一、基于小波分析与共振解调技术的故障信息提取（论文文献综述）
潘碧琳[1]（2021）在《基于优化共振稀疏分解和变分模式分解的动车组轴箱轴承故障诊断方法研究》文中研究说明轴箱轴承作为动车组走行部中的重要部件,长期处于高转速、大载荷的工作环境下,是最易受损的部件之一,一旦出现故障将直接危及行车安全。目前,我国动车组轴箱轴承的状态监测手段主要为实时温度监测,此方法存在报警延迟的问题,无法高效准确地诊断故障。针对轴承故障诊断方法的研究虽取得了一定成果,但在方法验证阶段,多数试验所加工况简单,无法模拟轴箱轴承实际服役工况,难以判断故障诊断方法是否适用于真实情况。针对实际服役动车组轴箱轴承故障诊断困难的问题,提出一种基于优化共振稀疏分解和变分模式分解算法的轴承故障诊断方法。优化共振稀疏分解算法基于遗传算法以低共振分量HFK最小值为优化目标,寻优得到优化的高、低品质因子,以此为参数分解故障信号得到高、低共振分量及残余分量。优化变分模式分解算法以中心频率及峭度准则为依据选择分解模式数量,对低共振分量利用变分模式分解算法处理。对峭度最大的基本模式分量实施包络解调,与理论故障特征频率对比实现故障诊断。该方法减小了算法中人为经验对参数的影响,具有良好的自适应性。为了验证方法,构建仿真故障信号,并利用提出的方法处理,结果表明本方法可准确提取冲击频率及倍频,与四种传统方法处理的结果对比,所提方法得到的包络谱中倍频峰更多、底噪更小。利用高速轴承试验台采集故障轴承振动信号,进一步验证本方法的可行性。针对实际服役工况,基于动车组轴箱轴承实测载荷编制典型工况实测载荷谱作为验证试验的输入载荷;分析并对比不同位置缺陷、不同速度、不同载荷的轴箱轴承故障振动信号,利用本文方法进行故障诊断,在包络谱中可找到故障特征频率峰及倍频,可见本方法对试验工况下的动车组轴箱轴承均能进行较准确的故障诊断,表明本方法对实际服役情况下的轴箱轴承故障诊断具有一定指导意义。
姚旺[2]（2020）在《机车轴承故障监测系统设计》文中研究指明机车在行驶过程中的安全问题随着其运行速度的不断提高而备受重视,为了减小甚至消除故障情况对机车运行产生的不良影响,铁科院等科研机构推出了如6A系统监测平台等机车故障诊断装置。而机车轴承作为极易出现故障的部件,其运行状态的好坏直接影响机车运行的稳定性。因此,本文根据6A系统技术规范,设计了一套基于6A平台的机车轴承故障监测系统,对机车运行过程中的轴承状态进行实时监测,保证机车的正常运行。本文根据机车轴承故障产生的原因及特定状态下的振动现象,并结合项目文件要求,从系统结构和故障诊断两个方面对机车轴承监测系统进行了总体设计。在系统结构方面,机车轴承监测系统以嵌入式系统为基础,分为前置处理器和子系统两个模块,通过软硬件系统的相互配合实现对机车轴承信号的采集、存储、分析与显示等功能,并通过CAN总线、以太网等通信方式与6A系统平台进行数据传输。在故障诊断方面,针对现有机车轴承故障信号特征难以获取以及故障诊断精度不高的问题,提出一种基于参数优化变分模态分解法和共振解调技术的机车轴承故障信号诊断方法,通过该方法可以有效提取出机车轴承振动信号中所包含的故障信息,对机车轴承的实时运行状态做出准确判断。在进行故障报警时,根据振动温度复合判断模型对轴承故障等级进行划分,减少了漏报、误报情况的发生。最后,通过系统联调实验以及仿真试验台模拟实验分别验证了此系统在数据通信、外观尺寸以及故障诊断等方面的可行性和实用性。本文设计的机车轴承故障监测系统能够有效的监测机车轴承的运行状态,克服了机车变加速运行状态对故障诊断过程的影响并提高了故障诊断的精确度,有利于排除机车轴承的潜在故障,保证机车的安全稳定运行。
乔增乾[3]（2020）在《基于信息融合的铁路货车滚动轴承故障诊断系统研究》文中指出滚动轴承作为旋转机械设备的关键部件,其运行状态直接关系到设备的安全和稳定性,深入研究滚动轴承在不同运行状态的特征,建立有效的故障诊断系统,保证机械设备运行的完全和稳定具有重要意义。同时在大数据时代信息的获取变得更加容易,表现出信息量大、信息种类多以及低价值密度等特点,通过各种检测技术在采集滚动轴承运行状态时获取的信息多为孤立,甚至是矛盾的,信息融合技术作为多学科交叉技术可以有效综合多源信息,能够更加全面、准确地表征滚动轴承的运行状态,因此本研究应用信息融合技术构建货车滚动轴承故障诊断系统,以满足铁路货运检修公司对货车滚动轴承自动检测的需求,具体工作内容如下:（1）针对实验室承接的中国神华能源股份有限公司铁路货车运输分公司货车轴承故障自动检测项目进行背景调研,阐述了本研究的意义,详细分析了国内外滚动轴承故障诊断的研究现状与热点,总结出滚动轴承故障诊断将向大数据化和多信息融合方向发展,确定应用信息融合技术设计滚动轴承故障诊断系统。（2）深入学习铁路货车常用的双列圆锥滚子轴承的组成、结构、损伤形式、现象与可能原因,分析了轴承发生不同损伤现象时常用的诊断方法,总结典型诊断方法的优缺点及适用场景,确定采用振动分析法进行滚动轴承故障诊断,并对滚动轴承振动的起源、信号特点、振动特点进行研究,分析推导了其故障振动频率,并以此做为判断轴承运行状态的重要依据。（3）提出基于多角度特征提取构建多源证据体的决策层信息融合系统。简要介绍了信息融合的定义、发展和原理,对现有的三种信息融合模型进行分析对比,基于项目现场实际为一个振动信号的情况,设计对同源信号进行多角度特征提取进行决策层融合的新型信息融合模型。（4）参与设计和完善了中国神华能源股份有限公司铁路货车运输分公司货车轴承故障自动检测装置,并现场实际对滚轴轴承进行振动信号采集,运用小波包变换对信号进行分解与重构,实现降噪的目的,通过对比降噪前后的频谱图,表明了小波包变换在信号处理方面的有效性,并将降噪后的信号用于有效特征提取和轴承运行故障诊断。（5）设计神经网络和证据理论相结合的决策层信息融合故障诊断系统,并通过仿真验证其有效性。对降噪后信号分别提取无量纲指标、多尺度散布熵、多尺度模糊熵三类特征指标并输入RBF神经网络进行轴承运行状态初步诊断,其输出结果作为D-S证据理论的输入,其诊断准确率作为基本概率分配进行决策层信息融合,通过MATLAB仿真验证该模型诊断准确率为100%,显着优于RBF神经网络单独诊断的系统,表明了在同源数据下通过多角度特征值提取自主构造多源证据体进行决策层信息融合方法的有效性。
