一、裂纹转子识别中Wigner-Ville分布与小波变换的比较（论文文献综述）
吕轩[1]（2020）在《齿轮传动系统复合故障诊断技术研究》文中提出齿轮传动系统是现代机械中主要的动力传递系统,经常工作在恶劣的内、外环境中。齿轮和轴承作为齿轮传动系统的核心零件容易发生故障,若故障未能被及时发现,往往引发其他齿轮或轴承的故障而发展成为复合故障,复合故障难以完全识别。对齿轮和轴承复合故障诊断方法开展研究,对全面、准确诊断复合故障,保障设备平稳运行,减少损失具有重要的理论价值和应用价值。本文以齿轮传动系统复合故障诊断为研究对象,研究适用于齿轮和轴承复合故障的诊断方法。主要研究工作如下:采用集中质量法建立两级平行轮系和一级行星轮系组成的多级齿轮传动系统的正常状态和复合故障动力学模型,用时变啮合刚度对正常状态、齿根裂纹和单齿断齿故障进行描述。通过对动力学微分方程求解得到正常状态和复合故障状态的仿真振动信号。通过将正常状态仿真信号与实测信号对比分析,验证了动力学模型的合理性;通过将故障信号与正常状态信号进行对比分析,得到了齿根裂纹-单齿断齿复合故障状态的故障特征。提出了经验小波变换和最大相关峭度反褶积相结合的方法（EWT-MCKD）用于滚动轴承复合故障诊断。发挥经验小波变换和最大相关峭度反褶积各自优势,分别将其作为故障信号的前处理和后处理方法,对轴承复合故障仿真信号,行星轮轴承外圈故障-行星轮轴承滚动体故障实测信号进行分析,实现对仿真信号中两种不同频率的故障的提取和实测信号中两种不同轴承故障的识别。提出了基于量子遗传算法自适应选择最大相关峭度反褶积参数的方法（QGAMCKD）用于改善最大相关峭度反褶积的性能,并应用于齿轮-轴承复合故障诊断。利用量子遗传算法在参数自适应选择上的优势,在考虑滤波器长度和反褶积周期交互作用的前提下使用量子遗传算法自适应对两个参数进行选择。对仿真信号和实测信号的分析表明,通过量子遗传算法对参数进行自适应选择能够得到最优的参数组合,改善最大相关峭度反褶积的性能,实现复合故障的准确判别。尝试将Wilcoxon秩和检验引入故障诊断领域,并对方法在故障诊断中的应用做了初步探索。提出了一种基于Wilcoxon秩和检验的模式识别方法用于齿轮传动系统故障诊断。使用本文提出的特征提取方法:Wilcoxon秩和检验-最大幅值选择法对训练样本和测试样本进行特征提取;使用K近邻方法做为分类器,对测试样本进行故障类型分类和识别。将该方法用于实测信号的分析,实现了对5种不同类型的齿轮-轴承故障的诊断。
刘雄[2]（2020）在《基于树形搜索和模糊关联特征向量的联合滚动轴承故障诊断》文中提出在现代工业中,滚动轴承是旋转机械的最基本的元件之一,被广泛应用航天、工程制造等行业中,机器长时间的运转会对滚动轴承部分造成磨损、剥落等情况,其结果将会降低机械的使用寿命,甚至威胁人员生命,将造成无法挽回的后果。因此,滚动轴承的精确状态监测和故障诊断对于保证机器的可靠运行起着重要的作用,对其进行有效的诊断已经成为当今研究的热点。本文围绕滚动轴承振动信号分析处理、特征提取、特征简约、故障诊断等研究内容,以经验模态分解、关联特征向量、模糊集理论、概率神经网络等为理论基础,针对滚动轴承故障诊断过程中存在的边界效应和混叠模式,分类选择过于复杂等问题,提出了一种基于树形搜索和模糊关联特征向量的联合滚动轴承诊断方法。主要研究工作及创新点如下:针对轴承信号的非线性和非平稳性,本文将经验模态分解引入到振动信号处理中,它是一种新的时频分析方法,而且是一种自适应的时频局部化分析方法:（1）本征模态函数（Intrinsic Mode Function,IMF）与采样频率相关;（2）它基于数据本身变化。这点是经验模态分析（Empirical Mode Decomposition,EMD）优于傅立叶变换方法的地方,它摆脱了傅里叶变换的局限性。通过数值仿真分析,验证了该方法在处理振动信号上的有效性。为后续的特征选择打下来坚实的基础。由于轴承初始信号通过经验模态分解所提取的故障特征样本集是一个高维特征集,过高的特征维度中存在大量冗余信息,从而导致故障诊断的计算负担和复杂性,并影响诊断的有效性。为了使提取的故障特征更加显着,本文引入关联特征向量理论,关联特征向量能够更深层次的挖掘故障的本质差异,提高故障精度,在样本表征上具有明显的优势。针对关联特征向量在表征混叠模式上存在不确定性,在此基础上,引入模糊集理论,提出一种基于树形搜索和模糊关联特征向量的联合滚动轴承故障诊断方法。通过建立启发树模型,设计树形启发式特征搜索策略,选用合适的特征筛选准则,改进常规的特征优选模式。此外,采用模糊集来处理提取关联特征向量中存在的混叠模式问题,利用模糊隶属度来指导混叠模式后续的特征提取。基于以上的研究,采用概率神经网络设计故障分类器,在同一设备上进行滚动轴承故障诊断试验对比,选用美国凯斯西储大学轴承数据中心的数据进行数据分析,实验结果表明,所提出的方法能够有效的提高滚动轴承的诊断效率。
张亚楠[3]（2020）在《基于声发射信号处理的风力机叶片损伤演化研究》文中研究说明叶片是风力机获取风能的关键部件,在叶片的生产过程中,往往因为其制作工艺的特殊,自动化程度不高,使生产出来的叶片存在内部缺陷,如褶皱、分层、缺胶等。由于这些随机分布的工艺缺陷存在,导致复合材料的疲劳破坏通常从缺陷处开始,并在随机交变应力作用下逐步扩展贯通成为宏观裂纹,继而逐步扩展到界面上引发疲劳损伤,对叶片结构造成破坏。考虑风电场大多位于偏远地区,存在维护、监测困难的问题,如果早期损伤未被及时发现,有可能在恶劣工况下发展为恶性事故而造成巨大的经济损失。因此,研究风力机叶片的损伤演化识别,对于保障叶片长时间安全运行具有重要意义。本文研究采用声发射技术对叶片复合材料损伤演化状态进行识别和预测,为风力机叶片健康状态监测提供新思路,论文的主要研究内容如下:（1）以损伤力学理论为基础,通过分析不同阶段损伤演化的能量耗散,建立了风力机叶片复合材料的损伤演化模型,从而明晰声发射能量耗散和复合材料损伤演化规律的关系。通过复合材料层合板Lamb理论讨论了不同类型的Lamb频散控制方程以及频散特性。利用声发射断铅实验分析了不同Lamb波传播方式,并讨论了不同损伤程度对Lamb波的影响,为损伤演化过程中声发射信号波形分析提供理论依据。（2）依据风电发电机组风轮叶片质量标准中对叶片质量影响最大的褶皱和分层工艺缺陷,针对性的建立了GFRP复合材料声发射实验平台,并详细阐述了实验步骤和人工缺陷制作方法。实验分析了分层缺陷位置、大小和不同高宽比褶皱缺陷对复合材料力学性能的影响。使用聚类分析算法识别了复合材料损伤模式,并利用电镜扫描验证的损伤模式识别的正确性。通过对不同缺陷复合材料的声发射特征分析,明晰了缺陷类型和几何参数对叶片损伤规律的影响,为缺陷复合材料损伤模式识别和状态监测提供依据。（3）褶皱缺陷在损伤演化过程中,由于损伤模式的多样性使得观测AE信号源的数目小于声发射源信号数目,本文提出一种改进的K-means欠定盲源分离方法,有效提取了褶皱缺陷损伤演化过程中基体开裂,纤维剥离,界面分层和纤维断裂的频率特征,最后计算并分析疲劳损伤演化中各类损伤特征的声能耗散趋势。研究结果表明,褶皱缺陷在稳定损伤阶段,纤维及纤维束纵向所产生的纤维剥离是能量耗散的主要来源,失稳破坏阶段出现的裂纹和脱粘以及纤维断裂为主要的声发射激励源,并呈现高幅值能量释放的态势,从而明晰了褶皱缺陷的损伤演化机理。（4）针对叶片层合板分层缺陷损伤演化中多组分材料所导致交叉项干扰问题,提出了一种基于自适应VMD-WVD时频分析方法,通过利用交替方向乘子法迭代搜索求取增广Lagrange函数的鞍点,获取声发射模态分量和中心频率。实验结果表明,通过二维时频分布相关系数和时频分辨率对算法性能进行评价,该方法使得交叉项干扰有效降低,还能保证较高的时频聚集性和时频分辨率,能够细致地刻画声发射信号在时频平面上所发生的变化过程,表征分层缺陷损伤的复杂动态过程。（5）考虑叶片复合材料在应力达到最大之前便已经发展为宏观失效,造成失稳破坏的识别和预测难度较大。针对该问题,提出一种基于声发射信号聚类分析和神经网络的复合材料失稳破坏前兆特征识别和预测方法,通过对比每种声发射信号类型的时序演化特征,筛选出合适的前兆特征信号建立神经网络预测模型。结果表明,该方法相比于声发射积累能量和积累计数等参数可有效的对其失稳破坏状态进行识别和预测。
