一、基于时序模型参数的距离判别函数在机械故障诊断中的应用（论文文献综述）
杨静[1]（2020）在《旋转机械早期故障诊断关键技术研究》文中认为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。
雷兵[2]（2020）在《滚动轴承可拓智能诊断与性能退化评估》文中研究指明随着现代机械设备的快速发展,机械结构日趋复杂化,机械设备在服役过程中,零部件的运行状态是一个从正常状态到失效的过程。滚动轴承作为旋转机械重要且极易损坏零部件,其运行状态健康与否将影响着整个设备的稳定和安全,因此,有效的滚动轴承故障诊断方法和性能退化评估需求尤为迫切。研究滚动轴承的故障诊断和性能退化评估,对提高机械的工作效率、节约维护成本具有十分重要的意义;而且如果能够实时监测轴承的运行状态就可以预防轴承故障的发生,从而避免或减少不必要的经济损失。本文以滚动轴承为研究对象,采用自回归模型（AR）的方法对滚动轴承的振动信号进行特征提取,然后用Fisher比进行特征选择,最后再用可拓学理论对滚动轴承故障智能诊断和性能退化评估,具体工作内容如下:（1）针对传统的时域特征提取方法存在提取特征信息困难、监测效果不足等问题,本文对滚动轴承不同健康状态类别数据建立AR模型,并提取AR模型的系数和残差作为特征,然后用Fisher比对特征进行选择,最后将选择后的特征组成的特征向量输入到模式识别的可拓模型中进行故障智能诊断,并通过实验加以验证。（2）可拓学虽然在解决矛盾问题方面具有独特优势,但目前研究还在探索阶段,理论体系不够完善,对于复杂的非线性问题也没有有效的解决方案,而神经网络是处理非线性问题的主要工具。针对可拓学在故障诊断中不足,本文在传统可拓学的基础上进行改进,将可拓学与神经网络相结合,充分发挥各自的优势。因此,提出基于可拓神经网络的滚动轴承故障智能诊断,首先对滚动轴承振动数据建立AR模型,提取AR模型的系数和残差,并以其作为特征,然后用Fisher比对特征进行选择,最后将最终选择后的特征组成的特征向量输入到可拓神经网络中进行故障诊断识别,并对所提方法进行实验验证。（3）将可拓理论引入轴承性能退化评估。并利用AR和Fisher比值构成特征向量,将这些特征向量提供给用轴承正常状态样本训练的可拓模型。被测样本与正常条件下的可拓模型之间的相关程度,有望描述与正常条件下的相似性,从而作为健康指标。通过经验模型分解（EMD）和希尔伯特变换,进一步验证了所提出的健康指数对实验数据的最早期故障检测。
梅亚辉[3]（2020）在《基于时序分析方法与排列熵的结构非线性损伤识别研究》文中研究表明构造损伤敏感因子（Damage Sensitive Factor,DSF）是结构损伤检测的关键一步。基于自回归条件异方差（ARCH）模型拟合新息序列标准差指标（Standard Deviation of Innovation,SDI）和新息序列排列熵指标（Permutation Entropy of Innovation,PEI）作为非线性损伤识别因子,并通过三层建筑结构实验数据和六层剪切结构数值模拟数据验证其有效性,并与基于AR模型拟合的残差标准差指标（Standard Deviation of Residual,SDR）和残差排列熵指标（Permutation Entropy of Residual,PER）的识别效果进行对比。重点通过正态概率分布和拟合分析检验线性时序AR模型和非线性时序ARCH模型对振动响应数据的拟合程度,分析原始数据序列及对应得到的残差序列和新息序列的特征;并利用损失函数法,选用均方误差（Mean Square Error,MSE）作为损伤函数来确定AR模型残差序列和ARCH模型新息序列损伤函数值的大小,证明基于新息序列的结构非线性损伤特征因子在表达结构非线性损伤特征上的优势。该方法首先对基准及待检状态振动响应数据建立AR模型;然后提取相应残差序列拟合残差标准差指标SDR和残差排列熵指标PER;随后基于AR模型残差进一步构建ARCH模型,并定义新的损伤敏感因子SDI和PEI;其次将基于非线性时序ARCH模型构建的损伤特征因子与基于线性时序AR模型构建的损伤特征因子在非线性损伤识别问题上进行分析评估;最后利用正态概率分布和拟合分析分别对原始数据序列、时序AR模型残差序列和非线性时序ARCH模型新息序列进行分析研究,并利用损失函数法进一步确定AR模型残差序列和ARCH模型新息序列损伤函数值的大小。结果表明,基于线性时序AR模型拟合的残差标准差指标SDR和残差排列熵指标PER能实现结构非线性损伤识别,然而这类指标对结构非线性损伤特征信息的提取仍然不理想。本文提出的利用ARCH模型拟合的新息序列标准差指标SDI和新息序列排列熵指标PEI能够较好地实现结构非线性损伤识别,基于ARCH模型的新息序列在表征和构建结构非线性损伤特征因子方面具有良好的前景。
吴保林[4]（2020）在《基于改进LTSA和BAS-SVM的滚动轴承故障诊断研究》文中认为旋转机械设备的健康监测一直是众多学者的研究对象,滚动轴承作为旋转机械关键的零部件,其运行状态直接决定了设备性能的优劣。因此,及时、准确地发现轴承早期轻微故障,将设备出现重度故障不能运行的事后维修变为预知维修,可以有效保障企业设备的连续安全运行,降低重大事故发生的概率,提高企业的生产效率。课题研究的核心在于研发出一种基于精细复合多尺度模糊熵（RCMFE）,改进半监督局部切空间排列（ISS-LTSA）和天牛须搜索优化支持向量机（BAS-SVM）的滚动轴承故障诊断新技术。首先,引入RCMFE方法全面构建出滚动轴承不同故障部位故障信息的特征集。接着,利用所提ISS-LTSA方法进行维数约简,去除冗余、无用的特征信息。最后,将敏感故障子集输入至BAS-SVM进行模式识别,辨别轴承故障类型。论文的主要工作如下:（1）滚动轴承故障诊断的关键在于故障特征提取,本文采用一种新颖的非线性特征提取方法（即RCMFE）全面挖掘故障特征信息。通过仿真实验确定RCMFE参数选取,并利用凯斯西储大学轴承实验进行特征提取方法有效性的验证。（2）为降低RCMFE特征矩阵存在的无用和冗余信息,研发出ISS-LTSA维数约简算法。在LTSA算法的基础上,融合了半监督学习理论、改进距离度量方式以及近邻参数优化选取的优势。通过仿真实验和两组工程应用实验证实这一降维方法的优势。（3）滚动轴承故障诊断的实质在于模式识别,为克服支持向量机中两个关键参数的选取难题,提出一种BAS-SVM新方法,并将其应用于RCMFE+ISS-LTSA特征集的模式识别。仿真实验和轴承实验表明了该分类器优于现有分类器。（4）建立出一种基于RCMFE,ISS-LTSA和BAS-SVM的滚动轴承故障诊断新模型,通过滚动轴承工程实验数据对该模型在特征提取、维数约简和模式识别等方面进行可行性和优越性的验证。进一步,将该技术推广至行星齿轮箱故障诊断过程,结果表明所提模型也能够获取较佳的诊断效果,验证该模型的优势。
