一、旋转机械故障智能诊断与预报方法综合研究（论文文献综述）
刘东东[1]（2021）在《旋转机械故障信息挖掘及状态评估方法研究》文中研究说明振动信号蕴含丰富的反映设备运行状态的信息,由于系统复杂性及噪声影响,直接分析采集的振动信号对机械状态进行评估,结果的准确性难以保证。挖掘振动信号中的故障信息以消除系统复杂性及噪声的影响,是提高评估结果准确性的有效途径。本文根据旋转机械振动信号调制的特点,研究振动信号中故障信息的挖掘方法,且基于挖掘得到的故障信息对机械状态进行评估。研究内容包括解调后频域中故障信息挖掘方法、故障激发的振动响应挖掘方法、数据稀缺情况下故障特征迁移方法和特征融合的故障程度评估方法四个部分。（1）研究了解调后频域中故障信息的挖掘方法。该方法通过设计相位函数集对振动信号进行解调,实现故障信息的挖掘。为了解决振动信号受转速随机波动影响问题,提出了一种新的相位函数设计方法。该方法可以将不同转速波动下相同物理意义的频率解调为相同频率值。使用这种新的相位函数设计方法,获得解调频谱。定义基频和容许误差,以此为基础实现解调后频域中故障信息搜索。新算法可以从含噪声的解调频谱中挖掘到故障信息,且实验平均识别率高于99%,有效提高了机械状态评估准确性。（2）研究了故障激发的振动响应挖掘方法。该方法通过引入Matrix profile算法,实现轴承故障激发的振动响应的挖掘。振动响应以共振频率为载波频率,且载波频率由机械系统决定,不受工况影响,且振动响应的幅值受到故障冲击及转频调制。针对这一特性,构造了以Z-normalized欧式距离为衡量方法的Matrix profile算法。该算法衡量振动响应的波形,因此挖掘的结果不受信号幅值影响。根据挖掘得到的振动响应,利用卷积神经网络（Convolutional neural network,CNN）实现机械故障程度的评估。实验验证了构造的Matrix profile算法可以从实验台和风力发电机振动信号中挖掘轴承故障激发的振动响应,且使用挖掘得到的数据可以提高机械故障程度评估的准确率。（3）研究了数据稀缺情况下故障特征迁移方法。该方法使用Matrix profile算法分别从实验台和风力发电机的振动信号中挖掘故障激发的振动响应,通过搭建双流CNN迁移模型,将从实验台数据学到的知识迁移到风力发电机数据训练的模型中。机械设备可用数据稀缺导致了网络模型对机械状态评估的准确性不足。为了充分从有限数据中学习特征,搭建了双流CNN模型,同时从挖掘数据的时域波形及其时频谱中学习特征。为了实现在数据有限情况下对网络模型的优化,首先使用实验台数据对双流CNN模型进行预训练,然后使用风力发电机数据对模型进行微调。实验证明了双流CNN迁移模型的识别率可以达到99.87%,较单流CNN模型对机械状态评估的准确率更高,且能够更快、更稳定地收敛。（4）研究了特征融合的故障程度评估方法。该方法首先使用自组织神经网络（Self-organizing map,SOM）对正常状态下的特征进行融合得到U-matrix映射单元,然后通过计算不同运行状态下的特征与U-matrix最佳匹配单元的递推分值定量差指标实现故障程度的量化。为了去除冗余特征,计算每个特征的拉普拉斯分值,依据分值大小对特征进行精化。利用SOM网络良好的拓扑保持性以及可视化性能,使用精化后的特征训练SOM网络得到的U-matrix映射单元对轴承的退化过程进行定性描述。提出了计算递推分值定量差指标量化故障程度。实验证明了使用挖掘的数据得到的U-matrix映射单元能够更准确地反映轴承退化趋势,融合的递推分值定量差指标能够更准确地评估故障程度。
赵孝礼[2]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中进行了进一步梳理滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
刘瑶[3]（2021）在《基于时频分析的风机故障智能诊断方法研究》文中研究指明风机在运行过程中发生故障可能引发重大财产损失和人身安全问题。早期,研究人员通过信号处理方法提取风机故障特征,进行故障识别与分类,该方法需要考虑故障与特征提取方法的对应关系,且不同场景下提取到的故障特征不稳定,难以实现在线诊断。深度神经网络可以有效提取风机故障的深层特征,且工程上可以利用迁移学习方法实现高效、稳定的风机运行状态识别和故障诊断。目前,研究人员通常采用旋转机械振动信号的时频图谱作为深度神经网络输入数据,但时频图谱的获取和存储需要更多的计算资源。为降低故障诊断处理器的使用内存、提高计算效率,本文提出利用风机振动时序信号进行故障识别与诊断的方法,为优化故障诊断系统线下部署提供理论基础。本文从保留特征的时间物理意义出发,利用时频信号处理方法对风机的振动信号进行降噪和信号特征频段提取预处理。针对不同场景应用需求,利用两类深度学习方法,分别对预处理后的风机振动时序信号数据进行深度特征提取和故障分类。本文主要结论如下:（1）基于风机故障机理,推导风机故障的振动信号一般形式,结合风机运行过程中的信号的调制作用,构建了风机振动信号模型,为后续振动信号降噪和特征提取方法的研究奠定基础。