文献综述（或调研报告）：
3.1轴承智能故障诊断
传统的故障诊断方法一般分为三步：1）收集传感器原始信号2）提取特征3）故障诊断。基于传统的轴承故障诊断已经有很多优秀的成果。Abbasion等人首次用小波分析来处理了发动机的振动信号，以此减少原始信号中的噪声，然后用支持向量机进行故障诊断[3]。Yu等人基于经验模态分解（EMD）把原始的振动信号分解成有限数量的本征模函数（IMF），然后用人工神经网络来进行分类，取得了很好的效果[4]。Zhao等人用小波包分解（WPD）和多尺度排列熵结合的方式来提取故障特征，然后用隐式马尔可夫模型来识别故障[5]。
然而基于传统方法来进行故障诊断一般都需要人工来设计特征，或者有故障诊断和信号处理的先验知识。最近几年，深度学习在视觉识别、语音识别、自然语言处理等方面都取得了许多不错的成果[6]。深度学习由于包含多隐层结构，可以实现其数据特征的有效转换，具有逼近复杂函数的能力。现在应用的较为普遍的深度模型有卷积神经网络（CNN），深度信念网络（DBN），递归神经网络（RNN），堆叠自动编码器（SAE）[7]。其中卷积神经网络具有对海量数据、复杂信号处理的能力，近几年被广泛研究和应用。例如在图像处理领域，卷积神经网络已经有很多经典的架构，Lenet-5对手写数字识别[8]，Alexnet在2012年ImageNet竞赛赢得冠军[9]。还有随着Alexnet的成功，改善其性能的工作，VGGNet[10]，GoogleNet[11]和ResNet[12]等等。
由于图像和故障诊断同样具有高维性，所以近几年CNN在故障诊断领域也出现了很多研究成果。Janssens等人用2DCCNN来识别四种旋转机械的故障，输入设置为两个加速度传感器原始信号经离散傅里叶变换后的加速度信号，实现了无需专家经验就可以进行轴承故障诊断[13]。Zhang等人提出具有宽卷积核CNN（WDCNN）的方法对轴承进行故障诊断，并对域自适应能力和CNN的可视化进行了研究[14]。Chen等人通过CNN多通道输入，融合了水平和垂直的加速度传感器信号，对行星齿轮箱进行故障诊断，并用数据增强技术来扩充训练集，提高识别率[15]。Li等人用残差学习优化后的CNN来进行故障诊断，并对一系列的数据增强技术对模型识别率的影响做了研究[16]。Zhenbo等人提出了基于lenet-5网络结构、遗传算法优化CNN超参数的GA-1DLCNN网络结构，并对卷积核大小，一维二维卷积核对识别率影响做了探讨[17]。Xue等人提出了半CNN的办法，用CNN来提取频域特征，用主成分分析PCA处理频域的特征，最后用支持向量机来进行分类。在提取特征中，发现两类故障只有频域特征难以分类，人工添加了峰度系数和峰峰值两个时域特征，一起带入支持向量机分类[18]。Qiu等人用CNN分别对原始信号，和频域，时域，小波包分解等方式构成的特征空间两种方式进行故障诊断，与支持向量机进行比较，验证CNN的优越性[19]。
上面的文献都取得了很优秀的成果，但还有以下几点问题：1）传统的故障诊断仍需人工提取特征，而人工提取特征需要大量的专家经验和专业知识。2）上述文献有的用到了CNN自动处理原始信号的能力，但只对频域的信号或者时域的信号进行处理，没有对时域和频域共同进行提取特征的成果。而人工构建时频域特征又没有利用到CNN从原始信号自动提取特征的能力。如何对时频域特征进行耦合没有得到解决。
在文献[20]中Xuan 等人为了对珍珠进行细粒度图像识别，提出了多流CNN（MS-CNN）的架构，将珍珠的五个视图图像作为MS-CNN各个流的输入，已达到实现细粒度识别的目的。Afifi等人用两流CNN通过手部图像进行性别判别，一个CNN提取全局特征，另一个CNN提取局部特征，通过提出的11K Hands的数据集验证了方法的可行性[21]。在故障领域中，也有成果用多流CNN来实现多传感器融合。Yuan等人用MS-CNN来融合红外信号和振动信号[22]，Liu 等人用来提取不同位置的振动传感器耦合特征[23]，Jiao等人用深度耦合密集卷积网络来融合振动外部振动信号和内部轴上的编码器信号[24]。
受上述应用MS-CNN的文献[20-25]启发，针对时频域所包含的信息不同，研究了一个全新的故障诊断模型。用MS-CNN来并行提取时域和频域之间的特征，高级特征用串联层来进行信息融合以进行更全面的特征挖掘。本文的方法优势有三点1）应用CNN，实现了端到端的故障诊断，对专家知识或人工的依赖较少。2）应用MS-CNN的不同分流，同时自动提取时域和频域的特征。3）通过CNN的深层结构和监督反向传播算法（BP）,可以将来自时域和频域的特征互补自适应性的结合在一起。
3.2轴承剩余寿命建模
估计设备在故障之前的剩余有效时间可避免不必要的时间和金钱用于维护。现有的RUL预测方法主要分为两类，一种是基于模型的方法，另一种则是数据驱动的方法。基于模型的方法主要是基于第一原理和设备的故障机制，来对机器的退化过程进行建模,然后采用统计的方法（线性最小二乘法，最大似然估计）。[26]开发出来的模型有可能会很好的工作。但在实际过程中，在各种环境不确定因素的干扰下，建立起准确的机器退化模型是十分困难的，并且往往开出这种模型需要大量的专家领域的知识，需要耗费大量的时间和金钱。而相对而言，随着工厂逐渐现代化发展，获得大量的机器的传感器数据十分容易和廉价。而且与基于模型的方法不同，数据驱动的方法是于历史传感器数据对退化特性进行建模。可以依赖于建立起数据分析的模型（例如机器学习模型和深度学习模型），揭示所收集传感器数据中的潜在相关性和因果关系，并且可以推断出相应的系统信息（RUL），而依赖于相对较少的专家知识[29]。
以上是毕业论文文献综述，课题毕业论文、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。