马家欣[5]（2020）在《一种非线性自回归时序模型及其应用研究》文中研究指明时间序列分析作为数理统计学的一个分支,广泛应用于社会科学、自然科学、管理工程和工程技术等众多领域。近半个世纪以来,其在机械类工程中的应用发展非常迅速,尤其是在预测预报、频谱分析、故障诊断、表面形貌识别、模态参数估计、结构损伤识别等方面都有良好的应用。目前,线性时序模型理论研究已较为成熟,非线性时间序列分析近年来发展较快,但仍有着很大的发展空间和研究价值。本文在线性/非线性自回归模型一般表达式（General expression for linear and nonlinear auto-regressive models,GNAR）的基础上,提出了带有外部输入的GNAR模型（GNARX）,系统研究了模型的基本特性、参数估计和结构辨识、适用性检验、模式识别和故障诊断应用、结构损伤识别应用等问题。论文主要工作如下:（1）针对系统部分输入已知的特点,对比传统的系统辨识与常规时序建模策略,研究了带有外部输入的时序建模策略的优越性。提出了GNARX模型,推导了模型表达式,并通过分析其与GNAR模型、传统输入/输出模型、Volterra级数模型和Sigma-Pi神经网络的关联,阐述了模型内涵。通过对AR、ARX、GNAR和GNARX模型数据的拟合,验证了GNARX模型的广泛适用性,通过对不同白噪声及不同输入下的数据拟合,验证了模型线性和非线性项参数都具有良好的稳健性,从理论分析和数据验证两个角度对比其他模型,论述和验证了GNARX模型良好的建模预测效果。（2）研究了最小二乘法和加权最小二乘法的不足,两者的共同问题是只考虑了数据的均值特性,而没考虑数据的其他统计特性,因此在考虑了数据总体的二阶矩特性的基础上,提出了改进马氏距离的最小二乘法,用于GNARX模型的参数估计,效果优于传统最小二乘法和加权最小二乘法。针对GNARX模型结构特点,研究了结构穷举算法的复杂性和随机剪枝法的不稳定性,提出了基于参数离差率的结构剪枝算法,用于GNARX模型结构辨识,通过仿真和实际数据的建模,对比其他算法效果,验证了基于参数离差率的结构剪枝算法的优越性。（3）针对相关性检验,研究了自相关系数准则可用于线性时序模型的适用性检验但对非线性时序模型失效的问题,提出了多元互相关系数检验准则,检验GNARX模型的适用性,并通过仿真数据对比,验证了准则的优越性。针对频域检验,研究了残差功率谱检验适用于线性模型但不适用于非线性模型的问题,提出了残差标准化的双谱检验方法,即求得标准化残差的三角主域平均积分双谱与相同数据长度的高斯白噪声对比,检验GNARX模型的适用性,并通过数据仿真,验证了方法的有效性。（4）通过工程实例,研究了时序方法应用于模式识别和故障诊断的一般步骤。提出了基于多状态模型结构辨识的模式向量选取方法,有效解决了很难用同一GNARX模型结构对同一系统不同状态的数据进行建模的问题,用仿真数据验证了方法的可行性。根据不同类内距离的GNARX模型参数对分类精度的贡献不同,定义了参数重要度,对不同参数赋予了不同的重要度系数,提出了基于参数重要度的特征向量提取方法,进一步提高了故障诊断精度,通过仿真数据验证了方法的有效性。（5）通过仿真弹簧质量阻尼系统,研究了GNARX模型对振动信号的建模机理,并推广到起重机主梁振动信号的建模机理,进一步提出了无基准的结构损伤识别方法。建立了桥式起重机主梁的有限元模型,模拟起吊重物时主梁受到的冲击载荷,提取各位置振动信号验证方法的可行性。搭建了实验室桥式起重机模型,制备了不同截面尺寸及有着不同位置不同深度裂纹的主梁模型,采集起重机升降重物时主梁各位置的振动信号,从实验的角度进一步验证GNARX模型应用于结构损伤识别的有效性。
陈雪娇[6]（2019）在《自适应信号处理的机械传动系统故障诊断》文中认为预防火炮在作战过程中出现故障一直都是防范安全事故的重中之重。开展行之有效的故障诊断的课题研究对火炮在短时间内完成高强度的作战任务具有重要意义。在作战过程中,火炮传动机构的作用力变化巨大,其故障率也不断上升。因此,本文针对火炮方向机与高低机的传动机构运用自适应信号处理的方法进行故障诊断。其主要研究内容如下:1)基于LMD与排列熵的方向机故障诊断因火炮方向机在作战过程中环境极其恶劣,其采集的信号中常常混有大量的噪声,为解决这一困难问题,本文特提出一种有效的故障诊断方法---基于LMD与排列熵的故障诊断。通过江苏千鹏公司的齿轮故障数据验证此方法的实用性,然后在应用于火炮方向机数据。将其主要研究过程及步骤描述如下:使用LMD的信号处理方法处理振动信号,还原信号的有效信息,分解得到数个频率由高到低的PF分量;经过数据分析验证排列熵的三个最佳计算参数,然后,计算数个PF状态分量的排列熵,有效提取其特征状态信息;最后,使用上面的特征状态信息训练、测试支持向量机,完成模式识别。构建EMD-PE-SVM诊断模型与上述方法对比,突出本文方法的优势。于诊断精度而言,本文所采用的方法得到了更好的结果,具有一定的工程意义。2)基于改进的CEEMDAN与多尺度熵的高低机故障诊断因方向机的振动信号是非线性、非平稳的,并具备提取特征困难的弊端,为解决这一问题,本文提出了一种基于改进的自适应噪声集成经验模态分解的多尺度熵的识别方法。本节先利用西储大学轴承故障数据验证该方法的有效性,然后在应用于火炮高低机数据。将其主要研究过程及步骤描述如下:使用改进的CEEMDAN算法处理振动信号,去除信号中无效信息,分解得到若干个IMF分量;然后,选取包含有效故障信息最多的前六个IMF,计算其多尺度熵（MSE）,提取其特征状态信息;最后,利用特征信息测试、训练概率神经网络（PNN）,成功实现传动系统的故障诊断研究。为了充分证明改进的CEEMDAN-MSE 方法的优越性,将其与 EMD-MSE、EEMD-MSE、CEEMDAN-MSE、改进的CEEMDAN-AE和改进的CEEMDAN-SE方法进行了比较。实验结果表明,该方法大大提高了诊断精度,突出了该方法的优点。3)传动系统故障诊断的GUI设计在前面两部分的基础上,借助MATLAB的GUIDE,设计了《基于LMD与排列熵的齿轮故障诊断系统》和《基于改进的CEEMDAN与多尺度熵的轴承故障诊断系统》,使得诊断过程方便快捷,同时也使得诊断更为集成化和实用化。
肖雅静[7]（2019）在《基于支持向量机的滚动轴承故障诊断与预测方法研究》文中研究说明作为机械的重要组成部件,滚动轴承的状态对整个机械系统的运行有着重要影响,如果滚动轴承发生故障可能引发机械系统偏离正常的工作状态,甚至造成停机、停产、机械损毁。所以开展滚动轴承的故障诊断和预测研究尤为重要,它对保障机械设备的长期、稳定运行有着重要作用。通过对滚动轴承信号进行采集,特征提取,智能分析可以尽早发现或者预知滚动轴承将要发生的故障,从而采取检修或者更换等手段,避免由于滚动轴承故障而引发一系列重大的生产安全事故和不必要的经济损失。为了更好地辨识滚动轴承轻微故障,提高故障诊断的准确率,本文将采用距离评估技术筛选的时域参数和频域参数与IMF能量矩及基于EMD-SVD方法提取的特征相融合组成多域特征集以挖掘潜藏在动态信号中的故障信息。在已建立多域特征集的基础上运用高斯核函数支持向量机对滚动轴承进行故障诊断。实验数据分析表明,采用多域特征集方法对滚动轴承进行故障诊断的诊断正确率高达98.75%,高于采用任一单特征的故障诊断正确率。此外,本文也分析了单特征对滚动轴承不同故障的敏感性。在实际的工业应用场合,滚动轴承正常样本的数量远远多于故障样本的数量,样本不平衡会导致支持向量机的分类超平面发生倾斜,从而导致模型分类不准确,在其他模式识别方法中也存在类似的问题。