设计并进行风机模拟故障实验,对获得的风机振动信号进行单域分析,发现仅从时域或频域难以分辨强背景噪声条件下的风机故障类型。（2）对风机振动信号降噪和特征提取预处理方法进行了研究。首先搭建信号降噪性能指标体系:通过信噪比、相关性和信噪比增益进行仿真信号降噪性能评价,通过类可分离度进行实测振动信号降噪性能评价。研究了分解层数对第二代小波分解降噪效果的影响。对基于经验模态分解的清除重复间隔阈值降噪方法（EMD-CIIT）的影响因素进行了研究,EMD-CIIT方法的降噪性能主要受到选用阈值函数和第一个模态分量的修改模式影响。使用硬阈值函数降噪后信号对真实信号逼近程度最高。第一个模态分量的修改模式会影响降噪信号的平滑性。对比研究了多种小波降噪方法和基于经验模态分解（EMD）的其他降噪方法,EMD-CIIT方法降噪处理后得到的信号与真实信号逼近程度最高,且在低信噪比条件下降噪性能突出,由于风机振动信号通常含有大量噪声,因此采用EMD-CIIT降噪方法进行风机振动信号降噪。（3）对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声集合经验模态分解算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象。（4）采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行深层特征提取,实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类,能进行多通道数据输入条件下的离线风机故障分类,样本分类准确率达到100%。本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了研究,构建了直接处理时序振动信号的风机故障诊断框架,以便在低内存条件下部署故障诊断系统,实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设备的故障诊断,为各种工业设备的运行状态识别和故障诊断提供了技术支撑。
杨庆勇[4]（2021）在《基于信号特征聚类的旋转机械智能故障诊断》文中提出旋转机械设备在航空航天、轨道交通、能源发电、石油化工以及汽车制造等众多领域发挥着举足轻重的作用。对旋转机械设备以及关键零部件进行状态监测和故障诊断研究,对保障设备正常平稳运转、减少维修成本,提高生产效率具有重要现实意义。聚类作为机器学习中的一个重要研究领域,部分聚类方法已广泛应用在机械故障诊断领域上,但基于聚类分析的智能机械故障诊断仍然是一个故障诊断技术的研究热点。本文以聚类分析、信号处理技术为理论基础,以旋转机械的关键零部件轴承和齿轮为对象,开展了基于信号特征聚类的智能故障诊断研究。本文的主要工作如下:研究了一种新型特征选择方法来提高智能故障诊断模型的精度。通过计算目标特征的特征值波动程度来确定权重值;根据特征之间的相似度来去除一部分高相似度特征来减少特征维度,这两种技术最终决定智能故障诊断的最优特征集。研究了一种指定聚类数目的滚动轴承故障诊断方法。针对仿射传播聚类算法在指定聚类数目下,不同的偏向度有不同聚类精度的问题,提出一种指定聚类数目仿射传播聚类算法,该算法目的是在指定的聚类数目下,通过迭代偏向度参数,找出所有对应聚类数目的结果,再对比所有结果的评价指标轮廓系数,找出聚类最佳的结果。采用机械综合故障模拟实验平台采集的故障轴承数据来验证所提出的滚动轴承故障诊断方法的有效性。研究了一种基于自适应密度峰值聚类的齿轮智能故障诊断方法。针对快速搜索密度峰值聚类不能精准选择聚类中心点数目的问题,提出一种数值检测和迭代优化相结合的方法来选出最优聚类结果,不需要精准选择聚类中心点的数目。采用风力涡轮机动力传动故障诊断综合实验台采集到的四种齿轮故障信号进行实例验证,结合新型特征选择方法,结果表明了所提出的方法能应用到齿轮故障诊断上。研究了一种基于自适应聚类的旋转机械智能故障诊断模型。自适应聚类不需要指定任何参数,通过计算每个样本的最近邻样本来发现样本群连接链,链接在一起的样本可以看作是同一类别。每进行一次聚类后的结果都可作为下一次聚类的目标样本集,这个目标样本是是前一次聚类不同的类别对应的均值,直到所有样本聚为一类才停止聚类。自适应聚类算法可以得到多个聚类结果,通过比较所有结果的轮廓系数来选择最佳聚类结果。采用两种轴承故障数据集来对基于自适应聚类的旋转机械智能故障诊断模型进行实例验证,结果表明自适应聚类能应用到旋转机械的故障分类。
杨静[5]（2020）在《旋转机械早期故障诊断关键技术研究》文中进行了进一步梳理旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
高志龙[6]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中研究指明柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
