一、Acoustic emission technique based rubbing identification for Rotor-bearing systems（论文文献综述）
邓奇[1]（2021）在《基于改进LMD和粒子群优化最小二乘支持向量机的风电机组齿轮箱故障诊断》文中指出随着环境的恶化和化石能源的短缺,人们更加渴望追求一种安全可靠的清洁能源用来解决能源不足和环境污染等问题,风力发电属于清洁、储量充裕的新能源,得到了大家的一致认可。在经过长达十几年的发展历程中,风电机组在我国占比逐年递增,伴随着运行年限的增加,许多早期的风电机组关键部件都出现了各种故障,这些故障将导致风机的稳定性持续降低;为此,本文将局部均值分解（LMD）引入到风电机组齿轮箱故障诊断中,详细的研究了基于局部均值分解的风电机组非线性、非平稳信号的去噪能力,同时采用多尺度熵和能量提取故障信号的特征向量,并搭建粒子群（PSO）优化最小二乘支持向量机（LSSVM）的故障诊断模型,从而实现风机中不同故障振动信号的准确识别和诊断。本文首先对选题的背景、目的以及意义进行了详细的阐述,然后从旋转机械设备振动信号的降噪处理方法、特征提取方法和故障诊断方法三个方面的国内外研究现状进行了介绍,并总结风机模式识别过程中所遇到的缺陷,引出本文的研究思路以及内容。其次,详细介绍了风机的基本结构和工作原理,同时详细阐述了风电机组几种典型的故障以及发生故障的原因,主要包括齿轮箱中的齿轮、滚动轴承以及高低速轴承的故障类型和发生故障的主要原因,以及风电机组中发电机和叶轮的主要故障类型和发生故障的原因。再次,由于风电机组齿轮箱的振动信号是非线性、非平稳的特征,采用传统的局部均值分解方法容易出现模态混叠问题,因此,本文提出了改进LMD方法用于振动信号的降噪处理,以风机滚动轴承所采集到的多种类型信号进行验证,运用对采集信号的分析证明了本文方法的实用性;同时还介绍了经验模态分解同局部均值分解的基本区别。然后,详细介绍了多尺度熵的基本原理,将多尺度熵值和能量值相结合作为特征向量;阐述了 LSSVM的基本原理,针对其惩罚系数和径向基核函数的宽度都属于变量,取值的不同将会直接影响故障诊断的准确度,本文采用PSO对LSSVM参数进行寻优,并搭建了粒子群优化最小二乘支持向量机的故障诊断模型。最后,以风电机组滚动轴承的数据为例,将其应用于本文所提基于改进局部均值分解和粒子群优化最小二乘支持向量机故障诊断模型中,分别从滚动轴承三种不同运行状态进行仿真分析,验证了本文所提方法能够准确的提取出故障信号的特征向量,具有较高的故障诊断精度,具有工程应用的价值。
黄矫燕[2]（2021）在《基于声发射的航空发动机异常状态识别方法研究》文中提出航空发动机的异常状态会影响飞机飞行安全,严重时会引发恶性事故。本文基于声发射技术,对航空发动机异常状态识别方法进行了深入研究,为航空发动机的健康管理与故障诊断提供重要依据。研究中,通过声发射传感器采集异常状态下的声发射信号,对航空发动机的进气畸变、异物吸入开展了识别方法研究;同时,以航空发动机叶片的制作材料TC11钛合金制成的试件为研究对象,开展了变形损伤各阶段与裂纹萌生的识别方法研究。本文的主要研究成果如下:（1）基于声发射技术的航空发动机进气畸变识别方法研究声发射信号的幅值、有效值电压（RMS）、平均信号电平（ASL）等参数与发动机进气畸变范围的对应关系结果表明,声发射技术可检测到进气畸变的较早变化,为发动机异常状态的识别提供早期特征。为进一步实现对发动机畸变的预警,采用经验小波变换（EWT）对声发射信号进行特征提取。EWT在采用自适应分割频谱时,存在信号的过分解现象。为此,本文在借鉴香农熵理论的基础上,提出一种新的声发射参数——单位参数熵。声发射信号经EWT处理后,分别计算各模态分量的单位参数熵,保留熵值较大的模态分量、并去掉熵值较小的分量,再对保留的分量进行信号重构。从重构信号的频谱图上可知,信号的频谱随畸变范围的增加向高频移动。该特征可较好的分辨出发动机的畸变状态。识别发动机异常状态时,基于EWT与变分模态分解（VMD）算法,对信号进行分解,得到异常状态信号频谱,提出利用深度卷积神经网络Inception V3作为迁移学习的模型构建基于模型迁移的发动机异常状态模式识别方法。保留Inception V3模型瓶颈层前的网络结构与权重参数值,训练新加入的全连接层与输出层。随机选取畸变范围为0%,30%,40%,45%,50%时的声发射信号各200组,完成模型训练,进而对模型准确率进行验证。本文进行了五种畸变范围的识别,模型一共进行了 10000步迭代,最后准确率稳定在97%左右。（2）基于声发射技术的航空发动机吸入不同异物的时间定位与识别方法研究本文对航空发动机开展了吸入不同异物的辨识实验,异物分别为小砂石、中砂石、冰块、保险丝、橡胶圈和螺钉。为得到准确的异物投入后所对应的特征数据并获得信号的时频信息,对采集到的声发射信号数据进行短时傅里叶变换,分别求取每个声发射事件频率的最大值与总能量。结果发现,频率的最大值与总能量极值点即是异物抛入后所对应的声发射信号。在一定条件下,总能量的频率能量谱更能准确确定信号的位置。为辨识异物,采用VMD对七种不同异物对应的声发射信号进行分析与特征提取。结果表明,投入不同异物时,信号分量的频带分布与信号的幅值分布各不相同。为进一步根据信号的特征分量确切区分不同的异物,对原信号变分模态分解,得到信号的分量组成。高频分量重构,求取其多尺度排列熵。低频分量重构,求取其多尺度排列熵。在此基础上,本文提出联合原信号多尺度排列熵,高频重构信号与低频重构信号的多尺度排列熵,成功区分小砂石、中砂石、冰块、保险丝、橡胶圈和螺钉等七种不同物体。（3）基于声发射技术的TC11钛合金变形损伤各阶段与裂纹萌生识别方法研究金属在载荷不断加大的作用下,从弹性-屈服阶段发展至断裂阶段有大量的声发射信号产生。声发射信号的分布与金属所处的阶段有关。在弹性-屈服阶段,有大量幅值较大的声发射信号产生;在强化阶段,声发射信号数量与幅值都有所减小;在颈缩阶段,只有少量的声发射信号,直至颈缩阶段后期,存在一短暂阶段,此阶段几乎没有声发射信号,这预示着裂纹的萌生与断裂阶段的到来;在断裂阶段,声发射信号的数量突然增加,声发射信号的特征与弹性-屈服阶段相似。以上现象表明,不同阶段声发射信号携带有不同的特征信息。本文提出加权峰值频率能量比作为信号特征提取的参数。计算信号包含的分量信号的高频与低频成分的AE信号能量比,能够把金属变形的四个阶段区分成两类,一类是弹性-屈服阶段与断裂阶段,一类是强化阶段与颈缩阶段。通过联合能量最大分量信号的能量值与加权峰值频率能量比,不能区分的阶段也得到了很好的辨识。裂纹萌生发生在断裂阶段,断裂阶段的准确识别可以应用到裂纹萌生的识别。针对航空发动机异常状态监测时,不同异常状态需不同识别方法的缺点,为提高异常状态识别方法的通用性,实现异常状态识别与故障诊断的人工智能化,本文提出将迁移学习应用到TC11钛合金变形损伤各阶段与裂纹萌生的识别。将迁移学习得到的特征向量与能量最大信号分量的能量值与峰值频率相结合,作为支持向量机的输入特征向量,对金属变形的四个阶段与裂纹的萌生进行识别。结果表明,TC11钛合金变形损伤各阶段与裂纹萌生的识别准确率达到96%。