本文提出将采用基于概率密度空间划分的符号化方法提取特征的异常诊断方法与支持向量机相结合的双步故障诊断模型,以解决正常样本和故障样本之间的不平衡造成的支持向量机分类超平面发生倾斜的问题。实验数据分析表明,本文提出的双步诊断模型的故障诊断正确率比支持向量机单步故障诊断的正确率提高了 3.34%。除了上述的正常轴承样本与故障轴承样本之间的不平衡问题,在轴承故障样本之间也存在样本不平衡问题。本文在双步诊断模型的基础上采用遗传操作生成“少样本类”故障样本,并将生成的一部分样本补充到原始样本中,达到故障样本类之间的平衡,然后用平衡样本对支持向量机进行训练。对于生成的“少样本类”故障样本,本文采用加权欧式距离对其进行挑选。由于对分类贡献相对大的特征参数被赋予了更大的权值,因此此判别条件筛选的样本更有利于建立准确的分类模型。参考以往学者提出的在工业应用中滚动轴承故障样本之间的比例,选择滚动体故障轴承样本与内圈故障轴承样本组成不平衡样本进行故障样本不平衡问题的研究。实验数据分析表明,采用不平衡样本训练支持向量机,故障诊断正确确率为90%,采用平衡样本训练支持向量机,故障诊断正确率为100%,提高了 10%。本文提出了一种以IMF分量值为输入特征的基于支持向量机的组合预测模型。该模型首先对轴承信号进行EMD分解,将分解得到的IMF分量按照其波动程度分成高频振动序列和低频振动序列两组,并将两组分别重构为高频子序列信号和低频子序列信号,然后选择IMF分量为输入特征,采用支持向量机对高频子序列信号和低频子序列信号分别进行预测,最后将预测的值叠加得到最终的预测结果。由于高频子序列和低频子序列在变化趋势上存在差异,所以理论上这种方法能够提高预测的精度。本文采用滚动轴承实验数据进行了验证,结果表明组合预测方法的均方根误差、平均绝对误差和平均绝对百分比误差都远小于直接预测方法。直接预测方法的平均绝对百分比误差为11.49%,而组合预测方法的平均绝对百分比误差仅为6.54%,远低于直接预测方法。实验数据分析结果证明了本文提出的组合预测模型的有效性。本文也将此组合预测模型应用于洗煤厂设备滚动轴承的状况预测,预测情况与实际情况相符合。
刘永超[8]（2017）在《高压真空断路器振动特征提取及故障诊断方法研究》文中认为高压断路器是电力系统中重要的组成部分,若发生故障会造成巨大的经济损失。断路器的主要故障是机械故障,其振动信号包含着能够判别出断路器机械状态的信息,可用于对断路器机械状态进行监测和诊断。本文基于振动信号开展高压真空断路器机械故障诊断研究,主要内容包括振动信号采集、特征提取和模式识别三个部分。首先,选取合适的振动传感器对信号进行采集并去除噪声。其次,针对断路器振动信号非线性、非平稳的特点,将集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）引入到断路器振动信号处理中,求取振动信号各固有模态函数分量的能量熵,并对振动信号进行小波包分解,求取各小波包分量的能量熵。将EEMD能量熵和小波包能量熵相结合并使用主成分分析（Principal Component Analysis,PCA）进行降维处理,降维后的数据作为诊断断路器的特征向量。在此基础上,将马氏距离和支持向量机（Support Vector Machine,SVM）应用于断路器机械故障诊断中,通过对比两种判别方法对特征向量的识别效果,确定使用SVM对断路器状态进行模式识别。选用径向基函数作为核函数并使用粒子群优化算法（Particle Swarm Optimization,PSO）进行寻优设置SVM的模型。最后,使用训练好的SVM模型实现断路器机械故障诊断,对于常见的传动机构卡涩故障和基座螺丝松动故障的诊断正确率可达95.74%,取得了良好的诊断效果。
江星星[9]（2016）在《齿轮箱关键部件非平稳振动信号分析及诊断方法研究》文中提出轴承、齿轮等齿轮箱关键部件发生故障及其状态变化都将导致机械系统表面采集的振动信号表现为非平稳、非线性的特点,且不同部件的动力学特征差异性也会增加振动信号的复杂度,因此研究先进的非平稳信号分析技术以提取设备状态信息成为故障诊断的关键。本文为了满足轴承、齿轮等关键部件的诊断需求,以解决轴承微弱故障信息识别,齿轮损伤识别及其状态监测,无转速计参照下转速强烈变化的齿轮箱故障信息识别的三类技术难题为目标,深入地开展非平稳信号分析方法及诊断技术研究。论文主要工作如下:（1）为了克服经验模式分解等类似信号分解方法在定位轴承故障信息频带时存在偏差等问题,将新的经验小波变换方法引入了轴承故障诊断领域,且通过分析其基本理论和轴承信号的特性,选取了一种更适合于定位轴承故障信息的频带划分方法。结合新的经验小波变换的自适应分解特点和抑制共振频带内噪声的要求,提出了一种以经验小波变换为核心的轴承故障诊断方法。仿真信号和两个试验案例验证了提出方法的有效性、精确性及相应理论分析的正确性。（2）针对轴承故障信号可能包含多个故障信息频带的特点,为了提升轴承故障诊断的全面性,将变分模式分解方法引入了轴承故障诊断领域,且详细地分析了变分模式分解方法与轴承故障信号之间的联系,并讨论了其使用参数对分解结果的影响。基于变分模式分解方法和有良好提纯能力的多分辨能量算子提出了一种多共振模态分量识别的轴承故障诊断方法。仿真与试验信号分析结果表明提出方法具有全面提取故障信息的能力,且优于谱峭度等常用诊断方法。（3）为了解决相近模式的齿轮损伤故障难以识别的问题,探讨了一种非性信号分析方法-去趋势波动分析方法（Detrend Fluctuation Analysis,DFA）。以频率分布的角度,结合齿轮振动模型、叠加原理以及信号预处理技术等详细地分析了DFA方法分析振动信号出现多标度特性的原因。基于多特性分析结果提出了更多的、具有物理意义的特征参数。齿轮损伤振动信号验证了提出的特征参数的不同组合可以很好地表示不同齿轮箱状态,而且敏感指数表明提出的一些特征参数相比已有的一些特征参数具有更好的分类能力。（4）鉴于DFA方法分析振动信号得到的尺度波动函数曲线形态复杂,以多标度特性原理为指导,基于一种局部最优标度区间识别技术建立了简化标度指数识别的特征提取技术,以及引入极值增量预处理技术建立了简化标度区间形态的特征提取技术。齿轮箱试验数据分析结果表明建立的两种简化标度方法相比原始DFA分别在计算效率以及特征参数的识别能力等方面有了很大的提高。（5）为实现无转速计辅助情形下转速大波动齿轮箱故障诊断,分析了现有代价函数识别目标脊线的特性。基于有效脊线具有平滑特性而失效脊线出现突变的特点,提出了一种融合理论的脊线识别方法,并基于提出的脊线融合算法建立了转速大波动下齿轮箱故障诊断方法的基本框架。两组仿真信号与齿轮箱试验信号验证了提出的脊线识别方法的有效性。而且推导了行星轴承局部缺陷故障频率在频谱中的形式,利用识别脊线进行阶次分析成功地在阶次谱中识别出了行星轴承内圈故障特征频率。（6）为了从根本上解决代价函数识别形态复杂、微弱的脊线时出现失效的问题,分析了代价函数识别脊线失效的本质原因,并建立了新的脊线搜索框架以及定义了更具有物理意义的代价函数。基于一系列的改进措施提出了一种新的路径优化脊线识别方法,为实现无转速计辅助情形下变速机械设备健康状态监测与故障诊断提供了一种可靠的技术保障。不同信噪比仿真信号、变速运行齿轮箱振动信号以及实际工程中齿轮箱振动信号的分析结果表明提出的路径优化脊线识别方法的脊线跟踪能力十分优秀,而且与现有一些脊线识别方法相比具有一定的优势。
