多尺度卷积神经网络预警系统的研发

摘 要

　　随着工业和科技的快速发展，数控机床的智能化水平不断提高，设备部件的故障诊断技术已经趋于成熟，但是故障诊断只能做到对部件的故障分类，不能智 能预警。因此，滚动轴承的故障预警系统受到大家的青睐，该系统具有状态检测、预知故障以及提供预警建议的能力。但目前的系统大多通过轴承的失效机理和本身的服役性能来间接的提供预警，这种方式不具有很强的智能性，因此本文通过深度学习技术来预测轴承的剩余寿命，通过寿命的结果给出相应的预警措施，结合软件工程理论搭建易于操作的预警系统。

　　首先，对滚动轴承的具体结构进行分析，给出了轴承的退化类型；介绍轴承振动产生的原因，通过对轴承振动频率进行分析，对比自身运行产生振动和退化造成振动的区别，为振动信号可用于预测寿命提供理论依据；总结出轴承性能的退化规律，给出轴承剩余寿命预测和故障预警的联系。

　　然后，针对滚动轴承剩余寿命难预测的情况，在分析了轴承原始信号特征提取困难的基础上，提出了降噪自编码器信号预处理以及基于多尺度卷积神经网络的轴承剩余寿命预测方式。该方法首先使用降噪自编码器对轴承原始振动信号进行编码，然后将编码结果依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这四部分进行处理，最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数，取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析，该方法能够有效的预测轴承的剩余寿命。

　　最后，对轴承故障预警系统进行了总体规划，通过设计软件和硬件对系统提供服务。硬件部分选取了型号为 LIS3DSH 的加速度计采集轴承振动信号，缓存Redis 模拟消息队列以及 InfluxDB 数据库对振动信号进行持久化。软件部分通过Keras 框架生成底层网络模型，使用 Java 开发系统的各个模块，采用前后端分离的架构，实现了用户登录和管理、设备管理、权限控制、数据输入、寿命分析和预警等功能。

　　关键词：多尺度卷积神经网络， 预处理，剩余寿命预测，预警系统

Abstract

　　With the rapid development of industry and technology, machine tools are becoming more and more intelligent. The fault diagnosis technology of equipment components has matured, but fault diagnosis can only classify the faults of components, and cannot intelligently warn. The rolling bearing fault early warning system is favored by everyone. The system has the ability of status detection, predicting faults and providing early warning suggestions. However, most of the previous systems provide warning indirectly through the failure mechanism of the bearing and its service performance. Therefore, this paper uses deep learning technology to predict the remaining life of the bearing, gives early warning measures through the results of the life, and combines software engineering theory to build an easy-to-operate early warning system.

　　First, the structure of the rolling bearing is analyzed, and the degradation type of the bearing is given. Introduce the causes of bearing vibration. By analyzing the vibration frequency of the bearing, compare the difference between the vibration caused by its own operation and the vibration caused by degradation, and provide a theoretical basis for the vibration signal to be used to predict the life. Summarize the degradation law of bearing, and give the relationship between bearing remaining life prediction and failure warning. At the same time, a new improved mean square error is proposed as the loss function of the network, and good results are achieved. Through predictive analysis of the test data of the bearing life prediction experiment, this method can effectively predict the remaining life of the bearing.

　　Then, for the situation that the remaining life of rolling bearings is difficult to predict, based on the analysis of the characteristics of bearing original signal, it is difficult to extract the signal preprocessing of noise reduction autoencoder and the prediction method of remaining life of bearings based on multi-scale convolutional neural network. In this method, the original vibration acceleration signal is preprocessed by a noise reduction autoencoder, and then the pre-processing result is used as input, and then processed through four parts: shallow feature extraction module, deep

　　feature extraction module, data fusion module, and output module. Finally, the predicted remaining life is output. At the same time, a new type of improved mean square error is proposed as the loss function of the network, which has achieved good results. This method can effectively predict the remaining life of the bearing by predicting and analyzing the test data of the bearing life prediction experiment.