王翀翮[4]（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》文中认为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。
刘志伟[5]（2020）在《内燃发电机组转子故障动力学特性的理论与实验研究》文中进行了进一步梳理内燃发电机组作为内燃机车的供电设备,主要包括内燃机、联轴器、发电机、膨胀水箱、液压泵组等构件,其结构复杂。在运行过程中内燃机受周期性变化的外激力影响,导致振动故障频繁发生。厘清内燃发动机组复杂转子系统的振动特性,及时发现、诊断故障并采取有效的措施显得尤为重要。本论文通过理论与实验相结合,主要研究内燃机失火、联轴器不对中、碰摩等故障对内燃发电机组转子动力学特性的影响。论文工作包含以下几个内容:（1）研究了失火故障对内燃发电机组扭转振动特性的影响。将6缸内燃发电机组采用集总参数模型进行曲轴系的离散,变成一个10自由度的扭转动力系统,利用系统矩阵法建立内燃发电机组曲轴轴系的动力学方程,采用主元消去法,直接得到扭转振动的角位移和角速度。考虑不同转速和负载时,分别计算正常工况、单缸失火工况和两缸同时失火工况时内燃机自由端和联轴器输出端各谐波下的扭转振动角位移。数值分析说明失火工况对联轴器扭转振动产生较大的振幅。（2）进行了不同失火程度时内燃发电机组扭转振动理论与实验的研究。基于实际运转工况,搭建柴油机-联轴器-测功机实验台,在不同负载下,进行升速扫频,记录自由端的转速波动信号和联轴器输出端扭矩信号。分析了正常工况、单缸失火工况和两缸同时失火工况时自由端扭转振动各谐波下角位移和联轴器输出端各谐波下扭矩的动力学特性。结果表明,在各种工况下的理论计算结果与实验测量结果基本吻合。此外,比较了转速传感器和扭矩传感器对诊断失火故障的特征和定位的有效性。实验结果表明,两种传感器均能诊断出失火特征,转速传感器定位效果优于扭矩传感器。（3）考虑角度不对中和碰摩故障,利用拉格朗日方程推导飞轮-联轴器系统横向振动和摆动的加速振动响应动力学方程,进而推导了在加速过程中角度不对中引起的力和力矩的表达式。分别考虑了存在角度不对中、碰摩及两者耦合故障时,利用时域和频域方法分析横向振动和摆动的非稳态动力学特性。结果表明:角度不对中与碰摩故障对系统非稳态振动的影响明显不同。（4）研究了联轴器不对中故障对发电机转子系统的动力学影响。根据拉格朗日方程推导联轴器-发电机转子系统动力学方程,利用龙格库塔法进行数值求解。研究平行不对中和角度不对中对发电机转子动力学特性的影响,结果显示平行不对中和角度不对中均能够引起发电机转子系统产生超谐共振现象。此外,分析了等效刚度对发电机转子系统动力学响应的影响,并且研究了不同磁极对数对发电机转子系统动力学响应的影响。（5）飞轮-联轴器转子系统动力学实验研究。以内燃发电机组中实际飞轮-联轴器结构为基准,搭建飞轮-联轴器系统转子实验台。在不同不对中工况下,进行升速扫频实验,记录每个转速下飞轮端和联轴器端的振动数据。分析不对中对飞轮端和联轴器端过临界转速时的影响,与理论结果进行比较,发现实验结果基本验证了理论结果,并在实验中发现飞轮与联轴器振动的新现象。此外,实验还分析了共振和超谐共振对系统振动的影响。总之,本论文以内燃发电机组为研究对象,开展各种故障工况对系统动力学特性的影响,并用实验进行了验证。研究结果可为内燃发电机组后续的研究工作提供了理论基础和求解方法,同时为工程应用提供了一定的理论指导。
杜岩[6]（2020）在《基于时频图像识别的滚动轴承故障诊断方法研究》文中认为滚动轴承是各类机械设备中最常用的关键零部件之一,也是易损零部件。滚动轴承的运行状态直接影响到整台设备的性能及其运行的安全性与可靠性。因此,开展滚动轴承的故障诊断研究,对保障机械设备安全可靠地运行,避免重大及灾难事故的发生具有非常重要的科学意义和工程应用前景。由于运行过程中负载、转速等因素的变化,滚动轴承的振动信号表现出非平稳特性,而且这种非平稳特性会随着故障的发生变得更为明显。相比传统的时域分析和频域分析方法,时频分析能够更好地揭示非平稳信号在时频域中的幅值/能量分布及局部时变特征。因此,采用时频分析构建的振动信号时频图像蕴含了更加丰富的滚动轴承状态信息,通过对时频图像进行深入分析识别,可以更好地实现滚动轴承故障诊断。常见的基于时频图像识别的故障诊断方法大致可分为三类,分别为:基于人工分析的方法、基于传统机器学习的方法和基于深度学习的方法。其中,基于人工分析的方法是由专业人员分析时频图像揭示出的时频域特征来实现故障诊断,而其他两类诊断方法则是采用计算机对时频图像进行自动分类识别实现故障诊断。显然,基于人工分析的方法费时费力,其诊断结果也会受到人的主观因素影响。而且,由于时频图像的精准性会对专业人员的分析判断产生很大的影响,该类方法对时频分析的性能依赖最为严重。其他两类方法能够将专业人员从繁杂的图像分析识别中解放出来,诊断结果也更为客观。但基于人工分析的方法具有对数据量要求很低的优点,而其他两种方法都需要一定的数据量来训练模型,尤其是基于深度学习的方法更是需要大量的数据用于训练。此外,这三类方法的识别率及稳定性都有待进一步提高。总之,三类方法各有优缺点,都还存在一些问题有待进一步研究。本文主要研究工作包括以下三个方面:（1）滚动轴承振动信号时频分析方法研究基于人工分析的方法对时频分析的性能依赖最为严重,而常用时频分析方法存在分析结果不稀疏、分辨率低、受交叉项干扰的问题,为此,提出了一种基于一阶原始对偶算法的稀疏时频分析方法。该方法基于稀疏表示理论构建稀疏时频分析模型,并采用一阶原始对偶算法对模型进行求解。由于该方法本质上是一种线性时频分析方法,且引入了稀疏约束,因此能够获得比传统方法更高的时频分辨率和时频聚集性,且不存在交叉干扰项。对仿真信号的分析结果表明,该方法能克服传统时频分析方法结果不稀疏、分辨率低、交叉项干扰等缺点,且具有更好的去噪能力。利用西储大学轴承数据进行了实验分析,结果表明,相比传统时频分析方法,本文方法能够获得稀疏性更好、时频分辨率和聚集性更高的轴承振动信号时频图像,在准确地反映出信号时频特征的同时也使得故障冲击特征更为明显,为专业人员进行故障诊断提供更精确的信息。（2）基于时频图像纹理特征迁移的滚动轴承故障诊断方法研究针对变工况条件下训练数据和测试数据的特征分布存在差异,导致基于传统机器学习的方法诊断性能下降的问题,提出了一种基于时频图像纹理特征迁移的滚动轴承故障诊断方法。该方法首先采用时频分析将振动信号转换为时频图像,接着提取时频图像的灰度共生矩阵纹理特征作为反映轴承状态的特征向量,之后利用联合分布适配算法将不同工况下的纹理特征映射到低维潜在空间,最后将得到的分布差异小的公共迁移特征作为最近邻分类器的输入,实现对轴承故障的准确诊断。由于采用了联合分布适配算法进行特征迁移学习,该方法能够利用来自一种工况的数据进行训练来实现对其他工况数据的准确分类诊断。利用西储大学轴承数据进行了实验,结果表明该方法能很好地提取出不同工况样本数据的公共迁移特征,从而显着提高变工况条件下的诊断性能。（3）基于深度迁移学习的滚动轴承故障诊断方法研究针对传统深度学习诊断方法在变工况条件下诊断性能出现下降,以及少量单一工况数据无法有效训练深度网络的问题,提出了一种基于深度迁移学习的滚动轴承故障诊断方法。该方法采用时频分析将振动信号转换为时频图像,结合深度迁移学习和残差学习理论提出了一种迁移深度残差卷积神经网络（Transfer Deep Residual Convolutional Neural Networks,TDRCNN）用于自动学习时频图像特征同时完成分类诊断。由于采用了深度迁移学习方法,TDRCNN能够充分利用从来自一种工况（源领域）的大量数据和另一种工况（目标领域）的少量数据中学习到的知识对目标领域数据进行准确分类诊断。此外,残差结构的引入还解决了传统卷积神经网络存在的训练难度大和性能下降问题。采用西储大学轴承数据进行了实验验证,结果表明本文提出的TDRCNN在训练、故障识别、可视化特征聚类与分离方面都优于无迁移网络和没有采用残差结构的迁移网络。同时,实验结果也验证了所提出方法在不同时频分析方法、不同工况差异下的有效性。
