一、小波包分析方法在齿轮箱振动信号处理中的应用（论文文献综述）
陈卓[1]（2021）在《齿轮箱故障智能诊断方法研究》文中研究说明随着机械设备越来越复杂化、智能化,产生的经济效益也随之增加。齿轮箱作为机械设备的核心部件,决定着机械设备的运转状态,在机械工业的发展中起着关键作用,因此对齿轮箱故障诊断方法的研究具有重要的研究价值。同时人工智能技术的蓬勃发展,为齿轮箱故障诊断提供了新方法。本文对齿轮箱的故障诊断技术进行研究,将人工智能技术引入齿轮箱故障诊断,进行齿轮箱故障智能诊断方法的研究。主要研究内容如下:（1）对传统故障诊断技术和智能故障诊断技术进行对比分析确定了智能诊断方法的研究意义。分析齿轮的振动机理并建立对应的力学模型,对不同状态振动信号模型进行仿真,分析了其对应的调制信息及边频带的分布特征。（2）设计了一种以FPGA为核心的齿轮箱振动信号采集系统,完成数据的采样、转换、存储和传输。对齿轮箱运行过程中齿轮的啮合频率以及轴转频率进行分析和实验验证,结果表明该采集系统用5 kHz的采样频率可不失真的采样和传输500 Hz的振动信号,能满足本文所用振动实验台齿轮啮合频率及其边频带的不失真采样和传输,验证了信号采集系统的可行性。（3）对齿轮箱在不同工况下的振动信号进行小波包分解,分析小波包能量谱中不同频带段对应的能量特征。研究表明能量特征中包含着丰富的工况信息,可以作为齿轮箱故障智能诊断的样本数据。（4）对齿轮箱智能诊断方法进行研究,分别以人工神经网络为基础建立GA-BP故障诊断模型,以支持向量机为基础建立SVM故障诊断模型;针对支持向量机最优参数难以确定的问题,引入粒子群算法和遗传算法分别建立PSO-SVM故障诊断模型和GA-SVM故障诊断模型;综合评价四种模型的诊断性能,结果表明GA-SVM故障诊断模型具有较高的故障识别准确率,平均准确率为97.68%,且运行时间最短,平均运行时间为20.02 s。
李硕[2]（2021）在《基于BOA-SVM的矿用减速器轴承故障诊断》文中指出在矿山企业的大型机电设备中,矿用减速器在生产过程中承担着传递动力的关键作用,减速器的正常运行对矿山企业的安全生产具有重要意义。滚动轴承作为矿用减速器的关键部件,常在大负荷、连续长时间运转或维护保养不及时等工况下运行,因此容易受到损害。滚动轴承故障不仅影响减速器的正常工作,造成企业计划外的停机停产,还可能会因为机电设备故障导致井下通风、供排水、运煤运矸等环节宕机带来安全生产事故,严重情况时更会对井下工作人员人身安全带来威胁。因此研究并建立矿用减速器轴承故障诊断系统对于减少事故发生、保障设备平稳运行具有重要现实意义。本文对矿用减速器轴承的故障类型展开深入研究,并为实现在复杂工况环境下有效采集信号设计了一种信号采集硬件平台。该信号采集平台能够高速采集减速器滚动轴承的振动数据,并可通过以太网或RS485等接口将监测数据上传至地面工控机。依据滚动轴承故障数据特征特点,采用小波包变换技术提取振动信号分解后重构的能量值,利用各个频带的能量值占比构建特征向量。采用支持向量机（Support Vector Machine,SVM）分类模型识别滚动轴承故障特征。由于SVM的分类效果依赖于关键参数的选取,因此本文提出利用贝叶斯优化算法（Bayesian Optimization Algorithm,BOA）寻找SVM的最优参数值,并建立一种基于小波包分解能量算法特征提取与BOA-SVM相结合的故障诊断模型。为了验证本文所提故障诊断方法的有效性,除采用贝叶斯优化算法外,还分别利用粒子群算法（Particle Swarm Optimization,PSO）及遗传算法（Genetic Algorithm,GA）对支持向量机的关键参数进行优化。通过对比PSO-SVM和GA-SVM分类模型的实验结果,发现BOA-SVM分类模型能够更加快速的诊断轴承故障,并且有效提高了故障诊断的准确率。从而表明本文在研究滚动轴承的故障分析及矿用减速器的故障诊断领域具有一定的理论研究意义与实用价值。
陈胜男[3]（2021）在《基于深度学习的动车组关键部件故障分类方法的研究》文中研究表明我国高速列车的发展处于世界领先地位,作为动车组旋转机械关键部件的主要组成部分,齿轮箱运行时的健康状况至关重要,一旦发生故障,将产生不可估量的费用损失,尽早进行故障诊断与分析,降低维修成本并且减少事故的发生,具有一定的工程意义。随着人工智能,深度学习的发展,基于数据驱动的方法成为故障诊断的主流技术,传统的方法是对振动信号进行降噪处理,时频分析及特征提取,最后人工对故障进行特征匹配,判断旋转机械是否出现故障及识别故障的类型。人工智能的出现解决了人工识别难以完成的任务,信号降噪、特征提取以及智能分类相结合的算法被越来越多的学者所研究,深度学习技术构建的智能诊断模型,近些年来在时间序列预测的故障诊断领域取得了优秀的表现。本文通过对振动信号进行研究,结合特征提取、智能故障诊断和迁移学习算法来对动车组齿轮箱旋转机械故障分类方法进行研究。齿轮箱的振动数据是非线性和非平稳性的,经验模态分解（EMD）能够处理此类数据的特征,集合经验模态分解（EEMD）能够解决EMD方法的模态混叠问题,将齿轮箱振动数据视为一种时间序列数据,提出了改进的粒子群优化算法的长短时记忆网络模型;针对实际应用中故障数据少的问题,提出了迁移学习的方法。本文的主要研究内容如下:（1）研究了齿轮箱内部齿轮和轴承的振动机理,包括齿轮故障类型和轴承故障类型,并对齿轮箱复合故障振动信号进行了研究。（2）信号预处理方面,提出了改进的集合经验模态分解（IEEMD）,通过加入白噪声,有效缓解了EMD存在的模态混叠现象,通过极值波延拓和加入窗函数解决了EEMD的端点效应问题。（3）振动信号特征提取和故障分类的方法中,提出了改进的粒子群算法（ACMPSO）对长短时记忆网络进行超参数优化,长短时记忆网络是端到端的的深度学习算法,不需要人工进行特征提取,粒子群算法自动优化LSTM的超参数,寻找最优的参数。同时,为了验证IEEMD-ACMPSOLSTM模型的性能,引入了均方根误差（RMSE）。（4）实际应用中,动车组齿轮箱具有故障振动数据少和分布不均的问题,迁移学习算法将在源域中学到的知识迁移到小样本目标域数据集上,最大均值差异（MMD）是检验源域和目标域之间相似度的函数,经过MMD和微调策略,实现模型参数迁移。经过实验仿真对比,证明了所提方法的有效可行性。