　　Finally, the overall planning of the bearing failure early warning system was carried out, and the system was provided with services by designing software and hardware. The hardware part selects the accelerometer model LIS3DSH to collect bearing vibration signals, caches the Redis analog message queue and the InfluxDB database to persist the vibration signals. The software part generates the underlying network model through the Keras framework, uses each module of the Java development system, and adopts a front-end and back-end separated architecture to realize user login and management, device management, permission control, data input, life analysis, and early warning.

　　Key words: Multi-scale convolutional neural network, Preprocessing, Remaining life prediction, Early warning system

目 录

　　第1章 绪论

　　1.1 选题的背景和意义

　　近年来我国科技不断进步，工业水平不断提高，数控机床的集成度也越来越好，生产制造的过程也更加趋于自动化，但为了满足工业生产的要求，机床设备需要不停的运作，然而设备长时间工作定会造成损伤甚至故障。机械设备损坏后若无即时修理或者更替，将会引发整个机械设备系统的连锁反应，轻则会使工程处于停滞的状态，给数控企业带来比较大的经济问题，重则会使数控机床设备不再完整，甚至导致操作人员伤亡。因此对机械设备搭建预警系统，不但可以提前感知故障的发生，避免造成设备故障引发的一系列问题，而且可以使机械设备变得更加智能。

　　滚动轴承作为数控机床设备中最重要的零件之一，被称为"工业的关节"起到滚动和传导力以及负载的作用（王海龙，2019）。通常数控机床的机械设备比较庞大，设备的各个模块都可用到轴承，因此每个轴承的运行压力不尽相同，其寿命的时长也比较离散，若按照出厂说明定时定量的对一部分轴承进行维修和更换，一方面会出现对大量健康轴承维护的现象，造成不必要的浪费，另一方面可能会出现一些损坏的轴承仍然在运转的现象，造成数控系统瘫痪，出现经济损失。

　　因此更加人性化、智能化的轴承故障预警系统的设计与实现迫在眉睫，只有轴承故障预警系统可以及时监控每个轴承的运行状态，模拟轴承的运行趋势，提早感知轴承的剩余寿命，才能根据剩余寿命精准替换损坏边缘的轴承，这无论是对机械设备的合理维护，还是提高机床工厂生产的安全性和经济性都具有非常重大的意义。因此越来越多的国家和地区的科研人员把轴承的损坏监测和智能预警作为研究课题。

　　目前，人工智能飞速发展，现阶段运用人工智能等手段开展了轴承的大量故障检测和诊断的工作，该工作通常是对轴承出现故障后进行故障原因分析和故障位置定位，其具有滞后性，然而对于超前预警的研究，国内外的成果不尽如人意，因此本文重点讨论数控机床滚动轴承故障预警技术。要想在轴承没有出现故障的前提下，进行提前预警，需要计算出轴承的剩余寿命（梁竞之，2019），因此运用人工智能深度学习等手段对轴承的剩余寿命进行预测是本文研究的主要内容。

　　在国家工业制造重大科研专项中多次设置了"重大产品和重大设备寿命与预测技术"的研究专题，对轴承剩余寿命预测进行研究，不但相应了国家的号召，而且可对机械设备可能出现的故障进行提前预警，为接下来的现代化维修提供保障。

　　综上所述，通过多种手段预测滚动轴承的剩余寿命，根据剩余寿命结果进行预警，对轴承进行相应的维护和保养，可保障数控机床可以长时间健康运行。因此通过各种技术对轴承进行故障预警，设计与实现相关系统是非常有意义的工作。

　　1.2 国内外相关领域的研究现状

　　近年来越来越多的高校和科研机构学者开展轴承预警技术的研究，通常来说轴承预警主要需要经过以下步骤：轴承信号监测、剩余寿命预测、故障分析以及维修策略。本章将介绍轴承信号检测技术以及剩余寿命预测技术的研究现状。

