一、基于小波分析的机械系统振动信号故障诊断（论文文献综述）
陈卓[1]（2021）在《齿轮箱故障智能诊断方法研究》文中指出随着机械设备越来越复杂化、智能化,产生的经济效益也随之增加。齿轮箱作为机械设备的核心部件,决定着机械设备的运转状态,在机械工业的发展中起着关键作用,因此对齿轮箱故障诊断方法的研究具有重要的研究价值。同时人工智能技术的蓬勃发展,为齿轮箱故障诊断提供了新方法。本文对齿轮箱的故障诊断技术进行研究,将人工智能技术引入齿轮箱故障诊断,进行齿轮箱故障智能诊断方法的研究。主要研究内容如下:（1）对传统故障诊断技术和智能故障诊断技术进行对比分析确定了智能诊断方法的研究意义。分析齿轮的振动机理并建立对应的力学模型,对不同状态振动信号模型进行仿真,分析了其对应的调制信息及边频带的分布特征。（2）设计了一种以FPGA为核心的齿轮箱振动信号采集系统,完成数据的采样、转换、存储和传输。对齿轮箱运行过程中齿轮的啮合频率以及轴转频率进行分析和实验验证,结果表明该采集系统用5 kHz的采样频率可不失真的采样和传输500 Hz的振动信号,能满足本文所用振动实验台齿轮啮合频率及其边频带的不失真采样和传输,验证了信号采集系统的可行性。（3）对齿轮箱在不同工况下的振动信号进行小波包分解,分析小波包能量谱中不同频带段对应的能量特征。研究表明能量特征中包含着丰富的工况信息,可以作为齿轮箱故障智能诊断的样本数据。（4）对齿轮箱智能诊断方法进行研究,分别以人工神经网络为基础建立GA-BP故障诊断模型,以支持向量机为基础建立SVM故障诊断模型;针对支持向量机最优参数难以确定的问题,引入粒子群算法和遗传算法分别建立PSO-SVM故障诊断模型和GA-SVM故障诊断模型;综合评价四种模型的诊断性能,结果表明GA-SVM故障诊断模型具有较高的故障识别准确率,平均准确率为97.68%,且运行时间最短,平均运行时间为20.02 s。
曹雪山[2]（2021）在《基于深度学习的工业机器人故障诊断技术研究》文中研究说明工业机器人凭借自身高效率高强度的工作模式,在生产制造行业及相关领域内有广泛的应用。工业机器人发生故障往往会造成生产线的生产停滞,造成企业人力物力资源的消耗,严重的还会造成人民生命财产损失。由于传统的故障诊断方法周期长、诊断效率低,故障识别准确率也难以保证,研究针对工业机器人的智能化故障诊断系统成为工业生产中的重要一环。本文基于深度置信网络与多源信息融合技术相关理论,通过对工业机器人关节和末端执行器的振动信号的分析,建立适用于工业机器人的故障诊断模型。本文主要研究内容如下:分析工业机器人的常见故障形式、故障表征与故障原因,确定以工业机器人的振动信号作为研究对象,完成工业机器人故障诊断模型的创建与验证。针对工业机器人的振动信号,采用小波变换、信息能量熵相关理论进行特征提取,构建振动信号的能量熵归一化特征向量。以KR-3-R540机器人、数据采集与存储系统、数据分析系统和加速度传感器为实验设备。通过数据采集与存储系统获取加速度传感器所采集到的KR-3-R540机器人各个关节与末端执行器的振动信号,经过数据分析系统进行分析。由于工业机器人运动频率和共振频率的干扰,需要对加速度传感器所采集的振动信号进行滤波处理。利用小波变换和信息能量熵相关理论对滤波之后的振动信号进行处理。通过对比在不同参数下对振动信号的处理结果,确定最佳小波分解层数与小波基数量参数,以及能量熵计算方程和归一化方程。以振动信号所对应的能量熵归一化向量作为实验样本,划分为训练集和测试集,完成对DBN网络参数的正向非监督训练与反向优化微调和模型故障识别准确率的测试。利用多源信息融合技术中的DSmT理论进行故障诊断模型决策层融合。将DBN网络输出层作为故障证据计算证据冲突度量因子,根据证据之间存在的高冲突证据,选取开放辨识框架下的DSmT的组合规则与决策规则进行决策层融合。设计多并发故障状态下机器人实验,验证基于多源信息融合的工业机器人故障诊断模型在多并发故障状态下的适用性,故障识别准确率可达到94.3%。
曹公界[3]（2020）在《煤矿机械齿轮和轴承故障诊断研究》文中研究指明本文针对煤矿机械传动系统内部的齿轮和轴承相关组件的故障进行诊断研究。通过相关资料了解了目前国内外在这方面的发展历程和发展现状,分析了当下的故障检测和分析系统内部存在的不足,讨论了在以后的研究工作中应该给予的调整和改变。煤矿是一个低速机械传动装置,重型车型在恶劣的环境下正常工作,因此齿轮系统和滚动轴承振动机理和失效机理需要注意。本文的研究对象即在此条件下工作的采煤机械系统内部齿轮和轴承,可采用的多种信号处理方法有时域振动分析、频谱分析、功率谱分析、小波分析等。本文重点进行了波谱分析,并建立故障与振动信号对应的模型,配以实现模型的自动匹配和计算设计了人工神经网络系统。在该神经网络建模的基础上,以齿轮箱故障的敏感参数为网络模型的输入信息,用BP神经网络模仿齿轮箱的多故障状态,以此对齿轮和轴承的故障诊断时,取得了较好的分类结果。分析采煤机械齿轮和轴承故障类型与原因后,将振动信号作为检测故障的依据,以频域分析法作为判断煤矿机械故障类型的方法,简化了分析过程。研究表明,本次研究的方法适用于对采煤机械故障诊断,并具有重要的实用价值。图[30]表[5]参[81]
蒋宇[4]（2020）在《齿轮箱混沌特性与故障诊断研究》文中提出传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
杨海坤[5]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中提出对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
