一、基于多小波包的齿轮故障诊断方法研究（论文文献综述）
肖进[1]（2021）在《齿轮磨损损伤在线油液-振动多源异构信息监测系统开发与研究》文中指出
吴耀春[2]（2021）在《数据驱动的旋转机械智能故障辨识方法》文中研究说明旋转机械在现代工业生产中发挥着非常重要的核心关键作用,因此近年来保障该类设备安全可靠运行的状态监测与故障诊断技术得到了快速发展。关于该项技术的总体发展趋势,目前已达成的基本共识是必须在数据科学原理指导下走工业大数据的智能决策技术发展之路,追求的目标应该是使旋转机械尽快实现优质高效的运行以满足智能制造需要。由此诱发的新型基础问题之一,是必须解决好旋转机械运行信息的数据资源化保护与开发利用问题。基于上述发展需求,本论文以旋转机械作为研究对象,以现代机器学习技术为理论基础,基于信号处理、粗糙集、信息融合、半监督学习、域自适应、神经网络、深度学习等智能技术,对数据驱动的旋转机械智能故障辨识方法展开研究。取得的研究成果与得到的结论情况基本如下:（1）针对旋转机械敏感故障特征提取困难的问题,提出一种经验小波变换（Empirical Wavelet Transform,EWT）与加权多邻域粗糙集（Weighted Multi Neighborhood Rough Sets,WMNRS）结合的故障特征提取方法。首先,利用EWT对非线性、强噪声振动信号进行分解,根据相关性选择一组最优模态分量进行重构,计算重构信号的时域特征并构造高维原始特征集;然后,在不同邻域半径下利用WMNRS对原始特征集约简得到频繁项集;最后,统计原始特征集中各个特征在多邻域属性约简中出现的概率,将其作为权值与特征进行加权提取利于分类的敏感特征集合。实验结果表明,该方法能够有效提取旋转机械振动信号的敏感故障特征,并且根据提取的特征向量可正确辨识旋转机械的故障类型。（2）针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用卷积神经网络（Convolutional Neural Networks,CNN）融合多传感器信号特征的故障辨识方法。首先对多传感器振动信号分别进行特征提取,将获得的特征向量作为一维特征面构造多传感器特征面集合,将该集合作为卷积神经网络的输入;随后,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后由softmax分类器输出辨识结果。实验结果表明,该方法具有较高的故障分类与辨识能力、良好的鲁棒性和自适应性。（3）针对故障数据集中各类别的样本数目不平衡造成少数类样本识别准确率偏低的问题,提出一种基于最小最大化目标函数卷积神经网络（Min-Max Objective CNN,MMOCNN）的故障辨识方法。该方法首先利用CNN交替的卷积与池化运算自适应学习振动信号中具有表征信息的敏感特征,并通过全连接层将学习特征映射到类空间;然后,在类空间中构造特征的最小最大化目标函数;最后,将最小最大化目标函数融入到CNN的损失函数中,在模型训练过程中既考虑分类总体误差最小,同时又要求学习的样本特征保持类内间距小、类间间距大,以实现对数据不平衡故障的有效辨识。用滚动轴承的不平衡数据集分别对本方法和CNN的辨识效果进行实验,结果表明本方法能够使少数类样本的辨识精度提升20%以上。其他佐证实验,进一步证实了本方法在数据不平衡情况下的有效性。（4）针对标记样本获取困难且代价高昂、但无标记样本却可较容易收集的状况,提出一种基于半监督CNN的故障辨识方法。该方法首先利用CNN提取输入样本的类空间特征,并输出无标记样本的类概率,在此基础上采用改进的类概率最大间距准则构造无标记样本的损失函数;随后,将以类空间特征类内间距最小、类间间距最大为优化目标的损失函数融入CNN,建立半监督CNN模型;最后,提出一种基于半监督CNN的故障辨识方法。通过轴承故障辨识仿真实验验证了该方法可以有效利用无标记样本提高模型辨识性能。与常用半监督深度学习方法比较,该方法的辨识精度提高3%以上。（5）针对动态工况下训练（源域）数据和测试（目标域）数据分布存在差异导致模型识别能力不足的问题,提出一种基于对抗式域自适应卷积神经网络（Adversarial Domain Adaptation CNN,ADACNN）的故障辨识方法。该方法首先利用CNN将源域、目标域训练样本同时分别映射至类特征空间与预测标签空间;然后,在类特征空间构造对抗式域自适应,预测标签空间构造最大均值差异域自适应,并建立ADACNN模型;最后,提出一种基于ADACNN的故障辨识方法。以公开、实测两个轴承数据集验证了所提方法的有效性,结果表明在变工况（负载、转速）下本方法与CNN相比具有4%以上故障识别精度优势。本论文从数据驱动角度对旋转机械智能故障辨识方法进行了系列探讨,提出的多种故障辨识方法有助于解决智能故障辨识中低维敏感故障特征提取、多传感器信息融合、数据不平衡、标记样本不足、变工况的问题。在基于数据驱动的智能故障辨识技术发展方向上,值得进一步深入探讨的问题还应包括多种改进算法的集成、模型结构参数设计、算法应用技术手段等。解决这些问题将能够为工业大数据技术的落地应用,提供数据科学的理论依据。
蒋宇[3]（2020）在《齿轮箱混沌特性与故障诊断研究》文中研究指明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。