田英[7]（2019）在《车轮表面模拟损伤的振动测试与分析研究》文中研究指明随着高速和重载铁路的快速发展,车轮损伤问题变得越来越严重,不仅影响列车乘车舒适性,而且严重会影响列车安全性。因此,开展车轮表面损伤的振动测试和分析,为保障铁路运行安全和可靠性,提供重要的理论支撑和技术指导,具有非常重要的意义。本论文分别模拟车轮表面滚动疲劳损伤、早期损伤、剥离程度、擦伤退化试验,开展了振动测试和分析,实现检测车轮表面损伤。同时开展了现场工况下车轮多边形损伤的振动分析,验证了模拟试验的有效性。探讨了在线检测的方法,为在线检测车轮损伤提供一定借鉴价值。本论文取得的主要成果及结论如下:（1）开展不同切向力条件下车轮表面滚动疲劳损伤和振动特征分析。随着切向力增大,车轮的表面损伤发生变化,由轻微的疲劳裂纹经过起皮过渡到较严重的剥离损伤。利用局部均值分解的多重分形方法,对车轮表面滚动疲劳损伤的振动信号进行分析,区分车轮不同损伤。（2）针对车轮早期损伤信号微弱,难以检测的问题,利用多重分形KPCA和LSSVM的方法,通过共振稀疏分解进行降噪,突出车轮状态信号冲击成分,结合多重分形和核主成分方法,提取了特征集,构建LSSVM车轮早期损伤状态模型,实现了分类和诊断。（3）基于VMD方法具有精度高,收敛速度快等优势,但需要人为设定分解个数参数,提出确定VMD分解个数的方法;结合改进多尺度排列熵的优势,提出改进多尺度排列熵偏均值方法,获得特征信息,结合PSO-ELM进行车轮剥离程度识别,并与遗传优化极限学习机（GA-ELM）、极限学习机（ELM）方法结果对比,识别精度与效率得到提高。（4）利用三种流行学习算法ISOMAP、LLE和LLTSA方法进行高维数据的维数降维,对比获得最优降维结果,利用KELM方法,对车轮擦伤退化进行识别。（5）提出欧式距离和互相关系数相结合优选分量,分别利用EWT和VMD方法进行分解,并计算其最优分量的多尺度模糊熵,对比构建特征向量,输入PSO-ELM,并与PSO-LSSVM进行比较,通过试验室车轮损伤和现场工况下车轮损伤振动分析,验证了模拟试验方法的有效性。
胡越[8]（2019）在《机械系统健康监测的自适应时-频特征增强方法研究》文中指出高端装备制造产业是现代国家的核心竞争力,在战略性新兴产业中占据了重要地位。高端机械装备在运行过程中一般要经历各种复杂苛刻服役环境,如高速、高温、重载等,使得机械装备及其关键部件性能退化,出现故障。重要机械设备故障的发生会带来经济损失和人员伤亡。为了保障机械装备的安全可靠运行,需要准确及时地诊断出其服役过程中出现的故障。本文以先进的健康监测和故障诊断技术为研究目标,以自适应时-频特征增强为主题,针对传统时频方法分析非平稳快时变信号的时频聚集性差、时频脊线提取精度差以及微弱故障特征识别的问题,提出了高阶同步压缩小波变换提高信号时频能量集中程度;提出了自适应时频脊线提取算法,解决多脊线、交叉脊线和间断脊线的提取问题;提出了自适应谱峭度算法,从参数估计角度,自适应估计信号属性,提取微弱故障特征;提出了导波时频特征增强和导波传播模式估计算法实现了导波特征增强和导波混叠模式分离。为了处理非平稳快时变信号,提出了高阶同步压缩小波变换。其核心思想是构建高阶瞬时频率估计算子,通过提高时频平面上每点的瞬时频率估计精度,以达到提高信号时频能量集中程度的目的。根据Plancherel定理给出了该算法的实现格式。构建了高阶同步压缩小波变换的理论框架,给出了方法在时频聚集性、瞬时频率估计精度和信号时域重构精度的数学表达,并进行了详细地证明。多成分非平稳快时变仿真信号、行星齿轮箱实验台信号和工程实际信号验证了方法的有效性。为了估计时频重要参数---时频脊线,提出了自适应时频脊线提取算法。将时频脊线提取问题转为为目标跟踪问题,定义时频脊线目标为生存（转移）、新生和消失三种状态。在跟踪目标之前,先对峰值进行预处理,利用顺序统计滤波器有效地去除噪声干扰和虚假峰值;然后构建权重因子可变的惩罚函数跟踪时频脊线目标。自适应时频脊线提取算法可以有效地解决解决多脊线、交叉脊线和间断脊线的提取问题,对初值不敏感,可以抑制噪声干扰。多脊线仿真信号、交叉间断仿真信号和蝙蝠回声信号验证了方法的有效性。针对微弱故障特征提取问题,以滚动轴承为研究对象,提出了基于参数估计的自适应谱峭度算法。该算法构建了变结构元素的形态滤波器,得到了反映信号模式数量的峰值分布平面;利用大津算法通过分析峰值分布平面得到了频带分解信息;构建了基于Meyer小波的自适应滤波器组分解信号;分析分解频带以提取故障特征。该方法不用设定先验参数,分解个数与分解格式由待分析信号自适应确定,具有灵活的自适应划分格式。仿真信号和实验信号都验证了该算法的有效性。针对导波信号成分复杂、模式混叠问题,基于频散曲线开展了导波模式分离研究。以导波传播的基本理论为出发点,通过分析导波信号时频分布的Hessian矩阵并结合扩散张量理论,提出了特征近似性函数,增强了导波时频特征,有效地解决了由于激励能量低导致的时频特征不明显问题;根据提取的导波频散曲线,通过理论推导将导波模式的分离问题转化为Lasso回归优化问题,实现了多模式的分离。导波模式混叠实验信号和疲劳裂纹损伤实验信号验证了导波时频特征增强算法和导波模式估计算法的有效性。
姜伟[9]（2019）在《水电机组混合智能故障诊断与状态趋势预测方法研究》文中指出随着我国能源结构改革进程的不断推进,大力开发水电能源对构建清洁低碳的能源体系、促进经济社会可持续发展具有重要战略意义。作为水电站能量转换过程的核心设备,水电机组正在向复杂化、巨型化、集成化和智能化的方向发展,其面临的安全可靠运行问题日益突出。“状态维护”概念的提出与应用,为有效降低机组异常或故障发生风险、提升其稳定运行水平提供了一种可行思路。状态监测、故障诊断和趋势预测是状态维护实施过程的三个关键环节。受水力、机械、电气及其他干扰因素的耦合影响,水电机组监测信号呈现明显的非线性和非平稳性特征,故障与征兆间存在复杂的映射关系,对此,传统方法已难以满足当前背景下准确分析机组运行状态的需求。因此,基于水电机组运行特性,研究新的状态分析理论与方法,对提高机组故障诊断与趋势预测精度、保障机组稳定运行具有重要的工程应用价值。为此,本文围绕工程应用中水电机组复杂非平稳信号降噪分析与特征提取、混合故障诊断以及状态趋势预测等关键技术问题,以快速集成经验模态分解、深度学习、流行学习、灰色马尔科夫模型等作为理论基础与技术手段,探究并改进现有方法中存在的理论或应用缺陷,设计提出了若干适用于水电机组非平稳信号分析及状态特征提取方法,发展了基于健康判别与特征约简的多步递进式故障诊断体系,构建了融合滑动窗与灰色马尔科夫理论的状态趋势预测模型,为相关领域研究范式的方法创新与技术进步提供了必要的理论基础,具有一定的研究推广前景与工程应用价值。