林近山[10]（2013）在《基于时间序列标度分析的旋转机械故障诊断方法研究》文中研究指明机械故障诊断的关键问题是故障特征提取。机械故障信号通常具有强烈的非平稳和非线性特征，本文在总结现有机械故障诊断方法优缺点的基础上，采用统计物理学上的标度分析方法来研究复杂机械故障信号的波动状况，提出了基于时间序列标度分析的旋转机械故障诊断方法。本文从一个新的角度来研究机械故障诊断问题，形成了具有学科交叉特色的机械故障诊断方法。本文的研究工作主要包括以下六个部分：（1）受自然界大量存在的标度曲线转折现象的启发，本文将时间序列的多标度指数作为机械故障信号的故障特征，提出了基于时间序列多标度指数特征的机械故障特征提取方法。利用齿轮箱和滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（2）针对原始序列标度曲线的特征参数难以提取的问题，本文采用增量序列的波动特征来表达机械系统的动力学行为，提出了基于增量序列标度特征的机械故障诊断方法。利用齿轮箱和滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（3）通过分析从增量序列标度曲线上提取的数据点在坐标图上的分布特征，本文发现故障状态所对应的数据点可以近似拟合为一条直线，而正常状态所对应的数据点则明显地偏离这条直线。为了描述这种有趣的现象，提出了“故障线”的概念，随后探讨了“故障线”的成因。（4）针对齿轮箱故障信号所具有的非平稳和非线性特点，本文提出了基于时间序列多重分形特征的齿轮箱故障特征提取方法。该方法采用MF-DFA计算齿轮箱故障信号的多重分形谱，然后利用从多重分形谱上提取的特征参数对齿轮箱进行故障诊断。利用齿轮箱故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（5）为了解决滚动轴承的故障类型和损伤程度难以识别的问题，本文提出了基于MF-DFA和马氏距离判别法的滚动轴承故障诊断方法。该方法利用MF-DFA计算轴承故障信号的多重分形谱，从多重分形谱上提取特征参数，然后采用马氏距离判别法对这些特征参数进行分类。利用滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（6）本文对旋转机械振动信号出现多重分形的原因进行了研究。通过比较原始数据及其重排数据和替代数据的广义Hurst指数曲线，本文确定了数据波动的内在长程相关性是导致齿轮箱和滚动轴承振动信号出现多重分形的主要原因。
二、基于时序模型参数的距离判别函数在机械故障诊断中的应用（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、基于时序模型参数的距离判别函数在机械故障诊断中的应用（论文提纲范文）
（1）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 |
（2）滚动轴承可拓智能诊断与性能退化评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外相关研究 |
| 1.2.1 振动信号特征提取的研究现状 |
| 1.2.2 故障诊断技术的研究现状 |
| 1.2.3 性能评估研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 可拓学及可拓神经网络理论基础 |
| 2.1 可拓学 |
| 2.1.1 基元理论 |
| 2.1.2 物元的可拓性 |
| 2.1.3 可拓集合理论 |
| 2.1.4 关联函数 |
| 2.2 可拓神经网络 |
| 2.2.1 ENN学习算法 |
| 2.2.2 ENN优缺点分析 |
| 2.2.3 ENN应用的可行性分析 |
| 2.3 本章小结 |
| 第三章 滚动轴承故障时序可拓智能诊断方法 |
| 3.1 理论基础 |
| 3.1.1 滚动轴承振动信号的AR模型 |
| 3.1.2 可拓学相关理论 |
| 3.1.3 Fisher比 |
| 3.2 故障可拓智能识别方法 |
| 3.3 江苏千鹏故障模拟平台实验数据处理与分析 |
| 3.3.1 千鹏故障模拟平台实验数据特征提取与特征选择 |
| 3.3.2 千鹏故障模拟平台实验数据经典域物元与节域物元的建立 |
| 3.3.3 千鹏滚动轴承故障可拓智能识别 |
| 3.3.4 方法对比 |
| 3.4 凯斯西储大学实验数据处理与分析 |
| 3.4.1 凯斯西储大学实验数据特征提取与特征选择 |
| 3.4.2 凯斯西储大学实验数据经典域物元与节域物元的建立 |
| 3.4.3 凯斯西储大学滚动轴承故障可拓智能识别 |
| 3.4.4 方法对比 |
| 3.5 本章小结 |
| 第四章 基于可拓神经网络的滚动轴承故障智能诊断方法 |
| 4.1 可拓神经网络的结构及算法 |
| 4.2 故障可拓神经网络智能识别方法 |
| 4.3 实验数据处理与分析 |
| 4.3.1 特征提取与特征选择 |
| 4.3.2 经典域物元的建立 |
| 4.3.3 滚动轴承故障可拓神经网络智能识别 |
| 4.3.4 方法对比 |
| 4.4 本章小结 |
| 第五章 滚动轴承故障时序可拓性能退化评估 |
| 5.1 理论基础 |
| 5.2 轴承性能退化评估流程 |
| 5.3 实验数据与分析 |
| 5.3.1 特征参数提取 |
| 5.3.2 构建经典域物元和节域物元 |
| 5.3.3 全寿命轴承性能退化评估 |
| 5.4 包络谱分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 本文创新点 |
| 6.3 论文工作展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（3）基于时序分析方法与排列熵的结构非线性损伤识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 结构损伤识别的研究现状与发展趋势 |
| 1.3 结构损伤识别方法 |
| 1.4 时间序列模型在结构损伤识别中的应用 |
| 1.5 熵在结构损伤识别中的应用 |
| 1.6 本文主要研究内容 |
| 第2章 时间序列模型和排列熵的相关理论 |
| 2.1 时间序列和时序分析 |
| 2.2 线性AR模型 |
| 2.2.1 线性AR模型特征 |
| 2.2.2 线性AR模型建模过程 |
| 2.3 非线性ARCH模型 |
| 2.3.1 非线性ARCH模型特征 |
| 2.3.2 非线性ARCH模型的建模过程 |
| 2.4 排列熵 |
| 2.4.1 排列熵的基本概念 |
| 2.4.2 排列熵的参数选择 |
| 2.5 本章小结 |
| 第3章 构建损伤特征指标 |
| 3.1 基于线性AR模型构建线性指标—残差标准差 |
| 3.2 基于非线性ARCH模型构建非线性指标—新息序列标准差 |
| 3.3 基于线性AR模型构建线性指标—残差排列熵 |
| 3.4 基于非线性ARCH模型构建非线性指标—新息序列排列熵 |