陈是扦,彭志科,周鹏[4]（2020）在《信号分解及其在机械故障诊断中的应用研究综述》文中研究说明重大装备制造业是国民经济的支柱,也是关系到国家安全的战略性产业,而重大机械装备的运行安全一直是备受关注的焦点。机械设备由于工作环境恶劣、工况复杂,其关键部件容易受损,导致设备性能退化,甚至造成设备崩溃。健康状态监测和故障诊断是保证重大机械装备安全运行的必要手段。通过信号分解可以抑制机械振动信号中的环境噪声和无关成分干扰,从而有效提取故障特征,因此信号分解在机械故障诊断中发挥着关键作用。目前,围绕信号分解理论及其在机械故障诊断中的应用,国内外学者开展了大量研究工作。首先,从时域、频域和时频域三个方面系统综述了国内外学者对信号分解理论的研究现状;其次,从轴承、齿轮和转子碰摩三个方面详细梳理了信号分解在机械故障诊断中的应用研究现状;最后,归纳总结了信号分解及其在机械故障诊断应用中面临的挑战。
张清峰[5]（2020）在《基于自编码器的胶印机着墨辊滚动轴承故障分类方法研究》文中研究表明当前,印刷行业兼具加工制造和文化输出两种属性,是国民生产总值的重要组成部分。在“十三五”规划中,印刷行业将向“绿色化、智能化、数字化”方向持续发展,可靠稳定的印刷设备是实现印刷行业发展的重要基础。滚动轴承是印刷机中的关键基础件,对印刷机性能的保障至关重要,为实现印刷机的长期稳定运行,很多学者提出了关于印刷机轴承部件的故障诊断技术,旨在预防印刷机械故障所带来的经济损失本文以胶印机着墨辊中的滚动轴承为研究对象,对轴承振动信号的特征进行无监督学习,通过搭建的神经网络结构实现对故障类型的识别,论文的主要工作内容如下:（1）对稀疏自编码器、堆栈式自编码器的理论原理和算法过程进行了研究,将其应用于西安交通大学——昇阳数据库以及西储大学轴承数据库数据。通过实验分析了两种自编码器对原始振动信号的特征提取能力,并计算了两种方法对数据故障类型的分类准确率,证明了深度的网络较浅层的网络能挖掘更深层次的特征。（2）提出了基于自编码器和最大相关熵准则结合的故障特征识别方法,实现了对原始信号的故障分类识别,且正确率可保持在98%左右。轴承振动信号在未被做任何处理的情况下输入搭建好的网络结构中,通过网络自身函数及结构进行无监督的学习并提取数据的特征,实现对不同类型数据的分类。通过实验分析了隐含及输入层节点数、学习率等参数对网络特征提取能力的影响。（3）将所提出的方法运用于印刷机轴承的故障类型识别中。通过实验对所提出的方法进行验证,证明所提出方法的有效性,并获取了最优的故障分类网络模型。为信号加入高斯白噪声以分析网络的范化能力,结果表明所提出的网络能适用于具有噪声干扰情况下的印刷机故障轴承识别任务。相关研究为印刷机故障诊断的智能化信息获取与识别技术提供了重要参考,具有一定的工程应用价值。
彭飞宇[6]（2020）在《基于信号分解的滚动轴承复合故障诊断方法研究》文中进行了进一步梳理滚动轴承是列车走行部的关键部件,其可靠性和稳定性对列车的安全运行十分重要。由于长期运行在高温、高压、重载等恶劣的工作环境,滚动轴承可能同时发生两个或多个互相耦合的复合故障。然而,复合故障并非单个故障的简单叠加,而是多种故障特征叠加在一起并相互干扰,致使故障特征提取与识别更加困难。大多数方法多是对单故障进行研究,较少关注复合故障下不同故障特征激发的多个共振频带情形。且采集的振动信号中存在多种干扰成分,影响轴承高频共振带的精确选取。针对现有诊断方法存在的不足,本文引入信号分解技术,重点探究随机脉冲干扰和齿轮啮合谐波干扰下的滚动轴承复合故障诊断方法,具体内容与成果如下:（1）针对滚动轴承复合故障问题,研究建立了常见的滚动体、外圈或内圈故障复合模式下振动仿真模型,基于此,分析了复合故障振动信号的时域、频域、包络谱特点,并给出复合故障诊断所面临的主要问题。（2）针对随机脉冲干扰下滚动轴承共振频带定位错误的问题,研究建立基于平方包络谱稀疏图的滚动轴承复合故障诊断方法。利用改进冗余第二代小波包变换对复合故障信号进行分解,能更好的匹配故障特征,实现复合故障特征分离;提出对故障瞬态冲击更敏感,对干扰脉冲有更好鲁棒性的平方包络谱稀疏值作为评价指标,构造平方包络谱稀疏图,获取不同故障激发的多个共振频带。仿真和实验结果表明,该方法能准确选取轴承解调频带,在随机脉冲干扰下有效提取轴承复合故障特征。（3）针对齿轮啮合谐波掩盖轴承瞬态冲击从而影响轴承高频共振频带选取的问题,提出基于自适应噪声完备集合经验模式分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）和固有模态函数（Intrinsic Mode Function,IMF）多指标融合的滚动轴承复合故障诊断方法。采用CEEMDAN将复合故障信号分解为多个IMF分量,提出多指标融合的IMF评价指标,筛选故障IMF分量重构从而削弱齿轮啮合干扰;对重构信号进行平方包络谱稀疏图分析定位轴承高频共振频带提取故障特征信息,有效诊断故障类型。仿真结果表明:该方法实现了无转速计齿轮啮合信号干扰下滚动轴承复合故障诊断。