　　1.2.1 轴承信号监测技术

　　如今轴承的监测技术发展迅速，现有的国内外轴承监测系统通常使用不同的传感器采集轴承运行时的振幅、转速、温度、相应部件的电流和电压信息以及振动加速度信号，通过对传感器采集的信号进行分析，模拟轴承的工作和退化状态，来实现对轴承的健康管理和寿命预测。随着科技的不断进步以及工业智能制造自动话的不断进步，信号采集技术也得到飞速发展。例如：国外西储大学（2014）为了策略轴承振动信号和轴承故障数据，使用了不同马力的电机进行试验，并在靠近和远离电机轴承的位置放置加速度计来获取振动信息；国内哈尔滨工业大学学者殷斌（2019）提出了一种基于集成声表面波传感器的滚动轴承状态监测系统，该系统通过将声表面波器件集成于轴承端面，通过天线实现 SAW 传感器信号的无线传输，为轴承状态监测的一体化和智能化提供了新的思路；西安交通大学转子轴承系统实验室开发了一种新型的滚动轴承加速寿命台（雷亚国，2019），该平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等部件组成，可以获取轴承全寿命周期的振动、温度数据。

　　1.2.2 剩余寿命预测技术

　　多年之前机床故障预警处于人工手动状态，通常需要技术工人观察整个设备的运行状态，根据经验分析部件的运作情况，依靠常识来进行人为预警，但这样耗时耗力，随机性较高。而如今人工智能迅猛发展，预警技术不断转变，预警转为依靠自动化预测剩余寿命来进行，因此剩余寿命预测技术成为故障预警的重中之重，只有准确的预测寿命，才能做到提前感知、提前预警。目前国内外研究表明，对轴承剩余寿命预测主要有 3 种方式：基于物理状态模型的寿命预测方式、基于深度学习的寿命预测方式和基于机器学习的寿命预测方式。

　　（1） 基于物理状态模型的剩余寿命预测技术

　　基于物理状态模型的故障预测方法是通过获得零部件准确的数学退化模型，通过信号的历史数据来计算相关零件的运行状态，建立以物理模型为基础的剩余寿命预测方式，零件的剩余寿命和物理模型的参数紧密联系，模型建立方式和模型的健壮性决定预测结果的准确率。目前王恒学者（2015）通过设备的退化指标训练合适的灰度模型，通过灰度模型预测设备的退化趋势进而预测最终的剩余寿命；张文豪（2019）提出了一种基于欧式距离与灰色预测模型的机床主轴剩余寿命预测方法，该方法采用最大熵算法求出振动信号的最大熵概率密度分布，再求出各个概率密度分布与初始概率密度分布之间的欧式距离，最后通过给定的阈值和欧式距离来训练灰度模型，从而预测出其达到给定阈值时所需要的时间，也即是主轴剩余使用寿命。

　　（2） 基于机器学习的剩余寿命预测方式

　　机器学习作为一种涉及多种科学的交叉学科，自诞生以来就应用于多种领域，而如今越来越多的学者采用机器学习的方式对轴承的剩余寿命进行预测，其中刘波、刘才学（2019）采用连续型 HMM 和 PSO-SVM 等机器学习技术对轴承剩余寿命进行预测，首先对轴承的全寿命周期的振动信号提取统计特征，然后通过连续的隐马尔可夫模型将轴承的全寿命周期分开，然后分别统计不同时间段的轴承信号的特征，最后通过 PSO-SVM 对多个特征进行训练并预测最终结果，该方式取得了比较好的效果；雷亚国（2019）等学者通过采用粒子滤波的方式预测轴承的剩余寿命，其中模型的输入特征从原始数据中提取，并经过了特征融合的操作；马海龙（2019）对采集的振动加速度信号提取峰值、小波熵等特征，并通过 PCA降维融合后进行 SVM 模型预测，最终得到轴承的剩余寿命。