| 3.5 本章小结 |
| 第4章 三层建筑结构实验算例 |
| 4.1 实验模型参数 |
| 4.2 时间序列AR/ARCH模型建模识别过程 |
| 4.2.1 建立线性AR模型 |
| 4.2.2 建立非线性ARCH模型 |
| 4.3 线性与非线性指标识别效果比较 |
| 4.3.1 线性AR模型残差标准差指标结果 |
| 4.3.2 非线性ARCH模型新息序列标准差指标结果 |
| 4.3.3 线性AR模型残差排列熵指标结果 |
| 4.3.4 非线性ARCH模型新息序列排列熵指标结果 |
| 4.3.5 线性与非线性指标损伤结果讨论分析 |
| 4.4 非线性新息序列指标分析 |
| 4.4.1 正态分布和损失函数法 |
| 4.4.2 原始时序数据分析 |
| 4.4.3 线性AR模型残差序列分析 |
| 4.4.4 非线性ARCH模型新息序列分析 |
| 4.4.5 非线性新息序列指标在表征非线性损伤上的优势 |
| 4.5 本章小结 |
| 第5章 六层剪切结构数值模拟算例 |
| 5.1 六层剪切结构 |
| 5.1.1 六层剪切结构参数 |
| 5.1.2 工况设置和激励力 |
| 5.2 建模过程 |
| 5.3 线性与非线性指标识别效果比较 |
| 5.3.1 线性AR模型残差标准差指标结果 |
| 5.3.2 非线性ARCH模型新息序列标准差指标结果 |
| 5.3.3 线性AR模型残差排列熵指标结果 |
| 5.3.4 非线性ARCH模型新息序列排列熵指标结果 |
| 5.3.5 线性与非线性指标损伤结果讨论分析 |
| 5.4 非线性新息序列指标分析 |
| 5.4.1 原始时序数据分析 |
| 5.4.2 线性AR模型残差序列分析 |
| 5.4.3 非线性ARCH模型新息序列分析 |
| 5.4.4 非线性新息序列指标在表征非线性损伤上的优势 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（4）基于改进LTSA和BAS-SVM的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 故障诊断特征提取的研究现状 |
| 1.2.1 常见的特征提取方法 |
| 1.2.2 非线性信号处理方法 |
| 1.3 故障诊断特征维数约简的研究现状 |
| 1.4 故障诊断特征模式识别的研究现状 |
| 1.5 本课题主要研究内容 |
| 第二章 基于精细复合多尺度模糊熵的故障特征提取 |
| 2.1 模糊熵理论方法 |
| 2.2 多尺度模糊熵理论方法 |
| 2.3 复合多尺度模糊熵理论方法 |
| 2.4 精细复合多尺度模糊熵理论方法 |
| 2.5 仿真实验分析 |
| 2.6 基于RCMFE与 PSO-SVM相结合的故障诊断方法 |
| 2.6.1 故障诊断方法 |
| 2.6.2 故障诊断案例分析 |
| 2.7 本章小结 |
| 第三章 基于改进局部切空间排列算法的故障特征降维 |
| 3.1 流形学习技术的相关理论 |
| 3.1.1 线性流形学习技术的相关理论 |
| 3.1.2 非线性流形学习算法 |
| 3.1.3 降维算法仿真分析 |
| 3.2 改进半监督局部切空间排列技术 |
| 3.3 基于最佳分类效果的参数选择方法 |
| 3.4 基于RCMFE和 ISS-LTSA的故障诊断方法 |
| 3.5 西储实验信号分析 |
| 3.6 滚动轴承故障诊断实验 |
| 3.6.1 信号采集 |
| 3.6.2 特征提取 |
| 3.6.3 特征降维 |
| 3.6.4 模式识别 |
| 3.7 本章小结 |
| 第四章 基于天牛须搜索算法优化支持向量机的故障识别方法 |
| 4.1 支持向量机理论 |
| 4.2 天牛须搜索算法 |
| 4.3 天牛须搜索算法优化支持向量机 |
| 4.4 仿真信号分析 |
| 4.5 滚动轴承实验信号分析 |
| 4.6 本章小结 |
| 第五章 滚动轴承故障诊断模型及案例分析 |
| 5.1 故障诊断模型 |
| 5.2 调心球轴承故障诊断实验 |
| 5.2.1 特征提取 |
| 5.2.2 特征降维 |
| 5.2.3 模式识别 |
| 5.3 行星齿轮箱故障诊断实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 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 |
（5）一种非线性自回归时序模型及其应用研究（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 国内外研究现状 |
| 1.2.1 时间序列分析的研究现状 |
| 1.2.2 参数估计的研究现状 |
| 1.2.3 结构辨识的研究现状 |
| 1.2.4 适用性检验的研究现状 |
| 1.2.5 模型工程应用的研究现状 |
| 1.3 论文主要研究内容 |
| 第二章 GNARX模型及其特性研究 |
| 2.1 引言 |
| 2.2 系统辨识与时序建模策略分析 |
| 2.3 GNARX模型表达式 |
| 2.3.1 模型表达式推导 |
| 2.3.2 模型表达式内涵 |
| 2.4 GNARX模型基本特性 |
| 2.4.1 模型适用性能分析 |
| 2.4.2 模型参数稳健性分析 |
| 2.4.3 建模预测特性分析 |
| 2.5 本章小结 |
| 第三章 GNARX模型改进的参数估计及结构辨识 |
| 3.1 引言 |
| 3.2 基于改进马氏距离的最小二乘法的参数估计 |
| 3.2.1 最小二乘法和加权最小二乘法的问题 |
| 3.2.2 改进马氏距离的最小二乘法的提出 |
| 3.2.3 算法对比 |
| 3.3 基于参数离差率结构剪枝算法的结构辨识 |
| 3.3.1 基于修正AIC准则的结构穷举法和随机剪枝法的问题 |
| 3.3.2 基于参数离差率的结构剪枝算法的提出 |
| 3.3.3 算法效果对比 |
| 3.4 本章小结 |
| 第四章 GNARX模型的多元互相关及残差双谱检验 |
| 4.1 引言 |
| 4.2 多元互相关系数检验准则 |
| 4.2.1 自相关系数准则的失效问题 |
| 4.2.2 多元互相关系数检验准则的提出 |
| 4.2.3 准则效果对比 |
| 4.3 残差标准化双谱检验 |
| 4.3.1 残差功率谱检验的失效问题 |
| 4.3.2 残差标准化双谱检验的提出 |
| 4.3.3 检验效果对比 |
| 4.4 本章小结 |
| 第五章 GNARX模型的模式识别与故障诊断应用 |
| 5.1 引言 |
| 5.2 时序方法的模式识别与故障诊断应用 |
| 5.3 模式向量选取 |
| 5.3.1 基于多状态模型结构辨识的模式向量选取 |
| 5.3.2 算法验证 |
| 5.4 特征向量提取 |
| 5.4.1 基于参数重要度的特征向量提取 |
| 5.4.2 算法验证 |
| 5.5 本章小结 |
| 第六章 GNARX模型的起重机无基准结构损伤识别应用 |
| 6.1 引言 |
| 6.2 GNARX模型用于结构损伤识别的机理研究 |
| 6.2.1 振动信号的GNARX建模机理研究 |