郭慧军[3]（2021）在《基于深度学习的风电机组状态监测与健康评价》文中提出随着我国风力发电装备容量不断提高和机组设备的复杂程度不断加强,机组设施故障频繁、可靠性较差和生产运维费用昂贵等一系列问题日益凸显,已经在很大程度上制约了我国风力发电行业的健康发展。风电机组运行状态监测与性能评价逐渐成为解决其中关键性问题的主要手段。基于此,本文以风电机组齿轮箱为主要研究对象,基于深度学习方法,开展风电机组状态监测与健康评价研究,具体内容包括:（1）基于变点（CP）和Copula理论的SCADA数据清洗与预处理。由于风电机组受到风速、风向等各种环境条件的影响较大,运行数据波动较大、易受干扰等原因,使得SCADA数据常常存在许多异常情况,必须对其进行数据清洗和预处理。为此,本文提出一种两阶段CP-Copula算法的风电机组异常数据清洗方法。首先,根据风电机组异常运行数据的分布特征和产生原因,借助风功率曲线将异常数据划分为堆积型异常数据和分散型异常数据,利用CP算法最大限度处理大量堆积型异常数据和少量分散型异常数据。该方法以功率方差变化率的拐点作为异常数据的判断依据,以此提高正常情况下的数据占比;之后基于Copula函数构造风速和功率相关性的概率功率曲线,进一步清洗剩余分散型异常数据。通过算例分析对算法进行验证,结果表明提出的CPCopula算法可以准确识别不同类型的异常数据,且清洗效果好于其他对比方法。（2）基于多参数融合的风电机组齿轮箱状态监测。针对SCADA数据高维相关、含有噪声、具有不确定性等情况,本文提出一种基于批标准化（BN）-稀疏降噪自编码网络（SDAE）的风电机组齿轮箱状态监测模型。该方法首先在传统自编码器网络基础上增加稀疏和降噪两重功能模块,以解决风电机组关键信息噪声淹没和微弱特征提取困难的问题,再利用改进的稀疏降噪自编码网络学习齿轮箱状态数据的特征规则,并引入批标准化（BN）算法提高网络收敛速度和学习效率。选取影响齿轮箱性能的关键参数集,并利用此参数集构建基于BN-SDAE网络的多参数融合状态监测模型,接着定义模型的重构误差,对重构误差进行评估,并采用核密度估计法确定性能监测阈值,最后以齿轮箱高温故障为案例对所提方法进行验证,实验结果表明了算法的有效性。（3）针对风电机组齿轮箱健康状态难于评价的问题,提出一种基于长短期记忆网络（LSTM）的齿轮箱健康状态评价方法。该方法首先依据SCADA参数与反映风电机组齿轮箱状态评价参数之间的相关关系为切入点,结合专家经验和皮尔逊（Pearson）相关系数方法,筛选出健康状态预测模型的输入参量;其次,运用最适合处理时间序列问题的LSTM网络对选取的齿轮箱状态评价参数进行预测,并与当前值进行残差计算;根据预测残差的相对劣化度,采用模糊隶属度和气泡图评价齿轮箱的健康状态。最后,通过对实测某风电场运行数据进行算法的验证,实验结果表明该预测算法和评价方法比较准确且简单直观,具有一定的工程应用价值。
王天宇[4]（2021）在《基于数字成像和图像处理的转速和振动测量研究》文中认为旋转机械在能源、化工、电力、冶金等行业占有举足轻重的地位。旋转机械的转速和振动参数是其重要的运行参数,其测量有助于及时、准确地掌握旋转机械的健康状况,为工业系统故障预警、避免无计划的停工停产提供科学的数据。然而现有的检测仪表在性能、价格和适用范围等方面均存在一定的局限性,特别是在复杂、恶劣的工业环境下。比如对于尺寸较小的微机电系统,常规的接触式测量装置会引入额外质量,影响其动态特性。在一些不易于粘贴标记的对象,比如大型风机的叶片等部件,常规传感器的安装与维护成本较高。为了更好地保障机械设备运行的安全性和高效性,有必要继续探究新的测量技术,准确可靠地测量转速和振动,来实现更为完善的设备工作状态监测,推动该领域的研究发展。随着图像传感器制造工艺和图像处理技术的发展,视觉测量方法在机械状态监测领域得到了一定的应用。但目前的视觉测量系统主要是基于昂贵的高速相机,不利于工业上的普遍应用。另外,由于运动模糊等现象的影响,测量精度有待提升。本文通过研究旋转机械转子部件在设备运行过程中的运动特性和图像传感器的感应机理,开发基于低成本图像传感器和图像处理技术的转速和振动测量系统,其具有较高的测量精度和可靠性。相比于高速相机成像的测量系统,该方法可大大降低测量成本。主要的研究成果如下:（1）提出一种基于图像序列相似度的转速测量方法。该方法采用低成本图像传感器采集图像序列,通过提出的三种图像相似度指标,将图像序列转换为一维的相似度信号。根据图像相似度信号的时域、频域特性,提出短时Chirp-Z变换和基于抛物线插值的短时自相关方法,用于图像相似度信号的瞬时旋转频率估计,提取转速信息。对恒定转速的测量结果的最大相对误差不超过±0.7%,归一化标准差不超过1%（转速测量范围为0rpm-3000rpm）。对于动态转速,亦能够得到满意的测量结果。对于渐变转速（1000 rpm-2000 rpm）的测量误差小于±0.5%,对于转速的阶跃变化,测量误差不超过1.4%。该方法基于图像的周期性,可有效克服运动模糊、目标遮挡等不利影响,保证测量精度。（2）提出基于图像相关的振动测量方法。当旋转机械在运行时,旋转部件的振动会导致图像灰度分布的变化。采用图像相关方法处理旋转部件图像序列,获取能够表征旋转部件振动的图像相关信号,通过频谱分析求解旋转部件的振动频率和振幅。与商用电涡流传感器的测量结果进行了对比。从实验结果上来看,该视觉测量系统能够准确地测量不同转速下的振动频率和相对振动幅度,测得的振动频谱与参考装置几乎一致,在基频和高次谐波频率处都存在强烈且明显分离的谱峰。不同于现有的图像方法,该方法无需在被测部件上附加人工标记,具有较高的普适性。（3）提出基于二维码跟踪的转速测量方法。利用局部特征和图像匹配算法,跟踪粘贴在旋转部件表面的二维码标记,实现旋转部件旋转角度和转速的测量。本文主要采用AKAZE局部特征,并通过图像相关系数和Hamming距离对特征匹配过程进行优化,提高特征匹配精度,减少误匹配。测量结果与SIFT、SURF算法进行对比。实验结果表明,转速测量的最大相对误差不超过± 1%,归一化标准差不超过0.6%,测量性能优于SIFT、SURF算法。该方法只需2张转子图像,即可完成测量,具有较高的测量精度、实时性好。（4）在多种实验工况的条件下对视觉测量系统进行性能测试,实验结果验证了测量系统的可靠性和环境适应性。深入研究图像传感器分辨率、帧率、曝光时间、光照强度、拍摄角度等对测量系统性能的影响,探求视觉测量系统最佳工作参数。另外,对提出的视觉测量系统进行了现场测试,包括风力发电机的转速和振动测量、工业电机转轴的转速测量等。实验表明,本文开发的视觉测量系统可以精准表征旋转机械转速与振动等信息,测量精度和测速范围均优于现有的图像方法。