朱兴统[7]（2020）在《旋转机械智能故障诊断方法的研究》文中研究说明随着现代工业科技的发展与进步,旋转机械在企业生产中发挥着越来越重要的作用。同时,旋转机械越来越趋于大型化、自动化和智能化,机械结构也越趋于复杂化。虽然旋转机械的这些新发展有助于提高生产效率、降低了生产成本,但是对保障旋转机械的可靠运行和故障维修提出了更高的要求,增加了难度。如何及时、准确地诊断出旋转机械故障成为重要的研究问题。旋转机械的故障诊断在企业生产系统中有广阔的应用前景。旋转机械振动机理复杂,所产生的振动信号具有非线性和非平稳性,故障的特征信号存在着大量的强噪声,造成难以有效提取故障特征,以至影响故障的准确诊断。在旋转机械故障诊断中,故障特征提取和模式识别是关键环节。现代信号处理技术和人工智能技术的迅猛发展,为旋转机械故障诊断提供新的技术途径。本文以现代信号处理技术和人工智能技术为工具,以旋转机械的重要部件轴承和齿轮为具体研究对象,围绕旋转机械的故障特征提取和模式识别展开研究。本文的主要内容如下:1.旋转机械产生的振动信号是非平稳和不规则的,难以直接通过振动信号波形分析进行故障诊断,研究基于信号模态分解的故障诊断方法。首先对振动信号进行模态分解,接着对得到的各个本征模态函数分量提取故障特征,构造成特征向量集;然后进行特征降维处理;最后利用朴素贝叶斯分类器进行故障识别。采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好。2.针对支持向量机的参数值设置不合理影响诊断精度问题,研究基于优化参数的支持向量机的故障诊断方法。首先研究两种方法优化支持向量机参数:（1）利用量子遗传算法优化支持向量机的参数,（2）改进量子粒子群优化算法优化支持向量机的参数;然后将训练数据集训练优化的支持向量机;最后将测试数据集输入到支持向量机模型中进行故障识别。实验结果表明,该方法具有较高的故障诊断准确率。3.针对相关向量机的参数设置问题,研究基于蝙蝠算法（BA）优化相关向量机（RVM）的故障诊断方法。首先利用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量机模型;最后使用训练后的相关向量机进行故障识别。进行仿真实验,将BA-RVM故障诊断方法与SVM方法、RVM方法进行比较。实验结果表明,BA-RVM故障诊断方法的准确率高于SVM方法、RVM方法。4.针对旋转机械故障的征兆复杂,以及从旋转机械测量获得的振动信号受不确定因素影响,进而影响诊断结果的准确率,研究基于改进证据理论的信息融合故障诊断方法。研究两种改进的证据合成方法:（1）基于Tanimoto相似性测度和信息熵的证据合成方法,（2）基于静态折扣因子和权重系数的证据合成方法。将两种改进的证据合成方法应用于旋转机械故障诊断。首先从采集到机械振动信号提取故障特征,构成特征向量集;然后分别利用支持向量机、K最近邻算法得到基本概率分配值;最后利用改进的证据合成方法进行融合,从而形成最终的诊断结果。
邹剑晖[8]（2020）在《风电机组齿轮箱故障诊断方法研究》文中研究指明近年来我国的风电产业进入了快速发展的阶段,风电机组总装机容量和年新增装机容量都位居世界第一,但同时伴随着大量风电机组运行维护问题的出现。在兆瓦级风电机组中,齿轮箱是故障多发部件之一,齿轮箱故障是导致风电机组停机时间最长、经济损失最大的故障,而齿轮和轴承故障占齿轮箱所有故障类型的80%,因此对齿轮箱齿轮和轴承进行早期故障诊断研究,以及对其振动信号进行分析,解析故障失效原因及故障产生部位,对风电场降低运行维护成本,提升风电机组运行稳定性,增加经济效益具有重要意义。以并网双馈型风电机组齿轮箱为研究对象,基于SCADA系统和风电机组的监测数据来进行信号分析,主要研究的故障类型有齿轮断齿、磨损、疲劳、齿面胶合和轴承外圈、内圈以及滚动体故障等,主要的研究方法为数学诊断方法和智能诊断方法,主要的分析手段是信号降噪、信号分解和重构、特征提取、频谱分析、分类器识别等。论文的主要工作如下:（1）介绍了风电机组的基本结构组成及其工作原理,分析了风电机组常见的故障失效类型。其中,电气系统、控制系统、液压系统、传感器等部件的故障率较高,而齿轮箱、驱动链、发电机故障产生的影响最大。重点对齿轮箱齿轮和轴承的固有特性,以及它们的故障失效形式、故障信号特征进行了详细地分析,并统计说明了齿轮和轴承各个元件对应的故障特征和理论故障特征频率。（2）介绍了齿轮箱齿轮和轴承振动信号的数据采集过程和振动信号的信号降噪、信号重构方法和特征提取方法。针对齿轮和轴承振动信号非线性、非平稳的特点,提出了两种适配的信号消噪和重构方法,分别是基于近似共轭梯度算法（Approximate Conjugate Gradient Pursuit,ACGP）改进的分段正交匹配追踪（Stagewise Orthogonal Matching Pursuit,St OMP）和基于EEMD改进的补充集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）。针对齿轮和轴承故障信号在时域、频域和时频域的故障表现特征,提出了两种故障特征提取方法,分别是多域特征提取法和多尺度熵（Multiscale Entropy,MSE）构造法。通过观察频谱分析和特征提取结果,可知以上方法对信号的降噪效果明显、重构精度高,构造的特征反映了信号的主要故障特征且没有丢失原始信号的主要信息。（3）针对齿轮和轴承的故障特征,提出了不同的特征筛选方法和模式识别方法。利用邻域粗糙集理论（Neighborhood Rough Set,NRS）和相关系数法筛选故障特征向量,分别使用基于遗传算法（GA）参数寻优的随机森林（Random Forest）分类器和小波核极限学习机（Wavelet Kernel Extreme Learning Machine,WKELM）对齿轮和轴承数据进行故障分类识别。将上述诊断模型应用于实际故障数据的分析中,并与其它故障诊断模型的分类效果作对比。结果表明,在齿轮和轴承的故障数据识别中,本文所构建的故障诊断模型性能表现突出,故障诊断的准确率高、诊断模型的识别速度快。