| 6.2.2 无基准结构损伤识别方法研究 |
| 6.2.3 仿真数据验证 |
| 6.3 桥式起重机主梁有限元模型 |
| 6.3.1 有限元模型建立 |
| 6.3.2 有限元模型瞬态分析 |
| 6.3.3 有限元模型数据验证 |
| 6.4 实验验证 |
| 6.4.1 实验平台搭建 |
| 6.4.2 实验数据采集 |
| 6.4.3 实验结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
（6）自适应信号处理的机械传动系统故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 机械设备故障诊断的研究意义和研究内容 |
| 1.2.1 机械设备故障诊断的研究意义 |
| 1.2.2 机械设备故障诊断的研究内容 |
| 1.3 传动系统振动信号分析与故障诊断技术的研究现状 |
| 1.3.1 传动系统振动信号分析方法的研究现状 |
| 1.3.2 传动系统故障诊断方法的研究现状 |
| 1.4 论文研究的目的及意义 |
| 1.5 论文的主要研究内容 |
| 2 火炮传动机构振动信号的采集 |
| 2.1 引言 |
| 2.2 振动传感器的选择原则 |
| 2.3 振动信号的采集系统 |
| 2.4 本章小结 |
| 3 基于LMD与排列熵的方向机故障诊断 |
| 3.1 引言 |
| 3.2 方向机传动机构的振动信号处理 |
| 3.2.1 EMD的原理及算法 |
| 3.2.2 EMD方法的不足 |
| 3.2.3 LMD分解的原理与算法 |
| 3.2.4 EMD与LMD的比较 |
| 3.3 基于LMD的特征提取 |
| 3.3.1 排列熵的算法 |
| 3.3.2 排列熵的参数选择 |
| 3.4 基于SVM的故障诊断 |
| 3.4.1 SVM的算法及原理 |
| 3.4.2 故障诊断流程 |
| 3.5 标准数据案例分析 |
| 3.6 实测数据案例分析 |
| 3.7 本章小结 |
| 4 基于改进的CEEMDAN与多尺度熵的高低机故障诊断 |
| 4.1 引言 |
| 4.2 高低机传动机构振动信号处理 |
| 4.2.1 EEMD原理及算法 |
| 4.2.2 CEEMDAN原理及算法 |
| 4.2.3 改进的CEEMDAN原理及算法 |
| 4.2.4 EEMD、CEEMDAN及改进的CEEMDAN算法的比较 |
| 4.3 基于改进的CEEMDAN的特征提取 |
| 4.3.1 近似熵原理及算法 |
| 4.3.2 样本熵原理及算法 |
| 4.3.3 多尺度熵原理及算法 |
| 4.3.4 近似熵、样本熵、多尺度熵的比较 |
| 4.4 基于PNN的故障诊断 |
| 4.4.1 PNN的算法及原理 |
| 4.4.2 故障诊断流程 |
| 4.5 标准数据实例分析 |
| 4.6 实测数据实例分析 |
| 4.7 本章小结 |
| 5 传动系统故障诊断的GUI设计 |
| 5.1 引言 |
| 5.2 Matlab/GUI的简介及设计流程 |
| 5.2.1 Matlab/GUI的简介 |
| 5.2.2 Matlab/GUI设计流程 |
| 5.3 机械传动机构故障诊断系统 |
| 5.3.1 基于LMD与排列熵的齿轮故障诊断系统 |
| 5.3.2 基于改进的CEEMDAN与多尺度熵的轴承故障诊断系统 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 后期的工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）基于支持向量机的滚动轴承故障诊断与预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 滚动轴承故障诊断技术国内外研究现状 |
| 1.2.1 信号采集与预处理 |
| 1.2.2 信号特征提取 |
| 1.2.3 模式识别 |
| 1.3 预测技术研究现状 |
| 1.4 支持向量机的研究与应用现状 |
| 1.4.1 理论研究 |
| 1.4.2 应用研究 |
| 1.5 论文的研究内容与结构 |
| 1.5.1 论文研究内容 |
| 1.5.2 论文结构 |
| 2 滚动轴承特征提取 |
| 2.1 滚动轴承振动机理与失效形式 |
| 2.1.1 滚动轴承结构 |
| 2.1.2 滚动轴承振动产生机理 |
| 2.1.3 滚动轴承常见的失效形式 |
| 2.2 特征提取方法研究 |
| 2.2.1 时域特征提取 |
| 2.2.2 频域特征提取 |
| 2.2.3 基于经验模态分解(EMD)的特征提取 |
| 2.2.4 特征融合及降维 |
| 2.3 实验数据分析 |
| 2.3.1 实验数据 |
| 2.3.2 多域特征提取 |
| 2.4 本章小结 |
| 3 基于SVM的滚动轴承故障诊断研究 |
| 3.1 支持向量机(SVM)原理 |
| 3.1.1 最优分类面 |
| 3.1.2 核函数 |
| 3.1.3 支持向量回归 |
| 3.2 轴承故障特征库的建立 |
| 3.2.1 时域特征 |
| 3.2.2 频域特征 |
| 3.2.3 IMF分量能量矩特征 |
| 3.2.4 EMD-SVD特征 |
| 3.2.5 多域特征 |
| 3.3 故障诊断 |
| 3.4 本章小结 |
| 4 滚动轴承故障诊断中的样本不平衡问题研究 |
| 4.1 样本不平衡问题对支持向量机模型的影响及解决方法 |
| 4.2 符号化方法与支持向量机相结合的双步故障诊断方法 |
| 4.2.1 异常诊断概述 |
| 4.2.2 符号化时间序列分析原理 |
| 4.2.3 基于概率密度空间划分的符号化方法应用于滚动轴承异常诊断 |
| 4.2.4 双步诊断模型 |
| 4.2.5 双步诊断与直接诊断实验结果对比 |
| 4.3 轴承故障样本不平衡问题研究 |
| 4.3.1 子代样本的生成和选择 |
| 4.3.2 实例研究 |
| 4.4 本章小结 |
| 5 基于EMD和SVM的组合预测模型研究 |
| 5.1 模型理论基础 |
| 5.1.1 信号预处理 |
| 5.1.2 瞬时频率及时间尺度 |
| 5.2 预测模型 |
| 5.3 实例研究 |
| 5.4 工程应用研究 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）高压真空断路器振动特征提取及故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 高压断路器状态监测及其研究现状 |
| 1.3 基于振动信号的断路器机械故障诊断研究综述 |
| 1.3.1 特征提取方法 |
| 1.3.2 模式识别方法 |
| 1.4 本文主要解决的问题 |
| 1.5 本文研究的主要内容 |
| 2 高压断路器机械故障机理及其振动信号特征分析 |
| 2.1 高压断路器的组成结构 |
| 2.2 高压断路器故障类型分析 |
| 2.2.1 拒动故障分析 |
| 2.2.2 误动故障分析 |
| 2.2.3 故障类型的选取 |
| 2.3 高压断路器的振动信号特征分析 |