白丽丽[6]（2020）在《齿轮传动系统关键零部件故障状态识别方法研究》文中认为齿轮传动系统作为机械装备中广泛使用的动力传动部件,其运行的安全性和可靠性直接关系到整个装备的工作寿命和效率。众所周知,齿轮传动系统通常运行在高速重载的工作条件下,其关键零部件一旦发生故障往往会导致整个传动系统无法正常运转。因此,对齿轮传动系统中关键零部件的故障诊断技术开展深入的研究,并提出一种实用可靠的故障诊断方法,对准确预测和掌握零部件失效的规律,避免造成重大的经济损失、重大事故和人员伤亡等情况,具有重要的工程意义。由于故障诊断的本质即是模式识别和分类的过程,因此通过利用这些关键零部件的运行信息来分类识别设备的相关运行状态是机械系统故障诊断的重要内容。本学位论文将齿轮传动系统中的关键零部件——齿轮、轴承作为研究对象,围绕其在故障状态识别领域中的关键问题,即信号降噪、故障特征提取、故障特征选择、故障状态识别等方面展开了研究。首先,结合了机械传动系统的工程应用,回顾了其关键零部件的故障演化机理、数据获取方法、信号处理和特征提取方法、状态识别和寿命预测技术的国内外研究现状,归纳出了其研究的优缺点,提出了本文的研究内容和研究路线。其次,分析了从原始振动信号中提取可以表征故障状态的时域特征参数、频域特征参数、时频域特征参数的基础上,引入了更为敏感的熵特征参数。综合这些特征参数构建了混合域的高维特征向量来全面描述齿轮传动系统的故障状态。另外,根据相关原理设计了齿轮和轴承故障诊断的试验台,为后续的研究提供了试验验证的平台。由于噪声是故障特征信息提取的最主要障碍,实际中采集的振动信号往往混入噪声,而常规的降噪方法难以有效处理非线性、非平稳性信号中的噪声,故本文提出了一种基于完整的自适应噪声集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）、排列熵（Permutation Entropy,PE）和时频峰值滤波（Time-Frequency Peak Filtering,TFPF）相结合的降噪算法。该方法将排列熵作为判定指标,将CEEMDAN分解后的本征模态函数用不同窗长的TFPF方法进行滤波,很好地权衡了TFPF方法在噪声抑制和信号保真两方面的矛盾。通过仿真和实测信号的试验研究表明,该方法降噪后信噪比明显提升,且可以成功从微弱信号中提取出故障特征。针对单尺度特征在表征故障状态时的片面性和局限性,本文提出了一种基于非线性熵的故障特征提取算法。该算法利用CEEMDAN分解后的各个本征模态函数的PE值形成多尺度的特征向量,并用粒子群寻优的支持向量机（Support Vector Machine Optimized by Particle Swarm,PSOSVM）进行状态识别,进一步体现了引入熵特征的必要性以及多尺度熵的全面性。通过试验验证了该算法在轴承的故障检测和分类方面具有有效性和鲁棒性,并通过与其他多种特征提取的方法对比证明了该算法的稳定性更好,分类的正确率更高。最后,鉴于提取的混合域高维特征向量集中存在的相关性和冗余性,从而严重影响了后续的状态识别性能,本文引入了一种基于鲸鱼算法优化的有监督的核熵成分分析算法（Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm,WOSKECA）,旨在以更少的特征成分表征更多的有效信息。该算法利用主要核熵得分数据来对特征进行选择约简,剔出冗余特征;利用样本的类别信息,引入有监督的学习方式,不仅保留了原始特征集的内在熵结构,同时保证了分类识别准确性更高;利用鲸鱼优化算法寻找最适合核熵成分分析算法的核参数,降低了获取故障状态信息的专业性与主观误差。该方法不仅提升了故障特征提取的效果,同时也确保了关键信息的完整性与凝聚性。最后将包含复合特征信息的敏感特征参数输入PSOSVM分类器中,实现了齿轮传动系统关键零部件的故障类型及严重程度的状态分类识别。
张璋[7]（2019）在《小波双谱在机车故障诊断中的应用研究》文中进行了进一步梳理由于工作环境恶劣、负载变化频繁等因素,机车齿轮和轴承故障时有发生,没有运转到维修期就需要提前更换。与常用的基于振动信号的检测技术相比,基于牵引电机定子电流分析的诊断方法具有经济性和易实施的优点。为了准确可靠地检测机车故障,本文将小波双谱引入振动和牵引电机定子电流信号分析,完成以下工作:在总结机车振动信号二次相位耦合的基础上,论述了牵引电机定子电流信号产生二次相位耦合的机制,总结了相位耦合的模式,着重讨论了二次相位耦合与故障的关系。双谱是识别二次相位耦合的有效工具。但是具有较大的估计误差需要对大量数据进行平均处理,不适合对短数据分析。本文将小波双谱引入机车传动系统故障诊断,初步解决了变转速条件下,二次相位耦合提取的难题。针对小波双谱估计结果容易受到干扰产生伪相干的问题,研究开展了双相随机小波双谱（Biphase Random Wavelet Bispectrum）和瞬时小波双谱（Instantaneous Wavelet Bispectrum）的应用研究。通过仿真信号分析说明了小波双谱的优良特性,可用于分析基本频率随时间变化信号的二次相位耦合,有效提取故障特征。在机车传动轴实验台上进行了实验验证,证实了小波双谱方法较传统双谱的优越性。总结以上成果,提出了采用小波双谱检测信号二次相位耦合,提取故障特征的机车牵引传动系统故障诊断方法。机车实际线路运行试验证明,上述方法能准确诊断机车齿轮和轴承故障。