论文主要研究内容及创新性成果如下:（1）针对能够有效表征水电机组实际运行状态的振动信号易淹没于强烈背景噪声的问题,提出了一种基于自适应奇异值分解（SVD）与固有模态函数（IMFs）重构的水电机组振动信号多级降噪方法。该方法系统融合了SVD和快速集成经验模态分解（FEEMD）在高频噪声抑制和信号自适应处理方面的优点,完成基于初级滤波和次级去噪的两阶段式信号降噪处理。在初级滤波阶段,首先对原始信号进行SVD分解,在深入分析有效奇异值序列对滤波性能影响的基础上,发展了基于相关分析的奇异值自适应选取方法,实现对高频背景噪声的有效滤除;在次级去噪阶段,依据FEEMD原理分解滤波后所得信号,结合所构建基于排列熵的IMFs选择体系,重构有效模态分量以完成信号降噪,显着提升降噪效果。（2）考虑到多源激励耦合干扰下机组运行状态与征兆间映射关系难以准确度量的问题,在统计分析原理及深度学习技术的基础上,研究提出了一种基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法。针对在线判别机组“正常”或“故障”状态的工程实际需求,深入分析了能量熵对于异常或故障发生时非线性振动信号动力学突变行为的表征作用,综合FEEMD对复杂非线性非平稳信号的高效处理优势,设计了基于FEEMD能量熵的水电机组健康状态特征提取方法,快速获取振动信号能量熵特征。进一步,针对故障模式准确识别的需求和单一能量熵特征不足以反映具体故障类型的问题,创造性地构建了一种用于提取故障特征的混合集成自编码器,有效克服了浅层特征学习模型的局限,提升了模型的特征提取能力及学习泛化性能。（3）为科学建立水电机组“正常”与“故障”状态的特征边界,引入数理统计理论,结合历史样本集与能量熵方法,构建了基于能量熵统计分析的机组健康状态在线判别体系,实时分析机组健康状态。进一步,为抑制机组高维故障特征空间存在的信息冗余、敏感特征易淹没等现象,创新性地设计了基于参数化线性映射模式的改进t-分布式随机领域嵌入（M-t SNE）特征约简方法,该方法在提升故障诊断精度、降低计算时耗方面具有显着优势。基于上述分析,为克服传统单步诊断模式在分析复杂故障工况面临的高复杂性、低精度等缺陷,首次提出了一种基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略,将整个诊断过程简化为健康状态检测和故障类型识别两个阶段,符合对机组进行智能诊断的工程实施思路。（4）围绕水电机组状态趋势预测的工程需求,在系统分析机组状态趋势可预测性的基础上,提出了一种基于滑动窗与灰色马尔科夫（Grey-Markov）模型的状态趋势预测方法。该方法完整集成了Grey-Markov预测模型、灰色背景值优化原理以及基于滑动窗的滚动预测机制,探索从模型构造、预测模式、残差修正等角度降低预测误差的方式,有效提升了预测结果的准确性。此外,针对工程应用中对不同预测时间尺度的需求,考虑模型的不同组合策略,创造性地构建了基于串联式、并联式和嵌入式组合机制的水电机组状态趋势混合预测模型,设计了对应的机组状态趋势组合预测流程,在保证预测精度的同时最大程度提升计算效率,为制定合理的机组维护计划提供相应指导。
黄文艺[10]（2019）在《基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估》文中研究指明旋转机械故障诊断技术对于实际工程安全保障有重要意义,其关键在于故障特征的有效性。传统特征提取方法主要依赖于专家知识和信号处理技术。然而,在处理复杂工况下的机械振动信号时,基于传统方法的特征对故障的敏感度不稳定,缺乏对特征的自适应优化。自主特征提取方法是一种新型的特征提取方法,与传统特征提取方法不同的是该方法将原始信号进行多次转换且转换后的数据能够最优地逼近原始数据,从转换后的数据中提取典型特征作为信号自适应特征。但对于不同诊断目标的自主特征提取方法在模型的选取和物理意义等方面的研究仍然存在不足,其理论需进一步完善。此外,在旋转机械实际服役过程中工况往往是变转速变载荷的,由运行工况对特征层面的影响很容易淹没由故障引起的特征变化,因此提取故障特征存在困难。综上,对于不同工况下不同特征提取方法的理论研究和实际应用仍需要进一步探索。论文在国家自然科学基金项目（编号:51575168、51875183）的资助下,分别对特征优化和特征自主学习方法在恒定工况与变工况下的旋转机械故障诊断与性能退化评估中的应用进行了研究和改进,并将其应用于滚动轴承故障诊断与性能退化评估中。论文主要研究工作和创新性成果有:（1）针对轴承全寿命数据中处于健康状态的样本过于冗长,影响对特征有效性分析的问题,提出有限特征样本判定（Limited Feature Sample Selection,LFSS）方法用于早期故障敏感样本的提取。此外,针对基于蝙蝠二进制（Binary Bat Algorithm,BBA）算法的特征选择方法存在易陷入局部最优的缺陷,提出了反馈搜索二进制蝙蝠算法（Feedback Seeking Binary Bat Algorithm,FSBBA）。该算法通过增加猎物品质对蝙蝠速度影响有效提高了算法的全局搜索能力。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。（2）针对变工况下传统特征无法准确表征故障,提出了基于冗余属性投影（Nuisance Attribute Projection,NAP）的祛工况投影方法。首先,通过分析不同转速下的轴承仿真信号验证了NAP能有效祛除特征域中的工况信息;其次,通过分析不同转速下轴承的不同故障模式实测信号和不同故障程度仿真信号验证了NAP投影后的特征仍保留故障模式信息与故障程度信息;最后,变工况下的滚动轴承全寿命实验再次验证了NAP的祛工况能力。同时,通过对比分析基于排列互信息（Ranking Mutual Information,RMI）的特征选择方法与NAP方法的应用顺序对滚动轴承性能退化评估结果的影响可以推测在故障诊断中NAP方法应在特征选择方法前使用。（3）引入深度学习模型应用于恒定工况下旋转机械性能退化评估,提出了基于卷积稀疏组合学习（Convolutional SparseCombination Learning,CSCL）的滚动轴承性能退化评估方法。将深度学习中的卷积稀疏编码方法与组合学习方法结合用于恒定工况下滚动轴承的特征提取。通过分析CSCL在不同故障程度的轴承仿真信号中稀疏解和重构信号的变化,揭示了子字典中故障相关原子的激活能量会随着故障程度的加深而增加,而基于稀疏解的重构误差则会减少。结合以上两者的变化,提出了基于原子激活能量和重构误差的性能退化指标。将CSCL算法运用至滚动轴承全寿命数据中,评估结果验证了该方法比传统方法更具优势。同时,对比实验证明了组合学习能够达到提高了模型计算的实时性与对性能退化评估结果进行优化的目的。（4）引入深度学习模型应用于恒定工况下旋转机械故障诊断,提出了基于多尺度级联卷积神经网络（Multiscale CascadeConvolutional Neural Network,MC-CNN）的滚动轴承故障智能识别方法。MC-CNN方法是一种对输入进行信息增强的改进卷积神经网络算法,其模型结构是在原始卷积神经网络（Convolutional Neural Network,CNN）的首层增加一层多尺度级联层,通过将原始信号与不同长度的卷积核进行卷积运算并将输出结果串接以构造一个具有更多可分辨信息的级联信号。通过对正常和噪声环境下的四类轴承故障信号进行分类,验证MC-CNN的有效性且识别效果优于原始CNN。深度分析多尺度级联层中的卷积核可以发现不同尺度卷积核的作用是挖掘不同频率分辨率下不同故障模式在频率中的差异。最后,通过对比原始CNN与MC-CNN的T-分布随机邻域嵌入（T-distributed Stochastic Neighbor Embedding,T-SNE）聚类效果进一步验证了所提方法的有效性。（5）引入深度学习模型应用于变工况下旋转机械故障诊断,提出了基于小波时频图和二维MC-CNN的变工况下滚动轴承故障诊断方法。由于变工况下相同故障模式造成时频域的敏感频带虽然会随转速变化发生偏移、随载荷变化引起能量变化,但其形状基本不变。因此,基于时频图与具有平移不变性的二维卷积神经网络的变工况下滚动轴承故障诊断方法是合理的。与一维MC-CNN的思路一致,为了对时频图进行信息增强,将不同尺度的卷积核与时频图进行卷积后进行拼接得到多尺度级联图作为卷积层的输入。实验证明基于小波时频图与二维MC-CNN的故障诊断方法不仅能提取故障相关特征,且相比其他方法对工况具有更高的泛化能力和鲁棒性。
