全文总字数：3936字
1. 研究目的与意义（文献综述）
在工业生产中，管路应用十分广泛。管路是指液压系统中传输工作流体的管道。相对于管道而言，管路是一种合理安排的管道系统。因为管路的灵活性，管路常被用于液压系统等靠液体驱动的机械设备。卡箍作为液压管路的重要元件之一，主要用于各种管路的连接、固定与支撑。一旦液压管路的卡箍出现松动，将会导致液压管路的密封性等安全问题受到影响。因此卡箍稳定对于液压管道的正常运行十分重要，卡箍的松动的及时检测能够有效避免液压管道故障的发生，因此对卡箍松动的检测具有重要意义。
目前国内外检测卡箍松动有许多方法，例如李天成[7]等人通过电磁振动台模拟宽频域液压管路基础激励环境，采用光纤光栅分布式监测系统，利用HHT(希尔伯特-黄变换)方法可以对航空发动机液压管路系统振动信号中的突变信号进行有效的侦测。任君兰[8]采用BP神经网络与小波变换，对滚动轴承的故障信号进行检测与定位。虽然BP神经网络是目前应用最为广泛的网络，但是，BP神经网络难以避免过拟合问题严重制约了神经网络的应用。WANG[9] 等将两压电片黏贴在螺栓连接的两构件上，分别作为超声波激发器与接收器，根据接收能量的大小来判断螺栓的松紧程度。但压电传感器对其与被测结构的连接有较高要求，且存在高频信号易受干等问题。
卷积神经网络作为神经网络的一个分支, 近年来在手写字体识别与语音识别及其它工程方面得到了广泛的应用。与传统的神经网络和机器学习算法不同，传统算法的权重不易于更改，所以会出现欠拟合和过拟合的现象。而卷积神经网络则是通过节点之间的空间关系来减少权重的数量, 从而提高传统神经网络的性能。
2. 研究的基本内容与方案
本文通过仿真模拟输入信号，采用算法搭建卷积神经网络卷积层的前向传播，卷积神经网络池化层的前向传播，卷积神经网络的反向传播，从而得到通过训练与测试之后的输出值。
我们的主要目的是通过构建基于卷积神经网络的液压管路卡箍松动故障检测模型，通过大量样本的训练与学习，从而当有一个新的样本输入时，我们能准确无误地判断出液压管路的卡箍是否出现松动以及出现松动的位置。
典型的卷积神经网络 LeNet-5 的结构分为输入层Input、若干卷积层 C 和采样层 S、全连接层 F 以及输出层 Output，通过多层的卷积层和采样层，可以获得大量数据并对数据进行筛选分类。卷积层C的主要作用是来提取特征，其核心为卷积层中的卷积核，每一个卷积核可以提取一个特征，其输出为提取到的特征。因此如果有大量特征需要提取时，就可以使用多个卷积核。采样层 S为特征映射层，通过采样操作，可以有效降低网络连接的数量。
3. 研究计划与安排
第1周—第2周 完成题目调研，进行相关资料的搜集，完成文献综述以及开题报告的撰写；
第3周—第4周 卷积神经网络、深度学习等理论知识的学习，掌握CNN算法的基础和理论知识；
第5周-第6周 研究信号输入仿真模型的搭建并进行样本训练；
4. 参考文献（12篇以上）
[1]贾京龙,余涛,吴子杰,et al.基于卷积神经网络的变压器故障诊断方法[J]. 电测与仪表,2017,54(13).
[2]吉珊珊,段金辉,屠义强.基于卷积神经网络的液压缸内泄漏检测[J].机床与液压,2017,45(13):182-185.
[3]谭跃刚,余兆祥,曲永志,王泽超,魏勤.基于应变模态的液压卡箍松动识别与定位[J].液压与气动,2017,(7):96-102.
以上是毕业论文开题报告，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。