　　（3） 基于深度学习的轴承剩余寿命预测方式

　　如今计算机硬件资源越来越丰富，数据样本越来越多，因此深度学习的应用越来越广泛，而如今越来越多的国内外学者采用深度学习的方式来进行剩余寿命预测。例如邱晓梅（2019）等人对采集的原始振动加速度信号进行处理，提取统 计特征，对特征求相关系数，进行特征简约后利用 BP 神经网络来进行寿命预测。

　　1.3 研究内容和组织结构

　　本文以数控机床滚动轴承故障预警为目标，利用硬件获取轴承的全寿命周期的振动信号，基于深度学习等方式来进行剩余寿命预测，最后通过对轴承提出相应的维修策略，以达到工业生产中自动化智能预警的作用，为了得到更好的人机交互性，本文利用网页设计的思路对系统进行了设计与实现，满足了系统操作简单、容易上手的要求。本文的主要内容如下：

　　第一章介绍了课题的相关背景以及研究的意义，阐述了国内外轴承信号检测技术以及轴承剩余寿命预测技术的发展状况，最后介绍了本文组织结构。

　　第二章介绍了轴承的退化机理和剩余寿命。从滚动轴承的具体结构入手，比较了轴承的退化类型，同时给出了轴承振动产生的原因，详细分析了轴承振动的频率，得出了振动信号可用于预测寿命的结论，最后通过结合轴承性能退化的规律，给出了剩余寿命预测的定义和剩余寿命对于故障预警的重要性。

　　第三章介绍了传统的卷积神经网络。首先对比了支持向量回归、循环神经网络和卷积神经网络之间的区别，分析卷积神经网络模型在故障预警中的优势，详细介绍传统卷积神经网络模型的卷积操作、池化操作和激活操作，以及模型的训练方式和防止过拟合的技术，为介绍下一章多尺度卷积神经网络做铺垫。

　　第四章是本文的核心内容，介绍了信号预处理方式以及多尺度卷积神经网络模型。首先在自编码器的基础上提出了降噪自编码器，分析降噪自编码器应用于信号预处理中的优势，接着提出了具有创新的多尺度卷积神经网络模型，详细介绍该模型中的浅层特征提取模块、深层特征提取模块、数据融合模块，并针对预测寿命的问题给出了一种更好的损失函数，最后通过实验对多尺度卷积神经网络模型进行验证。

　　第五章介绍了轴承故障预警系统的设计与实现方式。给出了该系统的总体规划，根据规划的要求给出了硬件使用方式并设计了软件程序，事实证明该系统可针对轴承的具体情况给出相应的预警措施，可提高工作人员的工作效率。

　　1.4 本章小结

　　本章主要介绍了轴承故障预警的意义，以及剩余寿命预测在轴承预警中的重要作用，同时介绍了机器学习和深度学习神经网络等相关概念，总结了目前国内外轴承信号检测技术和轴承剩余寿命预测技术的研究成果以及发展前景，明确了 本文的研究的目标和方向，最后，提出了本文的研究内容和解决的主要问题。

　　第 2 章 轴承退化机理和剩余寿命介绍
　　2.1 引言
　　2.2 滚动轴承结构
　　2.3 滚动轴承退化类型
　　2.4 滚动轴承的振动分析
　　2.4.1 滚动轴承振动原因
　　2.4.2 滚动轴承振动频率分析
　　2.5 滚动轴承剩余寿命介绍
　　2.5.1 滚动轴承故障率变化规律
　　2.5.2 滚动轴承剩余寿命预测定义
　　2.7 本章小结

　　第 3 章 卷积神经网络
　　3.1 引言
　　3.2 模型对比
　　3.2 传统卷积神经网络结构
　　3.2.1 卷积层
　　3.2.2 激活层
　　3.2.3 池化层
　　3.2.4 全连接层
　　3.3 防止过拟合技术
　　3.3.1 正则化技术
　　3.3.2 Dropout 技术
　　3.4 本章小结