杨洋[9]（2020）在《基于EMD和小波分析的减速齿轮箱故障诊断研究》文中指出高效、高可靠性的齿轮传动系统,广泛应用于轨道交通、航空航天等领域。齿轮箱是齿轮传动系统的核心零部件,其结构复杂,在极端恶劣的服役环境下,经常发生齿轮断齿、齿面点蚀、齿面磨损及传动轴弯曲等故障。服役齿轮箱采集到的振动信号错综复杂,常见的故障分析与诊断方法如傅里叶变换、倒频谱分析等,难以从包含大量噪声的振动信号中提取出各种故障特征。因此本文提出了一种基于小波包分解、EMD方法及奇异值分解联合去噪的齿轮箱故障诊断方法。论文首先从理论上分析了齿轮箱的振动机理、故障形式、发生故障的原因和调制现象;其次详细分析了齿轮的振动机理及振动信号调制规律。接着介绍了EMD的相关基本概念,研究了EMD的原理、性质及不足并针对其存在的端点效应问题提出了一种改进的序列延拓方法,并通过与传统EMD方法进行仿真试验对比验证了该延拓法的有效性。引入了奇异值分解,介绍了奇异值分解的原理,通过将奇异值分解和改进的EMD结合实现了信号特征成分的提取。接着介绍了小波分析的基本理论,研究了小波理论的降噪原理,并结合仿真实验的结果证明小波包分解的去噪性能要优于小波分解,进而将小波包分解与EMD和奇异值分解相结合,实现了信号的去噪以及目标频率成分的精准提取,大大提高了处理频谱的效率。建立了齿轮传动试验平台,来模拟齿轮传动系统的工作环境,并根据平台模拟出齿轮发生齿轮断齿、齿轮点蚀及齿面磨损等单故障时候的振动信号及复合故障的振动信号,然后使用本文所提的小波包分解与EMD、奇异值分解结合的故障诊断方案对这些信号进行降噪处理,处理完毕后通过FFT和倒频谱对故障部位及类型进行判断,并将该方案与直接对原信号进行时频分析的方法进行了对比,结果表明该方案能更为清晰的获得振动信号中的故障特征频率,从而验证了诊断方案的可行性及准确性。
付晓阳[10]（2020）在《基于VMD和极限学习机的齿轮箱故障诊断研究》文中指出齿轮箱是重要的机械传动装置,并且通常工作于大负载、大转矩、高温等复杂环境,这导致齿轮箱故障频发。齿轮作为齿轮箱中主要的承载部件,其故障也是齿轮箱失效的主要原因,因此对齿轮箱的故障诊断有很大研究意义,本文针对齿轮箱的故障诊断主要针对齿轮箱中的齿轮,具体研究内容如下:（1）齿轮箱振动信号具有非平稳、非线性、信噪比低等特点。针对故障信号信噪比低、故障特征不明显的问题,选用FOA-VMD（Fruit Fly Optimization AlgorithmVariational Mode Decomposition）方法对原始信号进行故障特征增强和降噪处理。首先利用果蝇算法对VMD（Variational Mode Decomposition）的K和α两个参数进行优化,然后用VMD对原始故障信号进行分解,根据各分量包络熵的大小,从分量中选择故障激励成分较多的分量进行重构,剔除故障相关性小和故障无关的噪声成分,从而达到降噪和增强故障特征的目的。实验证明FOA-VMD方法能够有效剔除原始信号中的噪声成分、增强故障特征,并且处理效果比EMD（Empirical Mode Decomposition）方法好,为后续的齿轮箱故障诊断奠定了基础。（2）从降噪后的信号中提取16个时频指标参数作为原始故障特征,然后利用基于改进距离法的特征选择方法选择出7维的最佳特征子集,剔除原始故障特征里的冗余信息和故障无关的指标参数。实验证明:利用选择出的故障特征子集对极限学习机进行训练和测试,训练所得故障诊断模型具有更高的诊断正确率;故障特征的降维可视化实验证明选择出的故障特征子集相对于原始故障特征具有更强的分类性。（3）本文选用极限学习机（Extreme Learning Machine,ELM）作为分类器,首先通过实验对极限学习机的激活函数和隐含层节点个数进行选择;然后针对ELM输入权值随机确定并且不再进行调整,导致分类准确率不高的问题,提出了一种基于最大熵原则的输入和输出权值反向调优的改进极限学习机模型,实验证明改进模型在一定程度上提高了故障分类准确率。为提高诊断模型的鲁棒性和稳定,进一步提高诊断准确率,本文在改进极限学习机的基础上提出了多极限学习机加权输出的齿轮箱故障诊断模型,首先根据极限学习机训练完成时损失函数e的大小对每个极限学习机模型的输出进行加权,最后将各个极限学习机的输出进行加权相加,把相加后的结果作为最后的诊断结果。实验证明多极限学习机组合的诊断模型相比单改进极限学习机模型和BP（Back Propagation）神经网络模型在诊断准确率上有明显的提高。
二、基于多小波包的齿轮故障诊断方法研究（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、基于多小波包的齿轮故障诊断方法研究（论文提纲范文）