徐涛[4]（2020）在《基于小波分析和变分模态分解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的重要组成部件,其性能极大影响了旋转系统的稳定性和安全性,因此,对滚动轴承的故障诊断一直是牵引传动系统的重点关注。本文通过对滚动轴承在运行过程中产生的振动信号进行分析,识别和诊断轴承当前的健康状态,主要研究内容如下:简要阐述了滚动轴承故障诊断的研究意义和研究目的,梳理并介绍了滚动轴承故障诊断的起源、发展历程和研究脉络等。介绍了基于小波分析的去噪方法的原理和发展历程,采用传统小波阈值去噪、改进小波阈值去噪、小波空域相关法去噪、小波模极大值去噪和本文提出的小波分段阈值去噪法分别对仿真信号和轴承实际振动信号进行去噪处理,实验结果表明本文提出的小波分段阈值去噪法具有最好的去噪效果。采用本文提出的小波分段阈值去噪法进行信号去噪后,对去噪后信号进行特征提取。介绍了基本的时域、频域特征,重点介绍了时频域分析方法小波包分解（Wavelet Packet Transform,WPT）、经验模态分解（Empirical Mode Decomposition,EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、局部均值分解（Local Mean Decomposition,LMD）、变分模态分解（Variational Mode Decomposition,VMD）,阐述原理及各个方法的优缺点,并对其进行仿真分析,实验结果表明VMD方法分解效果最好。另外,提取出的高维特征集需要降维处理,本文采用主成分分析法（Principal Components Analysis,PCA）和局部切空间排列算法（Local Target Space Alignment,LTSA）进行特征降维。本文采用的VMD方法需要提前设置分解参数,针对此问题,本文提出了基于遗传和果蝇算法协同优化（Genetic Algorithm-Fruit Fly Optimization Algorithm,GAFOA）VMD分解参数的方案,实现了自适应分解振动信号,并通过包络谱分析对故障表征效果进行比较,验证了优化参数VMD方法的优越性。基于本文提出的小波分段阈值去噪法和GA-FOA优化参数VMD方法得到特征矩阵,采用PCA和LTSA降维方法,结合机器学习中的SVM模型、BP神经网络模型分别进行故障状态和故障深度的识别,结果表明LTSA+SVM方法取得了最好的诊断精度。而后调整实验训练集和测试集的比例,研究了SVM分类模型的泛化能力。
任勇[5]（2019）在《变转速旋转机械关键零部件故障诊断研究》文中研究表明转子、轴承和齿轮是旋转机械的重要组成部件,在运行中起到支撑、动力转化和功率传递的重要作用,其性能状态对机械设备运行及效率具有重要的影响。在旋转机械启停运行阶段,转速的变化导致系统振动信号不再具有周期性,同时也导致振动信号产生调频、调幅和调相等非平稳特征,造成以转速平稳为前提的故障诊断方法失效。近年来,针对变转速条件下旋转机械的故障诊断研究已成为研究热点之一。基于转子、轴承和齿轮部件不同部位发生故障时导致机械系统采集的振动信号表现出不同的非平稳性特点,国内外学者先后提出多种不同处理方法。然而,不同的旋转机械转速变化形式多样,导致其振动信号的非平稳特征不同,造成已有方法适应性较低,不利于实际生产应用。因此,以转子、轴承和齿轮为研究对象,开展适用于不同变转速条件下的旋转零部件故障诊断方法研究具有重要意义。本文在“基于多时间尺度模型的变工况大型旋转机械健康管理研究”（国家自然科学基金项目（51475455））的基础上,以机械设备中转子、轴承和齿轮旋转零部件为研究对象,针对变转速运行工况下振动信号信噪比低、对转速测量装置依赖以及包含部件故障信息微弱等问题,开展了不同转速变化条件下基于振动信号的噪声消除、转速提取、故障敏感频带定位和故障特征提取方法的研究。论文主要研究工作如下:（1）研究分析了转子、轴承和齿轮的常见故障类型,指出在变转速工况下部件不同故障对应的故障特征,分析构建了不同部件对应故障振动模型。通过仿真手段分别分析了转子、轴承和齿轮在变转速工况下时域、频域和阶域信号特征,为后续基于阶谱成分辨识的故障信息提取建立了基础。同时,还针对本课题研究内容设计了不同实验方案,采集了相应的实验数据。（2）在实际生产中采集的振动信号存在大量的噪声干扰,导致表征部件故障特征信息成分被淹没。针对此问题,引入奇异值分解（Singular Value Decomposition,SVD）降噪算法并指出其在变转速工况下振动信号降噪分析中存在的缺陷。在此基础上,结合变转速工况下设备振动信号的特性,提出了迭代奇异值分解降噪方法（Iterated Singular Value Decomposition,ISVD）,通过仿真信号和不同故障轴承实验数据分别进行ISVD降噪分析,并通过对比故障阶次成分幅值大小定量表述所提方法的有效性。（3）为获得无转速计辅助情况下启停运行阶段转子、轴承和齿轮的转速信息,提出了基于振动信号时频脊线特征直接提取转速信息的解决方案。在信号短时傅里叶变换（Short Time Fourier Transform,STFT）时频分析中,引入最小信息熵准则自适应确定窗长,提出自适应STFT时频分析方法,有效地提高信号的时频分辨率。同时,分析了现有基于脊线检测的转速提取方法存在的优点及不足,并在此基础上提出一种基于优化动态路径规划脊线检测（Optimized Dynamic Path Planning Based Ridge Detection,ODPPRD）的转速提取方法,通过多组不同变转速条件下的实验数据分别验证所提方法的有效性。（4）为了克服在变转速工况下常见敏感频带定位方法在定位转子、轴承和齿轮故障信息频带时存在偏差等缺陷,在分析转速变化对峭度类指标影响的基础上,结合信号阶谱特性提出阶谱相关峭度（Order Spectrum Corrlated Kurtosis,OSCK）指标。同时,考虑到角域重采样易引起信号共振带扭曲的现象,指出信号共振带的确定必须在进行角域重采样之前完成。基于此,利用OSCK替换快速谱峭度图中的谱峭度指标,提出了基于快速阶谱相关峭度图（Fast Order Spectrum Kurtogram,FOSCK）的信号故障敏感频带定位方法,实现了不同变转速运行工况下转子、轴承和齿轮不同故障对应敏感频带的准确定位。（5）针对实际生产应用中不同旋转部件一种或多种故障并发的情况,开展了基于转子、轴承和齿轮故障的快速分类识别研究。在变转速运行工况下,不同旋转部件故障振动信号的谱图特征具有明显差异。基于此,分别针对转速变化较慢和较快两种不同工况,运用随机统计平均算法构造了频谱随机统计平均特征和阶谱随机统计平均特征;结合最近邻分类算法（Nearest Neighbour Classifier,NNC）对谱图特征进行故障模式分类,实现了变转速工况下转子、轴承和齿轮的单一和混合故障的快速有效分类。该论文有图137幅,表23个,参考文献191篇。