戴屹梅[8]（2019）在《面向突变信号的火箭发动机轴承故障特征提取方法》文中提出涡轮泵是液体火箭发动机的关键组件,其在高温、低温、高压、低压及高转速工况下运行,热学和力学环境极为复杂。滚动轴承是涡轮泵的关键部件,其长时间维持高速运转状态,同时承受各种形式的应力挤压、摩擦。滚动轴承一旦出现故障,将直接影响发动机的稳定运行。涡轮泵轴承的故障特征提取是发现轴承故障的重要途径,对于确保火箭的安全飞行具有重要的意义。与普通民用轴承相比,火箭发动机涡轮泵轴承采用固体自润滑,当轴承瞬间受到外力时易导致结构破坏,或瞬间干摩擦引起烧蚀。其故障模式体现在振动信号上的特点是:（1）频谱宽,振动数据中同时含有低频成份和几万赫兹量级的高频成份;（2）能量小,轴承故障特征频率振动量级小,容易被复杂的背景信号淹没;（3）突变性,轴承表面一旦出现故障,其劣化速度很快,导致振动信号中故障特征频率具有很强的突变性。这些特点使传统的振动信号分析方法不能完全适用于火箭发动机涡轮泵轴承故障特征提取。因此,如何准确地实现液体火箭发动机低温高速轴承的故障特征提取成为相关领域亟待解决的问题。本论文针对液体火箭发动机涡轮泵低温高速轴承振动信号故障特征提取所涉及的理论、方法和关键技术进行了研究,主要研究工作如下:1)针对低温高速轴承振动时域信号中隐藏的突变信号难以精确时间定位的问题,提出一种突变信号的时幅曲线分析算法。根据振动数据的特征频点进行时移傅里叶变换,得到傅里叶变换系数与对应时刻的时幅曲线,获取曲线极值点位置及时刻,进而找到突变信号的进入时刻和消失时刻。经过理论分析、数学仿真校验和实际振动数据工程仿真校验,该算法能精确捕捉突变信号的出现时刻和消失时刻,准确得到幅值。2)针对液体火箭发动机涡轮泵轴承振动数据突变信号特征频率提取问题,提出一种突变参量分析法。该算法对信号进行正反向时幅曲线分析,构造出五个可对信号突变特性进行放大、并对突变特征进行量化的参量,根据参量筛选突变信号特征频率。经数学仿真、工程仿真校验和实际高速轴承试验振动数据分析,该算法能够从海量数据和成千上万个频点中聚焦有价值的突变信号频点。3)针对火箭发动机涡轮泵轴承故障位置难以精确判定的问题,利用时幅曲线的相位信息,提出了振源坐标分析法。将四个振动信号传感器安放在坐标已知的直角坐标系中,利用时幅曲线分析法获取同一频率信号到达四个传感器的起始时刻,再依据四个传感器的位置坐标计算振源坐标,根据振源坐标判断其是否位于轴承区域及位于轴承的具体部位。利用工程仿真数据对振源坐标分析法进行了校验,结果表明可利用该方法判定故障的具体部位。4)为了从统计学的角度寻找信号的突变特征,构造了三种基于多时间尺度的熵平面:一、将传统的统计复杂性测度与功率谱熵相结合,构造频域上的复杂度-熵因果关系平面;二、将原方法使用的归一化的置换熵扩展到Tsallis熵和Renyi熵,得到广义置换熵平面模型;三、结合置换熵和分布熵,构造广义的置换分布摘平面。通过数学仿真数据和轴承试验工程仿真数据校验,结果表明三种熵平面都能很好地找到具有异常值的窗口。5)开发了低温高速轴承故障诊断系统,集成了时域、频域、短时傅里叶、小波变换、小波阈值消噪、EEMD、希尔波特变换等传统分析方法,以及本文提出的时幅曲线分析法、突变参量法、熵平面等分析方法。基于此平台可进行信号特征提取、数学仿真、工程仿真以及轴承故障时域模拟信号的构造。
秦斌[9]（2018）在《基于小波包和支持向量机的滚动轴承故障诊断方法研究》文中认为滚动轴承是众多旋转类机械设备的关键部件,对滚动轴承进行状态监测与故障诊断,可有效提高机械系统的维修性和安全性,降低因滚动轴承故障造成的人员和经济损失。通过分析滚动轴承监测振动信号,可实现对多类滚动轴承的故障诊断。本文对滚动轴承故障产生机理、滚动轴承的监测振动信号特征提取方法、故障诊断方法进行了研究。针对基于小波包分解的故障特征提取和特征参数选择问题,对基于小波包分解的两种故障特征参数提取方法进行应用分析研究。依据收集的滚动轴承振动信号数据,应用小波包分解分别提取了小波包频带能量特征和小波包频带样本熵特征,并进一步采用支持向量机（SVM）方法对滚动轴承进行故障诊断,重点分析了两种故障特征参数的适用性和影响因素。诊断结果表明,采用小波包能量特征参数对滚动轴承早期轻微故障的诊断效果较好,而小波包样本熵特征参数在滚动轴承严重故障的诊断方面更有优势。为进一步提高支持向量机（SVM）模型在滚动轴承故障诊断中的准确率和精度,提出一种非线性惯性权重粒子群算法优化SVM（IPSO-SVM）的滚动轴承故障诊断方法。依据收集的滚动轴承振动信号数据,采用改进粒子群算法（IPSO）优化SVM模型参数,并根据优化的SVM模型进行滚动轴承故障诊断。与基于粒子群算法优化的SVM模型（PSO-SVM）、基于遗传算法优化的SVM模型（GA-SVM）等方法对比,表明本文提出的基于IPSO-SVM的滚动轴承故障诊断方法提高了故障诊断的效率和准确率。
李哲洙[10]（2018）在《面向航空液压管理系统健康管理的关键测试与数据处理技术研究》文中提出长期以来,航空液压管路系统在高压力脉动冲击和强机体基础激励下工作,容易导致管路系统产生破坏失效,影响正常飞行工作。目前国内尚未建立面向航空液压管路PHM系统,因此,突破航空液压管路系统关键数据的测量技术,对管路系统关键测试数据进行处理分析,获得蕴含在振动信号中反映管路系统运行状态的特征参数,识别和预测其运行状态的变化,并在事故发生之前及时做出诊断,对于航空液压管路系统的安全运行和维护具有重要的意义和工程应用价值。航空液压管路健康管理系统PHM（prognostics and health management system）系统,是指利用传感器采集的各种数据信息,借助各种数据处理法来评估系统自身的健康状态,在管路系统故障发生前对其故障进行预测,并结合可利用的资源信息提供一系列的维修保障措施。航空液压管路系统健康管理是目前我国航空是一项重要的研究任务,已经列入我国民机重大专项。本文在与中航工业动力所合作的企业研制项目支持下,初步开展了前期预研和关键技术攻关等工作。针对航空液压管路PHM系统在复杂工况下关键测试数据进行有效处理的迫切需求,开展面向航空液压管路系统健康管理的光纤光栅传感测量等关键测试技术研究,以及时频分析技术和非线性变换技术研究为主的数据处理技术研究。