王翀翮[7]（2020）在《基于同步压缩小波变换的旋转机械故障诊断方法研究》文中研究表明随着工业发展水平的提高,旋转机械设备在日常工业生产中得到普及。面对日益复杂的工作环境,并伴随着故障发生概率增大可能造成的经济损失甚至人身安全损害,旋转机械故障诊断研究工作的开展对于减少经济损失以及避免人员伤亡的意义重大。由于传统时-频分析方法存在时间和频率分辨率的相互制约的问题,加之交叉项干扰以及外来噪声的影响,实现参数化时-频特征的快速有效提取相当困难。本文引入的时-频分析方法同步压缩小波变换是在连续小波变换的基础上对频率方向上的小波参数进行压缩重排,能够得到具有更高时-频分辨率的时-频谱。因此,本文基于同步压缩小波变换对旋转机械故障诊断方法深入开展了研究工作。首先,本文论述了旋转机械故障诊断研究的发展概况,对旋转机械中常见的几类故障的机理以及对应振动信号的特征进行了分析,并介绍了传统时-频分析方法的基本理论和算法及在故障诊断中的应用。研究了传统的特征提取方法（如时域特征参数、能量矩等）和模式识别方法（如概率神经网络、最小二乘支持向量机等）,在此基础上,通过故障实验数据研究了基于量化特征的模式分类方法在旋转机械故障模式分类中的应用,验证了该方法的有效性。其次,本文介绍了同步压缩小波变换的基本原理和算法,通过对仿真信号与实际故障实验信号的分析处理,分别与几类传统时-频分析方法进行了对比研究,验证了基于同步压缩小波变换的时-频分析方法得到具有更高时-频分辨率的时频谱,以及具有更突出的时-频特征表现,进一步说明了其在定性故障诊断性能方面表现优越。然后,研究了图像匹配方法,提出了基于时-频特征图像匹配的故障诊断方法,并将其与基于量化特征的模式分类方法的分类效果进行了比较,结果表明基于时-频特征图像的模式匹配方法更能有效的识别出设备部件的运行状态,在故障诊断中具有更明显的优势。此外,从定性诊断与定量诊断两者结合的角度上看,同步压缩小波变换具有更突出的作用。最后,本文研究了MATLAB GUI的具体实现方法,设计开发了一套旋转机械故障模式多特征匹配（分类）系统,集成了所研究的时-频分析、模式匹配方法以及时域分析、频域分析等方法。系统简单实用,能够实现旋转机械故障的自动分类。
姚希峰[8]（2020）在《旋转机械故障特征自适应提取与智能诊断方法研究》文中认为旋转机械在国民生产生活中发挥着举足轻重的作用,对其运行状态进行准确有效地监测和诊断对保障设备的安全稳定运行,避免重大事故发生具有重要意义。传统的智能故障诊断方法往往需要依赖个人经验从大量数据中进行特征提取,缺乏自适应性,未能充分利用原始信号自身所包含的有效信息。因此,本文以旋转机械关键部件故障检测与识别为目标,开展基于机器学习的自适应故障特征提取方法和智能诊断方法研究。本论文的研究内容如下:（1）针对机器学习算法往往需要大量标签数据进行有监督学习且迭代学习的效率低、耗时长等问题,提出了一种基于自编码极限学习机（Extreme Learning Machine Auto-Encode,ELM-AE）无监督特征学习的智能诊断方法。首先,利用ELM-AE对采集到的无标签振动数据进行无监督学习,然后将训练得到的ELM-AE中的网络权重作为卷积核,利用一维卷积神经网络的卷积池化结构对振动数据样本进行特征提取;最后,将支持向量机（Support Vector Machine,SVM）作为分类器实现故障分类与识别。利用轴承齿轮故障模拟试验台采集得到的轴承/齿轮振动数据集对所提方法进行分析,结果表明所提方法可从时域数据中进行自适应特征提取,在保证较高故障识别精度的同时,有效缩短了网络训练时间。（2）针对全连接神经网络难以有效提取振动信号中局部冲击特征信息,以及不同机械故障所引起的振动响应频率不同,导致直接利用整频带信号进行特征提取诊断结果不佳的问题,提出了一种基于反向传播神经网络（Back-Propagation Neural Networks,BPNN）的多尺度特征学习智能诊断方法。该方法首先利用小波多尺度变换得到不同频率尺度的子信号,然后结合标签数据信息利用BPNN从这些子信号中提取多尺度特征,最后借助SVM实现旋转机械故障分类与识别。利用轴承齿轮故障模拟试验台的滚动轴承数据和美国凯斯西储大学滚动轴承数据对该方法的有效性进行分析,结果表明该方法所提取的不同故障样本间多尺度特征区分性较好,能够对不同转速工况下的滚动轴承健康状态进行有效识别。（3）针对单一传感器获取的信息有限,难以充分表征设备运行状态的问题,提出了一种基于Hilbert-全矢谱与堆栈自编码器（Stacked Auto Encoders,SAE）的智能诊断方法。首先,利用Hilbert-全矢谱技术将两个垂直安放的传感器所采集得到的振动信息进行融合;然后将Hilbert-全矢谱的主振矢作为SAE的输入进行自适应故障特征学习;最后,选用Softmax分类器作为分类层,利用少量的标签数据样本对网络模型进行微调,得到同源双通道信息的故障诊断模型。利用SQI电机故障模拟实验数据集对所提方法进行分析,并与基于单通道传感信号的故障诊断方法进行对比,验证了该方法的有效性和优越性。