黄克康[4]（2021）在《基于AdaBoost的1-DCNN神经网络的行星齿轮智能诊断方法》文中提出行星齿轮机构对当前的大部分机械设备来说是不可或缺的重要部分。然而,因为这些工程机械设备往往工作负载大,运行环境差,同时伴随着不稳定的强力冲击载荷。因此,研究行星齿轮箱的滚动轴承和齿轮故障诊断方法非常重要,它可以确保机器的安全运行,减少经济损失。在过去的故障诊断方法中,一直存在着一些问题。第一,采集的数据需要进行数据预处理,并占据了故障诊断工作量的很大一部分内容;第二,现有的传统故障诊断方法,诊断效率较低,而所采用智能诊断方法如卷积神经网络也具有诊断后不够稳定,收敛速度较慢,容易过拟合等问题。在本文中,针对现有的问题,通过对课题的研究背景进行论述,分析国内外的研究状况和研究意义,通过对现有方法的表述,对行星齿轮箱诊断过程中常见的的难点与要点进行分析。通过对齿轮和轴承的故障模式进行研究,针对其中的故障齿轮、轴承使用采集到的振动信号进行后续故障诊断试验方案方的规划。针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题采用了1-DCNN来进行特征的提取工作,其特点是可以从原始时域振动信号直接学习特征,完成故障诊断。此方法有两个优点;一方面,可以减少数据预处理的工作量,另一方面,可以减少处理过程中原始振动信号的特征丢失。同时引入集成学习理论,并选择AdaBoost集成学习算法作为理论基础;提出基于AdaBoost的1-DCNN的故障诊断模型来作为行星齿轮箱智能诊断方法,其具有更稳定的诊断输出,并能够加快网络模型的收敛速度,防止网络局部优化和容易过拟合等问题。首先,使用1-DCNN,从齿轮的原始时域振动信号中提取特征。其次,使用两个分类性能较弱的分类器,其中的权重更新规则是根据分类器的错误率来进行,完成权重更新之后,分类性能较弱的分类器会继续当前的训练过程。以上的整个过程会反复进行。最后,通过设置集成的卷积神经网络的战略,将弱分类器整合在一起。建立行星齿轮机构稳定的智能故障诊断模型。另外,相应的实验是为了验证算法和模型的有效性而设计的。实验结果表明,合并卷积神经网络故障诊断模型的平均识别精度达到98%,最高识别精度达到99%。从实验结果可以看出本文所提出的基于AdaBoost的1-DCNN的神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断,本文模型工作量较小;并且同时拥有更强大的故障诊断能力;收敛速度也有进一步提高。本文所建立的行星齿轮箱的基于AdaBoost的1-DCNN神经网络可以更加高效的对齿轮及轴承的故障状态进行诊断;同时避免了常用故障诊断方法中繁琐耗时的信号预处理过程,减少了诊断时间,而且识别准确率大幅提升,有效的提升了行星齿轮箱的故障诊断效率。具有一定的实际应用价值。
赵永鑫[5]（2021）在《城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断》文中研究表明城市轨道车辆作为支撑城市居民正常出行的工具,需要其体现快速、高效和便捷的优点。城轨车辆在运行过程中齿轮箱作为不可或缺的一部分,需要时刻保证其正常运转,故在车辆运行过程中需要对滚动轴承进行实时的状态监测。本文选择城轨车辆的齿轮箱滚动轴承为研究对象,对其在运行过程中故障的有效信息采集、特征提取、建立故障诊断模型、传感器信息融合展开研究。通过搭建硬件数据采集系统,采集到的数据通过集合经验模态分解的方法进行故障特征提取,然后利用遗传算法对支持向量机进行优化从而进行故障识别。主要工作内容如下:（1）首先分析了城轨车辆齿轮箱振动机理以及滚动轴承故障成因,在此基础上搭建滚动轴承数据采集在线监测平台,采集城轨车辆在运行途中滚动轴承的振动和温度信号,并分析了监测系统的需求,完成了硬件电路的设计和芯片的选型,对各模块进行了测试,能够在齿轮箱滚动轴承运转过程中准确实时采集状态信息。（2）针对城轨车辆运营途中的多种状况,在对故障信号提取的过程中存在噪声等各种干扰,在故障诊断前通过小波包分析方法对运行故障信号进行了消噪处理,并且做了横向的降噪对比效果,验证了小波包降噪的消噪优点。（3）振动信号分解采用集合经验模态分解的方法,集合经验模态分解在分解过程中也可以对噪声进行有效的消除,还可以将信号分解成不同的IMF分量,将信号能量嫡引入,构建综合评价指标来筛选IMF。（4）在信号分析的基础上,用遗传算法对支持向量机的参数进行优化,建立了遗传算法优化支持向量机的模型,对齿轮箱故障信号进行诊断,准确率为98.44%;并且在滚动轴承故障诊断中加入了轴温的升高时的故障分析,来比较全面的识别轴承故障,这种故障识别方法高于传统的支持向量机对故障的识别。
赵路[6]（2021）在《齿轮传动系统状态评估方法及其监测系统研究》文中研究表明齿轮是机械设备中广泛应用的传动零件之一,在系统运动和动力传递方面有非常重要的作用。由于生产机械设备正常工作环境较恶劣,齿轮传动系统很容易出现各种类型故障,如:点蚀、磨损、断裂、缺齿等。因此,对齿轮传动系统的运行状态进行监测评估是有非常重要的现实意义,可及时发现早期故障,合理规划维护方案,避免重大损失的发生。本文以齿轮为研究对象,开展齿轮运行状态评估及监测研究,具体如下:1.基于多维度特征融合评估的齿轮故障诊断策略研究。针对单一方向信号信息不够丰富和单一信号分析方法难以对齿轮运行状态进行全面表征的问题,提出了一种基于多维度特征融合评估的齿轮故障诊断策略,该方法充分利用不同方向振动信号及不同特征提取方法的优势,对齿轮运行状态进行全面表征。首先,利用不同分析方法分别提取振动信号不同方向（X、Y、Z）的特征。然后通过基于模糊逻辑的融合评估机制和振动强度分析确定两方向和三方向的最佳融合模式。最后,分别使用支持向量机和决策树作为分类器验证所提方法的有效性和普适性。2.基于特征融合优化与ITELM的齿轮故障诊断方法研究。为了有效评估旋转机械中齿轮传动系统运行状态,提出基于特征融合优化和改进的双隐层极限学习机（ITELM）的状态评估方法。首先,使用变分模态分解和小波包分解对信号进行分析,并提取多种类型特征参数。然后,利用Relief F算法对提取的特征进行优化,获得能够表征齿轮运行状态的最优特征子集。最后,针对现有极限学习机网络结构和隐含层节点选择算法的局限性,在双隐层极限学习机的基础上,结合样本量、特征维度和分类类别数对隐含层节点数的影响,通过构建经验公式和模糊逻辑推理分别确定第一、二隐含层节点数,从而提升网络的分类性能。为了验证所提方法的有效性,使用国际公开数据库对所提方法进行分析验证。3.结合实际应用需求,进行功能规划,初步构建齿轮传动在线监测系统。该系统由登录模块、数据采集模块、数据处理与分析模块、数据存储和回放模块等构成,可实现多路信号的采集、传输、存储、特征提取、融合评估、模式识别、故障显示、预警等。4.为充分验证上述所提方法的有效性和普适性,以机械故障模拟台（Mechanical fault simulation,简称MFS）为研究对象,采集齿轮传动系统不同运行状态下三个方向的振动信号,利用采集的信号对本文所提的方法进行验证。实验研究表明,所提方法能够实现更高准确性的齿轮运行状态评估。针对工业应用中的齿轮故障诊断问题,为实现有效的齿轮运行状态表征和高精度的状态辨识,本文在特征融合优化与分类辨识方面提出了相关创新方法,具有很好的效果。本文的研究成果是齿轮传动系统状态评估领域中理论和方法的拓展,既具有一定的学术价值又具有广阔的实际应用前景。