李德发[5]（2021）在《基于声发射的动车组轴箱轴承损伤检测机理及其状态感知》文中指出作为城际运输的载体,动车组的运行速度高达350km/h,速度的增加意味着承受更加复杂交变载荷的作用,这会提高传动系统的磨损率,降低传动系统关键部件的服役寿命。轴箱轴承作为动车组走行部关键部件,其运行状态直接关系到整列动车的安全性和稳定性。因此,若能及时感知轴承的运行状态,对保证列车安全运行具有重要的工程意义。目前轴承的各种监测技术如振动、噪声等,基本是采用基于振动和冲击的感知技术来表征轴承的故障状态,而目前多种机理分析认为轴承接触面的磨损是轴承早期损伤的主要原因。目前的检测方法无法提出和机理相对应的损伤参数,从而限制了轴承损伤检测技术的应用,因此基于机理分析的损伤描述及其高灵敏度的检测方法是轴承磨损状态监测的关键,本文研究了基于微凸体变形的粗糙表面接触的声发射感知方法,从而提出了声发射波形流参数均方根值,能够通过能量表征轴承的磨损状态,进而提出基于声发射信号均方根值的早期状态监测方法。论文主要研究内容如下:（1）轴承损伤机理与检测技术研究。分析了常见的磨损理论以及轴承的力学行为,对轴承损伤机理进行了描述与总结。通过分析轴承损伤检测技术的现状,发现损伤检测的参数很难与损伤机理做到有效地统一,由于轴承损伤的演变状态伴随着一定能量弹性波的特征,因此提出了轴承损伤状态与声发射感知特征参数之间相互表征的研究方法。（2）基于微凸体的轴承损伤力学机理研究。通过微凸体随机分布规律,建立了轴承粗糙表面的接触模型;应用弹性力学及其赫兹接触理论,进行了轴承受载条件下的微凸体弹性变形分析;并结合弹流理论,建立了润滑条件下滚动体与内、外圈之间的粗糙接触表面变形能量方程。（3）轴箱轴承的状态感知及其监测实验研究。分析轴承状态与声发射弹性波的表征特点,建立了轴承变形能与声发射均方根值之间的关系,由此提出了基于能量的声发射轴承状态感知方法。为验证损伤检测机理及其感知方法的有效性,设计了基于声发射感知技术的轴承状态监测系统。（4）轴箱轴承状态感知声发射特征参数分析。对实验数据进行处理,通过对比声发射各种特征参数,确定声发射均方根值可以实现轴承的状态感知,并结合已建立的轴承变形能与声发射均方根值的关系表达式,验证了机理分析的正确性,实现了轴承损伤程度的定量化分析。
朱万程[6]（2021）在《磁悬浮储能飞轮转子建模与振动控制研究》文中认为自“碳达峰”和“碳中和”双碳目标提出后,我国针对碳排放陆续出台了多项政策。与电力行业的相关政策中,十四五规划已经明确指出要构建以新能源为主体的新型电力系统。但是以风电和光伏为主等新能源发电受自然因素的影响,其具备“发电不可控”的特点,特别是风力发电还具有随机性、波动性,光伏发电具备突发性和间歇性,这些特性会影响整个电网的稳定性。针对电网对新能源消纳能力不足的问题,引入储能技术是一个很好的选择。在众多储能形式中,飞轮储能以其储能密度大、功率密度高、深度充放、快充快放等优势脱颖而出。储能飞轮系统是实现电能和旋转动能转换的旋转设备。为提高储能量,一般提高飞轮转子转速和转动惯量,这也导致了飞轮转子的振动问题愈加突出。本文以重载磁悬浮飞轮转子为研究对象,进行磁悬浮储能飞轮转子建模与振动控制研究。本文的研究内容和研究成果如下:（1）针对厚轮盘飞轮转子的建模问题,在前面学者的研究基础上,将厚轮盘视为刚体结构,转轴视为柔性轴,提出一种基于有限单元法和模型转换矩阵的厚轮盘飞轮转子建模方法。利用该方法对本文的飞轮转子进行建模,进行固有频率、临界转速、坎贝尔图、谐响应等分析。通过有限元仿真对比,验证了本文提出的建模方法在低阶模态分析时具有较高的精度。（2）针对本文所采用的轴向永磁轴承,利用相应的永磁理论,推导出轴向永磁轴承径向分力刚度,并计算了电机磁拉力刚度,讨论轴向永磁轴承和电机磁拉力这两个干扰力对飞轮转子径向振动的影响。通过仿真计算发现轴向永磁轴承径向刚度和电机磁拉力刚度都会影响飞轮转子的临界转速数值和过临界共振峰值。（3）针对飞轮转子振动过大的问题,为了提高储能飞轮转子转速和降低振动,将径向支承机械轴承更换为电磁轴承,为飞轮转子进行了径向电磁轴承结构设计和PID控制系统搭建,构建一个径向电磁轴承支承下的储能飞轮转子模型,讨论了不同控制参数下的飞轮转子动力学特性。（4）针对传统自适应滤波器不平衡控制会改变电磁轴承转子系统稳定性的问题,提出一种改进的自适应滤波器不平衡控制策略。仿真结果表明该方法不会改变电磁轴承转子系统的原有稳定性,一样可以达到不平衡控制降低转子振动的目标。
薛皓天[7]（2021）在《基于声发射的行星齿轮箱故障识别研究》文中研究表明行星齿轮传动系统因其优良特性作为各种机械设备的核心传动系统,其内部结构复杂,工作时由于零部件之间的相互作用以及外部环境影响,内部零部件极易发生损坏。若设备长期运行在故障状态下运行,轻则系统瘫痪,重则影响生产乃至人身安全,因此对行星齿轮传动系统进行实时监测、进行早期故障的预防与诊断十分重要。在机械设备的故障诊断中,声发射检测技术相比于传统振动检测技术,是一种灵敏度更高、抗干扰能力更强且频响范围更宽的无损检测技术。声发射（Acoustic Emission,AE）信号是一种可以表征材料本身缺陷的超高频应力波脉冲信号,行星齿轮箱运行过程中会产生大量AE信号,挖掘故障信号的深层信息进行故障识别,实现早期故障的智能诊断是当前行星齿轮箱的故障诊断技术的研究热点和难点。故本文立足于行星齿轮箱故障诊断应用需求,通过声发射检测技术采集行星齿轮箱运转过程中产生的故障信号,基于深度学习挖掘数据信息以完成故障AE信号的识别,为机械设备的故障诊断提供新的可行思路,课题主要研究工作如下:（1）根据齿轮箱中行星轮系的运转原理与AE信号机理性质,设计了一款基于STM32H750系列的六通道行星齿轮箱故障检测系统,其中硬件工作包括:信号调理电路、数据采集与传输电路、电源电路与PCB原理图的设计与实现;软件工作包括:数据采集与传输、上位机波形显示与存贮等工作。