张兰[9]（2019）在《基于长短时记忆网络的变工况旋转机械智能诊断方法研究》文中指出在现在化生产中,机械设备往往复杂且联动性高,若机械设备某部件零件发生故障不仅会导致本部件设备性能降低或损坏,甚至导致整台设备受损,更甚可能因伤及人员而造成无法弥补的严重后果。在许多机械设备运行过程中,旋转机械部件（如轴承、齿轮箱）起着关键作用,是机械设备的核心部件,因此对其进行智能故障诊断是重中之重。然而,部件的复杂性和工况的非平稳性使其诊断需要较高的专业理论知识,但人们日益增长的需求与基础理论发展的不平衡给传统的故障诊断方法带来了巨大的挑战。基于前沿的深度学习技术的发展,同时考虑实际工况下采集信号数据的复杂性、非平稳性,本课题主要研究不同工况下旋转机械的智能故障诊断方法。论文主要围绕强噪声、时变转速常见变工况问题进行研究,结合深度学习技术在故障诊断领域的优势,提出了几种具体实际工况下的智能故障诊断方法,并分别在轴承、齿轮箱等旋转机械中验证了此方法的有效性。本文的具体研究工作概括如下:（1）针对旋转机械振动信号微弱的故障敏感特征难以自适应提取的问题,本文提出了一种自适应信号分解的基于峭度准则和相关分析改进的自适应噪声完备集合经验模态分解方法并结合能量算子进行了验证。（2）针对现有传统诊断方法难以摆脱专家经验的问题,本文提出了一种基于改进自适应噪声完备集合经验模态分解与长短时记忆网络结合的旋转机械智能故障诊断方法:利用第（1）项研究提出的改进自适应噪声完备集合经验模态分解方法将原始振动信号自适应分解及筛选,仅保留与故障敏感特征相关的分量,之后利用长短时记忆网络深度模型自适应提取深层故障敏感特征。该方法实现了强噪声环境下旋转机械的智能故障诊断。（3）针对现有基于深度学习的智能诊断方法难以适应时变转速的问题,本文提出了一种基于Gabor变换的无键相阶次跟踪与长短时记忆网络结合的时变转速下旋转机械智能故障诊断方法:通过无键相阶次跟踪技术及转速归一化方法解决了时变转速工况条件下智能诊断带来的难题,结合长短时记忆网络深度模型自适应提取深层故障敏感特征,实现了旋转设备及其部件时变转速下智能诊断。（4）针对大数据下现有设备状态监测与故障诊断系统不能同时满足大数据下精度和实时性的难题,本文在研究了物联网技术、大数据技术和机器学习技术融合的基础上,设计了基于深度学习的智能生产线在线监测与故障诊断系统,提出了一种大数据下设备状态监测与故障诊断的精度与实时性问题的解决方案。
谢蓉仙[10]（2019）在《基于移动互联网的旋转机械故障诊断试验平台与方法研究》文中研究说明伴随着科学技术尤其是计算机技术的爆炸式发展和更新,旋转机械设备不断朝着大型智能化的方向发展,在各种行业广泛应用。旋转机械尤其是大型旋转机械,需要在复杂的环境中连续高速工作很长时间,可能就会出现各种各样的故障,设备一旦发生故障,就会对生产造成影响,因此需要建立一个集查询数据、在线监测、故障诊断和报警预测于一体的可靠性平台,时时刻刻监测旋转机械的运行情况,保证设备运行状况良好。基于移动互联网的在线监测和故障诊断平台可以避免复杂的网线布置问题,占地小,组网灵活,而且易升级易维护,能够突破现场办公条件的限制,具有很好的发展前景。本文基于移动互联网设计和开发了旋转机械在线监测和故障诊断平台,以Windows7为开发平台,以Visual Studio 2010软件为开发工具,基于B/S（Browser/Server,浏览器/服务器模式）的体系结构进行开发,采用ASP.NET技术和C#语言来完成界面设计和功能模块的实现,采用ADO.NET技术来完成数据库的访问,成功将传统旋转机械故障诊断方法与移动互联网技术相结合,实现旋转机械的远程在线监测和故障诊断。该旋转机械故障诊断移动互联网平台主要分为6个模块,分别为设备资料、设备监测、报警预测、故障诊断、数据查询、操作说明,其中设备监测模块和故障诊断模块是平台的核心。设备监测模块使用ADO.NET技术来完成与数据库的交互,采用Ajax技术来完成监测页面的局部更新;故障诊断模块主要是先在MATLAB中建立模型进行分析,再编辑运行程序,将其变成可供网页调用的函数形式,在MATLAB相关环境配置工作完成后,将编写好的函数生成dll文件,在相应的后台代码中调用dll文件即可实现远程故障诊断功能。在完成旋转机械故障诊断移动互联网平台页面设计后,对平台进行前端和后台开发,在所有的开发工作完成后对移动互联网平台进行测试,测试完成后根据测试结果修改平台中不完善的地方。经过测试,开发出来的平台界面简洁,内容丰富,简单易操作,人机友好,最大的特点在于可移植和可扩展性较好,后期维护也很简单,而且在平台运行过程中不依赖专家的经验,减少了主观因素对诊断结果的影响,提高了故障诊断的正确率,该平台在未来会有更大的发展价值,一定会实现更大范围内的知识、数据和资源共享,具有非常重要的实际意义和很大的工程应用价值。
二、旋转机械故障智能诊断与预报方法综合研究（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、旋转机械故障智能诊断与预报方法综合研究（论文提纲范文）