　　第 4 章 基于多尺度卷积神经网络的轴承剩余寿命研究
　　4.1 引言
　　4.2 信号预处理
　　4.3 多尺度卷积神经网络模型
　　4.3.1 模型结构
　　4.3.2 浅层特征提取模块
　　4.3.3 深层特征提取模块
　　4.3.4 数据融合模块
　　4.3.4 损失函数

　　4.4 轴承剩余寿命预测流程
　　4.5 实验与结果分析
　　4.5.1 实验数据来源
　　4.5.2 实验结果
　　4.5.3 结果对比分析
　　4.6 本章小结

　　第 5 章 轴承故障预警系统的设计与实现
　　5.1 引言
　　5.2 系统的总体规划
　　5.3 系统软硬件设计
　　5.3.1 硬件设计
　　5.3.2 软件程序设计
　　5.4 本章小结

第6章 总结与展望

　　6.1 工作总结

　　本文对数控机床中核心部件滚动轴承的故障预警技术进行了研究，并设计与实现了故障预警系统。为了增加故障预警系统的智能性和完备性，本文从滚动轴承剩余寿命预测入手，分析了传统机器学习和深度学习的区别和优缺点，提出了多尺度卷积神经网络模型，通过该网络模型可准确预测轴承剩余寿命，根据寿命结果提出可行的预警和维护措施，同时分析了多种软硬件操作方式，搭建了比较适合该系统的软件平台和硬件设施，使得工作人员操作该系统更加方便快捷。其中具体工作如下：

　　（1） 研究了滚动轴承退化的原因和退化的类型，介绍轴承振动产生的原因，通过对轴承的振动频率进行分析，得出了振动信号可用于预测寿命的结论。对轴承的剩余寿命进行介绍，定义本文中剩余寿命的概念。

　　（2） 研究了传统卷积神经网络的优势，介绍该网络的具体细节，提出了降低过拟合的一些技术。

　　（3） 针对滚动轴承剩余寿命难预测的情况，在分析了轴承原始信号特征提取困难的基础上，提出了降噪自编码器信号预处理以及基于多尺度卷积神经网络的轴承剩余寿命预测方式，具体介绍了多尺度卷积网络模型的浅层特征提取模块、深层特征提取模块、数据融合模块以及更有优势的新型损失函数；最后通过实验验证了该模型的优越性。

　　（4） 研究了轴承故障预警系统的总体规划，把剩余寿命预测和预警技术紧密的联系在一起，分析了该系统的硬件资源，介绍了 LIS3DSH 加速度计以及InfluxDB 数据库，通过系统底层软件的多尺度卷积神经网络模型对轴承剩余寿命进行预测，并通过前端页面进行显示，给出合适的预警措施。

　　6.2 展望

　　随着工业自动化水平不断提高，数控机床在工作过程中极易损坏，而轴承在机床上的应用广泛，保障轴承处于健康状态十分重要。本文针对上述问题，重点研究了多尺度卷积神经网络模型在轴承剩余寿命预测中的应用，设计与实现了轴承故障预警系统，但由于本人目前时间和软硬件资源的限制，本文设计到的一些内容还需要改进和进一步的研究：

　　（1） 对轴承原始振动信号进行信号处理，需要进一步研究更加方便、可提取更多有用信息的预处理方式。

　　（2） 随着神经网络技术的不断发展，在本文提出的多尺度卷积神经网络模型的基础上，可进一步的研究新型的深度学习模型，可使用多种网络模型相融合的方式，提高剩余寿命预测的精度以及模型的鲁棒性

（3） 本文的预处理方式和寿命预测模型都是基于深度学习理论提出的，而这种模型对输入数据的规模比较敏感，因此应该采集更多的轴承运行信号，扩充模型训练的数据集，提高模型预测的精度。

　　（4） 故障预警系统需要软件和硬件的支撑，可进一步提高系统的硬件资源，使用更加丰富的传感器采集轴承信号，增加显卡使用 GPU 来提高模型的运行速度，选取性能更加充沛的服务器对该系统提供更好的支持。