夏源[7]（2021）在《基于VMD和DBN的齿轮箱故障诊断研究》文中认为齿轮箱是机械设备的重要组成部分,它在传递动力和运动方面起着重要的作用,其状态将直接影响整个设备的运行安全和生产效率。在复杂而苛刻的工作条件下,齿轮箱容易产生故障。因此,研究能够准确识别出齿轮箱故障类型的故障诊断技术,对保障机械设备的运行安全,避免事故的发生具有重大意义。本文以齿轮箱为研究对象,针对齿轮箱振动信号具有高动态性的特点,以及齿轮箱早期故障难以被准确识别的问题,分别从信号处理,特征提取和故障诊断三个方面展开研究,主要内容如下:（1）运用变分模态分解（Variational Mode Decomposition,简称VMD）方法对故障信号进行处理。VMD在进行信号分解时存在分解个数K选取困难的问题,因此使用了基于能量比的自适应变分模态分解（Adaptive Variational Modal Decomposition,简称AVMD）方法以选取振动信号的分解个数K,并将AVMD应用于西储大学轴承故障标准数据集,实验结果验证了 AVMD方法的有效性。（2）为了得到全面表征齿轮箱运行状态的特征指标,本文使用了基于AVMD和ReliefF的特征选择方法。该方法首先将齿轮箱故障振动信号进行AVMD分解,其次提取原始信号及各分量信号的时域、能量熵等特征构成特征向量集合,最后用ReliefF算法从中选取敏感特征向量集合。由于深度置信网络（Deep Belief Network,简称DBN）的分类效果受隐含层节点数的影响,本文结合粒子群优化（Particles Swarm Optimization,简称PSO）算法对DBN网络的隐含层节点数进行了优化。（3）为验证基于AVMD的PSO-DBN诊断模型的准确性,首先对齿轮箱故障标准数据集进行实验,验证了该诊断模型的准确性。然后对实地采集的某型自行火炮弹箱中齿轮箱高低机进行故障诊断,诊断准确率为96.67%。将该诊断模型与基于AVMD的概率神经网络（Probabilistic Neural Network,简称 PNN）、Kohonen 神经网络、支持向量机（Support Vector Machines,简称SVM）诊断模型的识别准确率进行比较,结果表明该方法相比于其他三种诊断模型,识别准确率至少提高了 11.67%。为了验证AVMD信号处理的准确性,将基于AVMD方法的PSO-DBN模型与基于经验模态分解（Empirical Mode Decomposition,简称EMD）方法的PSO-DBN模型进行对比,实验结果表明AVMD方法在处理自行火炮齿轮箱高低机振动信号方面具有更高的精度,识别准确率提升了 21.67%。（4）在前面三步的基础上,借助MATLAB的GUIDE,设计了齿轮箱高低机故障诊断的图形用户界面（Graphical User Interfaces,简称GUI）系统。实验结果表明设计的GUI系统可以按照界面的提示点击按钮,完成对应的任务和功能,提高了诊断的便利性。
王晓东[8]（2020）在《基于多源数据融合的风电机组主传动链故障预警研究》文中指出近十多年来,我国风电产业发展迅速,风电装机规模迅速扩大。由于风电机组大多处于边远地区和山区,运行环境恶劣,风电机组的运维是个难题。随着越来越多的风电机组出质保,风电机组的智能化运维越来越受到重视。风电机组的智能化运维工作中,风电机组主传动链运维是最为核心的工作。原因是:风电机组主传动链是风电机组故障多发、故障恢复时间最长、故障损失最大的机械部件,其故障频率直接影响风电场运行的可靠性与经济收益。因此,研究风电机组主传动链的智能化故障预警技术,在风电机组主传动链故障发生之前对其进行及时的维护,降低风电机组主传动链故障带来的损失,对我国风电产业的健康发展具有重要意义。本文以双馈风电机组主传动链为研究对象,研究风电机组主传动链的智能化故障预警技术,并设计和研制风电机组主传动链的故障预警系统,实现风电机组主传动链的智能运维。本文的主要研究工作包括:1、研究风电机组主传动链故障预警的基本原理,在分析风电机组主传动链典型故障发生过程及其原因的基础上,归纳风电机组主传动链典型故障的特征提取技术与故障预警算法,为进一步研究风电机组主传动链的故障预警技术奠定理论基础。2、由于基于风电机组SCADA监测系统数据源的故障预警技术存在局限性,提出多源数据融合方法:融合风电机组SCADA系统监测数据和风电机组主传动链的高频振动监测数据这两类数据提取的故障特征,提出基于多源数据融合的风电机组主传动链故障特征提取方法,搭建基于深度自编码网络的多源数据融合故障预警模型,根据多类数据融合的故障特征的重构误差,判断主传动链运行状态是否正常,是否有故障发生的趋势。3、基于深度自编码网络的多源数据融合故障预警模型,研制风电机组主传动链故障预警系统并进行工程应用:对故障预警系统的逻辑架构、硬件架构和功能架构进行设计,并将研发的故障预警系统应用于实际风电场中。故障预警系统试运行结果表明,所研究的故障预警技术能够灵敏地发现主传动链的潜在缺陷,对于发现风电机组主传动链的早期故障有重要价值。
白丽丽[9]（2020）在《齿轮传动系统关键零部件故障状态识别方法研究》文中进行了进一步梳理齿轮传动系统作为机械装备中广泛使用的动力传动部件,其运行的安全性和可靠性直接关系到整个装备的工作寿命和效率。众所周知,齿轮传动系统通常运行在高速重载的工作条件下,其关键零部件一旦发生故障往往会导致整个传动系统无法正常运转。因此,对齿轮传动系统中关键零部件的故障诊断技术开展深入的研究,并提出一种实用可靠的故障诊断方法,对准确预测和掌握零部件失效的规律,避免造成重大的经济损失、重大事故和人员伤亡等情况,具有重要的工程意义。由于故障诊断的本质即是模式识别和分类的过程,因此通过利用这些关键零部件的运行信息来分类识别设备的相关运行状态是机械系统故障诊断的重要内容。本学位论文将齿轮传动系统中的关键零部件——齿轮、轴承作为研究对象,围绕其在故障状态识别领域中的关键问题,即信号降噪、故障特征提取、故障特征选择、故障状态识别等方面展开了研究。