（2）数据驱动的旋转机械智能故障辨识方法（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 国内外研究现状 |
| 1.2.1 基于故障机理分析的故障辨识方法 |
| 1.2.2 基于传统数据驱动的故障辨识方法 |
| 1.2.3 基于深度学习的故障辨识方法 |
| 1.3 当前需要解决的主要问题 |
| 1.4 本论文研究工作的主要内容及思路 |
| 1.5 本论文章节安排 |
| 第2章 EWT与 WMNRS结合的旋转机械故障特征提取方法 |
| 2.1 引言 |
| 2.2 经验小波变换(EWT) |
| 2.3 邻域粗糙集(NRS) |
| 2.4 EWT与 WMNRS结合的故障特征提取方法 |
| 2.4.1 设计的WMNRS特征选择算法 |
| 2.4.2 建立的特征提取方法及其应用流程 |
| 2.5 应用结果与分析 |
| 2.5.1 实验装置与数据介绍 |
| 2.5.2 邻域半径对属性约简的影响 |
| 2.5.3 加权特征与所有特征的对比分析 |
| 2.5.4 WMNRS与单一邻域粗糙集对比分析 |
| 2.5.5 多种分类器测试对比分析 |
| 2.6 讨论与分析 |
| 2.7 本章小结 |
| 第3章 利用卷积神经网络融合多传感器信号特征的故障辨识方法 |
| 3.1 引言 |
| 3.2 卷积神经网络(CNN) |
| 3.2.1 CNN网络的结构特点与分析 |
| 3.2.2 损失函数 |
| 3.2.3 反向传播算法 |
| 3.2.4 训练策略 |
| 3.3 利用CNN融合多传感器信号特征的故障辨识方法 |
| 3.3.1 模型设计 |
| 3.3.2 建立的故障辨识方法及其应用流程 |
| 3.4 应用结果与分析 |
| 3.4.1 多传感器信号特征融合 |
| 3.4.2 训练样本集对模型性能的影响 |
| 3.4.3 与单传感器信号辨识结果的对比分析 |
| 3.4.4 与其他辨识方法的对比分析 |
| 3.4.5 抗噪性能测试 |
| 3.5 本章小结 |
| 第4章 面向数据不平衡的卷积神经网络故障辨识方法 |
| 4.1 引言 |
| 4.2 数据不平衡问题的描述 |
| 4.3 基于MMOCNN的故障辨识方法 |
| 4.3.1 构造的最小最大化目标函数 |
| 4.3.2 模型设计 |
| 4.3.3 建立的故障辨识方法及其应用流程 |
| 4.4 应用结果与分析 |
| 4.4.1 数据来源 |
| 4.4.2 超参数的选择 |
| 4.4.3 最小最大化目标函数的有效性分析 |
| 4.4.4 对比实验情况 |
| 4.4.5 模型的泛化性能测试 |
| 4.5 本章小结 |
| 第5章 基于半监督卷积神经网络的故障辨识方法 |
| 5.1 引言 |
| 5.2 最大间距准则(MMC) |
| 5.3 基于SSCNN的故障辨识方法 |
| 5.3.1 构造的CPMMC损失函数 |
| 5.3.2 模型设计 |
| 5.3.3 建立的故障辨识方法及其应用流程 |
| 5.4 应用结果与分析 |
| 5.4.1 基于SSCNN的故障辨识方法在公开轴承数据集上的应用 |
| 5.4.2 基于SSCNN的故障辨识方法在实测轴承数据集上的应用 |
| 5.5 本章小结 |
| 第6章 对抗式域自适应卷积神经网络的故障辨识方法 |
| 6.1 引言 |
| 6.2 对抗学习的概念 |
| 6.3 最大均值差异(MMD)的定义 |
| 6.4 基于ADACNN的故障辨识方法 |
| 6.4.1 模型设计 |
| 6.4.2 设计的对抗式域自适应 |
| 6.4.3 设计的类别域自适应 |
| 6.4.4 ADACNN目标函数的构造与优化 |
| 6.4.5 建立的故障辨识方法及其应用流程 |
| 6.5 应用结果与分析 |
| 6.5.1 基于ADACNN的故障辨识方法在公开轴承数据集上的应用 |
| 6.5.2 基于ADACNN的故障辨识方法在实测轴承数据集上的应用 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间的研究成果 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）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）基于自编码器的胶印机着墨辊滚动轴承故障分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 着墨辊滚动轴承分析 |
| 1.2.1 着墨辊滚动轴承的基本结构 |
| 1.2.2 着墨辊滚动轴承故障类型及分析 |
| 1.3 印刷机械故障诊断研究现状 |
| 1.4 研究内容及章节安排 |
| 2 基于自编码器的特征提取研究 |
| 2.1 稀疏自编码器方法研究 |
| 2.1.1 稀疏自编码器的原理及结构 |
| 2.1.2 稀疏自编码器的算法及流程 |
| 2.1.3 稀疏自编码器的训练 |
| 2.2 堆栈式自编码器方法研究 |
| 2.2.1 堆栈式自编码器的结构 |
| 2.2.2 堆栈式自编码器的算法流程 |