以光纤光栅传感和解调理论,小波分析和小波包分解理论,希尔伯特-黄变换理论（HHT）以及非线性动力学和混沌理论、非线性变换技术为基础,获得管路系统动态应变的光纤光栅传感器的安装与布置,温度解耦,波长解调等关键测试技术,实现了管路系统固有特性测量以及试车状态下的动态性能测量;对不同压力状态及其变化过程中的航空液压管路系统振动非平稳信号的小波分析,小波包分解,HHT,相空间重构及其非线性定性分析,掌握了泵源压力脉动激励以及飞机机体基础激励下的液压管路系统的复杂振动行为,所取得的创新性工作如下。1、提出了基于光纤光栅传感的航空液压管路分布式测试技术,实现了液压管路系统故障的定位和判定。通过采用光纤光栅传感和传统电测技术对比测试某型航空发动机液压管路系统的振动特性,从而验证了光纤光栅测量技术在航空液压管路系统PHM的准确性、可行性和先进性。2、提出了不同压力状态下航空液压管路振动信号的时频分析技术。基于小波包分解和HHT分析技术,获得管路在电磁阀切换导致压力突变时的瞬时振动特性,从而克服了传统傅里叶变换技术无法得到的瞬时频率信息,为分析航空液压管路压力突变时非平稳振动分析提供一种新技术。3、提出了不同压力状态下航空液压管路振动信号的非线性定性分析技术,发现了随着液压管路系统压力增加,管路系统由周期、准周期运动变为混沌特征。管路振动信号的复杂度随着系统压力的增加呈先减小后增大的趋势,从而有效的实现航空液压管路系统非线性特性的定性识别。4、提出了基于非线性定量分析技术实现了不同压力下航空液压管路振动信号的非线性预测。基于关联维数、最大Lyapunov指数和代替数据法等非线性参数的估算方法,能够应更加准确的提取管路系统运行特征和识别运行状态,为航空液压管路系统状态监测和实时诊断提供新思路。
二、基于小波分析的机械系统振动信号故障诊断（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波分析的机械系统振动信号故障诊断（论文提纲范文）
（1）齿轮箱故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱故障诊断技术发展 |
| 1.2.2 齿轮箱故障诊断的信号获取 |
| 1.2.3 齿轮箱故障诊断方法综述 |
| 1.3 论文内容安排 |
| 2.齿轮箱振动机理及其特性分析 |
| 2.1 齿轮的振动机理 |
| 2.2 齿轮振动信号模型 |
| 2.2.1 齿轮正常振动信号模型 |
| 2.2.2 齿轮故障振动信号模型 |
| 2.2.3 齿轮调制信号的仿真分析 |
| 2.3 本章小结 |
| 3.数据采集系统方案设计 |
| 3.1 信号采集模块 |
| 3.2 数据缓存模块 |
| 3.3 数据发送模块 |
| 3.4 上位机显示模块 |
| 3.5 系统设计验证 |
| 3.6 本章小结 |
| 4.振动信号分析及特征提取 |
| 4.1 齿轮箱实验平台介绍 |
| 4.2 常见的信号分析方法 |
| 4.2.1 小波分析 |
| 4.2.2 小波包分析 |
| 4.3 实验数据的小波包能量谱分析 |
| 4.4 本章小结 |
| 5.齿轮箱故障诊断模型建立 |
| 5.1 GA-BP故障诊断模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 遗传算法 |
| 5.1.3 GA-BP诊断模型设计 |
| 5.1.4 GA-BP模型诊断结果分析 |
| 5.2 SVM故障诊断模型 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 SVM核函数选择与交叉验证 |
| 5.2.3 SVM诊断模型设计 |
| 5.2.4 SVM模型诊断结果分析 |
| 5.3 PSO-SVM故障诊断模型 |
| 5.3.1 粒子群算法 |
| 5.3.2 PSO-SVM诊断模型设计 |
| 5.3.3 PSO-SVM模型诊断结果分析 |
| 5.4 GA-SVM故障诊断模型 |
| 5.4.1 GA-SVM诊断模型设计 |
| 5.4.2 GA-SVM模型诊断结果分析 |
| 5.5 故障诊断模型对比分析 |
| 5.5.1 基于支持向量机的故障诊断模型结果对比 |
| 5.5.2 四种智能故障诊断模型结果对比 |
| 5.6 本章小结 |
| 6.结论 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于深度学习的工业机器人故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障诊断技术研究背景 |
| 1.3 工业机器人故障诊断研究现状 |
| 1.4 论文主要内容 |
| 第2章 工业机器人故障诊断相关技术 |
| 2.1 引言 |
| 2.2 工业机器人故障分析 |
| 2.3 深度置信网络(DBN) |
| 2.3.1 深度置信网络基本原理 |
| 2.3.2 受限玻尔兹曼向量机 |
| 2.3.3 深度置信网络训练过程 |
| 2.4 多源信息融合技术 |
| 2.4.1 多源信息融合技术基本概念 |
| 2.4.2 多源信息融合的层级 |
| 2.4.3 证据理论 |
| 2.5 本章小结 |
| 第3章 工业机器人故障诊断实验平台 |
| 3.1 引言 |
| 3.2 实验平台介绍 |
| 3.2.1 实验设备 |
| 3.2.2 实验平台功能 |
| 3.3 实验内容与数据采集 |
| 3.3.1 实验内容 |
| 3.3.2 实验数据 |
| 3.4 本章小结 |
| 第4章 基于深度置信网络的工业机器人故障诊断 |
| 4.1 引言 |
| 4.2 工业机器人振动信号预处理 |
| 4.3 能量熵归一化特征向量 |
| 4.3.1 信息熵和能量熵 |