本系统实现了误差在微秒级别的多通道并行采样,实现了对设备工况的多点实时监测与数据存贮功能,同时从传感器层面与硬件电路层提高了系统的抗干扰性,经信号采集与评估实验,表明了本系统能应用于不同工况、不同故障类型的设备故障诊断现场,随后对信号数据进行降噪处理,为故障信号识别实验研究提供了真实可靠的数据集。（2）为解决大量故障AE信号的识别问题,实现设备故障的智能诊断研究。本文根据行星轮啮合过程中所产生的AE信号具有典型序列模型的特征,使用了一种基于时序卷积网络（Temporal convolutional network,TCN）的行星齿轮箱故障识别的深度学习方法,并建立了AEG-TCN模型,规避了现有的基于循环神经网络（Recurrent Neural Network,RNN）、卷积神经网络（Convolutional Neural Network,CNN）的故障诊断模型中随着网络层数加深出现的梯度弥散、权重矩阵退化等现象。在此基础上进一步建立了并行TCN-CNN的行星齿轮箱故障识别模型,从全局与局部两方面同时深度挖掘声发射信号所包含的故障信息进行故障识别工作。本文从TCN模型结构的理论研究出发,探讨了TCN网络架构及其优缺点,同时经对比实验验证了本文所用的两种模型在齿轮箱故障声发射信号识别任务中准确率等结果要优于传统CNN及RNN等算法,验证了TCN在故障诊断应用领域的可行性与优越性,为齿轮箱故障诊断提供新思路,具有一定的应用研究价值。
罗源睿[8]（2021）在《基于改进LSSVM的滚动轴承故障诊断研究》文中认为滚动轴承作为旋转机械设备的核心元件,其性能的好坏对保障机械设备及系统的运行状况有直接的影响。因此对滚动轴承进行故障诊断的工作不容忽视,不仅能在很大程度上避免不必要的损耗与检修开销,还提高了机械设备的稳定性和安全性。本文根据滚动轴承的工作原理及其故障成因,依照故障诊断的流程进行分析,研究和改进了滚动轴承故障诊断过程中的两个关键环节:故障特征提取和故障类型识别。主要研究工作如下:在故障特征提取环节中,针对滚动轴承振动信号的故障特征难以获取、经验模态分解存在模态混叠等问题,引入了基于粒子群算法（Particle Swarm Optimization,PSO）优化的变分模态分解（Variational Mode Decomposition,VMD）,有效解决了模态混叠现象,还避免了人为设置VMD参数带来的客观影响。首先充分考虑到滚动轴承振动信号的特性,选择能够表征其特性的包络熵作为PSO的适应度函数,进而获得VMD的最优参数组合（K,α）;再通过仿真与实测信号分析实验表明了基于PSO算法优化VMD的可行性和有效性;最后通过VMD与多尺度排列熵（Multi-scale Permutation Entropy,MPE）相结合的方法,对VMD分解后得到的K个内禀模态函数（Intrinsic Mode Function,IMF）分量进行多尺度分析和计算,从而可以更全面地提取故障特征,并作为故障信号的特征向量对故障类型进行模式识别。在故障类型识别环节中,针对难以获取大量诊断数据、选择模型参数的方法易陷入局部最优等问题,采用了最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）对故障类型进行模式识别;此外,考虑到LSSVM的正则化参数c和核宽度σ的选取影响其分类性能,故利用蝙蝠算法（Bat Algorithm,BA）对LSSVM的参数组合进行寻优,并通过收敛性分析实验表明了 BA优化算法相对于PSO和GA而言,收敛速度快且表现出良好的收敛精度和稳定性;最后提出一种基于BA-LSSVM的滚动轴承故障诊断模型,将实际故障类型的识别用于对BA-LSSVM模型精确度及可靠性的验证,同时构建了对比模型,通过实验结果表明BA-LSSVM模型可有效实现对滚动轴承故障类型识别分类,且识别分类的正确率高。
李浩宇[9]（2021）在《基于深度学习的车轴声发射数据故障诊断研究》文中指出随着我国交通领域的快速发展,尤其是在铁路运输方面,列车车轴作为最基本也是最重要的部件之一,长期处于高负荷、高强度的工作状态,极易发生磨损裂纹等故障,并且故障发生位置不易发现,如果不能及时排查解决,不仅会给乘客的经济和人身安全带来极大的隐患,还会对国家相关行业的安全公信力带来难以估计的损害和影响。因此对车轴进行及时且精确的检测显得尤为重要。声发射（AE）检测技术,最为一种常见的无损检测方法可以在不对检测部位进行外力作用的条件下对设备进行检测,可以极大程度下保障了设备的安全,同时声发射信号作为一种一维时序数据可以包含大量的信息,综合以上优点声发射数据在车轴故障诊断领域发挥了极大的作用。针对声发射数据的特点,本文提出了一种基于时间相位不变神经网络（TPINN）的声发射信号数据流故障诊断方法。通过改进的局部均值分解方法（LMD）将原始数据进行分解之后对模型进行多通道输入,提升了模型对数据的理解分析能力;利用TPINN中的大小核卷积层提取相位不变特征,克服了由于信号相位差对诊断结果的影响;在模型的输出部分定义低风险损失函数,改变了模型的预测倾向,减小了模型由于误判而产生的风险;针对大数据时代庞大的数据量,引入了数据流概念,通过Kafka框架实现了数据的流处理,满足了实时快速处理的同时,又不丢失数据的需求。最后实现了对车轴进行实时准确的故障诊断。通过对实验结果的分析和过程可视化可知,本文提出的方法在面对大量且多样的数据时仍然有着极高的响应速度和识别精确度,对比传统的统计学方法有着极大的优势。
吕玉坤,汪岳池,周庆文[10]（2020）在《基于声发射的滑动轴承故障诊断实验研究》文中认为研究滑动轴承的故障声发射检测技术,旨在为其故障检测提供参考。以滑动轴承为研究对象,探究了其处于各个工作状态下的声发射信号特征;在300 MW汽轮发电机组模拟转子实验台上,利用该特征实验模拟工程实践中滑动轴承的几种非正常工况,并进行故障分析与诊断。研究结果表明:滑动轴承润滑油进口油温温升、断油时长变化、升降转速等参数变化均会不同程度地引起声发射信号的变化。因此,声发射技术能够作为汽轮机组滑动轴承故障诊断的补充。
二、Acoustic emission technique based rubbing identification for Rotor-bearing systems（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、Acoustic emission technique based rubbing identification for Rotor-bearing systems（论文提纲范文）