| 2.2.3 堆栈式自编码器的训练 |
| 2.3 本章小结 |
| 3 基于MSDA的滚动轴承故障识别方法研究 |
| 3.1 基于MSDA的着墨辊滚动轴承故障识别模型的建立 |
| 3.1.1 最大相关熵准则的概念 |
| 3.1.2 MSDA的结构 |
| 3.1.3 MSDA的算法流程 |
| 3.2 基于MSDA的滚动轴承故障特征提取 |
| 3.2.1 MSDA网络的搭建与实验方案 |
| 3.2.2 MSDA的逐层故障特征提取能力研究 |
| 3.3 实验分析 |
| 3.3.1 数据库的描述及分析 |
| 3.3.2 不同参数对网络能力的影响 |
| 3.3.3 不同自编码器的比较 |
| 3.3.4 故障识别结果及分析 |
| 3.4 本章小结 |
| 4 胶印机着墨辊滚动轴承故障诊断实验研究 |
| 4.1 实验设备与仪器介绍 |
| 4.2 轴承振动信号 |
| 4.3 轴承故障诊断实验及分析 |
| 4.3.1 轴承数据集的描述及分析 |
| 4.3.2 模型参数的确定 |
| 4.3.3 故障识别结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（6）基于信号分解的滚动轴承复合故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和章节组织形式 |
| 第二章 滚动轴承故障机理与仿真分析 |
| 2.1 滚动轴承结构 |
| 2.2 滚动轴承振动机理与故障特征频率 |
| 2.2.1 振动机理 |
| 2.2.2 故障特征频率计算 |
| 2.3 滚动轴承单故障振动信号模型 |
| 2.3.1 外圈故障 |
| 2.3.2 内圈故障 |
| 2.3.3 滚动体故障 |
| 2.4 滚动轴承复合故障振动信号模型 |
| 2.4.1 内外圈复合故障 |
| 2.4.2 滚动体和外圈复合故障 |
| 2.4.3 滚动体和内圈复合故障 |
| 2.5 滚动轴承复合故障诊断存在的问题 |
| 2.6 本章小结 |
| 第三章 随机脉冲干扰下滚动轴承复合故障诊断方法 |
| 3.1 引言 |
| 3.2 随机脉冲干扰下快速峭度图算法局限性分析 |
| 3.3 算法设计 |
| 3.3.1 基于IRSGWPT的复合故障信号分解 |
| 3.3.2 平方包络谱稀疏图构造 |
| 3.3.3 故障诊断 |
| 3.4 仿真分析 |
| 3.4.1 仿真1: 随机脉冲干扰下滚动轴承复合故障仿真验证 |
| 3.4.2 仿真2: 西储大学数据集验证 |
| 3.4.3 算法抗噪性能分析 |
| 3.5 本章小结 |
| 第四章 齿轮啮合信号干扰下滚动轴承复合故障诊断方法 |
| 4.1 引言 |
| 4.2 齿轮啮合信号干扰下快速峭度图算法局限性分析 |
| 4.3 CEEMDAN算法 |
| 4.3.1 CEEMDAN算法理论基础 |
| 4.3.2 抑制频率混叠效果分析 |
| 4.4 算法设计 |
| 4.4.1 基于CEEMDAN的信号分解 |
| 4.4.2 基于多指标融合的IMF评价准则构造 |
| 4.4.3 有效IMF重构及故障诊断 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术成果 |
（7）旋转机械智能故障诊断方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 旋转机械故障诊断方法的研究现状 |
| 1.2.1 旋转机械故障特征提取方法的研究现状 |
| 1.2.2 旋转机械故障识别方法的研究现状 |
| 1.3 存在的主要问题和挑战 |
| 1.4 本文主要内容及章节安排 |
| 第二章 旋转机械故障诊断基本原理 |
| 2.1 旋转机械典型部件及故障 |
| 2.2 旋转机械故障诊断的一般流程 |
| 2.3 信号处理与特征提取 |
| 2.3.1 时域特征提取 |
| 2.3.2 频域特征提取 |
| 2.3.3 时频域特征提取 |
| 2.3.4 其它特征提取方法 |
| 2.4 本章小结 |
| 第三章 基于信号模态分解的故障诊断方法 |
| 3.1 引言 |
| 3.2 经验模态分解 |
| 3.3 变分模态分解及参数优化 |
| 3.3.1 变分模态分解 |
| 3.3.2 人工蜂群算法及其优化变分模态分解参数 |
| 3.4 核主成分分析 |
| 3.5 朴素贝叶斯 |
| 3.6 实验 |
| 3.6.1 实验数据来源 |
| 3.6.2 基于经验模态分解的故障诊断实验 |
| 3.6.3 基于变分模态分解的故障诊断实验 |
| 3.7 本章小结 |
| 第四章 基于支持向量机的故障诊断方法 |
| 4.1 引言 |
| 4.2 支持向量机原理 |
| 4.3 量子遗传算法及其优化支持向量机 |
| 4.3.1 遗传算法 |
| 4.3.2 量子遗传算法 |
| 4.3.3 量子遗传算法优化SVM参数 |
| 4.4 改进粒子群优化算法及其优化支持向量机 |
| 4.4.1 粒子群优化算法 |
| 4.4.2 量子粒子群优化算法 |
| 4.4.3 改进量子粒子群优化算法 |
| 4.4.4 改进量子粒子群优化算法优化SVM参数 |
| 4.5 故障诊断模型 |