二、裂纹转子识别中Wigner-Ville分布与小波变换的比较（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、裂纹转子识别中Wigner-Ville分布与小波变换的比较（论文提纲范文）
（1）齿轮传动系统复合故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的意义 |
| 1.2 国内外研究现状 |
| 1.3 齿轮和轴承的失效形式与信号特征 |
| 1.3.1 齿轮的失效形式与信号特征 |
| 1.3.2 轴承的失效形式与信号特征 |
| 1.4 齿轮传动系统故障诊断方法 |
| 1.4.1 基于振动信号的齿轮传动系统故障诊断方法 |
| 1.4.2 基于电流分析的故障诊断方法 |
| 1.4.3 基于声音信号的故障诊断方法 |
| 1.4.4 基于声发射的故障诊断方法 |
| 1.5 研究现状总结 |
| 1.6 本文的研究思路和研究内容 |
| 1.6.1 本文研究思路 |
| 1.6.2 本文研究内容 |
| 第2章 基于动力学模型的多级齿轮系统复合故障分析 |
| 2.1 齿轮故障试验台 |
| 2.2 时变啮合刚度 |
| 2.2.1 正常状态齿轮啮合刚度 |
| 2.2.2 齿轮裂纹故障啮合刚度计算 |
| 2.2.3 齿轮断齿故障啮合刚度计算 |
| 2.2.4 时变啮合刚度计算 |
| 2.3 齿轮传动系统传动系统动力学模型 |
| 2.4 动力学模型的仿真结果及分析 |
| 2.4.1 正常状态下的齿轮传动系统动力学分析 |
| 2.4.2 复合故障状态下的齿轮传动系统动力学分析 |
| 2.5 本章小结 |
| 第3章 基于EWT-MCKD的齿轮传动系统复合故障诊断方法 |
| 3.1 经验小波变换理论 |
| 3.1.1 EWT方法基本原理 |
| 3.1.2 EWT尺度函数与小波函数 |
| 3.2 MCKD方法 |
| 3.2.1 MCKD基本原理 |
| 3.2.2 MCKD参数选择 |
| 3.3 EWT-MCKD故障诊断方法 |
| 3.3.1 EWT-MCKD方法 |
| 3.3.2 仿真信号验证 |
| 3.3.3 实测信号验证 |
| 3.4 本章小结 |
| 第4章 基于QGA的 MCKD参数自适应选择方法 |
| 4.1 量子遗传算法理论 |
| 4.2 QGA-MCKD复合故障诊断方法 |
| 4.3 基于QGA-MCKD的仿真信号分析 |
| 4.4 基于QGA-MCKD的实测信号分析 |
| 4.4.1 行星轮断齿和轴承滚动体损伤复合故障的诊断 |
| 4.4.2 行星齿轮磨损和轴承外圈损伤复合故障的诊断 |
| 4.5 本章小结 |
| 第5章 基于Wilcoxon秩和检验-最大幅值选择法的齿轮传动系统故障诊断 |
| 5.1 Wilcoxon秩和检验-最大幅值选择法简介 |
| 5.2 基于WTMAS的齿轮传动系统故障诊断方法步骤 |
| 5.2.1 基于WTMAS的齿轮传动系统故障诊断方法的整体流程 |
| 5.2.2 数据采集 |
| 5.2.3 数据预处理 |
| 5.2.4 特征提取和分类 |
| 5.3 试验设计 |
| 5.4 实测信号分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）基于树形搜索和模糊关联特征向量的联合滚动轴承故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 选题目的和意义 |
| 1.3 滚动轴承故障诊断现状研究 |
| 1.3.1 故障机理研究 |
| 1.3.2 故障特征的获取方法研究 |
| 1.3.2.1 基于频域的特征提取 |
| 1.3.2.2 基于时域的特征提取 |
| 1.3.2.3 基于时频的特征提取 |
| 1.3.3 特征选择方法研究及其应用现状 |
| 1.3.3.1 搜索策略 |
| 1.3.3.2 评价准则 |
| 1.3.4 滚动轴承故障识别方法研究及其应用现状 |
| 1.4 论文研究内容 |
| 第二章 经验模态分解(EMD)方法研究 |
| 2.1 瞬时频率和本征模态函数 |
| 2.1.1 瞬时频率 |
| 2.1.2 本征模态函数 |
| 2.2 EMD算法的分解信号过程 |
| 2.3 仿真分析 |
| 2.4 本章小结 |
| 第三章 特征选择和模糊关联特征向量的提取模型 |
| 3.1 启发树特征选择 |
| 3.1.1 特征评价 |
| 3.1.2 启发树特征选择 |
| 3.1.3 基于平均欧拉距离的特征集评价 |
| 3.2 模糊关联特征向量 |
| 3.2.1 模糊集理论 |
| 3.2.1.1 模糊数学的相关理论 |
| 3.2.1.2 模糊集合的表现形式 |
| 3.2.1.3 隶属度的构造方法 |
| 3.2.2 FS-DFV |
| 3.2.3 滚动轴承故障FS-DFV提取 |
| 3.2.3.1 特征提取树 |
| 3.2.3.2 FS-DFV提取 |
| 3.3 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 故障数据及其诊断流程图 |
| 4.1.1 概率神经网络 |
| 4.1.1.1 概率密度函数 |
| 4.1.1.2 贝叶斯理论 |
| 4.1.1.3 概率神经网络的结构 |
| 4.1.2 故障数据 |
| 4.1.3 故障诊断实验流程 |
| 4.2 故障诊断 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（3）基于声发射信号处理的风力机叶片损伤演化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 疲劳损伤演化研究现状 |
| 1.3.2 风力机叶片监测技术的发展与应用 |
| 1.3.3 声发射信号处理的研究现状 |
| 1.4 研究内容 |
| 第2章 GFRP复合材料疲劳损伤演化的理论基础 |
| 2.1 复合材料疲劳损伤力学 |
| 2.2 声发射能量耗散模型 |
| 2.2.1 疲劳损伤能量耗散理论 |
| 2.2.2 不同损伤阶段的能量耗散规律分析 |
| 2.2.3 声发射能量耗散半经验模型 |
| 2.3 声发射信号在复合材料中的传播 |
| 2.3.1 弹性应力波理论 |
| 2.3.2 Lamb波理论 |
| 2.3.3 非线性Lamb波频散控制方程 |
| 2.3.4 不同损伤程度对Lamb波的影响 |
| 2.4 本章小结 |
| 第3章 叶片主梁工艺缺陷损伤演化的AE信号特征分析 |
| 3.1 风力机叶片主梁的制造工艺缺陷 |
| 3.2 GFRP复合材料层合板声发射实验 |
| 3.2.1 试件制备 |
| 3.2.2 声发射监测系统 |