（1）基于改进LMD和粒子群优化最小二乘支持向量机的风电机组齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题的背景 |
| 1.2 选题的意义 |
| 1.3 国内外研究现状 |
| 1.3.1 信号降噪技术 |
| 1.3.2 故障特征提取方法 |
| 1.3.3 故障诊断方法 |
| 1.4 论文研究内容 |
| 2 风电机组的基本结构和典型故障分析 |
| 2.1 风电机组的基本结构和原理 |
| 2.1.1 齿轮箱升速型双馈感应异步风电机组 |
| 2.1.2 直驱型永磁同步风电机组 |
| 2.2 风电机组典型故障分析 |
| 2.2.1 齿轮箱常见故障及其原因 |
| 2.2.1.1 齿轮常见故障分析 |
| 2.2.1.2 高、低速轴常见故障分析 |
| 2.2.2 滚动轴承常见故障分析 |
| 2.2.2.1 滚动轴承的基本结构及故障类型 |
| 2.2.2.2 滚动轴承的故障特征频率 |
| 2.2.3 风电机组中发电机的主要故障及原因 |
| 2.2.4 叶轮的主要故障及原因 |
| 2.3 本章小结 |
| 3 改进局部均值分解理论 |
| 3.1 LMD相关概念 |
| 3.1.1 信号的频率和瞬时频率 |
| 3.1.2 单分量信号和多分量信号 |
| 3.2 局部均值分解原理 |
| 3.3 改进局部均值分解原理 |
| 3.4 LMD和 EMD的比较 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 4 基于改进LMD和 PSO-LSSVM的风电机组齿轮箱故障诊断模型 |
| 4.1 多尺度熵特征向量的提取 |
| 4.2 最小二乘支持向量机的分类原理 |
| 4.2.1 支持向量机的分类原理 |
| 4.2.2 最小二乘支持向量机的分类原理 |
| 4.2.3 常用核函数 |
| 4.3 基于粒子群优化的最小二乘支持向量机模型 |
| 4.3.1 粒子群优化最小二乘支持向量机 |
| 4.3.2 粒子群优化算法中参数的设置 |
| 4.4 基于改进LMD和 PSO-LSSVM的风电机组齿轮箱故障诊断流程 |
| 4.5 本章小结 |
| 5 实例分析 |
| 5.1 风电机组齿轮箱中滚动轴承故障诊断分析 |
| 5.1.1 同负荷运行状态下滚动轴承故障类型诊断 |
| 5.1.2 同种故障类型下不同故障程度的故障诊断 |
| 5.1.3 同种故障类型下不同负荷状态的模式识别 |
| 5.2 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于声发射的航空发动机异常状态识别方法研究（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 发动机异常状态识别方法研究现状 |
| 1.3 课题的来源 |
| 1.4 研究的内容 |
| 第二章 基于声发射的发动机故障诊断与健康监测 |
| 2.1 声发射技术概述 |
| 2.1.1 声发射技术的产生 |
| 2.1.2 声发射技术的发展及应用 |
| 2.1.3 声发射信号分析处理方法 |
| 2.2 声发射技术在航空发动机监测系统中的应用 |
| 第三章 基于声发射的发动机进气畸变状态识别方法研究 |
| 3.1 经验小波变换 |
| 3.2 单位参数熵 |
| 3.3 实验研究 |
| 3.3.1 实验方案 |
| 3.3.2 传感器布置与参数设置 |
| 3.3.3 畸变范围的表示 |
| 3.4 实验数据分析 |
| 3.5 基于迁移学习的发动机进气畸变状态识别 |
| 3.5.1 系统框架搭建 |
| 3.5.2 模型训练 |
| 3.6 本章小结 |
| 第四章 发动机异物吸入的声发射信号分析与辨识方法研究 |
| 4.1 变分模态分解 |
| 4.2 排列熵与多尺度排列熵 |
| 4.3 部分合成信号的排列熵与多尺度排列熵 |
| 4.4 实验方案设计 |
| 4.4.1 实验方法与过程 |
| 4.4.2 传感器布置及参数设置 |
| 4.5 实验数据分析 |
| 4.5.1 异物投入声发射信号定位与分离 |
| 4.5.2 不同异物特征信号的提取与分类 |
| 4.6 本章小结 |
| 第五章 基于声发射的金属裂纹不同发展阶段识别方法研究 |
| 5.1 支持向量机 |
| 5.2 加权的峰值频率能量比 |
| 5.3 金属损伤变形及裂纹扩展实验 |
| 5.4 实验数据分析 |
| 5.5 本章小结 |
| 第六章 总结 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 北京化工大学指导教师对博士研究生的学位论文的学术评议书 |
（3）基于深度学习的风电机组状态监测与健康评价（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究目的与意义 |
| 1.3 本课题国内外研究现状 |
| 1.3.1 风电机组状态监测方法研究现状 |
| 1.3.2 风电机组故障预测方法研究现状 |
| 1.4 课题主要内容与章节安排 |
| 第二章 风电机组及SCADA系统数据分析 |
| 2.1 引言 |
| 2.2 风电机组及齿轮箱组成结构 |
| 2.2.1 风电机组的基本结构 |
| 2.2.2 风电机组齿轮箱故障分析 |
| 2.3 风机SCADA系统及监测状态变量 |
| 2.3.1 风机SCADA系统 |
| 2.3.2 SCADA数据的特点 |
| 2.4 本章小结 |
| 第三章 SCADA数据的清洗与预处理 |
| 3.1 引言 |
| 3.2 风速-功率异常数据分类 |
| 3.3 一种CP-Copula两阶段数据清洗方法 |
| 3.3.1 基于变点理论清洗流程 |
| 3.3.2 基于Copula理论的第二阶段数据清洗 |
| 3.4 CP-Copula算法清洗流程 |
| 3.5 实例分析 |
| 3.5.1 第一阶段清洗效果验证 |
| 3.5.2 第二阶段清洗效果验证 |
| 3.6 本章小结 |
| 第四章 多参数融合的风电机组齿轮箱状态监测 |
| 4.1 引言 |
| 4.2 一种批标准化的稀疏降噪自编码器 |
| 4.2.1 传统自编码器 |