（1）旋转机械故障信息挖掘及状态评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题来源 |
| 1.1.2 选题意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 振动信号分析方法 |
| 1.2.2 非平稳振动信号分析方法 |
| 1.2.3 旋转机械故障智能识别方法 |
| 1.2.4 机械故障程度定量表达方法 |
| 1.3 拟解决的问题 |
| 1.4 研究内容及章节安排 |
| 2 解调后频域中故障信息挖掘方法研究 |
| 2.1 引言 |
| 2.2 轴承振动信号调制特点 |
| 2.3 解调后频域中故障信息挖掘算法 |
| 2.3.1 广义解调算法 |
| 2.3.2 解调后频域中故障信息挖掘算法 |
| 2.4 基于解调后频域中信息挖掘的识别方法 |
| 2.5 仿真验证 |
| 2.6 实验验证 |
| 2.6.1 实验台及数据采集 |
| 2.6.2 识别结果对比 |
| 2.7 本章小结 |
| 3 机械故障激发的振动响应挖掘方法 |
| 3.1 引言 |
| 3.2 振动响应挖掘方法 |
| 3.2.1 Matrix profile算法 |
| 3.2.2 振动响应挖掘参数设置 |
| 3.3 基于振动响应挖掘的识别算法 |
| 3.3.1 卷积神经网络 |
| 3.3.2 基于振动响应挖掘识别方法 |
| 3.4 实验验证 |
| 3.4.1 实验数据 |
| 3.4.2 实验结果 |
| 3.5 风力发电机振动信号验证 |
| 3.5.1 实验装置 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 数据稀缺情况下故障特征迁移方法 |
| 4.1 引言 |
| 4.2 双流CNN迁移模型 |
| 4.2.1 双流CNN输入信号 |
| 4.2.2 双流CNN模型搭建 |
| 4.3 基于振动响应挖掘及迁移模型识别算法 |
| 4.4 实验验证 |
| 4.4.1 数据介绍 |
| 4.4.2 识别结果对比 |
| 4.5 本章小结 |
| 5 特征融合的故障程度评估方法 |
| 5.1 引言 |
| 5.2 振动信号特征提取与精炼 |
| 5.2.1 振动信号特征提取 |
| 5.2.2 拉普拉斯分值算法 |
| 5.2.3 改进特征融合算法 |
| 5.3 基于改进特征融合故障程度定量表达方法 |
| 5.4 实验验证 |
| 5.5 风力发电机振动信号验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
（2）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（3）基于时频分析的风机故障智能诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向旋转机械的信号处理方法及应用现状 |
| 1.2.2 旋转机械故障的智能诊断方法研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第2章 风机模拟故障实验与信号模型研究 |
| 2.1 引言 |
| 2.2 旋转机械故障分析及风机信号模型研究 |
| 2.2.1 转子不平衡故障 |
| 2.2.2 定转子碰磨故障 |
| 2.2.3 基座松动故障 |
| 2.2.4 风机振动信号模型 |
| 2.3 模拟故障装置与测试方法 |
| 2.3.1 实验设备及参数 |
| 2.3.2 故障模拟实验测试方法 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第3章 风机振动监测信号降噪及特征提取技术 |
| 3.1 引言 |
| 3.2 降噪效果评价指标 |
| 3.2.1 信噪比 |
| 3.2.2 相关性 |
| 3.2.3 信噪比增益率 |
| 3.2.4 类可分离度 |
| 3.3 基于第二代小波的风机振动信号降噪 |
| 3.3.1 小波分析理论 |
| 3.3.2 小波降噪理论 |
| 3.3.3 信号模型降噪 |
| 3.3.4 风机振动信号降噪 |
| 3.4 基于EMD-CIIT的风机振动信号降噪 |
| 3.4.1 经验模态分解理论 |
| 3.4.2 经验模态分解降噪理论 |
| 3.4.3 信号模型降噪 |
| 3.4.4 风机振动信号降噪 |
| 3.4.5 降噪效果对比 |
| 3.5 基于CEEMDAN的风机故障特征提取 |
| 3.5.1 CEEMDAN理论 |
| 3.5.2 信号模型验证 |
| 3.5.3 风机振动信号验证 |
| 3.6 本章小结 |
| 第4章 基于信号特征提取的风机故障智能诊断试验 |
| 4.1 引言 |
| 4.2 长短时记忆模型诊断 |
| 4.2.1 长短时记忆模型理论 |