首先,结合了机械传动系统的工程应用,回顾了其关键零部件的故障演化机理、数据获取方法、信号处理和特征提取方法、状态识别和寿命预测技术的国内外研究现状,归纳出了其研究的优缺点,提出了本文的研究内容和研究路线。其次,分析了从原始振动信号中提取可以表征故障状态的时域特征参数、频域特征参数、时频域特征参数的基础上,引入了更为敏感的熵特征参数。综合这些特征参数构建了混合域的高维特征向量来全面描述齿轮传动系统的故障状态。另外,根据相关原理设计了齿轮和轴承故障诊断的试验台,为后续的研究提供了试验验证的平台。由于噪声是故障特征信息提取的最主要障碍,实际中采集的振动信号往往混入噪声,而常规的降噪方法难以有效处理非线性、非平稳性信号中的噪声,故本文提出了一种基于完整的自适应噪声集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）、排列熵（Permutation Entropy,PE）和时频峰值滤波（Time-Frequency Peak Filtering,TFPF）相结合的降噪算法。该方法将排列熵作为判定指标,将CEEMDAN分解后的本征模态函数用不同窗长的TFPF方法进行滤波,很好地权衡了TFPF方法在噪声抑制和信号保真两方面的矛盾。通过仿真和实测信号的试验研究表明,该方法降噪后信噪比明显提升,且可以成功从微弱信号中提取出故障特征。针对单尺度特征在表征故障状态时的片面性和局限性,本文提出了一种基于非线性熵的故障特征提取算法。该算法利用CEEMDAN分解后的各个本征模态函数的PE值形成多尺度的特征向量,并用粒子群寻优的支持向量机（Support Vector Machine Optimized by Particle Swarm,PSOSVM）进行状态识别,进一步体现了引入熵特征的必要性以及多尺度熵的全面性。通过试验验证了该算法在轴承的故障检测和分类方面具有有效性和鲁棒性,并通过与其他多种特征提取的方法对比证明了该算法的稳定性更好,分类的正确率更高。最后,鉴于提取的混合域高维特征向量集中存在的相关性和冗余性,从而严重影响了后续的状态识别性能,本文引入了一种基于鲸鱼算法优化的有监督的核熵成分分析算法（Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm,WOSKECA）,旨在以更少的特征成分表征更多的有效信息。该算法利用主要核熵得分数据来对特征进行选择约简,剔出冗余特征;利用样本的类别信息,引入有监督的学习方式,不仅保留了原始特征集的内在熵结构,同时保证了分类识别准确性更高;利用鲸鱼优化算法寻找最适合核熵成分分析算法的核参数,降低了获取故障状态信息的专业性与主观误差。该方法不仅提升了故障特征提取的效果,同时也确保了关键信息的完整性与凝聚性。最后将包含复合特征信息的敏感特征参数输入PSOSVM分类器中,实现了齿轮传动系统关键零部件的故障类型及严重程度的状态分类识别。
韩婷婷[10]（2019）在《基于改进盲源分离方法的齿轮箱故障诊断》文中进行了进一步梳理齿轮箱作为广泛应用的机械传动设备,其故障的尽早预报有利于避免重大事故的产生。齿轮箱故障诊断的关键步骤是如何及时有效提取其故障特征。在众多故障特征提取方法中,由于现代振动信号分析技术的日趋成熟,且更可靠、实时性更强,已在齿轮箱故障特征提取中得到大量应用。但是,为避免拆箱,从齿轮箱体表面采集的齿轮箱混合振动信号,通常包含不同部件的振动信号和环境噪声,这就导致相关故障部件的故障特征信息被非故障信息所覆盖且信噪比很低,致使单一的或传统的信号分析方法在故障特征提取方面难以奏效。所以,本文在充分调研不同现代振动信号分析技术的基础上,以齿轮箱的核心部件（齿轮和轴承）为主要研究对象,对小波降噪、独立分量分析和频谱分析技术在齿轮箱故障特征提取中的应用进行了深入研究,并联合自适应小波阈值降噪（SAWT）、改进步长的FastICA（LFastICA）与希尔伯特包络谱等理论的优势,提出以SAWT-LFastICA-包络谱为基本框架的综合分析法,作为齿轮箱故障特征提取的手段,该综合分析法的有效性和精准性,可以通过对仿真信号和公开实验数据分析进行验证。本文研究内容主要包括以下几个方面:（1）对齿轮箱的振动机理和故障信号特征进行研究,为后续的精确提取做铺垫;（2）主要对齿轮箱振动信号分析方法进行调研,并总结归纳了不同时域或频域分析方法的优劣势,为合理选择综合分析法提供了强力的理论基础;（3）在深入研究小波降噪理论的基础上,详细阐述了具有更好降噪性能的SAWT方法,并通过仿真信号与传统小波阈值降噪对比分析,以验证SAWT降噪的优越性,为观测信号的预处理降噪提供技术保障;（4）基于FastICA算法,详细推导了稳定性更好的LFastICA算法,并通过仿真信号对比分析,以证明LFastICA具有更好的解耦效果,这也为观测信号的解耦分离做好了技术支撑;（5）基于以上研究,和峭度和包络谱的引入,提出SAWT-LFastICA-包络谱综合分析法。并通过仿真信号分析,验证峭度在识别解耦信号是否包含故障特征的准确性,以降低误判概率;最后,通过实验数据分析,对齿轮箱故障特征进行提取,进一步验证该综合分析法的有效性及精确性。
二、小波包分析方法在齿轮箱振动信号处理中的应用（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、小波包分析方法在齿轮箱振动信号处理中的应用（论文提纲范文）
（1）齿轮箱故障智能诊断方法研究（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 齿轮箱故障诊断技术发展 |
| 1.2.2 齿轮箱故障诊断的信号获取 |
| 1.2.3 齿轮箱故障诊断方法综述 |
| 1.3 论文内容安排 |
| 2.齿轮箱振动机理及其特性分析 |
| 2.1 齿轮的振动机理 |
| 2.2 齿轮振动信号模型 |
| 2.2.1 齿轮正常振动信号模型 |
| 2.2.2 齿轮故障振动信号模型 |
| 2.2.3 齿轮调制信号的仿真分析 |
| 2.3 本章小结 |
| 3.数据采集系统方案设计 |
| 3.1 信号采集模块 |
| 3.2 数据缓存模块 |
| 3.3 数据发送模块 |
| 3.4 上位机显示模块 |
| 3.5 系统设计验证 |
| 3.6 本章小结 |
| 4.振动信号分析及特征提取 |
| 4.1 齿轮箱实验平台介绍 |
| 4.2 常见的信号分析方法 |
| 4.2.1 小波分析 |
| 4.2.2 小波包分析 |
| 4.3 实验数据的小波包能量谱分析 |
| 4.4 本章小结 |
| 5.齿轮箱故障诊断模型建立 |