| 3.2.3 声发射实验方法 |
| 3.3 AE信号的K-means聚类分析 |
| 3.4 分层缺陷的声发射特征分析 |
| 3.5 褶皱缺陷的声发射特征分析 |
| 3.6 不同缺陷试件的损伤机制分析 |
| 3.7 本章小结 |
| 第4章 基于盲源分离的褶皱缺陷损伤演化特征提取 |
| 4.1 AE信号的盲源分离处理方法 |
| 4.1.1 褶皱缺陷AE信号的混叠特性分析 |
| 4.1.2 卷积混合模型 |
| 4.1.3 盲源分离性能指标改进方法 |
| 4.1.4 估计性能指标构造自适应步长函数 |
| 4.1.5 信号仿真分析 |
| 4.2 基于K-means聚类的欠定盲分离算法 |
| 4.2.1 K-means欠定盲分离算法 |
| 4.2.2 改进K-means聚类算法 |
| 4.2.3 信号仿真模拟 |
| 4.3 褶皱缺陷损伤演化的AE信号特征提取 |
| 4.3.1 疲劳试验和AE信号采集 |
| 4.3.2 AE信号的盲分离处理 |
| 4.3.3 微观形貌分析 |
| 4.4 基于声能耗散模型的褶皱缺陷损伤演化分析 |
| 4.5 本章小结 |
| 第5章 分层缺陷损伤识别的时频分析方法 |
| 5.1 双线性时频分析方法 |
| 5.1.1 WVD时频分布原理及不足 |
| 5.1.2 WVD时频分布交叉项抑制 |
| 5.2 AVMD-WVD时频分析方法 |
| 5.2.1 VMD算法理论 |
| 5.2.2 VMD-WVD自适应改进方法 |
| 5.2.3 谱相关分析 |
| 5.3 疲劳实验与AE信号处理 |
| 5.3.1 实验数据采集 |
| 5.3.2 分解信号算法对比 |
| 5.3.3 AE频率特征对比与验证 |
| 5.3.4 分层缺陷损伤演化机理分析 |
| 5.4 微观形貌分析 |
| 5.5 本章小结 |
| 第6章 基于神经网络的失稳状态识别和预测 |
| 6.1 BP神经网络概述 |
| 6.1.1 BP神经元基本原理 |
| 6.1.2 BP神经网络算法 |
| 6.1.3 BP神经网络的优势与不足 |
| 6.2 神经网络参数设置 |
| 6.2.1 神经网络学习速率 |
| 6.2.2 神经网络期望误差 |
| 6.2.3 神经网络激励函数选取 |
| 6.2.4 神经网络隐含层数设定 |
| 6.3 神经网络预测模型的建立 |
| 6.3.1 失稳破坏前兆特征提取 |
| 6.3.2 失稳破坏前兆预测模型 |
| 6.4 失稳破坏前兆识别与预测 |
| 6.4.1 实验数据采集 |
| 6.4.2 实验数据处理 |
| 6.4.3 预测结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论和创新点 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）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 |
（5）内燃发电机组转子故障动力学特性的理论与实验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 内燃机曲轴扭转振动动力学研究 |
| 1.2.2 联轴器不对中故障研究 |
| 1.2.3 碰摩故障研究 |
| 1.2.4 时频分析法 |
| 1.2.5 发电机转子系统动力学研究 |
| 1.3 本文的主要研究内容 |
| 第二章 柴油发电机组轴系扭转振动 |
| 2.1 引言 |
| 2.2 曲轴模型 |
| 2.2.1 燃气压力引起的力矩 |
| 2.2.2 曲轴连杆机构惯性力引起的力矩 |
| 2.3 数值计算与讨论 |
| 2.3.1 柴油机曲轴自由端的扭转振动 |
| 2.3.2 联轴器的扭转振动 |
| 2.4 本章小结 |
| 第三章 柴油发电机组扭转振动实验 |
| 3.1 引言 |
| 3.2 实验台及参数 |
| 3.2.1 测试设备 |
| 3.2.2 数据采集系统 |
| 3.3 实验数据处理 |
| 3.3.1 自由端的扭转振动 |
| 3.3.2 联轴器输出端的动态扭矩测量 |
| 3.4 小结 |
| 第四章 不对中-碰摩耦合故障飞轮/联轴器系统瞬时动力学分析 |
| 4.1 引言 |
| 4.2 飞轮-联轴器转子系统建模 |
| 4.2.1 角度不对中产生的弯矩 |
| 4.2.2 碰摩力 |
| 4.3 时频分析方法 |
| 4.3.1 平滑伪Wigner-Ville (SPWV)分布 |
| 4.3.2 小波分析 |
| 4.4 数值计算与讨论 |
| 4.4.1 不对中故障 |
| 4.4.2 碰摩故障 |
| 4.4.3 含不对中碰摩故障研究 |
| 4.5 小结 |
| 第五章 不对中故障对发电机转子动力学的影响分析 |
| 5.1 引言 |
| 5.2 不平衡磁拉力 |
| 5.3 平行不对中 |
| 5.4 角度不对中 |
| 5.5 转子系统理论模型 |
| 5.6 数值计算与分析 |
| 5.6.1 平行不对中故障对发电机主共振的影响 |
| 5.6.2 角度不对中故障对发电机主共振的影响 |
| 5.6.3 等效刚度系数对发电机主共振的影响 |
| 5.7 小结 |
| 第六章 联轴器不对中故障实验研究 |
| 6.1 引言 |
| 6.2 实验台介绍 |
| 6.3 实验内容 |
| 6.3.1 平行不对中时的主共振响应 |
| 6.3.2 平行不对中时的稳态响应 |
| 6.3.3 角度不对中时的主共振响应 |
| 6.3.4 角度不对中时的稳态响应 |
| 6.3.5 超谐共振响应 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 本文创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）基于时频图像识别的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 机械设备故障诊断概述 |
| 1.2.1 机械设备故障诊断的发展概述 |
| 1.2.2 机械设备故障诊断技术研究内容 |
| 1.2.3 机械故障诊断的时频图像识别方法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 时频分析方法研究现状 |
| 1.3.2 时频图像特征提取研究现状 |
| 1.3.3 故障模式识别方法研究现状 |
| 1.4 现有研究存在的问题 |
| 1.5 研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 1.6 论文结构安排 |
| 2 理论基础 |
| 2.1 滚动轴承振动机理 |
| 2.1.1 滚动轴承基本参数 |
| 2.1.2 滚动轴承的故障失效 |
| 2.1.3 滚动轴承振动机理 |
| 2.1.4 小结 |
| 2.2 迁移学习基本理论 |
| 2.2.1 概述 |
| 2.2.2 领域自适应 |
| 2.2.3 深度迁移学习 |
| 2.3 深度学习基本理论 |
| 2.3.1 概述 |
| 2.3.2 人工神经网络 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 3 滚动轴承振动信号时频分析方法 |
| 3.1 引言 |
| 3.2 传统时频分析方法 |
| 3.2.1 线性时频分析方法 |
| 3.2.2 非线性时频分析方法 |
| 3.3 稀疏时频分析方法 |
| 3.3.1 稀疏表示理论 |
| 3.3.2 稀疏时频分析模型 |