| 4.2.2 风机故障试验验证 |
| 4.3 残差神经网络诊断 |
| 4.3.1 残差神经网络理论 |
| 4.3.2 风机故障试验验证 |
| 4.4 分类效果对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的工作内容总结 |
| 5.2 本文创新点 |
| 5.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（4）基于信号特征聚类的旋转机械智能故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题选题背景和研究意义 |
| §1.2 机械故障诊断研究现状 |
| §1.3 基于聚类分析的机械智能故障诊断的研究概况 |
| §1.4 课题来源 |
| §1.5 论文主要研究内容和章节安排 |
| 第二章 信号特征提取与选择 |
| §2.1 信号处理技术 |
| §2.2 数值统计特征提取 |
| §2.3 故障诊断常用特征选择方法 |
| §2.3.1 Relief-F属性估计法 |
| §2.3.2 距离评估技术 |
| §2.3.3 自适应特征选择技术 |
| §2.4 新型特征选择方法 |
| §2.4.1 基于数学参数统计的特征评估技术 |
| §2.4.2 基于最近邻筛选的特征冗余去除技术 |
| §2.5 基于新型特征选择的wine数据集分类 |
| §2.6 本章小结 |
| 第三章 基于指定聚类数目AP算法的滚动轴承故障诊断 |
| §3.1 引言 |
| §3.2 AP聚类基本原理 |
| §3.3 AP算法中偏向度P存在的问题 |
| §3.4 指定聚类数目AP算法 |
| §3.4.1 轮廓系数 |
| §3.4.2 指定聚类数目的AP算法 |
| §3.5 滚动轴承故障诊断实例 |
| §3.5.1 数据描述 |
| §3.5.2 特征提取与聚类结果 |
| §3.5.3 不同聚类算法结果的比较 |
| §3.6 本章小结 |
| 第四章 基于自适应密度峰值聚类的齿轮智能故障诊断 |
| §4.1 引言 |
| §4.2 密度峰值算法基本原理 |
| §4.3 密度峰值聚类改进算法 |
| §4.3.1 DPC中心点选择问题 |
| §4.3.2 聚类数目自适应改进 |
| §4.4 齿轮故障诊断实例 |
| §4.4.1 齿轮故障数据 |
| §4.4.2 特征提取与特征选择 |
| §4.4.3 不同聚类算法结果比较 |
| §4.5 本章小结 |
| 第五章 基于自适应聚类的旋转机械智能故障诊断 |
| §5.1 引言 |
| §5.2 自适应聚类原理 |
| §5.2.1 人工数据集 |
| §5.2.2 UCI数据集 |
| §5.3 滚动轴承故障诊断实例一 |
| §5.3.1 特征提取与选择 |
| §5.3.2 不同聚类算法结果比较 |
| §5.4 滚动轴承故障诊断实例二 |
| §5.4.1 特征提取与选择 |
| §5.4.2 不同聚类算法结果比较 |
| §5.5 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间取得的研究成果 |
（5）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（6）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（7）基于同步压缩小波变换的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 旋转机械故障诊断的研究背景及意义 |
| 1.2 旋转机械故障诊断研究的主要内容 |
| 1.2.1 常见故障机理研究 |
| 1.2.2 数据分析与特征提取 |
| 1.2.3 故障模式识别 |
| 1.3 旋转机械故障诊断研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 时-频分析方法的发展及其在故障诊断中的应用 |
| 1.4.1 短时傅里叶变换 |
| 1.4.2 魏格纳分布 |
| 1.4.3 连续小波变换 |
| 1.5 论文研究思路、主要研究内容及总体结构 |
| 1.5.1 论文研究思路 |
| 1.5.2 论文的研究内容 |
| 第2章 旋转机械故障特征提取与模式分类 |
| 2.1 故障特征提取 |
| 2.1.1 时域波形特征参数 |
| 2.1.2 能量矩 |
| 2.1.3 近似熵与样本熵 |
| 2.2 故障模式分类 |
| 2.2.1 神经网络 |
| 2.2.2 最小二乘支持向量机 |
| 2.3 本章小结 |
| 第3章 基于时-频特征图像匹配的旋转机械故障诊断 |
| 3.1 实验故障数据来源 |
| 3.2 同步压缩小波变换(SWT) |
| 3.2.1 SWT的基本原理和算法 |
| 3.2.2 几种典型时-频分析方法对比研究 |
| 3.3 时-频特征图像模式匹配算法 |