| 5.1 GA-BP故障诊断模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 遗传算法 |
| 5.1.3 GA-BP诊断模型设计 |
| 5.1.4 GA-BP模型诊断结果分析 |
| 5.2 SVM故障诊断模型 |
| 5.2.1 支持向量机基本原理 |
| 5.2.2 SVM核函数选择与交叉验证 |
| 5.2.3 SVM诊断模型设计 |
| 5.2.4 SVM模型诊断结果分析 |
| 5.3 PSO-SVM故障诊断模型 |
| 5.3.1 粒子群算法 |
| 5.3.2 PSO-SVM诊断模型设计 |
| 5.3.3 PSO-SVM模型诊断结果分析 |
| 5.4 GA-SVM故障诊断模型 |
| 5.4.1 GA-SVM诊断模型设计 |
| 5.4.2 GA-SVM模型诊断结果分析 |
| 5.5 故障诊断模型对比分析 |
| 5.5.1 基于支持向量机的故障诊断模型结果对比 |
| 5.5.2 四种智能故障诊断模型结果对比 |
| 5.6 本章小结 |
| 6.结论 |
| 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BOA-SVM的矿用减速器轴承故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术发展概况 |
| 1.2.2 滚动轴承故障特征提取研究现状 |
| 1.2.3 滚动轴承故障特征分类方法研究现状 |
| 1.3 课题研究的主要内容及各章节安排 |
| 2 矿用减速器轴承故障类型分析及信号采集平台设计 |
| 2.1 矿用减速器结构 |
| 2.2 滚动轴承主要失效形式 |
| 2.3 滚动轴承振动机理分析 |
| 2.4 滚动轴承常用故障诊断方法 |
| 2.5 滚动轴承振动信号分析 |
| 2.5.1 振动信号时域分析 |
| 2.5.2 振动信号频域分析 |
| 2.6 矿用减速器信号采集平台硬件设计 |
| 2.7 本章小结 |
| 3 基于小波包的减速器轴承故障特征提取方法 |
| 3.1 小波包分解理论 |
| 3.1.1 连续小波变换 |
| 3.1.2 小波包分解原理 |
| 3.1.3 小波基选择 |
| 3.2 小波包能量算法原理 |
| 3.3 基于小波包的轴承故障特征提取 |
| 3.4 特征量分析 |
| 3.5 本章小结 |
| 4 基于贝叶斯优化的支持向量机模型 |
| 4.1 支持向量机理论基础 |
| 4.1.1 线性支持向量机研究 |
| 4.1.2 非线性支持向量机研究 |
| 4.2 支持向量机多元分类 |
| 4.2.1 一对多组合分类算法 |
| 4.2.2 一对一组合分类算法 |
| 4.2.3 决策树分类算法 |
| 4.3 基于贝叶斯优化算法的SVM故障分类算法研究 |
| 4.3.1 贝叶斯优化算法的基本原理 |
| 4.3.2 贝叶斯优化算法的参数优化流程 |
| 4.4 支持向量机故障诊断模型 |
| 4.5 本章小结 |
| 5 减速器轴承故障诊断实验结果分析 |
| 5.1 实验平台介绍 |
| 5.2 基于支持向量机的轴承故障诊断实验 |
| 5.3 实验结果分析 |
| 5.3.1 PSO-SVM故障诊断模型 |
| 5.3.2 GA-SVM故障诊断模型 |
| 5.3.3 BOA-SVM故障诊断模型 |
| 5.3.4 不同故障诊断模型识别效果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于深度学习的动车组关键部件故障分类方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱信号特征提取研究现状 |
| 1.2.2 基于深度学习的智能故障诊断研究现状 |
| 1.2.3 迁移学习研究现状 |
| 1.3 目前存在的主要问题 |
| 1.4 主要研究内容与总体框架 |
| 2 齿轮箱故障机理及故障信号特征分析 |
| 2.1 引言 |
| 2.2 齿轮振动特征分析 |
| 2.2.1 齿轮箱故障诱因 |
| 2.2.2 齿轮箱故障类型 |
| 2.2.3 齿轮箱振动信号特征 |
| 2.3 滚动轴承振动特征分析 |
| 2.3.1 轴承失效形式及原因 |
| 2.3.2 轴承故障特征频率 |
| 2.4 本章小节 |
| 3 改进的EEMD齿轮箱信号特征提取方法 |
| 3.1 引言 |
| 3.2 EMD算法概述 |
| 3.2.1 希尔伯特变换 |
| 3.2.2 本征模态函数IMF |
| 3.2.3 EMD算法理论基础 |
| 3.3 改进的EEMD算法概述 |
| 3.3.1 EEMD方法抑制模态混叠原理 |
| 3.3.2 EEMD噪声添加和集成平均适应准则 |
| 3.3.3 改进的EEMD分解方法 |
| 3.4 本章小节 |
| 4 基于ACMPSO优化的LSTM故障诊断方法 |
| 4.1 引言 |
| 4.2 长短时记忆网络分析 |
| 4.2.1 长短时记忆网络模型介绍 |
| 4.2.2 基于LSTM自编码器模型的建立 |
| 4.3 智能优化算法对比 |
| 4.3.1 不同优化算法比较 |
| 4.3.2 改进的粒子群算法优化验证 |
| 4.4 基于ACMPSO的 LSTM网络模型故障诊断方法 |
| 4.4.1 LSTM网络模型参数优化流程 |
| 4.4.2 数据归一化处理 |
| 4.5 实验仿真分析 |
| 4.5.1 数据分析与处理 |
| 4.5.2 实验对比验证 |
| 4.6 本章小节 |
| 5 基于迁移学习和微调策略的故障诊断方法 |
| 5.1 引言 |
| 5.2 故障诊断领域问题描述 |
| 5.3 迁移学习及微调策略 |
| 5.3.1 迁移学习概述 |
| 5.3.2 基于微调策略的迁移学习框架 |
| 5.4 模型性能评估与实验分析 |
| 5.5 本章小节 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 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 |
（4）基于AdaBoost的1-DCNN神经网络的行星齿轮智能诊断方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景 |
| 1.2 课题的意义 |
| 1.3 国内外研究现状 |
| 1.3.1 行星齿轮箱振动信号处理方法探究进展 |
| 1.3.2 依据深度学习的智能故障诊断探究进展 |
| 1.4 论文的总体框架及研究内容 |