宋永兴[6]（2019）在《基于主成分分析的水力旋转机械低频声特征提取方法研究》文中研究指明对于泵、水轮机和螺旋桨等典型的水力旋转机械,如何准确地获取振动、噪声特征信号参数,是实现状态监测、故障预警和目标识别的关键问题,而水力旋转机械运行过程所激励的轴频和叶频等特征信号具有典型的低频特征,其提取面临环境干扰强、直接测量难度大的问题。本文面向水力旋转机械低频特征信号提取的实际问题,以离心泵和螺旋桨为具体研究对象,研究低频辐射声信号机理,建立声信号分析模型,基于共振解调方法、循环平稳分析方法、时频分析方法和主成分分析技术,提出了具有高抗噪性、高精度、高效率的低频声特征提取方法。本文主要研究内容包括以下几个方面:（1）开展了水力旋转机械辐射噪声信号特性研究,建立了调幅信号模型和调幅-调频信号模型。基于辐射噪声信号的组分分析,研究了用于信号预处理的时域平均方法和自回归模型算法,利用仿真分析验证了自回归模型算法的高效性,为水力旋转机械辐射噪声信号的预处理和调制信号的解调算法提供基础。（2）基于多频带解调和主成分分析技术,提出了用于水力旋转机械低信噪比工况的解调算法（Demodulation method based on Multiple frequency bands and Principal component analysis,DMP）,主成分分析技术能够对多频带中调制信号组分实现增强与提取,提高算法的抗噪性能。通过离心泵多工况辐射噪声实验和仿真分析进行了算法的验证,并与经典单频带解调谱峭度分析算法进行比较研究。结果显示,DMP算法能够实现离心泵在低信噪比工况下的低频声特征提取,并且相比谱峭度分析算法具有更好的高抗噪解调性能。（3）基于循环平稳分析和主成分分析技术,提出了用于水力旋转机械高精度低频特征提取工况的解调算法（Demodulation method based on Cyclostatioanrity and Principal component analysis,DCP）,主成分分析技术能够对二阶统计量矩阵中调制信号组分实现增强与提取,提高算法的抗噪性和精度。通过螺旋桨多工况水下辐射噪声实验和仿真分析进行了算法的验证,并与经典的谱峭度分析和循环平稳分析算法的对比研究。结果显示,DCP算法能够实现螺旋桨在低信噪比工况下的高精度低频特征提取,并且相比循环平稳分析等经典算法具有更高的精度。（4）基于时频分析和主成分分析技术,提出了用于水力旋转机械在线分析工况的解调算法（Demodulation method based on Time-frequency analysis and Principal component analysis,DTP）,主成分分析技术能够对时频分布矩阵中调制信号组分实现增强与提取,提高算法的抗噪性能。通过离心泵和螺旋桨多工况辐射噪声实验和仿真分析进行了算法的验证,结果显示DTP算法能够实现离心泵和螺旋桨在低信噪比工况下的低频特征提取,并且相比谱峭度分析和循环平稳分析具有更高的计算效率。（5）针对本文所提出的DMP算法、DCP算法和DTP算法,进行了低频特征信号提取适用性分析。仿真分析和实验结果表明,DMP算法适用于低信噪比条件下的低频特征信号提取,DCP算法适用于高精度要求的低频特征信号提取,DTP算法适用于低频特征信号的快速、在线提取。本文以离心泵和螺旋桨为例,对水力旋转机械低频声特征提取方法进行研究,提出了具有高抗噪、高精度和高效率的低频声特征提取算法,可用于多工况、复杂环境干扰条件下的低频声特征提取,从而为水力旋转机械的状态监测、故障诊断和目标识别等的研究和工程应用提供支撑。
张迪[7]（2019）在《滚动轴承的多点复合故障诊断研究》文中研究指明滚动轴承是旋转机械的重要零部件之一,它起着支撑旋转轴和减少摩擦等作用,其工作状态直接决定了旋转机械是否可以正常运行。所以,对滚动轴承实行故障诊断或者状态监测的意义重大。从国内外以往的研究内容来看,绝大多数是针对滚动轴承内圈或外圈单点故障的诊断方法的研究,这些方法只能判断轴承是否发生故障,无法判断轴承是否存在多个故障点。针对这个问题,本文以轴承两点故障为例,建立了轴承多点故障的理论模型,通过理论分析发现了轴承单点故障和两点（或多点）故障的振动信号在时域波形上的不同,计算出了轴承两点故障时域信号的冲击间隔比公式。本文对SVD降噪、小波阈值降噪和ITD降噪三种轴承振动信号降噪方法的原理进行了详细研究,并通过数值仿真和实验数据分析,证实了这三种方法的有效性。通过对共振解调技术的理论分析,发现决定共振解调结果的关键因素是滤波。在滤波过程中需要面临两个问题:如何选择滤波器和如何确定滤波参数。为解决这两个问题,本文对滤波器和谱峭度方法的相关理论进行了深入的研究和详细的介绍。结合共振解调技术和谱峭度方法,本文提出了一种轴承故障特征提取方法。通过实例分析,将本文提出的故障特征提取方法与ITD降噪方法相结合,成功地从轴承振动信号中提取出了故障特征,验证了这种故障特征提取方法的有效性。提出了一套快速高效的轴承故障诊断方法,此方法的基本思路为:以时域波形分析为时域分析方法,以谱峭度方法和共振解调技术为频域分析方法,对轴承的振动信号进行时域和频域的双重分析。以轴承的频域故障特征的为依据,通过包络谱可以判断轴承是否发生故障并定位故障位置;以轴承两点（或多点）故障与单点故障的时域差异为依据,通过时域波形图可以判断轴承是否存在两点（或多点）故障,甚至推算故障点夹角。此外,还可以根据实际情况选择不同的降噪方法对信号进行降噪预处理（或不进行降噪处理）。为了验证了此方法的有效性和正确性,本文对五种故障状态的轴承进行了测试,并进行了详细的数据分析。以共振解调技术和时域特征提取法为基础,在Labview平台上开发了一套滚动轴承状态监测系统,可以对滚动轴承进行实时状态监测,并有历史数据查询功能及报警功能。
陶骏杰[8]（2019）在《基于小波分析和支持向量机的滚动轴承故障诊断研究》文中研究指明滚动轴承是旋转机械中重要的元器件之一,其作用是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦。轴承失效是旋转机械发生故障事故的主要原因之一,所以近年来滚动轴承的故障诊断一直是备受关注的研究课题,对机械设备故障诊断管理的研究同样具有重要的理论意义和实际应用价值。随着计算机技术和信号处理技术的发展,越来越多的新方法被引入到滚动轴承故障诊断领域,本文所采用的研究方法是基于小波分析和支持向量机,两种方法相结合以实现对滚动轴承故障类型和故障程度的综合诊断。首先利用信号处理技术中的小波分析对数据采集系统所采集的原始振动信号数据进行降噪处理并提取出有效的故障特征向量,然后发挥机器学习算法中支持向量机（Support Vector Machine,简称SVM）理论在小样本量空间分类中所具有的明显优势,最终提出基于小波分析和支持向量机相结合的滚动轴承故障诊断方法。本文完成的主要工作如下:1、介绍了滚动轴承的振动机理、失效模式和相关检测技术,分析比较了滚动轴承常用检测方法的优缺点,采用测量滚动轴承的振动信号数据进行轴承的故障诊断,进而研究了滚动轴承的振动机理和特征频率;2、在小波理论各类分析方法的基础上,研究了小波变换在信号降噪、特征提取等方面的应用,并且以仿真分析的形式进行了验证。通过比较不同小波基和分解层数的小波信号的信噪比进一步确定了本次实验所采用的是db6小波基,分解层数为4。选择小波分解后信号在各频带上能量的分量所组成的向量为特征向量,并绘制各频带上能量的分量比例图,通过多组比较发现当轴承内圈发生故障时,能量主要集中在第一频带,其他频带也有一定分布;当轴承外圈发生故障时,能量主要集中在第一和第二频带,其他频带也有一定分布;当轴承滚动体发生故障时,能量几乎只集中在第一频带,其他频带上分布的很少;正常状态下的轴承能量在各频带上的分布较为平均这一能量分布规律,说明特征向量的选取对故障类型的识别有效;3、本研究提出了一种双层回归型支持向量机的滚动轴承故障诊断方法。与许多其他研究的传统分类方法相比,本研究不仅旨在识别不同的轴承故障模式,而且还评估了它们缺陷的大小。该方案在实践中更有意义,因为轴承的使用寿命曲线前期比较平稳光滑,只有在末期才出现陡增的情况。根据上述说明,所提出的方案涉及从振动信号中提取代表性统计参数,识别第一层中的轴承工况,并且一旦在第一层中识别到故障模式,就预测第二层中的故障程度。实验表明该方法在故障类型识别上的整体准确度达到90%以上,在滚动轴承各类缺陷大小的判定上也有不错的效果。综上所述,本文所研究的基于支持向量机的滚动轴承故障诊断方法是可行的,分析和诊断结果与实际吻合,能够满足滚动轴承故障诊断的要求,对滚动轴承的故障诊断具有一定的指导作用。