| 4.2.2 稀疏降噪自编码器 |
| 4.2.3 一种批标准化的SDAE(BN-SDAE) |
| 4.3 基于BN-SDAE的多参数融合齿轮箱状态监测模型 |
| 4.3.1 多参数融合监测模型的构建 |
| 4.3.2 监测指标的选取 |
| 4.4 实例分析 |
| 4.4.1 数据描述 |
| 4.4.2 参数讨论 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第五章 风电机组齿轮箱的健康状态评价 |
| 5.1 引言 |
| 5.2 输入参数选择 |
| 5.3 基于主要评价参数的齿轮箱健康状态预测模型 |
| 5.3.1 LSTM模型介绍 |
| 5.3.2 LSTM状态更新原理 |
| 5.4 基于主要评价参数的齿轮箱的状态评价模型 |
| 5.4.1 评价指标的选取和评价语的确定 |
| 5.4.2 隶属度函数的确定 |
| 5.4.3 基于模糊评价的健康状态评价流程 |
| 5.5 实例分析 |
| 5.5.1 输入参数的确定 |
| 5.5.2 齿轮箱状态评价参数预测结果以及残差分布 |
| 5.5.3 异常状态下的参数预测残差以及健康评价 |
| 5.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 个人简介 |
（4）基于数字成像和图像处理的转速和振动测量研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 转速测量方法概述 |
| 1.3 振动测量方法概述 |
| 1.4 基于图像传感器的转速和振动测量研究现状 |
| 1.5 现有视觉测量方法的局限性 |
| 1.6 研究内容 |
| 1.7 论文组织结构 |
| 第2章 基于图像传感器的测量系统设计 |
| 2.1 测量系统概述 |
| 2.2 系统硬件设计 |
| 2.2.1 转子试验台 |
| 2.2.2 光源 |
| 2.2.3 图像传感器 |
| 2.2.4 光学镜头 |
| 2.2.5 标记的设计 |
| 2.2.6 计算机系统 |
| 2.3 视觉测量软件设计 |
| 2.4 成像几何基础 |
| 2.4.1 坐标系的定义 |
| 2.4.2 相机透视投影模型 |
| 2.5 相机标定 |
| 2.5.1 图像平面与平面标定板的映射矩阵 |
| 2.5.2 求解摄像机参数 |
| 2.6 本章小结 |
| 第3章 基于图像序列相似度的转速和振动测量 |
| 3.1 基于图像序列相似度的转速测量 |
| 3.1.1 转速测量原理 |
| 3.1.2 图像相似度评价 |
| 3.1.3 图像预处理 |
| 3.1.4 转速计算 |
| 3.2 基于图像相似度的振动测量 |
| 3.3 不同算法的实验对比 |
| 3.3.1 相似性评估算法(CORR2、SSIM和VIF)比较 |
| 3.3.2 频率估计算法CZT与PIAC的比较 |
| 3.4 本章小结 |
| 第4章 基于二维码标记跟踪的转速测量 |
| 4.1 基于二维码的转速测量机理 |
| 4.2 二维码检测 |
| 4.2.1 尺度不变特征变换 |
| 4.2.2 加速稳健特征 |
| 4.2.3 AKAZE特征 |
| 4.3 转速计算 |
| 4.4 本章小结 |
| 第5章 视觉测量系统实验测试 |
| 5.1 基于图像相似度的转速测量 |
| 5.1.1 实验装置 |
| 5.1.2 实验结果与分析 |
| 5.2 基于图像相关的振动测量实验 |
| 5.2.1 实验装置 |
| 5.2.2 实验结果与分析 |
| 5.3 基于二维码跟踪的转速测量实验 |
| 5.3.1 实验装置 |
| 5.3.2 实验结果与分析 |
| 5.4 视觉测量的现场应用 |
| 5.4.1 风力发电机的转速和振动测量 |
| 5.4.2 工业电机转轴的转速测量 |
| 5.5 本章小结 |
| 第6章 视觉测量系统的影响因素研究 |
| 6.1 帧速率 |
| 6.2 图像分辨率 |
| 6.3 曝光时间 |
| 6.4 拍摄角度 |
| 6.5 光照条件 |
| 6.6 标记设计 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）基于声发射的动车组轴箱轴承损伤检测机理及其状态感知（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动车组关键部件损伤研究 |
| 1.2.2 动车组轴承健康监测研究 |
| 1.2.3 轴承损伤声发射感知技术 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 2 损伤原理及检测方法 |
| 2.1 早期损伤机理及检测技术 |
| 2.1.1 磨损理论 |
| 2.1.2 磨损检测技术 |
| 2.1.3 机理与检测技术 |
| 2.2 轴承的力学行为对损伤影响 |
| 2.2.1 轴承的结构力学模型 |
| 2.2.2 轴承的弹流模型 |
| 2.2.3 轴承的力学参数分析 |
| 2.3 基于轴承接触状态的声发射感知技术 |
| 2.3.1 轴承产生声发射信号机理 |
| 2.3.2 声发射弹性波特征 |
| 2.4 本章小结 |
| 3 基于粗糙表面的轴承变形能量研究 |
| 3.1 基于轴承微凸体的力学模型 |
| 3.1.1 轴承粗糙表面接触模型 |
| 3.1.2 接触力学模型 |
| 3.2 基于微凸体的变形能分析 |
| 3.2.1 受载接触变形能 |
| 3.2.2 润滑状态下接触变形能 |
| 3.2.3 总变形能分析 |
| 3.3 轴承损伤模型建立 |
| 3.3.1 损伤部位模型建立 |
| 3.3.2 损伤变形能及总变形能分析 |
| 3.4 本章小结 |
| 4 轴承的状态感知及其监测试验 |
| 4.1 基于声发射的轴承状态感知 |
| 4.2 基于滚振试验台轴承状态监测实验 |
| 4.2.1 轴箱轴承滚振试验台 |
| 4.2.2 轴箱轴承状态监测系统 |
| 4.3 实验方案 |
| 4.3.1 实验工况设计 |
| 4.3.2 实验轴承选取 |
| 4.4 本章小结 |
| 5 动车组轴箱轴承试验结果分析 |
| 5.1 轴箱轴承无损伤实验结果分析 |
| 5.2 轴箱轴承轻度损伤实验结果分析 |
| 5.2.1 声发射特征参数分析 |
| 5.2.2 特征参数与损伤宽度 |
| 5.3 轴箱轴承中度损伤实验结果分析 |