| 第2章 齿轮箱的失效形式及振动特性分析 |
| 2.1 行星齿轮箱故障分析 |
| 2.1.1 齿轮故障类型 |
| 2.1.2 齿轮振动机理 |
| 2.1.3 齿轮振动信号模型 |
| 2.2 滚动轴承的故障机理研究 |
| 2.2.1 滚动轴承的故障发展历程 |
| 2.2.2 滚动轴承的主要故障形式以及原因 |
| 2.2.3 滚动轴承的故障频率 |
| 2.3 时频域分析方法 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 小波变换 |
| 2.3.3 希尔伯特黄变换 |
| 2.4 本章小结 |
| 第3章 行星齿轮箱典型故障的试验研究 |
| 3.1 转子系统齿轮箱典型故障试验平台简介 |
| 3.1.1 试验台机电系统模块 |
| 3.1.2 试验台信号采集模块 |
| 3.1.3 转子实验台与测试系统布置图 |
| 3.2 试验方案设计 |
| 3.3 样本集制作 |
| 3.4 本章小结 |
| 第4章 基于1-DCNN神经网络的行星齿轮箱故障诊断方法 |
| 4.1 卷积神经网络的组成 |
| 4.2 卷积神经网络的优化方法 |
| 4.3 1-DCNN神经网络对原始时域信号的诊断 |
| 4.4 网络结构 |
| 4.5 本章小结 |
| 第5章 1-DCNN的诊断结果分析及集成学习AdaBoost算法 |
| 5.1 实验结果分析 |
| 5.2 模型对比 |
| 5.3 集成学习 |
| 5.4 网络结构 |
| 5.4.1 差异损失 |
| 5.4.2 结果分析 |
| 5.5 算法对比实验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 城轨车辆状态监测研究现状 |
| 1.2.2 齿轮箱滚动轴承信号分析方法研究现状 |
| 1.2.3 齿轮箱滚动轴承信号模式识别方法研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.3.3 技术路线 |
| 2 齿轮箱滚动轴承振动机理研究 |
| 2.1 齿轮箱的结构和组成 |
| 2.2 滚动轴承的故障成因及振动机理分析 |
| 2.2.1 滚动轴承基本结构 |
| 2.2.2 滚动轴承振动来源 |
| 2.2.3 滚动轴承故障主要表现形式及特征 |
| 2.3 本章小结 |
| 3 城轨车辆齿轮箱滚动轴承在线监测系统设计 |
| 3.1 系统整体方案设计 |
| 3.2 监测系统各模块硬件设计 |
| 3.2.1 中央处理器选型及端口分配 |
| 3.2.2 电源转换电路 |
| 3.2.3 振动监测模块设计 |
| 3.2.4 电流电压转换电路 |
| 3.2.5 温度监测模块设计 |
| 3.2.6 数据存储电路 |
| 3.3 人机交互模块选型及其电路 |
| 3.4 通信电路 |
| 3.5 监测系统软件程序设计 |
| 3.6 监测系统基本功能测试 |
| 3.7 数据级传感器融合 |
| 3.8 本章小结 |
| 4 齿轮箱滚动轴承故障信号特征提取 |
| 4.1 小波包分析(WPA) |
| 4.1.1 小波包分析定义 |
| 4.1.2 WPA消噪 |
| 4.1.3 仿真信号的消噪分析 |
| 4.2 齿轮箱滚动轴承故障特征参量 |
| 4.2.1 时域特征量 |
| 4.2.2 WPA能量特征量 |
| 4.2.3 IMF能量特征量 |
| 4.3 数据融合效果验证 |
| 4.4 本章小结 |
| 5 基于EEMD的 GA-SVM滚动轴承故障诊断算法 |
| 5.1 集合经验模态分解(EEMD) |
| 5.1.1 集合经验模态分解概述 |
| 5.1.2 集合经验模态分解原理 |
| 5.1.3 EEMD和 EMD性能对比 |
| 5.2 支持向量机(SVM) |
| 5.2.1 SVM原理 |
| 5.2.2 核函数 |
| 5.2.3 遗传算法优化支持向量机 |
| 5.3 故障诊断模型的建立 |
| 5.4 本章小结 |
| 6 城轨车辆齿轮箱滚动轴承故障诊断的实现 |
| 6.1 齿轮箱故障实验 |
| 6.2 故障类型选择 |
| 6.3 数据处理 |
| 6.3.1 数据融合及频谱分析 |
| 6.3.2 WPA消噪处理 |
| 6.4 故障特征提取 |
| 6.4.1 时域特征提取 |
| 6.4.2 IMF能量特征提取 |
| 6.5 基于GA-SVM的齿轮箱故障诊断 |
| 6.5.1 故障诊断结果 |
| 6.6 滚动轴承温升结果分析 |
| 6.6.1 正常状态轴承温升分析 |
| 6.6.2 缺油状态下轴承故障特征分析 |
| 6.7 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（6）齿轮传动系统状态评估方法及其监测系统研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 齿轮传动系统状态评估研究现状 |
| 1.2.1 故障信号分析与特征提取 |
| 1.2.2 故障特征优化 |
| 1.2.3 故障模式分类识别 |
| 1.3 齿轮传动系统在线监测技术研究 |
| 1.4 论文主要研究内容及结构安排 |
| 2 基于振动信号分析的评估理论 |
| 2.1 引言 |
| 2.2 特征提取方法介绍 |
| 2.2.1 小波包分析方法 |
| 2.2.2 集成经验模态分解分析方法 |
| 2.2.3 变分模态分解分析方法 |
| 2.2.4 熵理论 |
| 2.3 模式识别方法 |
| 2.3.1 支持向量机 |
| 2.3.2 决策树 |
| 2.4 本章小结 |
| 3 基于多维度特征融合评估的齿轮故障诊断方法 |
| 3.1 引言 |
| 3.2 多维度特征融合评估策略 |
| 3.3 实验结果及分析 |
| 3.3.1 数据库简介及实验规划 |
| 3.3.2 数据预处理 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于特征融合优化与ITELM的齿轮故障诊断方法 |
| 4.1 引言 |
| 4.2 特征融合及优化 |
| 4.3 模式识别方法 |
| 4.3.1 极限学习机 |
| 4.3.2 改进的双隐层极限学习机(ITELM) |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据和特征提取 |
| 4.4.2 特征融合优化性能分析 |
| 4.4.3 相关性分析 |
| 4.4.4 隐含层节点数选择 |