程增喜[9]（2019）在《基于BP神经网络的抽油机齿轮箱故障识别系统研究》文中提出抽油机作为石油生产行业中最常见的传动设备,其工况的正常与否直接影响到油田生产安全及效益。而齿轮箱属于抽油机地上部分的核心组成,是集电气、机械、传动等专业于一身的复杂装备,同时也是故障率较高的易损耗器件,因此以抽油机齿轮箱为研究对象,以大庆油田第四采油厂生产准备大队抽油机大修车间试验平台为基础,展开齿轮箱内齿轮和滚动轴承的故障类型识别与诊断研究工作,实现故障的准确识别。本文通过采集齿轮箱故障振动信息,主要研究了齿轮箱故障诊断过程中所涉及的信号消噪预处理、特征提取、故障类型识别等关键技术,通过大量的测试验证,在小波包算法及BP神经网络的基础上,实现故障类型的准确识别,并利用LabVIEW技术构建抽油机齿轮箱故障诊断系统,该系统具有较好的实用性,能够满足生产过程中的检修要求。本文从故障机理及信号处理为出发点,进行了大量相关研究工作,主要内容如下:（1）首先阐述了抽油机齿轮箱内部结构,在此基础上深入剖析了齿轮和滚动轴承的典型故障类别及表现形式。同时,明确齿轮和滚动轴承的振动机理及相应的故障特征信息,并以此为理论依据,确立了解决齿轮箱故障诊断问题的研究思路。（2）针对抽油机齿轮箱的故障特征提取问题,深入探讨了时域统计涉及的几种分析指标,通过对不同方向的测试点多次测试,确定较佳测试点的同时选取均方根以及峰值因子、裕度因子等能较好反应故障特征的参数作为齿轮和滚动轴承时域分析的特征参数,初步确认故障类别。在频域范围内,利用傅里叶变换得到故障信号的固有频率和边频的频带范围。为消除干扰噪声对有效信息的覆盖和干扰,研究了基于小波包算法的共振解调特征提取技术。其具体过程是先利用小波包算法分解故障信息,然后选取低频小波包系数进行信号重构,再对重构的信号进行共振解调分析,找到故障的响应特征频率。（3）在分析BP神经网络基本原理的基础上,构建齿轮箱故障识别模型,探讨了神经网络的基本参数的设置,并分别对齿轮和滚动轴承的不同工况进行编码,明确故障类型的判定规则。并用齿轮和滚动轴承的工况数据对神经网络故障识别系统进行样本训练,实现齿轮正常状态和断齿、磨损两种故障状态的识别;对于滚动轴承,可以实现正常状态以及外圈故障、内圈故障和滚珠故障的状态识别。该系统的齿轮和滚动轴承故障类型识别的准确率分别为96%和94.5%,具有较好的实际应用价值。（4）在理论分析的基础上,利用LabVIEW进行齿轮箱故障诊断系统的平台开发,通过结合Matlab实现信号的时频域分析、基于小波包的共振解调处理以及基于BP神经网络的故障类型识别。并对故障诊断结果进行显示,界面简洁清晰,并兼顾故障识别系统良好的人机交互特性,同时该系统还具备较好的可移植性和功能扩充性。
汪志君[10]（2017）在《基于EEMD的共振解调技术在动车组轴承故障诊断中的应用》文中提出随着我国高速铁路运营里程的不断增长,动车组数量快速增加,高速铁路运营中的安全问题成为关注的焦点。准确识别动车组走行部轴箱滚动轴承早期故障特征可以判断动车组运行状态,是进行滚动轴承故障诊断的关键。本文对滚动轴承故障成因、基本形式、振动模型及故障特征频率等内容进行了简单的分析;对已经运用在机车和动车组滚动轴承故障诊断领域的包括时域分析、共振解调、小波包分解和HHT等多种诊断方法做了简单介绍。针对滚动轴承早期故障特征难以提取的特点,本文对基于集合经验模态分解和共振解调技术的自适应滚动轴承故障诊断方法进行了改进,结合峭度值提出了基于峭度值和互相关系数的EEMD重构方法,结合小波包能量谱分析提出了基于快速峭度图和小波包能量谱分析的确定带通滤波器关键参数的方法。诊断方法流程如下:首先,对原始振动信号进行EEMD分解得到一系列IMF分量,并利用峭度值和互相关系数进行IMF分量的筛选和信号重构,得到去噪增强的重构信号;之后,对重构信号做快速峭度图和小波包能量谱分析,得到包含冲击成分和能量最多的频带作为关键参数用于设计带通滤波器并对重构信号滤波;最后,通过希尔伯特（Hilbert）变换对滤波后的信号进行包络解调得到Hilbert包络谱,结合轴承故障理论特征频率进行谱分析,最终得到故障诊断结果。最后使用业界认可的凯斯西储大学轴承数据中心的滚动轴承早期故障振动信号对本文提出的诊断方法进行测试,测试结果证实了诊断方法的有效性。最后本文在对动车组实测振动信号进行分析的基础上,以仿真方法建立了动车组走行部轴箱滚动轴承单点故障振动信号的数学模型,并以CRH380BL型动车组走行部轴箱滚动轴承为例,使用MATLAB软件生成了轴承外圈、内圈、滚动体及保持架分别发生单点故障时的振动仿真信号,并对经原方法和本文方法处理该仿真信号得到的诊断结果进行对比分析。实验结果表明原方法和本文改进方法都能准确地得出轴承故障诊断结果,但本文改进方法的诊断效果在一定程度上优于原方法;因此本文提出的改进环节能更准确地确定信号共振带的范围,保留、突出轴承故障特征信息,同时也说明了本文改进方法适用于动车组轴箱滚动轴承早期故障诊断。
二、基于小波分析与共振解调技术的故障信息提取（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、基于小波分析与共振解调技术的故障信息提取（论文提纲范文）
（1）基于优化共振稀疏分解和变分模式分解的动车组轴箱轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题研究背景与意义 |
| 1.2 滚动轴承故障诊断技术的发展和研究现状 |
| 1.2.1 滚动轴承故障诊断技术的发展 |
| 1.2.2 基于振动的轴承故障诊断方法的发展及研究现状 |
| 1.2.3 铁路轴承故障诊断方法验证试验研究现状 |
| 1.3 论文主要研究内容与章节安排 |
| 2 动车组轴箱轴承故障诊断原理 |
| 2.1 动车组轴箱轴承基本结构及失效形式 |
| 2.2 滚动轴承故障诊断机理及故障信号特征 |
| 2.2.1 滚动轴承振动的影响因素 |
| 2.2.2 动车组轴箱轴承的故障振动信号频域特征 |
| 2.2.3 滚动轴承故障振动信号的数学模型 |
| 2.3 本章小结 |
| 3 基于优化RSSD及 VMD的故障诊断方法研究 |
| 3.1 基于遗传算法优化的共振稀疏分解方法研究 |