| 4.3.2 能量熵归一化特征向量 |
| 4.4 基于深度置信网络的工业机器人故障诊断模型 |
| 4.4.1 故障诊断模型创建流程 |
| 4.4.2 初始化DBN网络参数 |
| 4.4.3 模型准确率分析 |
| 4.5 本章小结 |
| 第5章 基于多源信息融合的工业机器人故障诊断 |
| 5.1 引言 |
| 5.2 DSmT基本概念 |
| 5.3 DSmT模型组合规则 |
| 5.3.1 自由DSm模型的组合规则 |
| 5.3.2 混合DSm模型M(Θ)的组合规则 |
| 5.4 可传递信度模型 |
| 5.4.1 开放辨识框架 |
| 5.4.2 冲突度量因子 |
| 5.5 基于DBN和 DSmT的工业机器人故障诊断模型 |
| 5.5.1 故障诊断模型创建流程 |
| 5.5.2 机器人故障诊断及结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 致谢 |
| 作者简介 |
| 附录 |
（3）煤矿机械齿轮和轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 课题发展状况 |
| 1.3 论文主要内容 |
| 2 煤矿机械齿轮和轴承故障诊断原理及信号特性参数分析 |
| 2.1 齿轮故障诊断原理 |
| 2.1.1 齿轮常见故障分析 |
| 2.1.2 建立数学模型 |
| 2.1.3 齿轮啮合刚度 |
| 2.1.4 齿轮的故障特点 |
| 2.1.5 齿轮故障检测频率 |
| 2.1.6 齿轮振动调制效应 |
| 2.2 滚动轴承诊断基础分析 |
| 2.2.1 滚动轴承常见故障分析 |
| 2.2.2 滚动轴承的振动剖析 |
| 2.2.3 轴承故障案例 |
| 2.3 齿轮与轴承的典型故障信号分析 |
| 2.3.1 齿轮无故障状态分析 |
| 2.3.2 断齿 |
| 2.3.3 齿轮均匀磨损分析 |
| 2.3.4 齿形误差 |
| 2.3.5 滚动轴承点蚀和疲劳剥落分析 |
| 2.4 本章小结 |
| 3 煤矿机械系统中的齿轮和轴承故障信号的测试与分析 |
| 3.1 振动信号测试的任务分析 |
| 3.2 振动信号测试 |
| 3.2.1 齿轮和轴承振动的测试定位 |
| 3.2.2 振动测试流程分析 |
| 3.2.3 基于STM32的便携式信号采集系统分析 |
| 3.3 振动信号的理论分析 |
| 3.3.1 齿轮箱振动信号时域分析 |
| 3.3.2 齿轮箱振动信号频域分析 |
| 3.3.3 小波分析 |
| 3.4 本章小结 |
| 4 齿轮和轴承故障信号的提取及分析 |
| 4.1 齿轮和轴承故障的模拟试验 |
| 4.1.1 典型故障试验装置简介及主要参数介绍 |
| 4.1.2 典型故障试验设计 |
| 4.2 齿轮与轴承典型故障信息的特征频率 |
| 4.3 敏感参数选择与提取 |
| 4.4 振动信号时频域的特征分析 |
| 4.4.1 直齿工况1正常状态 |
| 4.4.2 直齿工况2的故障诊断 |
| 4.4.3 直齿工况6的故障诊断 |
| 4.5 啮合齿轮传动测试及失效分析 |
| 4.5.1 啮合齿轮传动的测试方法 |
| 4.5.2 啮合齿轮传动的测试结果 |
| 4.5.3 失效分析 |
| 4.6 本章小结 |
| 5 神经网络系统在齿轮箱故障模式识别分析的应用 |
| 5.1 神经网络与故障模式的应用识别分析 |
| 5.1.1 常用模式识别方法 |
| 5.1.2 神经网络在故障模式识别中的应用 |
| 5.2 齿轮箱故障模式识别模型结构确定 |
| 5.2.1 神经网络模型确定 |
| 5.2.2 输入层与输出层确定 |
| 5.2.3 隐含层数和隐含层内节点数确定 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（4）齿轮箱混沌特性与故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（6）齿轮传动系统关键零部件故障状态识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 机械系统的故障诊断研究 |
| 1.2.1 故障演化机理研究 |
| 1.2.2 故障数据获取方法研究 |
| 1.2.3 信号处理及特征提取方法研究 |
| 1.2.4 状态识别及寿命预测方法研究 |
| 1.3 机械系统故障诊断研究现状总结 |
| 1.4 论文的主要研究内容与结构安排 |
| 第2章 齿轮传动系统的试验研究及统计特征参数 |
| 2.1 引言 |
| 2.2 美国 Case Western Reserve University 轴承试验台简介 |
| 2.3 齿轮传动系统试验装置设计 |
| 2.4 统计特征参数 |
| 2.4.1 常用的时域统计特征参数 |
| 2.4.2 常用的频域统计特征参数 |
| 2.4.3 常用的时频域统计特征参数 |
| 2.4.4 熵特征参数 |
| 2.5 本章小结 |
| 第3章 基于CEEMDAN-PE-TFPF的降噪算法研究 |
| 3.1 引言 |
| 3.2 小波包分析 |
| 3.3 基于CEEMDAN-PE-TFPF的降噪方法 |
| 3.3.1 完整的自适应噪声集成经验模态分解(CEEMDAN) |
| 3.3.2 排列熵(PE) |
| 3.3.3 时频峰值滤波(TFPF) |
| 3.3.4 CEEMDAN-PE-TFPF降噪算法 |
| 3.3.5 仿真研究 |
| 3.3.6 试验研究 |
| 3.4 本章小结 |
| 第4章 基于CEEMDAN-PE的状态识别算法研究 |
| 4.1 引言 |