| 3.3.3 稀疏时频分析模型求解 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.5.1 数据来源 |
| 3.5.2 振动信号分析 |
| 3.5.3 时频分析方法对比分析 |
| 3.6 本章小结 |
| 4 基于时频图像纹理特征迁移的滚动轴承故障诊断 |
| 4.1 引言 |
| 4.2 灰度共生矩阵纹理特征提取 |
| 4.3 联合分布适配 |
| 4.4 基于时频图像纹理特征迁移的故障诊断方法 |
| 4.5 实验分析 |
| 4.5.1 基于时频图像纹理特征的故障诊断实验分析 |
| 4.5.2 基于时频图像纹理特征迁移的故障诊断实验分析 |
| 4.6 本章小结 |
| 5 基于深度迁移学习的滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 残差学习 |
| 5.3 基于迁移深度残差卷积神经网络的故障诊断方法 |
| 5.3.1 深度残差卷积神经网络 |
| 5.3.2 迁移深度残差卷积神经网络(TDRCNN) |
| 5.3.3 基于TDRCNN的故障诊断方法 |
| 5.4 实验分析 |
| 5.4.1 单个迁移任务实验分析 |
| 5.4.2 不同工况差异的迁移任务实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）车轮表面模拟损伤的振动测试与分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 世界铁路发展概况 |
| 1.1.1 英国铁路发展 |
| 1.1.2 法国铁路发展 |
| 1.1.3 德国铁路发展 |
| 1.1.4 日本铁路发展 |
| 1.1.5 中国铁路发展 |
| 1.2 铁路的发展方向 |
| 1.2.1 铁路的高速化 |
| 1.2.2 铁路的重载化 |
| 1.3 列车车轮表面损伤 |
| 1.3.1 车轮类型 |
| 1.3.2 车轮损伤类型 |
| 1.4 车轮损伤检测研究现状 |
| 1.4.1 车轮损伤检测方法 |
| 1.4.2 振动信号处理方法 |
| 1.4.3 模式识别方法 |
| 1.5 本文的研究意义和研究内容 |
| 1.5.1 研究意义 |
| 1.5.2 研究内容 |
| 第2章 模拟试验简介 |
| 2.1 轮轨模拟试验机简介 |
| 2.2 试验参数的确定 |
| 2.2.1 模拟轮轨的垂向力确定 |
| 2.2.2 模拟轨转速确定 |
| 2.3 试验材料的取用 |
| 2.4 试验数据采集系统 |
| 2.4.1 传感器 |
| 2.4.2 集成式数据采集设备 |
| 2.5 试验形貌表征设备 |
| 2.6 试验的主要过程 |
| 第3章 车轮表面滚动疲劳损伤和振动特征分析 |
| 3.1 试验参数 |
| 3.2 局部均值分解的多重分形方法 |
| 3.2.1 局部均值分解 |
| 3.2.2 多重分形 |
| 3.3 车轮表面形貌分析 |
| 3.4 车轮表面滚动疲劳损伤振动特征分析 |
| 3.5 本章小结 |
| 第4章 车轮表面早期损伤检测试验分析 |
| 4.1 试验参数 |
| 4.2 基于可调品质因子的共振稀疏分解 |
| 4.2.1 基本理论 |
| 4.2.2 参数选择 |
| 4.3 LSSVM方法 |
| 4.4 车轮早期损伤检测与振动分析 |
| 4.5 本章小结 |
| 第5章 车轮剥离程度检测试验分析 |
| 5.1 试验参数 |
| 5.2 自适应变分模态分解 |
| 5.2.1 变分模态分解基本理论 |
| 5.2.2 自适应VMD方法 |
| 5.3 改进多尺度排列熵偏均值 |
| 5.3.1 多尺度熵 |
| 5.3.2 多尺度排列熵 |
| 5.3.3 改进多尺度排列熵偏均值 |
| 5.4 粒子群优化极限学习机 |
| 5.4.1 粒子群算法 |
| 5.4.2 极限学习机 |
| 5.5 车轮剥离损伤程度检测与振动分析 |
| 5.6 本章小结 |
| 第6章 车轮擦伤退化检测试验分析 |
| 6.1 试验参数 |
| 6.2 流行学习 |
| 6.2.1 等距映射流形算法 |
| 6.2.2 局部线性嵌入算法 |
| 6.2.3 线性局部切空间排列算法 |
| 6.3 车轮表面擦伤退化检测与振动分析 |
| 6.4 本章小结 |
| 第7章 车轮多边形损伤检测试验分析 |
| 7.1 试验参数 |
| 7.2 经验小波分解 |
| 7.3 多尺度模糊熵 |
| 7.3.1 模糊熵 |
| 7.3.2 多尺度模糊熵 |
| 7.4 车轮多边形损伤检测与振动分析 |
| 7.5 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的学术成果 |
（8）机械系统健康监测的自适应时-频特征增强方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时频分析方法的现状 |
| 1.2.2 时频脊线提取方法的现状 |
| 1.2.3 时频分析在机械故障诊断应用的现状 |
| 1.2.4 微弱故障特征提取方法的现状 |
| 1.2.5 时频分析方法及其健康监测应用中面临的问题 |
| 1.3 本文研究工作 |
| 第二章 高阶同步压缩小波变换 |
| 2.1 引言 |
| 2.2 同步压缩变换原理 |
| 2.3 高阶同步压缩小波变换原理 |
| 2.4 高阶同步压缩小波变换理论分析 |
| 2.5 高阶同步压缩小波变换性质证明 |
| 2.6 高阶同步压缩小波变换算法实现 |
| 2.7 仿真分析与应用研究 |
| 2.7.1 仿真分析 |
| 2.7.2 应用研究 |
| 2.8 本章小结 |
| 第三章 自适应时频脊线提取算法 |
| 3.1 引言 |
| 3.2 传统时频脊线提取算法回顾 |
| 3.2.1 直接最大值脊线提取算法 |
| 3.2.2 惩罚函数脊线提取算法 |
| 3.2.3 动态路径优化算法 |
| 3.3 自适应时频脊线提取算法原理 |
| 3.3.1 计算潜在峰值 |
| 3.3.2 跟踪脊线目标 |
| 3.4 仿真分析与应用研究 |
| 3.4.1 多脊线提取验证 |
| 3.4.2 交叉间断脊线提取验证 |
| 3.4.3 实际信号脊线提取验证 |
| 3.5 本章小结 |
| 第四章 自适应谱峭度算法 |
| 4.1 引言 |
| 4.2 谱峭度回顾 |
| 4.3 自适应谱峭度 |
| 4.3.1 基于形态学滤波器计算峰值分布平面 |
| 4.3.2 基于大津算法的阈值挑选 |
| 4.3.3 基于Meyer小波的滤波器组 |
| 4.4 仿真分析与应用研究 |
| 4.4.1 仿真分析 |
| 4.4.2 应用研究 |
| 4.5 本章小结 |
| 第五章 导波模式分离研究 |
| 5.1 引言 |
| 5.2 导波基本理论 |
| 5.3 导波时频特征增强算法 |
| 5.4 导波传播模式估计算法 |
| 5.5 应用研究 |
| 5.5.1 Lamb波模式混叠信号分析 |
| 5.5.2 疲劳裂纹损伤信号分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 本文的创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间成果 |
| 附录 高阶同步压缩小波变换性质引理证明 |
| 致谢 |
（9）水电机组混合智能故障诊断与状态趋势预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 水电机组振动故障机理分析 |