| 3.1.1 共振稀疏分解理论 |
| 3.1.2 基于遗传算法优化的共振稀疏分解算法 |
| 3.2 优化变分模式分解算法研究 |
| 3.2.1 变分模式分解模型的建立及求解 |
| 3.2.2 基于中心频率及峭度指标的优化变分模式分解算法 |
| 3.3 基于优化RSSD及 VMD的轴承故障诊断方法流程 |
| 3.4 仿真信号验证 |
| 3.5 本章小结 |
| 4 动车组轴箱轴承振动数据采集试验及方法验证 |
| 4.1 动车组轴箱轴承振动信号采集试验设备 |
| 4.2 动车组轴箱轴承实测载荷谱的编制 |
| 4.2.1 动车组轴箱轴承载荷识别及载荷信号数据测试试验 |
| 4.2.2 典型工况载荷实测数据处理及分析 |
| 4.2.3 动车组轴箱轴承试验载荷谱计数处理 |
| 4.3 动车组轴箱轴承振动数据采集试验过程 |
| 4.3.1 动车组轴箱轴承振动数据采集试验步骤 |
| 4.3.2 动车组轴箱轴承振动数据采集试验设计 |
| 4.3.3 不同位置传感器的振动响应 |
| 4.4 方法验证及试验数据分析 |
| 4.4.1 不同缺陷轴承的验证试验及数据分析 |
| 4.4.2 不同速度轴承的验证试验及数据分析 |
| 4.4.3 加载不同载荷轴承的验证试验及数据分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 本文创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（2）机车轴承故障监测系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 国内机车轴承检测技术发展及现状 |
| 1.2.2 国外机车轴承检测技术发展及现状 |
| 1.3 论文的主要内容 |
| 第二章 机车轴承故障分析及系统设计方案 |
| 2.1 机车轴承故障分析 |
| 2.1.1 机车轴承常见的失效形式 |
| 2.1.2 机车轴承故障产生原因 |
| 2.1.3 机车轴承的结构特征及振动机理 |
| 2.1.4 滚动轴承故障特征频率 |
| 2.2 系统整体设计方案 |
| 2.2.1 系统设计要求 |
| 2.2.2 系统功能实现过程 |
| 本章小结 |
| 第三章 机车轴承故障诊断方法 |
| 3.1 经验模态分解 |
| 3.1.1 经验模态分解法分解步骤 |
| 3.1.2 经验模态分解算法的缺点 |
| 3.2 变分模态分解 |
| 3.2.1 变分模态分解模型的建立 |
| 3.2.2 变分模态分解模型求解 |
| 3.2.3 VMD算法仿真分析 |
| 3.3 VMD参数优化 |
| 3.3.1 遗传算法 |
| 3.3.2 非线性规划 |
| 3.3.3 算法结合思想 |
| 3.3.4 信息熵函数 |
| 3.4 共振解调原理 |
| 3.5 机车轴承故障诊断方法 |
| 3.5.1 故障诊断方法原理 |
| 3.5.2 故障诊断方法实施步骤 |
| 本章小结 |
| 第四章 机车轴承故障监测系统硬件设计 |
| 4.1 嵌入式系统 |
| 4.1.1 嵌入式系统介绍 |
| 4.1.2 控制芯片选型 |
| 4.2 传感器模块 |
| 4.2.1 传感器的选型 |
| 4.2.2 传感器的安装 |
| 4.3 前置处理器模块 |
| 4.3.1 多路选择电路 |
| 4.3.2 信号调理电路 |
| 4.3.3 CAN总线传输电路 |
| 4.3.4 数据存储模块 |
| 4.3.5 微处理器 |
| 4.4 子系统主机模块 |
| 4.4.1 微处理器 |
| 4.4.2 显示模块 |
| 4.4.3 通信模块 |
| 4.4.4 时间模块 |
| 4.4.5 车速检测模块 |
| 4.4.6 存储模块 |
| 4.5 6A中央处理平台 |
| 本章小结 |
| 第五章 机车轴承故障监测系统软件设计 |
| 5.1 前置处理器 |
| 5.1.1 初始化程序 |
| 5.1.2 信号采集程序 |
| 5.1.3 A/D转换程序 |
| 5.1.4 CAN总线通信程序 |
| 5.2 子系统 |
| 5.2.1 数据通信功能 |
| 5.2.2 数据存储功能 |
| 5.2.3 故障诊断功能 |
| 5.2.4 复合报警故障诊断模型 |
| 本章小结 |
| 第六章 机车轴承故障监测系统的测试与仿真 |
| 6.1 6A系统联合调试 |
| 6.1.1 实验步骤及现象 |
| 6.1.2 实验结论 |
| 6.2 轴承振动故障诊断实验 |
| 6.2.1 试验台仿真实验 |
| 6.2.2 诊断方法对比实验 |
| 6.2.3 实验结论 |
| 本章小结 |
| 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）基于信息融合的铁路货车滚动轴承故障诊断系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1. 课题来源 |
| 1.2. 课题研究背景及意义 |
| 1.3. 国内外研究现状 |
| 1.3.1. 故障诊断技术国内外研究现状 |
| 1.3.2. 滚动轴承故障诊断技术国内外研究现状 |
| 1.3.3. 信息融合技术在故障诊断中的应用现状 |
| 1.4. 滚动轴承故障诊断发展趋势 |
| 1.5. 论文主要工作内容 |
| 2 货车滚动轴承故障机理分析 |
| 2.1. 铁路货车滚动轴承的机械结构 |
| 2.2. 货车滚动轴承常见的损伤形式 |
| 2.3. 滚动轴承故障的主要诊断方法 |
| 2.4. 货车滚动轴承故障振动机理分析 |
| 2.5. 本章小结 |
| 3 货车滚动轴承故障诊断信息融合模型设计 |
| 3.1. 信息融合的原理 |
| 3.1.1 信息融合的形成与发展 |
| 3.1.2 信息融合的定义 |
| 3.2. 信息融合故障诊断算法分析 |
| 3.3. 信息融合故障诊断模型搭建 |
| 3.3.1 信息融合故障诊断模型层次结构 |
| 3.3.2 各层级融合模型特性总结 |
| 3.3.3 决策层信息融合模型构建 |
| 3.4. 本章小结 |
| 4 货车滚动轴承振动信号采集与降噪 |
| 4.1 货车滚动轴承振动信号采集 |
| 4.1.1 振动信号采集装置 |
| 4.1.2 传感器选择与安装 |
| 4.1.3 振动信号采集 |
| 4.2 基于小波包变换的振动信号处理 |
| 4.2.1 常见现代振动信号处理方法及其特点 |
| 4.2.2 小波分析处理方法 |
| 4.3 小波包阈值去噪 |
| 4.3.1 小波基的选取 |
| 4.3.2 小波阈值的选取 |
| 4.4 小波包阈值去噪仿真 |
| 4.5 本章小结 |
| 5 神经网络与证据理论决策层融合诊断仿真 |
| 5.1 振动信号的多角度特征提取 |
| 5.1.1 无量纲指标 |
| 5.1.2 多尺度熵分析 |
| 5.2 神经网络故障诊断 |
| 5.2.1 RBF神经网络故障诊断原理 |