　　对预警系统功能进行扩展，增加故障诊断功能，形成更加完备的轴承健康管理系统。

　　参考文献
　　王海龙。 数控机床滚动轴承健康状况监测系统设计与实现[D].中国科学院大学（中国科学院
　　沈阳计算技术研究所），2019.
　　梁竞之。 滚动轴承的故障监测与状态管理系统研究[D].哈尔滨工业大学，2019.
　　殷斌。 基于集成声表面波传感器的滚动轴承状态监测系统研制[D].哈尔滨工业大学，2019.
　　雷亚国，韩天宇，王彪，等。 XJTU-SY 滚动轴承加速寿命试验数据集解读[J].机械工程学报，2019,55（16）：1-6.
　　王恒，马海波，徐海黎，等。基于 K-S 检验和动态灰色模型的机械设备剩余寿命预测方法[J].
　　仪表技术与传感器，2015（01）：97-100.
　　张文豪，施展。 基于欧式距离与灰色预测模型的机床主轴剩余寿命研究[J].制造业自动化，2019,41（03）：93-96.
　　刘波，宁芊，刘才学，等。 基于连续型 HMM 和 PSO-SVM 的滚动轴承剩余寿命预测[J].计算
　　机应用，2019,39（S1）：31-35.
　　雷亚国，杨彬，杜兆钧，等。大数据下机械装备故障的深度迁移诊断方法[J].机械工程学报，2019,55（07）：1-8.
　　马海龙。 基于主元特征融合和 SVM 的轴承剩余寿命预测[J].工矿自动化，2019,45（08）：74-78.
　　邱晓梅。 滚动轴承的故障诊断与剩余寿命预测方法研究[D].山东理工大学，2019.
　　刘小勇。 基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D].哈尔滨工业大学，2018.
　　周裕华。 滚动轴承的性能退化评估与剩余使用寿命预测方法的研究[D].华南理工大学，2018.
　　任利娟。 滚动轴承性能退化评估与剩余寿命预测[D].山东大学，2019.
　　杨珊。 基于神经网络和 Clark 变换的电机故障诊断的研究[D].中国石油大学（华东），2013.
　　刘恩龙。 基于 WPHM 模型的滚动轴承寿命预测方法研究[D].大连理工大学，2014.
　　姜姗。 电机智能轴承在线监测系统及故障预警技术研究[D].哈尔滨理工大学，2019.
　　苏冠华。 基于深度学习的滚动轴承智能故障诊断方法研究[D].燕山大学，2019.
　　石慧。 机械系统的剩余寿命预测及预防性维修决策研究[D].太原科技大学，2015.
　　李新叶，龙慎鹏，朱婧。 基于深度神经网络的少样本学习综述[J].计算机应用研究，2020,1（8）：30-100.
　　陈学军，杨永明。 基于经验小波变换的振动信号分析[J].太阳能学报，2017,38（02）：339-346.
　　朱晓洁。 基于稀疏性非负矩阵分解的滚动轴承复合故障诊断[J].中国工程机械学报，2018,16（06）：553-558.
　　李心一，谢志江，罗久飞。 加窗插值快速傅里叶变换在滚动轴承故障诊断中的应用[J].中国机
　　械工程，2018,29（10）：1166-1172.
　　李少鹏。 结合 CNN 和 LSTM 的滚动轴承剩余使用寿命预测方法研究[D].哈尔滨理工大学，2019.
　　张鑫。 机械维修过程中轴承维修方式探析[J].中国设备工程，2019,（08）：48-49.
　　朱莉，王魏。 新型 MEMS 三轴加速度计 LIS3LV02DL 原理与应用[J].东北林业大学学报，2006,（04）：103-105.
　　夏瑜潞。 人工神经网络的发展综述[J].电脑知识与技术，2019,15（20）：227-229.
　　何彪。 基于振动信号的滚动轴承早期故障诊断方法研究[D].西南交通大学，2019.
　　Guangxian Ni, Jinhai Chen, Heng Wang. Degradation assessment of rolling bearing towards safety based on random matrix single ring machine learning[J]. Safety Science, 2019, 118.
　　Kalchbrenner N, Grefenstette E, Blunsom P. A Convolutional Neural Network for Modelling Sentences[J]. Eprint Arxiv, 2014, 1.
　　Ji-Yuan Wang, Eung-Joo Lee. Low Resolution Rate Face Recognition Based on Multi-scale CNN. 2018, 21（12）： 1467-1472.
　　Xin Lai, Le Zhou, Zeyu Fu, et al. Enhanced pooling method for convolutional neural networks based on optimal search theory. 2019, 13（12）： 2152-2161.
　　Danchen Zhu, Yongxiang Zhang, Qunwei Zhu. Fault feature extraction for rolling element bearings based on multi-scale morphological filter and frequency-weighted energy operator. 2018, 20（8）：2892-2907.
　　Fan Xu,Zhelin Huang,Fangfang Yang,Dong Wang,Kwok Leung Tsui. Constructing a health indicator for roller bearings by using a stacked auto-encoder with an exponential function to eliminate concussion[J]. Applied Soft Computing Journal, 2020, 89.He K, Zhang X, Ren S,et al. Deep Residual Learning for Image Recognition[J]. 2015: 770-778.
　　Soualhi A, Medjaher K, Zerouni N. Bearing health monitoring based on Hibert-Huuang transform,support vector machine,and regression. IEEE TransInstruum Mears 2015; 64（1）： 52-62

