- 文献综述（或调研报告）：
本课题旨在研究基于窄带物联网的设备振动诊断。由于窄带物联网具有功耗低、成本较低、覆盖面广、链接强度高[1]等特点，因而可以快速搭建出设备状态监测物联网平台，对设备的振动数据进行实时采集。利用One-Class SVM方法对于设备振动数据进行分析，以诊断设备是否发生故障。
现行的设备监控终端，数据传输方式大多采用了蓝牙、ZigBee等短距离通信技术或者Wi-Fi这种中短距离通信技术，特点是可以在较短的距离范围内进行通信，但连接公网是需要搭建基站，不适合需要更长距离运行的物联网应用。
窄带物联网技术作为物联网技术的重要分支，有着自己独特的技术性能，在不同的应用领域获得更多的应用发展空间。具体来说，窄带物联网技术的特性表现在如下的4个方面：(1)灵活部署有助于对频带的成分利用；(2) 覆盖范围增强导致低时延的情况；(3) 不具备连接态移动性的支持管理；(4) 更低的功耗。[2]介于窄带物联网的多种技术特性，非常适合用于搭建低成本、低功耗、大范围的物联网监控终端。
风机等常见的振动设备作为重要的生产设备，保障其安全运行，可以取得巨大的经济和社会效益。因此对于以风机为代表的振动设备故障诊断的研究一直是国内外的热点研究方向。
目前，研究人员进行风机故障诊断的途径有两种：1)从风机的噪声信号中；2)从风机的振动信号，利用现代信号与信息处理技术，提取风机运行状态的有效特征，从而对其进行状态监测及故障诊断。[4]特别是后者，风机的故障常从振动状况方面体现出来，根据振动信号进行监测与诊断是目前风机设备维护管理的主要手段，经过多年的发展与完善，风机振动故障诊断已经形成了比较完备的理论与技术体系。国内外许多学者对于风机故障诊断进行了深入的研究，发展出了诸多故障诊断方法。主要有基于模型的诊断、基于模式识别的诊断、基于灰色理论的诊断、基于模糊的诊断、基于专家系统的诊断和基于神经网络等多种诊断理论和方法。[5]然而这些异常检测方法报错率较高，并且需要大量标记数据完成正常行为模型的训练，费时费力且代价昂贵。[7]而One-Class SVM方法只需要大量的正常数据就可以训练模型，有利于在在数据集不纯净的的条件下提升异常检测性能
综上所述，本课题所采用的窄带物联网技术与One-Class SVM模型训练方法，可以有效地解决数据传输与设备故障诊断问题，同时有利于企业降低部署成本，便于平滑升级，推动了物联网技术的普及与发展。
- 赵洪亮.窄带物联网技术研究[J].中国新通信,2017,19(20):28.
- 刘春燕. 窄带物联网技术的特性[J]. 电子技术与软件工程, 2018 (13): 3-3.
- 汪光阳, 周义莲. 风机振动故障诊断综述[D]. , 2006.
- 杨宏晖, 侯宏, 曾向阳, 等. 基于声信号人耳听觉谱特征的风机故障诊断[J]. 仪器仪表学报, 2009, 30(1): 175-179.
- 米江, 纪国宜. 改进的 BP 神经网络在风机故障诊断中的应用[J]. 噪聲與振動控制, 2011, 31(2): 94-98.
- 段智敏, 李驰, 丛培田, 等. 基于 STM32F407 的风机故障检测远程振动信号采集方法[J]. 仪表技术与传感器, 2017 (6): 176-178.
- 刘敬, 谷利泽, 钮心忻, 等. 基于单分类支持向量机和主动学习的网络异常检测研究[J]. 通信学报, 2015, 36(11): 136-146.
- 胡汉辉, 杨洪, 谭青, 等. 基于小波分析的风机故障诊断[J]. 中南大學學報 (自然科學版), 2007, 38(6): 1169-1173.
- Zhang T, Wang J, Xu L, et al. Fall detection by wearable sensor and one-class SVM algorithm[M]//Intelligent computing in signal processing and pattern recognition. Springer, Berlin, Heidelberg, 2006: 858-863.
- Xiao Y, Wang H, Zhang L, et al. Two methods of selecting Gaussian kernel parameters for one-class SVM and their application to fault detection[J]. Knowledge-Based Systems, 2014, 59: 75-84.
资料编号：[180523]
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。