| 5.2.2 RBF神经网络模型训练 |
| 5.2.3 RBF神经网络诊断仿真 |
| 5.3 D-S证据理论决策层融合 |
| 5.3.1 D-S证据理论原理 |
| 5.3.2 D-S证据理论模型构建与仿真 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于小波分析和变分模态分解的滚动轴承故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 滚动轴承故障诊断研究现状 |
| 1.2.1 滚动轴承故障诊断技术发展综述 |
| 1.2.2 滚动轴承振动信号去噪 |
| 1.2.3 滚动轴承故障特征提取 |
| 1.2.4 滚动轴承故障特征降维 |
| 1.2.5 滚动轴承故障诊断方法 |
| 1.3 滚动轴承故障基本特征 |
| 1.3.1 滚动轴承的分类和结构 |
| 1.3.2 滚动轴承故障特征频率 |
| 1.4 本文主要研究内容 |
| 2 基于小波分析的振动信号去噪方法 |
| 2.1 引言 |
| 2.2 小波分解理论 |
| 2.3 基于小波分析的振动信号去噪 |
| 2.3.1 小波模极大值去噪 |
| 2.3.2 小波空域相关法去噪 |
| 2.3.3 小波阈值去噪 |
| 2.4 改进的小波分段阈值去噪 |
| 2.5 各种小波去噪方法对比实验 |
| 2.5.1 仿真信号的去噪实验 |
| 2.5.2 轴承实际振动信号的去噪实验 |
| 2.6 本章小结 |
| 3 滚动轴承智能诊断的特征提取和降维研究 |
| 3.1 故障特征提取和降维 |
| 3.2 故障特征提取方法研究 |
| 3.2.1 时域特征量提取 |
| 3.2.2 频域特征量提取 |
| 3.2.3 时频域特征量提取 |
| 3.3 VMD与 EMD、EMMD和 LMD的比较 |
| 3.3.1 三角函数混合信号的分解对比实验 |
| 3.3.2 轴承故障仿真信号的分解对比实验 |
| 3.4 故障特征降维方法研究 |
| 3.5 本章小结 |
| 4 基于GA-FOA优化的变分模态分解研究 |
| 4.1 参数对VMD分解特性的影响 |
| 4.2 遗传算法和果蝇算法 |
| 4.3 基于GA-FOA的优化参数VMD |
| 4.4 仿真信号验证 |
| 4.5 滚动轴承实例验证 |
| 4.6 本章小结 |
| 5 滚动轴承智能诊断和实验 |
| 5.1 滚动轴承故障智能诊断 |
| 5.1.1 滚动轴承故障智能诊断过程 |
| 5.1.2 滚动轴承实例数据集介绍 |
| 5.2 智能诊断故障分类模型介绍 |
| 5.3 诊断实例和对比实验 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 本文工作总结 |
| 6.2 本文存在的不足和未来工作展望 |
| 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 |
（5）变转速旋转机械关键零部件故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容和目标 |
| 1.5 技术路线与总体框架 |
| 1.6 本章小结 |
| 2 变转速下转子、轴承和齿轮故障特性分析 |
| 2.1 引言 |
| 2.2 转子故障机理分析 |
| 2.3 滚动轴承故障机理分析 |
| 2.4 齿轮故障机理分析 |
| 2.5 实验台简介 |
| 2.6 本章小结 |
| 3 基于迭代奇异值分解的故障冲击信号降噪分析 |
| 3.1 引言 |
| 3.2 奇异值分解降噪分析 |
| 3.3 奇异值分解的影响因素分析 |
| 3.4 迭代奇异值分解降噪分析 |
| 3.5 实验验证与分析 |
| 3.6 本章小结 |
| 4 基于振动信号的转速信息提取 |
| 4.1 引言 |
| 4.2 基于自适应STFT的振动信号时频表示 |
| 4.3 基于优化动态路径规划脊线检测的转速提取 |
| 4.4 仿真信号分析 |
| 4.5 实验验证与分析 |
| 4.6 本章小结 |
| 5 基于快速阶谱相关峭度图的敏感频带提取 |
| 5.1 引言 |
| 5.2 快速谱峭度图 |
| 5.3 基于快速阶谱相关峭度图的故障敏感频带提取 |
| 5.4 实验验证与分析 |
| 5.5 本章小结 |
| 6 基于谱图特征的故障分类识别研究 |
| 6.1 引言 |
| 6.2 最近邻分类算法 |
| 6.3 基于频谱随机统计平均特征的故障识别研究 |
| 6.4 基于阶谱随机统计平均特征的故障识别研究 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要研究工作与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于主成分分析的水力旋转机械低频声特征提取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 与本文相关的研究现状 |
| 1.2.1 旋转机械信号的预处理分析 |
| 1.2.2 旋转机械信号的时频分析 |
| 1.2.3 基于共振频带的解调分析 |
| 1.2.4 基于高阶统计量的解调分析 |
| 1.3 研究目标与内容 |
| 2 水力旋转机械声信号模型及预处理方法 |
| 2.1 引言 |
| 2.2 水力旋转机械声信号的组分分析 |
| 2.2.1 确定性信号组分 |
| 2.2.2 调制信号组分 |
| 2.2.3 噪声信号组分 |
| 2.3 水力旋转机械声信号的调制模型 |
| 2.3.1 调幅信号调制模型 |
| 2.3.2 调幅-调频信号调制模型 |
| 2.4 信号预处理方法 |
| 2.4.1 时域平均预处理方法 |
| 2.4.2 基于AR模型的信号预处理方法 |
| 2.4.3 信号预处理方法的对比分析 |
| 2.5 本章小结 |
| 3 基于多频带解调和PCA的 DMP高抗噪解调算法 |
| 3.1 引言 |
| 3.2 DMP算法基本原理 |
| 3.2.1 共振频带解调理论 |
| 3.2.2 DMP算法基本原理 |
| 3.3 DMP算法仿真分析 |
| 3.4 DMP算法实验验证 |
| 3.4.1 离心泵辐射噪声实验 |
| 3.4.2 离心泵辐射噪声实验验证 |
| 3.4.2.1 离心泵偏工况实验验证 |
| 3.4.2.2 离心泵正常工况实验验证 |
| 3.5 本章小结 |
| 4 基于循环平稳分析和PCA的 DCP高精度解调算法 |
| 4.1 引言 |
| 4.2 DCP算法基本原理 |
| 4.2.1 循环平稳信号 |
| 4.2.2 DCP算法基本原理 |
| 4.3 仿真分析 |
| 4.3.1 单组分调制信号 |
| 4.3.2 多组分调制信号 |
| 4.4 实验验证 |
| 4.4.1 螺旋桨辐射噪声实验 |
| 4.4.1.1 螺旋桨水箱辐射噪声实验 |