| 4.4.5 ITELM分类评估 |
| 4.5 本章小结 |
| 5 齿轮传动在线监测系统设计 |
| 5.1 引言 |
| 5.2 系统登录模块 |
| 5.3 数据采集模块 |
| 5.4 在线监测和离线诊断模块 |
| 5.5 本章小结 |
| 6 实验研究及分析 |
| 6.1 引言 |
| 6.2 MFS故障模拟试验台 |
| 6.3 传感器 |
| 6.4 数据采集卡 |
| 6.5 实验结果及分析 |
| 6.5.1 两方向特征融合 |
| 6.5.2 三方向特征融合策略 |
| 7 总结与展望 |
| 7.1 论文研究工作总结 |
| 7.2 论文主要创新点 |
| 7.3 未来研究展望 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
| 致谢 |
（7）基于VMD和DBN的齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 振动信号处理方法的研究现状 |
| 1.2.2 智能识别技术的研究现状 |
| 1.3 齿轮箱的主要故障类型 |
| 1.3.1 齿轮故障原因及类型 |
| 1.3.2 滚动轴承故障原因及类型 |
| 1.4 本文主要研究内容 |
| 2 基于能量比的自适应变分模态分解 |
| 2.1 引言 |
| 2.2 VMD基本原理 |
| 2.2.1 变分问题的构造 |
| 2.2.2 变分问题的求解 |
| 2.2.3 VMD方法的流程 |
| 2.3 仿真验证 |
| 2.4 AVMD原理 |
| 2.5 正交性能指标及其分析 |
| 2.6 本章小结 |
| 3 粒子群优化深度置信网络的故障诊断模型 |
| 3.1 引言 |
| 3.2 基于AVMD和ReliefF算法的特征选择 |
| 3.2.1 时域特征 |
| 3.2.2 能量熵特征 |
| 3.2.3 ReliefF特征选择算法 |
| 3.2.4 基于AVMD和RelieF算法的特征选择流程 |
| 3.3 深度置信网络 |
| 3.3.1 受限玻尔兹曼机 |
| 3.3.2 深度置信网络结构 |
| 3.3.3 基于RBM的无监督训练 |
| 3.3.4 有监督微调 |
| 3.3.5 DBN参数选取原则 |
| 3.4 粒子群优化算法原理 |
| 3.5 基于PSO-DBN的故障诊断模型 |
| 3.6 齿轮箱故障诊断模型的建立 |
| 3.7 本章小结 |
| 4 基于AVMD的PSO-DBN故障诊断模型的验证 |
| 4.1 引言 |
| 4.2 PHM2009齿轮箱故障诊断 |
| 4.3 实测信号的故障诊断 |
| 4.3.1 齿轮箱振动信号采集方案 |
| 4.3.2 实验仪器及选用 |
| 4.3.3 齿轮箱振动信号的数据处理及故障诊断 |
| 4.4 本章小结 |
| 5 齿轮箱故障诊断系统的图形用户界面设计 |
| 5.1 MATLAB/GUI简介 |
| 5.2 GUI的设计原则和流程 |
| 5.3 自行火炮齿轮箱高低机故障诊断GUI系统设计 |
| 5.3.1 高低机故障诊断GUI系统的功能简介 |
| 5.3.2 系统的运行测试 |
| 5.4 本章小结 |
| 6 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 |
（8）基于多源数据融合的风电机组主传动链故障预警研究（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 课题研究现状 |
| 1.2.1 风电机组主传动链典型故障特征提取技术研究现状 |
| 1.2.2 风电机组主传动链典型故障预警算法研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 第二章 风电机组主传动链典型故障预警基本原理 |
| 2.1 风电机组主传动链典型故障过程分析 |
| 2.1.1 风电机组主传动链基本结构 |
| 2.1.2 风电机组主传动链典型故障过程及其原因分析 |
| 2.2 风电机组主传动链典型故障特征提取方法 |
| 2.2.1 基于SCADA系统监测数据的主传动链典型故障特征监测 |
| 2.2.2 基于高频振动监测数据的主传动链典型故障特征提取方法 |
| 2.3 风电机组主传动链典型故障预警算法 |
| 2.3.1 传统阈值分析方法 |
| 2.3.2 智能化分析方法 |
| 2.4 本章小结 |
| 第三章 基于多源数据融合的风电机组主传动链典型故障预警方法 |
| 3.1 风电机组主传动链多源数据融合的故障特征提取方法 |
| 3.1.1 基于单一数据源的主传动链故障特征提取方法局限性分析 |
| 3.1.2 多源数据融合的主传动链典型故障特征提取流程 |
| 3.1.3 多源数据融合的主传动链典型故障特征提取 |
| 3.2 基于多源数据融合的风电机组主传动链故障预警模型 |
| 3.2.1 深度自编码网络基本原理 |
| 3.2.2 基于DA的多源数据故障融合预警模型 |
| 3.3 算例分析 |
| 3.3.1 参数选择 |
| 3.3.2 模型训练 |
| 3.3.3 模型测试 |
| 3.3.4 多特征融合对比 |
| 3.4 本章小结 |
| 第四章 基于多源数据融合的风电机组主传动链典型故障预警系统设计 |
| 4.1 系统架构设计 |
| 4.2 系统硬件构成 |
| 4.2.1 硬件配置 |
| 4.2.2 传感器选型与测点配置 |
| 4.3 系统功能设计 |
| 4.4 本章小结 |
| 第五章 风电机组主传动链典型故障预警系统应用分析 |
| 5.1 风电机组齿轮箱齿轮故障案例分析 |
| 5.1.1 23#机组中速小齿轮断齿案例分析 |
| 5.1.2 32#机组一级内齿圈小齿轮断齿案例分析 |
| 5.1.3 15#机组一级内齿圈小齿轮断齿案例分析 |
| 5.2 风电机组齿轮箱轴承故障案例分析 |
| 5.3 风电机组发电机轴承故障案例分析 |
| 5.3.1 13#机组发电机后轴承磨损案例分析 |
| 5.3.2 27#机组发电机后轴承内圈碎裂案例分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间所取得的研究成果 |
| 致谢 |
| 附件 |
（9）齿轮传动系统关键零部件故障状态识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 机械系统的故障诊断研究 |
| 1.2.1 故障演化机理研究 |
| 1.2.2 故障数据获取方法研究 |