| 5.3.1 声发射特征参数分析 |
| 5.3.2 特征参数与损伤宽度 |
| 5.4 轴箱轴承重度损伤实验结果分析 |
| 5.4.1 声发射特征参数分析 |
| 5.4.2 特征参数与损伤宽度 |
| 5.5 状态损伤与声发射参数分析 |
| 5.6 声发射与振动对比分析 |
| 5.6.1 振动信号分析 |
| 5.6.2 振动与声发射对比 |
| 5.7 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）磁悬浮储能飞轮转子建模与振动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 储能飞轮系统研究现状 |
| 1.2.2 飞轮转子动力学特性研究现状 |
| 1.2.3 飞轮转子振动控制研究现状 |
| 1.3 研究目标及主要研究内容 |
| 1.3.1 存在问题 |
| 1.3.2 研究目标 |
| 1.3.3 主要研究内容 |
| 1.3.4 论文章节安排 |
| 第2章 磁悬浮飞轮转子动力学理论基础 |
| 2.1 储能飞轮基本结构 |
| 2.2 Jeffcott转子建模 |
| 2.3 电磁轴承模型 |
| 2.3.1 电磁轴承基本原理 |
| 2.3.2 电磁轴承硬件 |
| 2.3.3 电磁轴承力计算 |
| 2.4 四阶Runge—Kutta法 |
| 2.5 类梯形蒙特卡洛积分法 |
| 第3章 储能飞轮转子轴承系统建模研究 |
| 3.1 建模基本理论 |
| 3.1.1 集总参数法 |
| 3.1.2 短轴承支承下的梁单元刚度矩阵 |
| 3.1.3 厚轮盘刚体假设下的坐标关系 |
| 3.1.4 模型缩减转换矩阵 |
| 3.2 厚轮盘飞轮转子轴承系统建模 |
| 3.3 建模误差分析 |
| 3.3.1 飞轮转子轴承系统有限元建模 |
| 3.3.2 飞轮转子动力学特性对比分析 |
| 3.4 本章小结 |
| 第4章 干扰力对磁悬浮飞轮转子径向振动影响研究 |
| 4.1 轴向永磁轴承径向分力理论计算 |
| 4.1.1 磁力和磁力矩理论计算 |
| 4.1.2 磁力磁力矩结果分析 |
| 4.2 轴向永磁轴承的径向分力对径向振动影响分析 |
| 4.3 电机磁拉力对径向振动影响分析 |
| 4.4 本章小结 |
| 第5章 飞轮转子径向电磁轴承结构和振动控制研究 |
| 5.1 径向电磁轴承结构设计 |
| 5.1.1 电磁轴承结构预先确定量 |
| 5.1.2 电磁轴承铁芯和转子轴套结构参数 |
| 5.2 磁悬浮储能飞轮转子控制系统设计 |
| 5.2.1 单自由度磁悬浮转子控制模型 |
| 5.2.2 磁悬浮飞轮转子分散控制模型 |
| 5.3 PID控制的磁悬浮飞轮转子动特性分析 |
| 5.4 磁悬浮飞轮转子不平衡振动控制 |
| 5.4.1 不平衡力产生机理 |
| 5.4.2 自适应滤波器原理和滤波分析 |
| 5.4.3 基于改进的自适应滤波器不平衡控制 |
| 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及其它成果 |
| 致谢 |
（7）基于声发射的行星齿轮箱故障识别研究（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 声发射检测技术应用研究现状 |
| 1.2.1 声发射检测技术应用发展 |
| 1.2.2 声发射信号分析方法 |
| 1.2.2.1 特征参数分析法 |
| 1.2.2.2 波形分析法 |
| 1.3 行星齿轮箱故障诊断技术研究现状 |
| 1.4 本文工作及章节安排 |
| 第二章 基于声发射的行星齿轮箱故障检测原理 |
| 2.1 引言 |
| 2.2 行星齿轮系结构及常见故障类型 |
| 2.3 声发射检测技术原理 |
| 2.3.1 定义 |
| 2.3.2 产生与传播机理 |
| 2.3.2.1 产生机理 |
| 2.3.2.2 传播特性 |
| 2.3.3 基于声发射的行星齿轮箱故障检测方案 |
| 2.4 基于声发射的行星齿轮箱检测技术优势 |
| 2.5 本章小结 |
| 第三章 基于声发射的行星齿轮箱故障检测系统设计 |
| 3.1 引言 |
| 3.2 系统方案设计与指标 |
| 3.3 系统硬件设计 |
| 3.3.1 声发射传感器 |
| 3.3.2 信号调理电路设计 |
| 3.3.3 数据采集与传输电路设计 |
| 3.3.4 电源电路设计 |
| 3.3.5 PCB布局与走线 |
| 3.4 系统软件设计与数据处理算法 |
| 3.4.1 数据采集与传输 |
| 3.4.3 上位机波形显示 |
| 3.4.4 小波阈值降噪处理 |
| 3.5 故障检测与数据采集实验 |
| 3.5.1 实验环境与方案设计 |
| 3.5.2 实验结果分析与评估 |
| 3.6 本章小结 |
| 第四章 基于并行TCN-CNN的齿轮故障信号识别模型 |
| 4.1 引言 |
| 4.2 时序卷积网络架构 |
| 4.2.1 全卷积 |
| 4.2.2 因果卷积 |
| 4.2.3 膨胀卷积 |
| 4.2.4 残差链接 |
| 4.2.5 基于TCN的行星齿轮系故障信号识别模型设计 |
| 4.3 1D-CNN网络架构 |
| 4.3.1 输入层 |
| 4.3.2 卷积层 |
| 4.3.3 池化层 |
| 4.3.4 全连接层 |
| 4.4 基于并行TCN-CNN行星齿轮箱故障诊断模型 |
| 4.4.1 输入层 |
| 4.4.2 并行特征提取层 |
| 4.4.3 输出预测层 |
| 4.4.4 基于TCN-CNN的齿轮箱故障识别过程 |
| 4.5 本章小结 |
| 第五章 基于TCN-CNN的故障信号识别实验结果与分析 |
| 5.1 引言 |
| 5.2 数据集 |
| 5.2.1 数据集介绍与统计 |
| 5.2.2 数据集划分与评估方法 |
| 5.3 对比实验模型及其参数设置 |
| 5.3.1 基于Xgboost的故障信号识别模型 |
| 5.3.2 基于LSTM的故障信号识别模型 |
| 5.3.3 基于多层GRU的故障信号识别模型 |
| 5.3.4 基于CNN的故障信号识别模型 |
| 5.3.5 基于并行GRU-CNN的故障信号识别模型 |
| 5.4 实验环境说明 |
| 5.5 评价指标 |
| 5.6 参数分析实验 |
| 5.6.1 参数确定 |
| 5.6.2 学习率对于识别的影响 |
