警，将有效避免异常事故的发生。因此，对机器进行合理的故障诊断成为关键手段。基于机器学习的故障诊断法能充分挖掘数据中隐含故障特征信息，解决存在逼近精度不足的问题，进而解决因故障诊断模型中参数不确定性的情况大量存在，导致故障诊断精度波动大及精度不够的问题。为此，从故障诊断的特征提取角度及智能故障诊断模型构建角度，分别提出基于机器学习算法的隐含故障特征提取方法以及集成多种机器学习算法的故障诊断模型，以提高故障诊断的精度，显得十分重要。
2. 研究的基本内容与方案
2.1基本内容
(1) 基于机器学习的故障诊断法的论证分析：
举例分析几个基于机器学习的故障诊断法。论证这几个方法的可行性及各自优缺点，体现其实用性。
3. 研究计划与安排
| 周次 | 目标任务 |
| 1-2 | 接收任务书，查阅文献与资料，提交开题报告，完成开题工作； |
| 3-4 | 翻译相关的英文资料； |
| 5 | 明确论文的写作思路，构思论文的框架，完成论文写作提纲； |
| 6-7 | 信号特征提取方法设计、整理计算； |
| 8-9 | 分类模型训练、检验，整理分析结果； |
| 10 | 系统撰写、完成毕业设计论文初稿； |
| 11-12 | 对初稿进行修改和完善，终稿完成、打印、装订； |
| 13 | 整理各项毕业设计材料并提交毕业论文，准备答辩用的PPT演讲材料； |
| 14-15 | 论文提交评阅，完成毕业论文答辩。 |
4. 参考文献（12篇以上）
[1] 姜万录,孔德田,李振宝,佟祥伟,岳文德.基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法[j].计量学报,2020,41(02):202-209.
[2] 卢昌仁.齿轮箱振动信号降噪及特征提取方法研究[j].现代机械,2020(01):60-64.
[3] 霍柏琦,茆志伟,张旭东,张进杰.基于vmd-teager的柴油机失火故障无量纲敏感特征提取方法[j].噪声与振动控制,2020,40(01):65-68 190.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