| 2.3.1 高压断路器振动信号产生 |
| 2.3.2 高压断路器振动信号的时域特性 |
| 2.4 本章小结 |
| 3 振动信号的采集及去噪预处理 |
| 3.1 振动信号采集系统简介 |
| 3.2 振动信号的采集 |
| 3.2.1 振动传感器的型号选取 |
| 3.2.2 振动传感器安装方式的选择 |
| 3.2.3 振动传感器安装位置的选择 |
| 3.3 数据采集卡的选择 |
| 3.4 恒流源供电器的选择 |
| 3.5 振动信号样本的建立 |
| 3.6 基于小波阈值的振动信号去噪 |
| 3.6.1 小波阈值去噪机理 |
| 3.6.2 小波函数的选择 |
| 3.6.3 去噪效果的确定 |
| 3.7 基于振动信号的断路器机械故障诊断总体研究方案 |
| 3.8 本章小结 |
| 4 基于EEMD能量熵的振动信号特征提取 |
| 4.1 EMD分解原理 |
| 4.1.1 瞬时频率 |
| 4.1.2 本征模态函数分量条件 |
| 4.1.3 EMD分解步骤 |
| 4.1.4 EMD分解的优缺点 |
| 4.2 EEMD分解及其特性分析 |
| 4.2.1 EEMD分解的提出 |
| 4.2.2 EEMD分解参数设定 |
| 4.2.3 EMD分解和EEMD分解仿真对比分析 |
| 4.3 断路器振动信号等能量段EEMD能量熵提取方法 |
| 4.3.1 信号包络的求取 |
| 4.3.2 等能量分段方式 |
| 4.3.3 能量熵的求取 |
| 4.4 实验结果及分析 |
| 4.4.1 有效IMF分量提取 |
| 4.4.2 振动信号等能量分段时间点的求取 |
| 4.4.3 振动信号等能段EEMD能量熵的提取及结果分析 |
| 4.5 本章小结 |
| 5 基于小波包能量熵的振动信号特征提取 |
| 5.1 小波变换原理 |
| 5.1.1 连续小波变换 |
| 5.1.2 连续小波的离散化 |
| 5.2 小波包分解 |
| 5.3 断路器振动信号等能量段小波包能量熵提取方法 |
| 5.4 振动信号等能量分段时间点的求取 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 6 基于PCA和SVM的断路器机械故障诊断分析 |
| 6.1 基于PCA的振动特征向量降维 |
| 6.1.1 PCA简介 |
| 6.1.2 主成分的贡献率 |
| 6.1.3 PCA特征降维算法步骤 |
| 6.1.4 实验结果及分析 |
| 6.2 基于马氏距离的断路器机械故障诊断 |
| 6.2.1 马氏距离基本原理 |
| 6.2.2 实验及分析 |
| 6.3 基于SVM的断路器机械故障诊断 |
| 6.3.1 最优分类超平面 |
| 6.3.2 线性支持向量机 |
| 6.3.3 非线性支持向量机 |
| 6.3.4 核函数的选择 |
| 6.3.5 模型参数的选择 |
| 6.3.6 实验及分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）齿轮箱关键部件非平稳振动信号分析及诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机械故障诊断技术发展概述 |
| 1.2.2 非平稳信号分析方法简要概述 |
| 1.3 课题研究思路的提出 |
| 1.4 本文内容的章节安排 |
| 第二章 自适应共振频带识别的轴承故障诊断方法研究 |
| 2.1 引言 |
| 2.2 理论分析 |
| 2.2.1 EWT提取独立模式分量的特性分析 |
| 2.2.1.1 EWT基本思想 |
| 2.2.1.2 EWT框架 |
| 2.2.2 频谱自适应剖分方法 |
| 2.2.2.1 尺度空间表示 |
| 2.2.2.2 概率估计方法 |
| 2.2.3 基于TEO算子的带内噪声抑制分析 |
| 2.3 自适应共振频带识别的轴承故障诊断方法 |
| 2.4 仿真分析 |
| 2.5 试验验证 |
| 2.5.1 齿轮箱轴承故障数据验证 |
| 2.5.1.1 试验装置与数据介绍 |
| 2.5.1.2 试验数据分析 |
| 2.5.2 全寿命轴承数据验证 |
| 2.5.2.1 全寿命轴承失效测试装置 |
| 2.5.2.2 试验信号分析 |
| 2.6 本章小结 |
| 第三章 多共振模态分量识别的轴承故障诊断方法研究 |
| 3.1 引言 |
| 3.2 VMD理论分析 |
| 3.2.1 VMD基本原理 |
| 3.2.2 VMD方法与轴承故障信号之间联系 |
| 3.3 MTEO算子及其物理意义 |
| 3.4 多共振模态分量识别的轴承故障诊断方法 |
| 3.5 仿真分析 |
| 3.5.1 单共振模式信号 |
| 3.5.2 双共振模式信号 |
| 3.6 试验验证 |
| 3.6.1 试验数据介绍 |
| 3.6.2 试验数据分析 |
| 3.7 本章小结 |
| 第四章 多标度特性机理分析及齿轮损伤检测方法研究 |
| 4.1 引言 |
| 4.2 DFA理论介绍 |
| 4.3 齿轮箱信号的DFA变换 |
| 4.3.1 试验平台与试验数据 |
| 4.3.2“转折”现象描述及多标度特性机理研究的动机 |
| 4.4 齿轮箱振动信号多标度现象机理分析 |
| 4.4.1 谐波信号DFA分析 |
| 4.4.2 基于振动信号模型的转折特性分析 |
| 4.4.3 两类预处理信号DFA分析 |
| 4.5 多尺度特征参数提取及齿轮损伤识别性能评估 |
| 4.5.1 特征参数 |
| 4.5.2 特征参数提取方法 |
| 4.5.2.1 多段线性回归模型 |
| 4.5.2.2 齿轮损伤振动信号多尺度模型表示 |
| 4.5.3 特征参数性能评估 |
| 4.6 本章小结 |
| 第五章 简化标度方法研究及其齿轮箱诊断与状态识别 |
| 5.1 引言 |
| 5.2 简化标度指数识别方法及齿轮箱复合故障诊断 |
| 5.2.1 局部最优标度区间识别方法 |
| 5.2.2 最小二乘支持向量机 |
| 5.2.3 齿轮箱复合故障诊断方法 |
| 5.2.4 试验验证 |
| 5.2.4.1 试验平台及数据介绍 |
| 5.2.4.2 齿轮箱故障类型识别 |
| 5.3 简化标度区间方法及齿轮箱系统状态识别 |
| 5.3.1 极值增量DFA方法 |
| 5.3.2 分动齿轮箱振动信号及其状态识别方法 |
| 5.3.2.1 分动齿轮箱振动信号描述 |
| 5.3.2.2 分动齿轮箱状态识别方法 |
| 5.3.3 分动齿轮箱状态识别 |
| 5.4 本章小结 |
| 第六章 脊线融合理论及转速大波动齿轮箱信号分析 |
| 6.1 引言 |
| 6.2 转速大波动机械信号及代价函数法 |
| 6.2.1 齿轮箱转速大波动状态信号特性分析 |
| 6.2.2 基于代价函数脊线识别方法的基本原理 |
| 6.3 脊线融合理论的齿轮箱关键部件故障诊断方法 |
| 6.3.1 融合理论脊线识别的动机 |
| 6.3.1.1 齿轮箱振动信号 |
| 6.3.1.2 代价函数法跟踪脊线分析 |
| 6.3.2 融合理论脊线识别方法 |
| 6.3.3 齿轮箱关键部件故障识别方法 |
| 6.4 仿真分析 |