| 3.3.1 相似度匹配方法 |
| 3.3.2 距离测度匹配方法 |
| 3.4 基于多特征的旋转机械故障模式匹配实例分析 |
| 3.4.1 基于量化特征的模式分类 |
| 3.4.2 基于时-频特征图像的模式匹配 |
| 3.5 本章小结 |
| 第4章 基于时-频特征图像匹配的故障诊断系统开发 |
| 4.1 图形用户接口简介 |
| 4.2 匹配系统开发 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文 |
| 致谢 |
（8）旋转机械故障特征自适应提取与智能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 基于特征提取的传统故障诊断方法 |
| 1.2.2 基于模式识别的智能故障诊断方法 |
| 1.3 本文主要研究内容 |
| 第2章 机器学习算法基础理论 |
| 2.1 引言 |
| 2.2 机器学习算法 |
| 2.2.1 传统神经网络模型 |
| 2.2.2 极限学习机 |
| 2.2.3 卷积神经网络 |
| 2.2.4 自编码网络 |
| 2.3 性能分析 |
| 2.4 本章小结 |
| 第3章 基于ELM-AE无监督特征学习的智能故障诊断方法 |
| 3.1 引言 |
| 3.2 基础理论 |
| 3.2.1 ELM-AE |
| 3.2.2 一维卷积神经网络的卷积池化结构 |
| 3.3 基于ELM-AE卷积池化结构的故障诊断方法 |
| 3.3.1 信号预处理 |
| 3.3.2 基于ELM-AE的滤波器权值学习 |
| 3.3.3 特征提取与故障识别 |
| 3.4 实验分析 |
| 3.4.1 数据描述 |
| 3.4.2 参数选择 |
| 3.4.3 对比结果分析 |
| 3.5 本章小结 |
| 第4章 基于BPNN的多尺度特征学习智能故障诊断方法 |
| 4.1 引言 |
| 4.2 BPNN理论基础 |
| 4.3 基于小波变换与BPNN的故障诊断方法 |
| 4.3.1 基于小波多尺度变换的数据预处理 |
| 4.3.2 多尺度局部特征提取及故障识别 |
| 4.4 实验分析 |
| 4.4.1 轴承齿轮故障试验台实验分析 |
| 4.4.2 美国凯斯西储大学滚动轴承实验分析 |
| 4.5 本章小结 |
| 第5章 基于Hilbert-全矢谱与SAE的故障诊断方法 |
| 5.1 引言 |
| 5.2 Hilbert-全矢谱理论基础 |
| 5.2.1 全矢谱技术 |
| 5.2.2 Hilbert包络与Hilbert-全矢谱方法 |
| 5.3 基于Hilbert-全矢谱的SAE故障诊断模型搭建 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（9）基于长短时记忆网络的变工况旋转机械智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 旋转机械故障诊断方法 |
| 1.2.2 特征提取方法 |
| 1.2.3 机器学习及在故障诊断的应用 |
| 1.2.4 时变转速诊断方法 |
| 1.2.5 大数据下的设备状态监测与智能诊断系统 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 基于峭度准则的CEEMDAN改进方法 |
| 2.1 前言 |
| 2.2 基于峭度准则改进的强噪声下信号分解方法研究 |
| 2.2.1 强噪声信号分析 |
| 2.2.2 基于互相关系数改进CEEMDAN的停止准则研究 |
| 2.2.3 基于峭度准则改进的强噪声下信号分解方法研究 |
| 2.3 基于改进CEEMDAN的故障诊断算法 |
| 2.4 实验验证 |
| 2.4.1 基于互相关系数改进CEEMDAN的停止准则验证 |
| 2.4.2 基于峭度准则改进的CEEMDAN方法验证 |
| 2.5 本章小结 |
| 第三章 基于长短时记忆网络的强噪声工况智能诊断方法 |
| 3.1 前言 |
| 3.2 长短时记忆网络理论 |
| 3.3 基于长短时记忆网络的强噪声智能诊断方法研究 |
| 3.3.1 数据截断与特征提取 |
| 3.3.2 批量归一化 |
| 3.3.3 故障分类 |
| 3.4 轴承试验案例分析 |
| 3.4.1 构建数据集 |
| 3.4.2 模型参数 |
| 3.4.3 实验结果和模型对比 |
| 3.4.4 特征可视化 |
| 3.5 齿轮箱试验案例分析 |
| 3.5.1 数据采集 |
| 3.5.2 模型参数 |
| 3.5.3 实验结果和模型对比 |
| 3.5.4 特征可视化 |
| 3.6 本章小结 |
| 第四章 基于长短时记忆网络的时变转速智能诊断方法 |
| 4.1 前言 |
| 4.2 时变转速信号处理方法研究 |
| 4.2.1 时变转速信号分析 |
| 4.2.2 基于TOT与转速归一化的时变转速信号处理方法研究 |