| 4.2 故障特征提取 |
| 4.3 粒子群寻优的支持向量机(PSOSVM) |
| 4.3.1 支持向量机 |
| 4.3.2 粒子群寻优算法 |
| 4.3.3 PSOSVM |
| 4.4 基于CEEMDAN-PE的故障诊断机理 |
| 4.5 试验验证分析 |
| 4.5.1 Case Western Reserve University试验数据验证 |
| 4.5.2 自建试验台数据验证 |
| 4.6 本章小结 |
| 第5章 基于多特征有监督的状态识别算法研究 |
| 5.1 引言 |
| 5.2 流行学习方法 |
| 5.2.1 核主成分分析(KPCA) |
| 5.2.2 线性判别分析(LDA) |
| 5.2.3 拉普拉斯特征映射(LE) |
| 5.2.4 局部线性嵌入(LLE) |
| 5.3 基于WOSKECA的状态识别方法研究 |
| 5.3.1 核熵成分分析(KECA) |
| 5.3.2 有监督的核熵成分分析(SKECA) |
| 5.3.3 鲸鱼优化算法(WOA) |
| 5.3.4 WOSKECA |
| 5.3.5 基于WOSKECA算法的轴承状态识别模型 |
| 5.4 试验验证 |
| 5.4.1 实例1 |
| 5.4.2 实例2 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本论文的工作结论 |
| 6.2 本论文的主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）小波双谱在机车故障诊断中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 信号二次相位耦合 |
| 1.2.1 振动信号中的二次相位耦合 |
| 1.2.2 定子电流信号中的二次相位耦合 |
| 1.3 二次相位耦合的提取 |
| 1.3.1 双谱与双相干谱 |
| 1.3.2 小波双谱与小波双相干谱 |
| 1.4 论文的研究内容 |
| 2 小波双谱信号分析方法 |
| 2.1 双谱分析 |
| 2.1.1 双谱和双相干谱 |
| 2.1.2 仿真信号分析 |
| 2.2 小波分析 |
| 2.2.1 连续小波变换 |
| 2.2.2 Morlet小波 |
| 2.3 小波双谱分析 |
| 2.3.1 小波双谱和小波双相干谱 |
| 2.3.2 小波双相干估计的误差分析 |
| 2.3.3 仿真信号分析 |
| 2.4 双相随机小波双谱分析 |
| 2.4.1 双相随机小波双谱和双相干谱 |
| 2.4.2 仿真信号分析 |
| 2.5 瞬时小波双谱分析 |
| 2.5.1 瞬时小波双谱和双相干谱 |
| 2.5.2 仿真信号分析 |
| 2.6 本章小结 |
| 3 实验验证 |
| 3.1 实验台简介 |
| 3.2 双相随机小波双谱实验验证 |
| 3.2.1 轴承故障诊断(振动) |
| 3.2.2 轴承故障诊断(电流) |
| 3.3 瞬时小波双谱实验验证 |
| 3.3.1 齿轮故障诊断(振动) |
| 3.3.2 齿轮故障诊断(电流) |
| 3.4 本章小结 |
| 4 机车实验验证 |
| 4.1 诊断实例一 |
| 4.2 诊断实例二 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）面向突变信号的火箭发动机轴承故障特征提取方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 背景意义 |
| 1.2 常见的基于信号处理的故障特征提取方法介绍 |
| 1.2.1 时域分析法 |
| 1.2.2 频域分析法 |
| 1.2.3 时频域分析法 |
| 1.3 国内外发动机轴承故障特征提取技术研究现状 |
| 1.3.1 国外发动机轴承故障特征提取技术 |
| 1.3.2 国内发动机轴承故障特征提取技术 |
| 1.3.3 小结 |
| 1.4 论文组织结构、主要研究内容及技术路线 |
| 1.4.1 论文组织结构、主要研究内容 |
| 1.4.2 技术路线 |
| 2 时幅曲线分析算法 |
| 2.1 引言 |
| 2.2 时幅曲线分析算法 |
| 2.2.1 理论基础 |
| 2.2.2 数学模型 |
| 2.2.3 时幅曲线分析算法机理 |
| 2.3 仿真校验 |
| 2.3.1 数学仿真 |
| 2.3.2 工程仿真 |
| 2.4 与小波分析方法的比较 |
| 2.5 本章小结 |
| 3 突变参量法 |
| 3.1 引言 |
| 3.2 突变参量法介绍 |
| 3.3 算法流程图 |
| 3.4 工程仿真 |
| 3.4.1 分析数据序列Xa1(t) |
| 3.4.2 分析数据序列Xa2(t) |
| 3.4.3 分析数据序列Xa3(t) |
| 3.5 工程应用1 |
| 3.5.1 高频段突变信号分析 |
| 3.5.2 低频段突变信号分析 |
| 3.5.3 用其它分析方法对试验数据进行分析比较 |
| 3.6 工程应用2 |
| 3.6.1 175Hz信号分析 |
| 3.6.2 1697Hz信号分析 |
| 3.6.3 8021Hz信号分析 |
| 3.7 工程应用3 |
| 3.8 本章小结 |
| 4 振源坐标分析法 |
| 4.1 引言 |
| 4.2 系统构成 |
| 4.3 空间坐标定位数学模型 |
| 4.4 判断故障部位数学模型 |
| 4.4.1 外圈所占据的坐标空间 |
| 4.4.2 内圈所占据的坐标空间 |
| 4.4.3 保持架所占据的坐标空间 |
| 4.4.4 滚动体所占据的坐标空间 |
| 4.5 构造传感器仿真时域信号 |
| 4.5.1 计算各传感器测得同一振动信号时间差 |