| 4.4.1.2 螺旋桨消声水池实验 |
| 4.4.2 螺旋桨辐射噪声实验验证 |
| 4.4.2.1 螺旋桨消声水池实验验证 |
| 4.4.2.2 螺旋桨水箱实验验证 |
| 4.5 本章小结 |
| 5 基于时频分析和PCA的 DTP高效率解调算法 |
| 5.1 引言 |
| 5.2 DTP方法基本原理 |
| 5.3 DTP算法的仿真分析 |
| 5.3.1 单组分调制信号 |
| 5.3.2 多组分调制信号 |
| 5.3.3 DTP算法复杂度分析 |
| 5.3.3.1 复杂度仿真分析 |
| 5.3.3.2 复杂度实验验证 |
| 5.4 DTP算法实验验证 |
| 5.4.1 离心泵辐射噪声实验验证分析 |
| 5.4.1.1 离心泵偏工况一 |
| 5.4.1.2 离心泵偏工况二 |
| 5.4.2 螺旋桨水箱实验验证分析 |
| 5.4.2.1 螺旋桨工况一 |
| 5.4.2.2 螺旋桨工况二 |
| 5.5 本章小结 |
| 6 DMP、DCP和DTP算法适用性分析 |
| 6.1 前言 |
| 6.2 算法解调性能分析 |
| 6.2.1 解调性能仿真分析 |
| 6.2.2 解调性能实验验证 |
| 6.2.2.1 螺旋桨实验工况一 |
| 6.2.2.2 螺旋桨实验工况二 |
| 6.3 算法复杂度分析 |
| 6.3.1 复杂度仿真分析 |
| 6.3.2 复杂度实验验证 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 本文的工作内容总结 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（7）滚动轴承的多点复合故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轴承多点故障诊断的研究现状 |
| 1.2.2 轴承振动信号降噪技术的研究现状 |
| 1.2.3 故障特征提取方法的研究现状 |
| 1.3 本文的技术路线及章节安排 |
| 1.3.1 本文的技术路线 |
| 1.3.2 本文的章节安排 |
| 2 滚动轴承故障机理研究 |
| 2.1 滚动轴承的基本结构和常见的故障类型 |
| 2.1.1 滚动轴承的基本结构 |
| 2.1.2 滚动轴承的故障类型 |
| 2.2 滚动轴承故障特征频率的计算 |
| 2.3 滚动轴承多点故障理论分析 |
| 2.3.1 轴承外圈两点故障模型 |
| 2.3.2 轴承内圈两点故障模型 |
| 2.4 本章小结 |
| 3 轴承振动信号降噪技术的研究 |
| 3.1 SVD降噪 |
| 3.1.1 SVD降噪的原理 |
| 3.1.2 SVD降噪的关键步骤 |
| 3.1.3 SVD降噪的流程图 |
| 3.1.4 数值仿真 |
| 3.2 小波阈值降噪 |
| 3.2.1 小波变换的原理 |
| 3.2.2 多尺度小波分析和Mallat算法 |
| 3.2.3 阈值的选取原则 |
| 3.2.4 阈值函数 |
| 3.2.5 小波阈值降噪的基本流程 |
| 3.2.6 数值仿真 |
| 3.3 ITD降噪 |
| 3.3.1 ITD分解原理 |
| 3.3.2 信号重构准则 |
| 3.3.3 ITD降噪实例 |
| 3.4 本章小结 |
| 4 故障特征提取方法的研究 |
| 4.1 共振解调技术 |
| 4.1.1 共振解调技术的基本原理 |
| 4.1.2 信号调制现象 |
| 4.1.3 信号调制现象的数值仿真 |
| 4.1.4 希尔伯特变换解调法 |
| 4.1.5 希尔伯特变换解调法的局限性 |
| 4.2 滤波器的选择 |
| 4.3 谱峭度方法 |
| 4.3.1 峭度的定义 |
| 4.3.2 谱峭度的定义及性质 |
| 4.3.3 具有鲁棒性的峭度和谱峭度 |
| 4.3.4 快速谱峭度图算法 |
| 4.4 轴承故障特征提取实例分析 |
| 4.5 本章小结 |
| 5 轴承单点故障与两点故障的诊断实验 |
| 5.1 故障诊断的基本流程 |
| 5.2 实验设计 |
| 5.2.1 轴承故障加工 |
| 5.2.2 实验系统的设计 |
| 5.3 实验数据分析 |
| 5.3.1 轴承无故障状态的数据分析 |
| 5.3.2 轴承外圈单点故障状态的数据分析 |
| 5.3.3 轴承外圈两点故障状态的数据分析 |
| 5.3.4 轴承内圈单点故障状态的数据分析 |
| 5.3.5 轴承内圈两点故障状态的数据分析 |
| 5.4 本章小结 |
| 6 基于Labview的滚动轴承状态监测系统的开发 |
| 6.1 硬件的选择 |
| 6.2 软件的编写 |
| 6.2.1 程序设计要求 |
| 6.2.2 数据存储方式 |
| 6.2.3 算法设计思路 |
| 6.3 程序界面及功能介绍 |
| 6.3.1 实时监测模块 |
| 6.3.2 历史查询模块 |
| 6.3.3 报警原则 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于小波分析和支持向量机的滚动轴承故障诊断研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展历程与研究现状 |
| 1.2.1 发展历程 |
| 1.2.2 发展前景 |
| 1.2.3 现有文献综述 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.4 研究思路与技术路线 |
| 1.4.1 研究思路 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.5 可能的创新之处 |
| 1.6 本章小结 |
| 第二章 滚动轴承的振动机理及故障特征 |
| 2.1 滚动轴承的失效及检测方法 |
| 2.1.1 滚动轴承失效形式 |
| 2.1.2 故障发展过程 |
| 2.1.3 滚动轴承检测方法 |
| 2.2 振动机理 |
| 2.3 滚动轴承的振动频率分析 |
| 2.3.1 滚动轴承的固有振动频率 |
| 2.3.2 滚动轴承的故障特征频率 |
| 2.4 本章小结 |
| 第三章 基于小波分析的滚动轴承降噪及信号特征提取 |
| 3.1 小波变换理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 离散小波变换快速算法(Mallat算法) |
| 3.2 小波降噪仿真试验及实际应用 |
| 3.3 小波变换应用于信号特征提取 |
| 3.4 本章小结 |
| 第四章 支持向量机理论与回归型支持向量机 |
| 4.1 统计学习理论 |
| 4.1.1 VC维 |
| 4.1.2 推广性的界 |
| 4.1.3 结构风险最小化 |
| 4.2 最优分类面和支持向量机 |
| 4.2.1 线性情况下的最优超平面构造 |
| 4.2.2 非线性情况 |
| 4.3 回归型支持向量机 |
| 4.4 本章小结 |