| 4.3 基于长短时记忆网络的时变转速智能诊断方法研究 |
| 4.4 实验案例分析 |
| 4.4.1 诊断对象与实验方法 |
| 4.4.2 信号预处理 |
| 4.4.3 长短时记忆网络参数设置 |
| 4.4.4 实验结果与对比 |
| 4.4.5 特征可视化 |
| 4.5 本章小结 |
| 第五章 基于长短时记忆网络的状态监测与智能诊断系统开发 |
| 5.1 引言 |
| 5.2 基于长短时记忆网络的设备状态监测与智能诊断系统 |
| 5.2.1 数据采集 |
| 5.2.2 时域分析及故障诊断 |
| 5.3 系统搭建 |
| 5.3.1 硬件架构 |
| 5.3.2 软件设计 |
| 5.3.3 系统应用案例 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于移动互联网的旋转机械故障诊断试验平台与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究动态 |
| 1.3.1 移动互联网平台研究动态 |
| 1.3.2 旋转机械故障诊断研究动态 |
| 1.3.3 当前研究动态分析 |
| 1.4 主要研究内容 |
| 1.5 小结 |
| 第二章 平台总体设计 |
| 2.1 引言 |
| 2.2 平台设计目标 |
| 2.3 平台技术路线 |
| 2.4 平台总体结构 |
| 2.4.1 平台物理结构 |
| 2.4.2 平台体系结构 |
| 2.5 平台开发环境设计 |
| 2.5.1 开发技术 |
| 2.5.2 开发平台 |
| 2.5.3 开发工具 |
| 2.5.4 开发语言 |
| 2.6 可行性分析 |
| 2.7 小结 |
| 第三章 旋转机械故障诊断试验平台 |
| 3.1 引言 |
| 3.2 平台模块方案设计 |
| 3.2.1 设计原则 |
| 3.2.2 平台构成框架 |
| 3.2.3 平台功能模块设计 |
| 3.3 平台功能模块开发 |
| 3.3.1 设备资料 |
| 3.3.2 设备监测 |
| 3.3.3 报警预测 |
| 3.3.4 故障诊断 |
| 3.3.5 数据查询 |
| 3.3.6 操作说明 |
| 3.4 数据传输窗体 |
| 3.4.1 Winform窗体简介 |
| 3.4.2 窗体设计方案 |
| 3.4.3 数据传输窗体开发 |
| 3.4.4 数据传输窗体测试 |
| 3.5 小结 |
| 第四章 故障诊断模块及实现 |
| 4.1 引言 |
| 4.2 旋转机械设备的阈值诊断 |
| 4.2.1 齿轮的阈值诊断 |
| 4.2.2 轴系的阈值诊断 |
| 4.3 齿轮故障类型识别 |
| 4.3.1 EEMD信号分解原理 |
| 4.3.2 HMM故障识别原理 |
| 4.3.3 基于EEMD-HMM算法的故障诊断 |
| 4.3.4 实验与结果分析 |
| 4.4 轴系故障类型识别 |
| 4.4.1 基于EEMD-HMM算法的故障诊断 |
| 4.4.2 实验与结果分析 |
| 4.5 小结 |
| 第五章 平台测试与应用 |
| 5.1 引言 |
| 5.2 试验系统设备 |
| 5.3 测试方案设计 |
| 5.3.1 测试原则 |
| 5.3.2 测试内容 |
| 5.3.3 测试方法 |
| 5.4 试验平台测试 |
| 5.5 测试结果分析 |
| 5.6 试验平台应用 |
| 5.6.1 Android系统应用 |
| 5.6.2 iOS系统应用 |
| 5.7 小结 |
| 第六章 结论与展望 |
| 6.1 工作总结 |
| 6.2 主要结论 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
四、旋转机械故障智能诊断与预报方法综合研究（论文参考文献）
- [1]旋转机械故障信息挖掘及状态评估方法研究[D]. 刘东东. 北京交通大学, 2021
- [2]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [3]基于时频分析的风机故障智能诊断方法研究[D]. 刘瑶. 浙江大学, 2021(09)
- [4]基于信号特征聚类的旋转机械智能故障诊断[D]. 杨庆勇. 桂林电子科技大学, 2021
- [5]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [6]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [7]基于同步压缩小波变换的旋转机械故障诊断方法研究[D]. 王翀翮. 浙江师范大学, 2020(01)
- [8]旋转机械故障特征自适应提取与智能诊断方法研究[D]. 姚希峰. 燕山大学, 2020(01)
- [9]基于长短时记忆网络的变工况旋转机械智能诊断方法研究[D]. 张兰. 天津大学, 2019
- [10]基于移动互联网的旋转机械故障诊断试验平台与方法研究[D]. 谢蓉仙. 太原理工大学, 2019(08)