| 6.5 试验验证 |
| 6.5.1 行星轴承故障特征频率 |
| 6.5.2 行星齿轮箱缺陷部件识别 |
| 6.6 本章小结 |
| 第七章 路径优化方法与转速大波动齿轮箱信号分析 |
| 7.1 引言 |
| 7.2 代价函数识别脊线失效原因 |
| 7.3 路径优化脊线识别方法 |
| 7.3.1 脊线识别改进措施 |
| 7.3.2 路径优化方法原理 |
| 7.4 仿真分析 |
| 7.5 试验验证 |
| 7.5.1 普通齿轮箱转速信号识别 |
| 7.5.2 行星齿轮箱转速识别应用 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 主要工作与创新点 |
| 8.1.1 本文主要工作总结 |
| 8.1.2 本文创新点 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）基于时间序列标度分析的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图表清单 |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 机械故障诊断技术的研究意义和研究现状 |
| 1.1.1 机械故障诊断技术的研究意义 |
| 1.1.2 机械故障诊断技术的研究现状 |
| 1.2 基于信号分析和处理技术的机械故障诊断方法 |
| 1.2.1 短时 Fourier 变换 |
| 1.2.2 Winger-Ville 分布 |
| 1.2.3 小波变换 |
| 1.2.4 经验模式分解 |
| 1.2.5 局部均值分解 |
| 1.2.6 盲源分离 |
| 1.2.7 循环平稳信号分析 |
| 1.3 基于模型的机械故障诊断方法 |
| 1.3.1 时间序列模型 |
| 1.3.2 隐 Markov 模型 |
| 1.3.3 协整理论模型 |
| 1.4 基于人工智能的机械故障诊断方法 |
| 1.4.1 神经网络 |
| 1.4.2 专家系统 |
| 1.4.3 模糊理论 |
| 1.4.4 粗糙集理论 |
| 1.4.5 支持向量机 |
| 1.5 基于非线性理论的机械故障诊断方法 |
| 1.5.1 随机共振 |
| 1.5.2 流形 |
| 1.5.3 混沌和分形 |
| 1.5.4 去趋势波动分析 |
| 1.6 研究课题的提出 |
| 1.7 本文的主要创新点 |
| 1.8 本文的内容安排 |
| 第二章 复杂系统的标度行为及其动力学机制 |
| 2.1 复杂系统的标度行为 |
| 2.2 复杂标度行为的动力学机制 |
| 2.2.1 Barabási-Albert 模型 |
| 2.2.2 自组织临界(SOC) |
| 2.2.3 HOT 理论 |
| 2.3 分形 |
| 2.3.1 分形的定义 |
| 2.3.2 分形产生的物理机制 |
| 2.3.3 复杂系统的自相似性和标度不变性 |
| 2.3.4 分形维数 |
| 2.3.5 多重分形 |
| 2.4 传统的标度分析方法 |
| 2.4.1 相关函数分析法 |
| 2.4.2 功率谱密度分析法 |
| 2.4.3 重标极差(R/S)分析法 |
| 2.4.4 WT 和 EMD 方法 |
| 2.5 本章小结 |
| 第三章 基于时间序列多标度指数特征的机械故障特征提取方法 |
| 3.1 引言 |
| 3.2 去趋势波动分析(DFA) |
| 3.2.1 DFA 方法 |
| 3.2.2 标度指数的物理意义 |
| 3.3 基于时间序列多标度指数特征的机械故障特征提取方法 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱故障诊断 |
| 3.4.2 滚动轴承故障诊断 |
| 3.4.3 滚动轴承损伤程度识别 |
| 3.5 本章小结 |
| 第四章 基于增量序列标度特征的机械故障诊断方法 |
| 4.1 引言 |
| 4.2 增量序列的动力学特征 |
| 4.2.1 增量序列与原序列的波动特征之间的关系 |
| 4.2.2 数据的重排和替代 |
| 4.2.3 增量序列的符号分量和幅值分量及其动力学特征 |
| 4.3 基于增量序列标度特征的机械故障诊断方法 |
| 4.4 实验验证 |
| 4.4.1 齿轮箱故障诊断及其“故障线” |
| 4.4.2 滚动轴承故障诊断及其“故障线” |
| 4.5 “故障线”现象及其成因研究 |
| 4.6 本章小结 |
| 第五章 基于时间序列多重分形特征的齿轮箱故障特征提取 |
| 5.1 引言 |
| 5.2 多重分形去趋势波动分析(MF-DFA) |
| 5.2.1 MF-DFA 方法 |
| 5.2.2 MF-DFA 与经典多重分形理论的关系 |
| 5.2.3 时间序列多重分形类型的确定方法 |
| 5.3 基于时间序列多重分形特征的齿轮箱故障特征提取方法 |
| 5.4 实验验证 |
| 5.5 齿轮箱振动数据出现多重分形的原因 |
| 5.6 本章小结 |
| 第六章 基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断 |
| 6.1 引言 |
| 6.2 基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断方法 |
| 6.2.1 马氏距离判别法 |
| 6.2.2 基于 MF-DFA 和马氏距离判别法的机械故障诊断方法 |
| 6.3 实验验证 |
| 6.4 滚动轴承振动数据出现多重分形的原因 |
| 6.5 MF-DFA 与其它故障特征提取方法的比较 |
| 6.6 马氏距离判别法和神经网络在轴承故障特征分类中的性能比较 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、基于时序模型参数的距离判别函数在机械故障诊断中的应用（论文参考文献）
- [1]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
- [2]滚动轴承可拓智能诊断与性能退化评估[D]. 雷兵. 华东交通大学, 2020(05)
- [3]基于时序分析方法与排列熵的结构非线性损伤识别研究[D]. 梅亚辉. 广州大学, 2020(02)
- [4]基于改进LTSA和BAS-SVM的滚动轴承故障诊断研究[D]. 吴保林. 安徽工业大学, 2020(07)
- [5]一种非线性自回归时序模型及其应用研究[D]. 马家欣. 东南大学, 2020
- [6]自适应信号处理的机械传动系统故障诊断[D]. 陈雪娇. 西安工业大学, 2019(07)
- [7]基于支持向量机的滚动轴承故障诊断与预测方法研究[D]. 肖雅静. 中国矿业大学(北京), 2019(09)
- [8]高压真空断路器振动特征提取及故障诊断方法研究[D]. 刘永超. 河南理工大学, 2017(12)
- [9]齿轮箱关键部件非平稳振动信号分析及诊断方法研究[D]. 江星星. 南京航空航天大学, 2016(11)
- [10]基于时间序列标度分析的旋转机械故障诊断方法研究[D]. 林近山. 南京航空航天大学, 2013(12)