| 1.2.3 信号处理及特征提取方法研究 |
| 1.2.4 状态识别及寿命预测方法研究 |
| 1.3 机械系统故障诊断研究现状总结 |
| 1.4 论文的主要研究内容与结构安排 |
| 第2章 齿轮传动系统的试验研究及统计特征参数 |
| 2.1 引言 |
| 2.2 美国 Case Western Reserve University 轴承试验台简介 |
| 2.3 齿轮传动系统试验装置设计 |
| 2.4 统计特征参数 |
| 2.4.1 常用的时域统计特征参数 |
| 2.4.2 常用的频域统计特征参数 |
| 2.4.3 常用的时频域统计特征参数 |
| 2.4.4 熵特征参数 |
| 2.5 本章小结 |
| 第3章 基于CEEMDAN-PE-TFPF的降噪算法研究 |
| 3.1 引言 |
| 3.2 小波包分析 |
| 3.3 基于CEEMDAN-PE-TFPF的降噪方法 |
| 3.3.1 完整的自适应噪声集成经验模态分解(CEEMDAN) |
| 3.3.2 排列熵(PE) |
| 3.3.3 时频峰值滤波(TFPF) |
| 3.3.4 CEEMDAN-PE-TFPF降噪算法 |
| 3.3.5 仿真研究 |
| 3.3.6 试验研究 |
| 3.4 本章小结 |
| 第4章 基于CEEMDAN-PE的状态识别算法研究 |
| 4.1 引言 |
| 4.2 故障特征提取 |
| 4.3 粒子群寻优的支持向量机(PSOSVM) |
| 4.3.1 支持向量机 |
| 4.3.2 粒子群寻优算法 |
| 4.3.3 PSOSVM |
| 4.4 基于CEEMDAN-PE的故障诊断机理 |
| 4.5 试验验证分析 |
| 4.5.1 Case Western Reserve University试验数据验证 |
| 4.5.2 自建试验台数据验证 |
| 4.6 本章小结 |
| 第5章 基于多特征有监督的状态识别算法研究 |
| 5.1 引言 |
| 5.2 流行学习方法 |
| 5.2.1 核主成分分析(KPCA) |
| 5.2.2 线性判别分析(LDA) |
| 5.2.3 拉普拉斯特征映射(LE) |
| 5.2.4 局部线性嵌入(LLE) |
| 5.3 基于WOSKECA的状态识别方法研究 |
| 5.3.1 核熵成分分析(KECA) |
| 5.3.2 有监督的核熵成分分析(SKECA) |
| 5.3.3 鲸鱼优化算法(WOA) |
| 5.3.4 WOSKECA |
| 5.3.5 基于WOSKECA算法的轴承状态识别模型 |
| 5.4 试验验证 |
| 5.4.1 实例1 |
| 5.4.2 实例2 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本论文的工作结论 |
| 6.2 本论文的主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（10）基于改进盲源分离方法的齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 齿轮箱故障特征提取的现状及发展方向 |
| 1.3 本文的主要研究内容 |
| 2 齿轮箱故障信号特点及振动信号分析方法研究 |
| 2.1 齿轮箱振动分析及故障信号特点 |
| 2.1.1 齿轮振动及信号分析 |
| 2.1.2 滚动轴承故障振动信号特征 |
| 2.2 齿轮箱振动信号分析方法研究 |
| 2.2.1 时域分析 |
| 2.2.2 频域分析 |
| 2.2.3 其他信号分析技术 |
| 2.3 本章小结 |
| 3 自适应小波阈值降噪 |
| 3.1 自适应小波阈值降噪分析 |
| 3.1.1 小波阈值降噪基本流程 |
| 3.1.2 自适应小波阈值函数的构建 |
| 3.1.3 自适应小波阈值处理优化方式 |
| 3.2 仿真信号分析 |
| 3.2.1 SAWT降噪仿真分析 |
| 3.2.2 滚动轴承仿真信号分析 |
| 3.3 本章小结 |
| 4 改进步长的FastICA算法 |
| 4.1 ICA理论 |
| 4.1.1 ICA模型 |
| 4.1.2 实测信号预处理方法 |
| 4.1.3 算法性能评价指标 |
| 4.2 改进步长的Fast ICA(LFast ICA)算法 |
| 4.3 仿真信号分析 |
| 4.3.1 简单信号仿真分析 |
| 4.3.2 齿轮箱信号仿真分析 |
| 4.4 LFast ICA算法的影响因素分析 |
| 4.4.1 噪声对LFastICA算法的影响 |
| 4.4.2 非高斯性对LFastICA的影响 |
| 4.5 本章小结 |
| 5 基于综合分析法的齿轮箱故障特征提取研究 |
| 5.1 综合分析法 |
| 5.1.1 峭度指标 |
| 5.1.2 Hilbert包络谱 |
| 5.1.3 SAWT-LFastICA-包络谱综合法 |
| 5.2 实验分析 |
| 5.2.1 滚动轴承故障实验分析 |
| 5.2.2 齿轮故障实验分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、小波包分析方法在齿轮箱振动信号处理中的应用（论文参考文献）
- [1]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)
- [2]基于BOA-SVM的矿用减速器轴承故障诊断[D]. 李硕. 西安科技大学, 2021(02)
- [3]基于深度学习的动车组关键部件故障分类方法的研究[D]. 陈胜男. 北京交通大学, 2021(02)
- [4]基于AdaBoost的1-DCNN神经网络的行星齿轮智能诊断方法[D]. 黄克康. 太原理工大学, 2021(01)
- [5]城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断[D]. 赵永鑫. 兰州交通大学, 2021(02)
- [6]齿轮传动系统状态评估方法及其监测系统研究[D]. 赵路. 常州大学, 2021(01)
- [7]基于VMD和DBN的齿轮箱故障诊断研究[D]. 夏源. 西安工业大学, 2021(02)
- [8]基于多源数据融合的风电机组主传动链故障预警研究[D]. 王晓东. 华南理工大学, 2020(05)
- [9]齿轮传动系统关键零部件故障状态识别方法研究[D]. 白丽丽. 太原理工大学, 2020(07)
- [10]基于改进盲源分离方法的齿轮箱故障诊断[D]. 韩婷婷. 大连理工大学, 2019(07)