| 4.6 实验 |
| 4.7 本章小结 |
| 第五章 基于相关向量机的故障诊断方法 |
| 5.1 引言 |
| 5.2 相关向量机原理 |
| 5.2.1 相关向量机模型 |
| 5.2.2 相关向量机分类 |
| 5.3 蝙蝠算法及其优化相关向量机 |
| 5.3.1 蝙蝠算法基本原理 |
| 5.3.2 蝙蝠算法优化相关向量机参数 |
| 5.4 实验 |
| 5.5 本章小结 |
| 第六章 基于证据理论的信息融合故障诊断方法 |
| 6.1 引言 |
| 6.2 D-S证据理论 |
| 6.2.1 基本定义 |
| 6.2.2 Dempster合成规则 |
| 6.3 基于支持向量机和改进证据理论的故障诊断方法 |
| 6.3.1 支持向量机概率输出 |
| 6.3.2 基于Tanimoto相似性测度和信息熵的证据合成方法 |
| 6.3.3 基于支持向量机和改进证据理论的故障诊断流程 |
| 6.3.4 实验 |
| 6.4 基于K最近邻算法和改进证据理论的故障诊断方法 |
| 6.4.1 K最近邻算法 |
| 6.4.2 基于静态折扣因子和权重系数的证据合成方法 |
| 6.4.3 基于KNN算法和改进证据理论的故障诊断流程 |
| 6.4.4 实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 本文的主要工作 |
| 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
（8）风电机组齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风电机组故障诊断的研究现状及分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容及结构安排 |
| 第二章 风电机组基本结构和齿轮箱主要故障类型 |
| 2.1 风电机组的基本结构和工作原理 |
| 2.2 风电机组齿轮箱常见故障类型和信号特征 |
| 2.2.1 齿轮故障类型和信号特征 |
| 2.2.2 轴承故障类型和信号特征 |
| 2.2.3 齿轮和轴承的故障特征频率计算 |
| 2.3 小结 |
| 第三章 风电机组齿轮箱振动信号的采集与分析 |
| 3.1 风电机组齿轮箱振动数据的采集 |
| 3.1.1 传感器的选取 |
| 3.1.2 振动测点的布置 |
| 3.1.3 实验数据采集 |
| 3.2 振动信号的频谱分析方法 |
| 3.2.1 希尔伯特变换解调原理 |
| 3.2.2 希尔伯特变换解调步骤 |
| 3.3 齿轮振动信号频谱分析和特征提取 |
| 3.3.1 基于共轭梯度算法改进的分段正交匹配追踪 |
| 3.3.2 改进的StOMP算法性能仿真分析 |
| 3.3.3 实测齿轮振动信号频谱分析 |
| 3.3.4 齿轮振动信号特征提取 |
| 3.4 轴承振动信号频谱分析和特征提取 |
| 3.4.1 基于EEMD改进的补充集合经验模态分解 |
| 3.4.2 振动信号多尺度熵 |
| 3.4.3 轴承振动信号频谱分析 |
| 3.4.4 轴承振动信号特征提取 |
| 3.5 小结 |
| 第四章 风电机组齿轮箱齿轮故障诊断模型应用 |
| 4.1 基于邻域粗糙集理论的复合特征筛选 |
| 4.2 基于GA参数优化的随机森林分类器建模 |
| 4.3 齿轮的随机森林故障诊断模型应用 |
| 4.4 小结 |
| 第五章 风电机组齿轮箱轴承故障诊断模型应用 |
| 5.1 小波核极限学习机 |
| 5.2 多尺度熵特征有效性验证 |
| 5.3 轴承的极限学习机故障诊断模型应用 |
| 5.4 小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的论文及专利 |
| 致谢 |
（9）基于EMD和小波分析的减速齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本文研究背景及意义 |
| 1.2 国内外研究进展及现状 |
| 1.2.1 齿轮箱故障诊断方法及研究现状 |
| 1.2.2 基于EMD的故障诊断方法及研究现状 |
| 1.2.3 基于小波分析的故障诊断方法及研究现状 |
| 1.3 本文研究内容 |
| 第2章 齿轮箱主要故障及失效机理 |
| 2.1 齿轮振动机理及信号调制 |
| 2.1.1 齿轮振动机理 |
| 2.1.2 齿轮振动信号调制分析 |
| 2.2 齿轮振动信号中的其它成分 |
| 2.3 齿轮典型故障形式及其信号特征 |
| 2.3.1 齿轮磨损 |
| 2.3.2 齿轮点蚀 |
| 2.3.3 齿轮断齿 |
| 2.3.4 齿形误差 |
| 2.4 本章小结 |
| 第3章 EMD的基本理论及其改进算法分析 |
| 3.1 引言 |
| 3.2 基本概念 |
| 3.2.1 瞬时频率 |
| 3.2.2 本征模态函数 |
| 3.3 EMD分解 |
| 3.3.1 EMD的基本原理 |
| 3.3.2 EMD的性质 |
| 3.3.3 EMD的不足 |
| 3.4 EMD的改进算法 |
| 3.4.1 端点效应的抑制 |
| 3.4.2 模态混叠的处理 |
| 3.4.3 CEEMDAN方法简述 |