| 1.3 振动信号时频分析方法概述 |
| 1.4 振动信号特征提取与高维特征约简方法概述 |
| 1.5 水电机组故障诊断方法研究综述 |
| 1.6 水电机组状态趋势预测方法研究综述 |
| 1.7 本文主要研究内容与章节安排 |
| 2 基于自适应SVD与 IMFs重构的水电机组振动信号多级降噪方法 |
| 2.1 引言 |
| 2.2 自适应SVD滤波 |
| 2.3 IMFs重构降噪 |
| 2.4 基于自适应SVD与 IMFs重构的水电机组振动信号多级降噪 |
| 2.5 水电机组振动信号降噪实例分析 |
| 2.6 本章小结 |
| 3 基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法.. |
| 3.1 引言 |
| 3.2 基于FEEMD固有模态函数能量熵的健康状态特征提取方法 |
| 3.3 自编码器基本原理 |
| 3.4 混合集成自编码器设计及其在故障状态特征提取中的应用 |
| 3.5 水电机组状态特征提取实例分析 |
| 3.6 本章小结 |
| 4 基于能量熵判别与深度特征约简的水电机组混合故障诊断策略 |
| 4.1 引言 |
| 4.2 基于能量熵统计分析的健康状态判别体系 |
| 4.3 改进t-SNE映射机制的深度故障特征约简方法 |
| 4.4 基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略 |
| 4.5 诊断实例分析 |
| 4.6 本章小结 |
| 5 融合滑动窗与Grey-Markov模型的水电机组运行状态趋势预测方法 |
| 5.1 引言 |
| 5.2 水电机组运行状态趋势预测可行性分析 |
| 5.3 Grey-Markov预测模型 |
| 5.4 预测误差来源分析及模型优化思路 |
| 5.5 融合滑动窗与Grey-Markov模型的水电机组状态趋势组合预测方法 |
| 5.6 水电机组运行状态趋势预测实例分析 |
| 5.7 本章小结 |
| 6 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 :攻读博士期间发表的论文 |
| 附录2 :攻读博士期间完成和参与的科研项目 |
| 附录3 :与导师合作申请的发明专利 |
| 附录4 :攻读博士期间所获奖励 |
（10）基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语一览表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于振动信号的旋转故障诊断研究现状 |
| 1.2.1 传统信号特征提取方法 |
| 1.2.2 基于特征优化方法的旋转机械故障诊断与性能退化评估 |
| 1.2.3 基于特征自主学习的旋转机械故障诊断与性能退化评估 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 课题来源与问题提出 |
| 1.3.2 研究内容和技术路线 |
| 1.3.3 论文的章节安排 |
| 第2章 基于LFSS与 FSBBA特征优化的恒定工况滚动轴承性能退化评估 |
| 2.1 引言 |
| 2.2 基于LFSS与 FSBBA的特征选择方法 |
| 2.2.1 基于LFSS的早期样本选择 |
| 2.2.2 基于FSBBA的特征选择 |
| 2.2.3 BBA与 FSBBA的性能比较 |
| 2.3 基于LFSS与 FSBBA的滚动轴承性能退化评估模型 |
| 2.4 LFSS与 FSBBA在滚动轴承性能退化评估中的应用 |
| 2.5 本章小结 |
| 第3章 基于NAP特征优化的变工况滚动轴承故障诊断与性能退化评估 |
| 3.1 引言 |
| 3.2 NAP方法 |
| 3.3 仿真信号分析 |
| 3.4 实测信号分析 |
| 3.5 基于NAP特征的滚动轴承故障诊断 |
| 3.6 基于NAP特征的滚动轴承故障定量诊断与性能退化评估 |
| 3.6.1 不同故障程度的轴承信号分析 |
| 3.6.2 轴承全寿命信号分析 |
| 3.7 NAP与 RMI的应用顺序分析 |
| 3.8 本章小结 |
| 第4章 基于CSCL特征自主学习的恒定工况滚动轴承性能退化评估 |
| 4.1 引言 |
| 4.2 CSCL方法 |
| 4.2.1 CSC方法 |
| 4.2.2 ADMM方法 |
| 4.2.3 CL方法 |
| 4.2.4 自适应阈值 |
| 4.3 基于CSCL的滚动轴承性能退化评估方法 |
| 4.3.1 训练阶段 |
| 4.3.2 测试阶段 |
| 4.4 CSCL在滚动轴承性能退化评估中的应用 |
| 4.4.1 训练模型的建立与验证 |
| 4.4.2 滚动轴承性能退化评估 |
| 4.4.3 性能退化评估方法比较 |
| 4.4.4 组合学习与单字典学习的耗时比较 |
| 4.5 本章小结 |
| 第5章 基于一维MC-CNN特征自主学习的恒定工况滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 CNN的结构 |
| 5.2.2 CNN的训练技巧 |
| 5.3 MC-CNN方法 |
| 5.3.1 MC-CNN模型 |
| 5.3.2 MC-CNN的训练 |
| 5.4 基于MC-CNN的滚动轴承故障诊断 |
| 5.4.1 不同训练样本集的故障诊断结果与比较 |
| 5.4.2 基于MC-CNN的滚动轴承故障诊断结果分析 |
| 5.4.3 不同噪声信号的故障诊断结果与比较 |
| 5.5 本章小结 |
| 第6章 基于二维MC-CNN特征自主学习的变工况滚动轴承故障诊断 |
| 6.1 引言 |
| 6.2 小波时频分析理论 |
| 6.3 二维MC-CNN |
| 6.4 基于小波时频图和二维MC-CNN的变工况滚动轴承故障诊断 |
| 6.5 实验信号分析 |
| 6.5.1 实验介绍 |
| 6.5.2 网络超参数设置 |
| 6.5.3 诊断结果分析 |
| 6.5.4 诊断结果对比 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表和录用的论文目录 |
| 附录 B 攻读学位期间参与的科研项目 |
四、裂纹转子识别中Wigner-Ville分布与小波变换的比较（论文参考文献）
- [1]齿轮传动系统复合故障诊断技术研究[D]. 吕轩. 燕山大学, 2020(07)
- [2]基于树形搜索和模糊关联特征向量的联合滚动轴承故障诊断[D]. 刘雄. 华东交通大学, 2020(03)
- [3]基于声发射信号处理的风力机叶片损伤演化研究[D]. 张亚楠. 沈阳工业大学, 2020
- [4]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)
- [5]内燃发电机组转子故障动力学特性的理论与实验研究[D]. 刘志伟. 天津大学, 2020(01)
- [6]基于时频图像识别的滚动轴承故障诊断方法研究[D]. 杜岩. 中国矿业大学(北京), 2020(01)
- [7]车轮表面模拟损伤的振动测试与分析研究[D]. 田英. 西南交通大学, 2019
- [8]机械系统健康监测的自适应时-频特征增强方法研究[D]. 胡越. 上海交通大学, 2019(06)
- [9]水电机组混合智能故障诊断与状态趋势预测方法研究[D]. 姜伟. 华中科技大学, 2019(01)
- [10]基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估[D]. 黄文艺. 湖南大学, 2019