| 4.5.2 求解仿真参数 |
| 4.5.3 合成传感器测得的故障时域信号 |
| 4.6 仿真计算 |
| 4.6.1 求解各传感器测得信号的时刻 |
| 4.6.2 利用振源坐标法对轴承故障进行诊断 |
| 4.7 工程实现中关键问题讨论 |
| 4.7.1 模数转换精度和多通道同步问题 |
| 4.7.2 轴承故障信号时域波形 |
| 4.7.3 坐标精度问题 |
| 4.7.4 噪声的影响 |
| 4.8 本章小结 |
| 5 基于复杂信号信息熵理论的故障信号特征提取 |
| 5.1 引言 |
| 5.2 基于功率谱熵的CECP的故障特征提取 |
| 5.2.1 研究方法 |
| 5.2.2 数学仿真信号分析 |
| 5.2.3 工程数据故障信号分析 |
| 5.3 基于广义置换熵(PE)平面的故障诊断 |
| 5.3.1 研究方法 |
| 5.3.2 数学仿真信号分析 |
| 5.3.3 PE平面工程数据故障信号分析 |
| 5.4 基于广义置换分布熵(PEDisEn)平面的故障诊断 |
| 5.4.1 研究方法 |
| 5.4.2 数学仿真信号分析 |
| 5.4.3 PEDisEn平面工程数据故障信号分析 |
| 5.5 本章小结 |
| 6 低温高速轴承故障诊断系统开发及应用 |
| 6.1 引言 |
| 6.2 试验系统介绍 |
| 6.2.1 试验系统构成及原理 |
| 6.2.2 数据采集系统介绍 |
| 6.2.3 测量元件介绍 |
| 6.2.4 低温高速轴承故障诊断系统功能介绍 |
| 6.3 特征频率的计算 |
| 6.3.1 模拟轴承故障理论模型 |
| 6.3.2 固有振动频率 |
| 6.3.3 滚动轴承故障特征频率 |
| 6.4 时域分析 |
| 6.5 频域分析 |
| 6.5.1 傅立叶变换 |
| 6.5.2 Hilbert包络谱 |
| 6.5.3 倒频谱 |
| 6.6 时频域分析 |
| 6.6.1 瀑布图 |
| 6.6.2 短时傅里叶变换 |
| 6.6.3 小波分析 |
| 6.6.4 EMD、EEMD和希尔伯特包络谱分析 |
| 6.7 时幅域分析法 |
| 6.7.1 时幅曲线法 |
| 6.7.2 突变参量法 |
| 6.8 试验数据频谱分析 |
| 6.8.1 试验数据频谱图及仿真研究 |
| 6.8.2 试验数据分析 |
| 6.9 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于小波包和支持向量机的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 滚动轴承故障诊断技术概述 |
| 1.3 振动信号故障特征提取方法研究现状 |
| 1.3.1 基于时域分析的故障特征提取方法 |
| 1.3.2 基于频域分析的故障特征提取方法 |
| 1.3.3 基于时频域分析的故障特征提取方法 |
| 1.4 故障模式识别方法研究现状 |
| 1.4.1 神经网络故障识别方法 |
| 1.4.2 支持向量机故障识别方法 |
| 1.4.3 其它故障模式识别方法 |
| 1.5 主要研究内容 |
| 第2章 滚动轴承故障模式及信号特征分析 |
| 2.1 滚动轴承故障模式及机理 |
| 2.1.1 滚动轴承基本结构 |
| 2.1.2 滚动轴承常见故障模式及产生机理 |
| 2.2 滚动轴承振动信号及特征分析 |
| 2.2.1 滚动轴承振动信号分析 |
| 2.2.2 滚动轴承固有振动频率 |
| 2.2.3 滚动轴承部件特征频率 |
| 2.3 常用振动信号故障特征参数 |
| 2.4 本章小结 |
| 第3章 基于小波包分解的滚动轴承故障诊断 |
| 3.1 小波基本理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 多分辨率分析 |
| 3.1.4 小波包变换 |
| 3.2 滚动轴承故障诊断试验及分析 |
| 3.2.1 试验数据介绍 |
| 3.2.2 数据分析处理 |
| 3.2.3 故障诊断结果及分析 |
| 3.3 本章小结 |
| 第4章 基于IPSO-SVM的滚动轴承故障诊断 |
| 4.1 支持向量机 |
| 4.1.1 支持向量机简介 |
| 4.1.2 线性可分支持向量机 |
| 4.1.3 非线性支持向量机与核函数 |
| 4.1.4 多分类支持向量机 |
| 4.1.5 模型参数优化与交叉验证 |
| 4.2 粒子群算法及其改进 |
| 4.2.1 粒子群算法 |
| 4.2.2 粒子群算法的改进 |
| 4.3 IPSO-SVM在滚动轴承故障诊断中的应用 |
| 4.3.1 试验数据处理 |
| 4.3.2 诊断模型参数优化 |
| 4.3.3 诊断模型建立及诊断结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（10）面向航空液压管理系统健康管理的关键测试与数据处理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 航空液压管路系统结构特点 |
| 1.3 航空液压管路系统PHM |
| 1.3.1 航空液压管路系统PHM意义 |
| 1.3.2 航空液压管路系统PHM基本原理 |
| 1.3.3 航空液压管路系统PHM的框架 |
| 1.4 国内外研究现状 |
| 1.4.1 PHM国内外研究现状 |
| 1.4.2 工程测试技术发展现状 |
| 1.4.3 数据处理与分析技术发展现状 |
| 1.5 本文的研究内容 |
| 1.6 章节安排 |
| 第2章 基于光纤光栅传感的航空液压管路关键测试技术 |
| 2.1 光纤光栅传感测量技术特点 |