| 第五章 基于双层回归型支持向量机的故障诊断方法 |
| 5.1 多故障回归模型的建立 |
| 5.1.1 故障特征提取 |
| 5.1.2 基于双层回归型支持向量机的轴承故障诊断 |
| 5.1.3 双层回归型支持向量机参数的选择与优化 |
| 5.2 实证研究 |
| 5.3 与传统支持向量机诊断效果的比较 |
| 5.4 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者和导师简介 |
| 附件 |
（9）基于BP神经网络的抽油机齿轮箱故障识别系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 抽油机齿轮箱故障诊断方法概况 |
| 1.2.1 国内外齿轮箱故障诊断发展历程 |
| 1.2.2 现有齿轮箱故障诊断方法分析 |
| 1.2.3 齿轮箱故障诊断现状及研究趋势 |
| 1.3 本文所做的工作 |
| 第二章 抽油机齿轮箱故障类型及振动机理分析 |
| 2.1 抽油机齿轮箱的结构分析 |
| 2.2 齿轮箱典型故障分析 |
| 2.2.1 齿轮故障的主要形式 |
| 2.2.2 轴承故障的主要形式 |
| 2.3 齿轮故障振动机理 |
| 2.3.1 齿轮啮合的力学分析 |
| 2.3.2 齿轮特征频率 |
| 2.4 滚动轴承振动机理及故障特征信息 |
| 2.5 本章小结 |
| 第三章 抽油机齿轮箱故障特征的提取 |
| 3.1 时域统计分析指标 |
| 3.2 齿轮箱故障时域特征提取 |
| 3.2.1 滚动轴承时域特征参数提取 |
| 3.2.2 齿轮时域特征参数提取 |
| 3.3 齿轮箱故障频域特征分析 |
| 3.3.1 傅里叶变换 |
| 3.3.2 滚动轴承故障信号的频域分析 |
| 3.3.3 齿轮故障信号的频域分析 |
| 3.4 基于小波包的共振解调特征提取 |
| 3.4.1 连续小波变换 |
| 3.4.2 离散小波变换 |
| 3.4.3 小波包分析 |
| 3.4.4 基于小波包的共振解调的齿轮故障信号的特征提取 |
| 3.4.5 基于小波包共振解调的滚动轴承故障信号的特征提取 |
| 3.5 本章小结 |
| 第四章 BP神经网络在齿轮故障诊断中的应用 |
| 4.1 神经网络理论基础 |
| 4.1.1 神经元模型 |
| 4.1.2 神经网络自学习 |
| 4.2 BP神经网络算法 |
| 4.2.1 BP神经网络模型 |
| 4.2.2 BP神经网络原理 |
| 4.3 故障识别模型建立及实现 |
| 4.3.1 各层节点数的确定 |
| 4.3.2 BP网络的MATLAB实现 |
| 4.4 BP神经网络齿轮箱故障诊断 |
| 4.4.1 训练样本的获取与处理 |
| 4.4.2 BP神经网络对齿轮故障的训练 |
| 4.4.3 BP神经网络对滚动轴承故障的训练 |
| 4.5 本章小结 |
| 第五章 齿轮箱故障诊断平台系统设计 |
| 5.1 诊断系统总体方案 |
| 5.2 界面设计 |
| 5.2.1 首页界面设计 |
| 5.2.2 诊断系统的主界面设计 |
| 5.3 信号处理子系统设计 |
| 5.3.1 时域分析模块设计 |
| 5.3.2 频域分析模块设计 |
| 5.3.3 小波消噪预处理模块的设计 |
| 5.3.4 基于小波包共振解调分析模块的设计 |
| 5.4 BP神经网络故障识别系统设计 |
| 5.4.1 齿轮故障类型识别系统的设计 |
| 5.4.2 滚动轴承故障类型识别系统的设计 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）基于EEMD的共振解调技术在动车组轴承故障诊断中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 轨道车辆滚动轴承故障诊断技术的国内外发展现状 |
| 1.3 滚动轴承故障诊断方法的研究现状 |
| 1.4 本论文研究的主要内容 |
| 2 滚动轴承故障机理研究 |
| 2.1 滚动轴承的主要失效形式 |
| 2.2 滚动轴承故障振动分析 |
| 2.3 滚动轴承故障诊断原理 |
| 2.4 本章小结 |
| 3 基于集合经验模态分解和共振解调的故障诊断方法研究 |
| 3.1 集合经验模态分解 |
| 3.1.1 EMD的基本原理 |
| 3.1.2 EMD的缺陷和EEMD |
| 3.2 信号的重构 |
| 3.2.1 互相关系数准则 |
| 3.2.2 峭度准则 |
| 3.2.3 实例分析 |
| 3.3 谱峭度与小波包能量分析 |
| 3.3.1 谱峭度理论 |
| 3.3.2 快速谱峭度图 |
| 3.3.3 小波包与小波包能量谱 |
| 3.3.4 实例分析 |
| 3.4 共振解调法 |
| 3.4.1 基本原理 |
| 3.4.2 带通滤波 |
| 3.4.3 希尔伯特变换和包络谱分析 |
| 3.5 本章小结 |
| 4 滚动轴承故障诊断方法实验分析 |
| 4.1 实验设备介绍 |
| 4.2 信号的EEMD分解与重构 |
| 4.2.1 EEMD分解 |
| 4.2.2 EEMD重构 |
| 4.3 带通滤波 |
| 4.3.1 谱峭度图和小波包能量谱分析 |
| 4.3.2 带通滤波器设计 |
| 4.4 包络谱分析 |
| 4.5 本章小结 |
| 5 动车组轴箱轴承仿真信号分析 |
| 5.1 动车组滚动轴承振动分析 |
| 5.2 动车组滚动轴承仿真信号的建立 |
| 5.3 仿真信号故障诊断结果分析 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、基于小波分析与共振解调技术的故障信息提取（论文参考文献）
- [1]基于优化共振稀疏分解和变分模式分解的动车组轴箱轴承故障诊断方法研究[D]. 潘碧琳. 中国铁道科学研究院, 2021(01)
- [2]机车轴承故障监测系统设计[D]. 姚旺. 大连交通大学, 2020(06)
- [3]基于信息融合的铁路货车滚动轴承故障诊断系统研究[D]. 乔增乾. 北京交通大学, 2020(03)
- [4]基于小波分析和变分模态分解的滚动轴承故障诊断研究[D]. 徐涛. 北京交通大学, 2020(03)
- [5]变转速旋转机械关键零部件故障诊断研究[D]. 任勇. 中国矿业大学, 2019(04)
- [6]基于主成分分析的水力旋转机械低频声特征提取方法研究[D]. 宋永兴. 浙江大学, 2019(04)
- [7]滚动轴承的多点复合故障诊断研究[D]. 张迪. 大连理工大学, 2019(02)
- [8]基于小波分析和支持向量机的滚动轴承故障诊断研究[D]. 陶骏杰. 北京化工大学, 2019(06)
- [9]基于BP神经网络的抽油机齿轮箱故障识别系统研究[D]. 程增喜. 东北石油大学, 2019(01)
- [10]基于EEMD的共振解调技术在动车组轴承故障诊断中的应用[D]. 汪志君. 北京交通大学, 2017(01)