致 谢

　　时光荏苒，岁月翩跹，三年的研究生生活即将结束。回顾这三年以来的点点滴滴，有不舍、有怀念、有喜悦、有悲伤，各种情感交织在一起，有如一帧帧电影画面般定格在我的脑海中。三年来少了许多本科时的懵懂无知，多了一些历经岁月洗礼后的成熟与稳重。也更加明白了在这漫漫的科研道路上，需要的是除却年少时的浮躁，静下心来，低头耕耘，才能在科研道路上走的更稳、更远。

　　在此我最先感谢的是我的导师孙维堂老师，感谢孙老师在这三年来所给予我的关怀和指导。孙老师渊博的学识、严谨细致的科研态度以及平易近人的作风都让我受益匪浅，使我在学术方面不断求索，日益进步。同时，我也要感谢韩卫光老师，韩老师不管是在学习上还是在生活上都给了我极大的帮助和影响。在这三年来，从选择课题到论文撰写以及论文评阅这漫长的过程中都包含了他们无数的心血。感谢韩老师和孙老师，谨在此祝老师们科研顺利，身体健康，桃李满天下。

　　其次还要感谢研究生部的丁老师、王老师以及其他所有曾给予过我帮助的老师。在你们的帮助下，才使我顺利的完成了整个学业；在你们的陪伴下，才使我成长为更好的人。

　　当然，还要感谢实验室的甘师兄、王师兄们以及我身边的同学朋友们，三年以来与你们相处的点点滴滴，回想起来，仿若还是昨天。感谢你们在我最无助的时候给我加油打气，在我最迷茫的时候帮我拨开迷雾，在我对未来最憧憬的时候给予我最真挚的祝福。于我而言，你们似兄长，更是挚友，是我这三年来最宝贵的财富。万语千言，总抵不过这三年的陪伴。在这即将离别之际，我祝你们一路繁花似锦，平安喜乐。

　　另外，我要感谢我的父母，感谢你们从未缺席过我成长道路中所抵达的每一处小小终点，在这短短的二十几年路途中，无论晴雨，你们一直都在，你们是我最坚强的后盾和最有力的支撑。你们辛苦了！感谢你们所给予我的全部的无私的爱！

　　最后，感谢各位评审老师对我论文的认真审阅并提出宝贵的意见，让我可以正视自己的不足并得以改正。希望自己在以后的工作和生活中能够坚守初心，脚踏实地，砥砺前行，渐入佳境。

（如您需要查看本篇毕业设计全文，请您联系客服索取）