| 2.2 光纤光栅的传感测量原理 |
| 2.2.1 光纤Bragg光栅温度传感特性 |
| 2.2.2 光纤Bragg光栅应变传感特性 |
| 2.2.3 光纤Bragg光栅温度-应变交叉敏感 |
| 2.3 光纤Bragg光栅解调原理 |
| 2.4 管路系统振动响应的光纤光栅传感测量 |
| 2.4.1 扫频激励下光纤光栅试验结果对比 |
| 2.4.2 定频激励下光纤光栅试验结果对比 |
| 2.4.3 压力脉动激励下管路系统振动响应对比分析 |
| 2.5 WP6-JIA航空发动机液压管路振动的光纤光栅在线测试 |
| 2.6 MA60飞机地面开车状态下的液压管路的对比测试 |
| 2.7 基于光纤光栅的液压管路系统状态监测与故障诊断 |
| 2.7.1 卡箍松动故障的定位 |
| 2.7.2 管体碰撞故障定位 |
| 2.8 本章小结 |
| 第3章 航空液压管路振动信号的小波分析与小波包分解 |
| 3.1 小波变换与小波包分解基本理论 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波变换的多分辨性 |
| 3.1.3 小波分析与小波包分解 |
| 3.1.4 小波包分解频带能量监测原理 |
| 3.2 不同压力状态下航空液压管路振动试验分析 |
| 3.2.1 压力脉动试验系统 |
| 3.2.2 不同压力状态下液压管路的FFT分析 |
| 3.3 不同压力状态下航空液压管路振动信号小波分析 |
| 3.4 不同压力状态下液压管路系统信号的小波包分解 |
| 3.4.1 分析步骤 |
| 3.4.2 分析结果 |
| 3.5 本章小结 |
| 第4章 压力突变状态下航空液压管路系统振动信号的HHT特性分析 |
| 4.1 引言 |
| 4.2 HHT与EMD的理论 |
| 4.2.1 瞬时频率 |
| 4.2.2 固有模态 |
| 4.2.3 EMD分解 |
| 4.2.4 EMD计算流程与算法 |
| 4.3 不同压力状态下航空液压管路振动信号HHT分析 |
| 4.3.1 5MPa压力状态下HHT分析 |
| 4.3.2 10MPa压力状态下HHT分析 |
| 4.3.3 15MPa压力状态下HHT分析 |
| 4.3.4 21MPa压力状态下HHT分析 |
| 4.4 压力突变状态下航空液压管路振动信号HHT分析 |
| 4.4.1 电磁阀开启瞬间冲击 |
| 4.4.2 电磁阀关闭瞬间冲击 |
| 4.5 本章小结 |
| 第5章 航空液压管路系统振动信号的非线性定性与定量分析 |
| 5.1 引言 |
| 5.2 不同压力状态下航空液压管路信号的非线性定性分析 |
| 5.2.1 庞加莱(Poincare)截面法 |
| 5.2.2 不同压力状态下航空液压管路系统信号的散点图 |
| 5.2.3 不同压力状态下航空液压管路系统信号的近似熵 |
| 5.2.4 不同压力状态下航空液压管路系统信号的复杂度 |
| 5.3 不同压力状态下航空液压管路振动信号关联维数的估算 |
| 5.3.1 嵌入空间构筑 |
| 5.3.2 关联积分 |
| 5.3.3 关联维数 |
| 5.3.4 重要参数讨论 |
| 5.3.5 不同压力下航空液压管路出油管口振动信号的非线性参数分析 |
| 5.4 基于最大Lyapunov指数的航空液压管路系统信号非线性定量分析 |
| 5.5 基于代替数据的航空液压管路系统信号的混沌识别算法 |
| 5.5.1 时间序列一步预测误差的统计量的计算 |
| 5.5.2 代替数据集的生成 |
| 5.5.3 假设检验 |
| 5.5.4 算法流程及校验 |
| 5.5.5 不同压力状态下航空液压管路系统信号的混沌识别结果与比较 |
| 5.6 本章小结 |
| 第6章 航空液压管路PHM数据采集与分析系统设计与实现 |
| 6.1 系统总体设计方案 |
| 6.2 硬件系统设计 |
| 6.2.1 传感器的选取 |
| 6.2.2 数据采集模块设计 |
| 6.3 软件系统设计 |
| 6.3.1 系统的设计方法及原则 |
| 6.3.2 系统功能模块及实现 |
| 6.4 系统验证 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文结论 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文和科研成果 |
| 作者简介 |
四、基于小波分析的机械系统振动信号故障诊断（论文参考文献）
- [1]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)
- [2]基于深度学习的工业机器人故障诊断技术研究[D]. 曹雪山. 河北工程大学, 2021(08)
- [3]煤矿机械齿轮和轴承故障诊断研究[D]. 曹公界. 安徽理工大学, 2020(07)
- [4]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [5]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [6]齿轮传动系统关键零部件故障状态识别方法研究[D]. 白丽丽. 太原理工大学, 2020(07)
- [7]小波双谱在机车故障诊断中的应用研究[D]. 张璋. 北京交通大学, 2019(01)
- [8]面向突变信号的火箭发动机轴承故障特征提取方法[D]. 戴屹梅. 北京交通大学, 2019(01)
- [9]基于小波包和支持向量机的滚动轴承故障诊断方法研究[D]. 秦斌. 北京理工大学, 2018(07)
- [10]面向航空液压管理系统健康管理的关键测试与数据处理技术研究[D]. 李哲洙. 东北大学, 2018(01)