| 3.5 基于EMD和奇异值差分谱的信号特征提取方法 |
| 3.5.1 奇异值差分谱 |
| 3.5.2 EMD-SVD方法在信号特征提取中的应用 |
| 3.6 本章小结 |
| 第4章 基于小波分析-EMD-SVD的信号处理方法 |
| 4.1 引言 |
| 4.2 小波理论 |
| 4.2.1 小波变换 |
| 4.2.2 多分辨率分析 |
| 4.2.3 Mallet算法 |
| 4.2.4 小波包分析 |
| 4.3 小波理论在去噪方面的应用 |
| 4.3.1 小波分解去噪法 |
| 4.3.2 小波包分解去噪法 |
| 4.4 小波分析在齿轮信号特征提取中的应用 |
| 4.5 基于小波分析-EMD-SVD的信号特征提取方法 |
| 4.6 本章小结 |
| 第5章 基于改进EMD和小波变换的齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 齿轮传动试验平台的建立 |
| 5.2.1 齿轮传动系统试验平台的介绍 |
| 5.2.2 基于Labview的数据采集系统 |
| 5.3 齿轮故障诊断实验分析 |
| 5.3.1 齿轮断齿故障诊断 |
| 5.3.2 齿轮点蚀故障诊断 |
| 5.3.3 齿轮磨损故障诊断 |
| 5.3.4 齿轮复合故障诊断 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 攻读硕士学位期间参与的科研项目 |
（10）基于VMD和极限学习机的齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 齿轮箱故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.3.1 信号降噪研究现状 |
| 1.3.2 故障特征降维研究现状 |
| 1.3.3 智能故障识别研究现状 |
| 1.4 论文章节安排 |
| 第二章 齿轮箱故障机理 |
| 2.1 引言 |
| 2.2 齿轮箱振动机理 |
| 2.2.1 振动指标计算方法 |
| 2.2.2 齿轮副力学模型 |
| 2.3 齿轮故障分类和信号分析 |
| 2.3.1 齿轮故障分类 |
| 2.3.2 QPZZ-II实验平台介绍 |
| 2.3.3 故障信号分析 |
| 2.4 本章小结 |
| 第三章 基于参数优化VMD的信号处理方法 |
| 3.1 引言 |
| 3.2 变分模态分解原理和参数设置的影响 |
| 3.2.1 变分模态基本原理 |
| 3.2.2 VMD的参数对分解结果的影响 |
| 3.3 基于参数优化的VMD的信号处理方法 |
| 3.3.1 果蝇算法对VMD的参数优化 |
| 3.3.2 振动信号处理流程 |
| 3.4 实验分析 |
| 3.4.1 大齿轮点蚀 |
| 3.4.2 小齿轮断齿和大齿轮点蚀 |
| 3.5 本章小结 |
| 第四章 特征提取和降维 |
| 4.1 引言 |
| 4.2 原始故障特征提取 |
| 4.2.1 时域特征 |
| 4.2.2 频域特征 |
| 4.3 基于距离测度的故障特征降维 |
| 4.4 实验验证与分析 |
| 4.4.1 故障特征选择 |
| 4.4.2 故障特征降维可视化实验 |
| 4.5 本章小结 |
| 第五章 基于改进极限学习机的故障诊断模型 |
| 5.1 引言 |
| 5.2 极限学习机理论 |
| 5.3 极限学习机参数确定 |
| 5.3.1 激活函数的确定 |
| 5.3.2 隐含层节点个数的确定 |
| 5.4 基于最大熵原则的极限学习机改进 |
| 5.4.1 最大熵原理 |
| 5.4.2 极限学习机的改进 |
| 5.5 多改进极限学习机加权输出故障诊断模型 |
| 5.6 实验分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所获得的相关研究成果 |
| 致谢 |
四、基于多小波包的齿轮故障诊断方法研究（论文参考文献）
- [1]齿轮磨损损伤在线油液-振动多源异构信息监测系统开发与研究[D]. 肖进. 内蒙古科技大学, 2021
- [2]数据驱动的旋转机械智能故障辨识方法[D]. 吴耀春. 兰州理工大学, 2021(01)
- [3]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [4]信号分解及其在机械故障诊断中的应用研究综述[J]. 陈是扦,彭志科,周鹏. 机械工程学报, 2020(17)
- [5]基于自编码器的胶印机着墨辊滚动轴承故障分类方法研究[D]. 张清峰. 西安理工大学, 2020
- [6]基于信号分解的滚动轴承复合故障诊断方法研究[D]. 彭飞宇. 北京邮电大学, 2020(05)
- [7]旋转机械智能故障诊断方法的研究[D]. 朱兴统. 广东工业大学, 2020(02)
- [8]风电机组齿轮箱故障诊断方法研究[D]. 邹剑晖. 广东工业大学, 2020(06)
- [9]基于EMD和小波分析的减速齿轮箱故障诊断研究[D]. 杨洋. 西南交通大学, 2020(07)
- [10]基于VMD和极限学习机的齿轮箱故障诊断研究[D]. 付晓阳. 河北工业大学, 2020