| 5.6.3 批处理大小对于识别的影响 |
| 5.6.4 早停参数q的大小对于模型的影响 |
| 5.6.5 CNN卷积核大小对结果的影响 |
| 5.7 实验结果 |
| 5.7.1 准确率结果 |
| 5.7.2 耗时结果 |
| 5.8 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于改进LSSVM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 论文研究背景及意义 |
| 1.2 滚动轴承及其故障诊断概述 |
| 1.2.1 滚动轴承的结构组成 |
| 1.2.2 滚动轴承故障诊断方法 |
| 1.2.3 滚动轴承常见故障形式 |
| 1.3 国内外研究现状 |
| 1.3.1 特征提取方法研究现状 |
| 1.3.2 模式识别方法研究现状 |
| 1.4 论文主要研究内容及章节安排 |
| 第二章 变分模态分解 |
| 2.1 引言 |
| 2.2 信号处理的基本概念 |
| 2.2.1 解析信号 |
| 2.2.2 瞬时频率 |
| 2.2.3 内禀模态函数 |
| 2.2.4 经验模态分解 |
| 2.3 变分模态分解 |
| 2.3.1 VMD原理 |
| 2.3.2 实验分析 |
| 2.4 本章小结 |
| 第三章 基于PSO-VMD的滚动轴承特征参数提取方法 |
| 3.1 引言 |
| 3.2 基于粒子群算法优化的变分模态分解 |
| 3.2.1 粒子群算法原理 |
| 3.2.2 适应度函数的确定 |
| 3.2.3 PSO优化VMD流程 |
| 3.3 实验分析 |
| 3.3.1 仿真信号分析 |
| 3.3.2 实测信号分析 |
| 3.4 构建振动信号的特征向量 |
| 3.4.1 MPE原理 |
| 3.4.2 MPE的参数设置 |
| 3.4.3 多尺度排列熵构建特征向量 |
| 3.5 本章小结 |
| 第四章 基于改进LSSVM的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 支持向量机基本概念 |
| 4.2.1 经验风险最小化 |
| 4.2.2 VC维理论 |
| 4.2.3 结构风险最小化 |
| 4.2.4 支持向量机原理 |
| 4.3 最小二乘支持向量机 |
| 4.4 蝙蝠算法 |
| 4.4.1 蝙蝠算法原理 |
| 4.4.2 实验分析 |
| 4.5 基于BA-LSSVM的滚动轴承故障识别与分类 |
| 4.5.1 建立BA-LSSVM滚动轴承故障诊断模型 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读学位期间发表论文与软件着作权目录 |
| 附录B 攻读学位期间参与的研究工作 |
（9）基于深度学习的车轴声发射数据故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 声发射现象及应用 |
| 1.1 声发射现象简介 |
| 1.2 声发射技术的应用 |
| 1.3 本章小结 |
| 2 大数据流在车轴故障检测的应用 |
| 2.1 数据流的定义 |
| 2.2 数据流的计算框架 |
| 2.3 车轴故障检测介绍 |
| 2.3.1 背景介绍及意义 |
| 2.3.2 国内外研究现状 |
| 2.4 本章小结 |
| 3 数据采集及预处理 |
| 3.1 数据采集 |
| 3.2 时频域分析与处理 |
| 3.2.1 时频域分析介绍及相关工作 |
| 3.2.2 端点效应及解决办法 |
| 3.3 实验结果 |
| 3.4 本章小结 |
| 4 基于相位和时序不变神经网络的故障诊断方法 |
| 4.1 深度学习在故障诊断的应用 |
| 4.2 相位不变特征提取 |
| 4.2.1 卷积神经网络的介绍 |
| 4.2.2 相位不变特征提取层 |
| 4.2.3 时序分析层 |
| 4.3 实验结果 |
| 4.3.1 TPINN模型设计 |
| 4.3.2 实验结果对比 |
| 4.4 本章小结 |
| 5 基于低风险损失函数的TPINN |
| 5.1 代价敏感损失函数 |
| 5.2 基于低风险损失函数的模型框架 |
| 5.3 实验结果 |
| 5.3.1 基于多视角域迁移的预训练 |
| 5.3.2 实验结果对比 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）基于声发射的滑动轴承故障诊断实验研究（论文提纲范文）
| 引言 |
| 1 滑动轴承声发射产生机理 |
| 1.1 滑动轴承工作原理 |
| 1.2 滑动轴承声发射现象产生机理 |
| 2 声发射技术 |
| 2.1 声发射技术原理 |
| 2.2 声发射技术的应用 |
| 3 滑动轴承故障诊断实验研究 |
| 3.1 试验器材 |
| 3.2 试验步骤 |
| 3.3 结果与分析 |
| 3.3.1 润滑油进口油温温升分析 |
| 3.3.2 断油时长分析 |
| 4 结语 |
四、Acoustic emission technique based rubbing identification for Rotor-bearing systems（论文参考文献）
- [1]基于改进LMD和粒子群优化最小二乘支持向量机的风电机组齿轮箱故障诊断[D]. 邓奇. 西安理工大学, 2021(01)
- [2]基于声发射的航空发动机异常状态识别方法研究[D]. 黄矫燕. 北京化工大学, 2021
- [3]基于深度学习的风电机组状态监测与健康评价[D]. 郭慧军. 内蒙古工业大学, 2021(01)
- [4]基于数字成像和图像处理的转速和振动测量研究[D]. 王天宇. 华北电力大学(北京), 2021
- [5]基于声发射的动车组轴箱轴承损伤检测机理及其状态感知[D]. 李德发. 北京交通大学, 2021
- [6]磁悬浮储能飞轮转子建模与振动控制研究[D]. 朱万程. 华北电力大学(北京), 2021
- [7]基于声发射的行星齿轮箱故障识别研究[D]. 薛皓天. 电子科技大学, 2021(01)
- [8]基于改进LSSVM的滚动轴承故障诊断研究[D]. 罗源睿. 昆明理工大学, 2021(01)
- [9]基于深度学习的车轴声发射数据故障诊断研究[D]. 李浩宇. 大连理工大学, 2021(01)
- [10]基于声发射的滑动轴承故障诊断实验研究[J]. 吕玉坤,汪岳池,周庆文. 节能, 2020(12)