一、基于支持向量机的滚动轴承质量检测方法（论文文献综述）
张贺宁,李欣,魏静[1]（2022）在《基于混合深度学习的高铁道岔故障诊断研究》文中研究指明针对现行高铁道岔故障诊断过度依赖人工经验,导致故障诊断效率低的问题,提出一种混合深度降噪自编码器与支持向量机的高铁道岔故障诊断方案。通过采用深度降噪自编码器自动提取高铁道岔动作电流曲线特征,并将其输入支持向量机模型进行故障,实现了高铁道岔的故障诊断。最后,通过采用提出方法对实际高铁道岔数据进行故障诊断仿真,验证了提出方法的有效性。结果表明,本研究提出的基于混合深度学习的高铁道岔故障诊断方法可有效检测出高铁道岔故障,具有较高的准确性,可用于实际高铁道岔故障诊断。
王贡献,张淼,胡志辉,向磊,赵博琨[2]（2022）在《基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断》文中研究说明针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵（MMPE）和灰狼优化支持向量机（GWO-SVM）结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。
夏理健,刘小平,王新,田笑,张立杰[3]（2021）在《基于CEEMD散布熵和Hjorth参数的混合特征滚动轴承故障诊断研究》文中进行了进一步梳理由于依靠单一的物理特征难以全面反映机械的故障信息,针对这一问题,对机器学习中常用的故障特征提取方法进行了研究,在此基础上提出了一种基于完备总体经验模态分解（CEEMD）、散布熵（DE）和Hjorth参数的混合特征滚动轴承故障诊断方法。首先,基于CEEMD对轴承原始信号进行分解,得到了若干个固有模态函数（IMF）分量;然后,根据与原信号的相关性选取敏感IMF分量,并求出其DE和Hjorth参数,形成散布熵特征向量和Hjorth参数矩阵,再对Hjorth参数矩阵进行奇异值分解,提取出奇异值作为特征向量,并将该向量与散布熵特征向量形成混合特征向量;最后,利用基于粒子群优化算法的最小二乘支持向量机（LSSVM）,对滚动轴承不同故障特征向量进行了训练和识别。研究结果表明:该方法能够准确地诊断出滚动轴承的故障类型和程度,突出不同故障的特征;与采用单一特征的方法相比,该方法能更准确地辨别出滚动轴承的故障信息,采用该方法获得的故障识别率可达到100%。
刁宁昆,马怀祥,王金师,刘帅[4]（2021）在《基于MPE与PSO-SVM的滚动轴承故障诊断》文中指出滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,提出了一种多尺度排列熵（MPE）与粒子群优化（PSO）的支持向量机（SVM）相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现该方法可以有效进行滚动轴承的故障识别。同时将该方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。
郭文孝[5]（2021）在《基于张量分解的旋转机械复合故障智能诊断方法研究》文中研究指明机械工业是国民经济发展的基础性、战略性支柱产业。国家“十四五”规划纲要中更加确定了机械装备的重要性:关键大型机械装备的研发与技术创新占据核心地位。而在机械装备中,旋转机械是构成各机械装备尤其是大型装备（例如:煤矿井下采煤、破碎、输送等装备）的主要动力源和核心。旋转机械的故障类型同样占据着机械装备故障的绝大多数范畴。机械装备能否正常运行主要取决于旋转机械的可靠性以及故障率。因此开展旋转机械故障的智能诊断方法的研究具有重要意义。现有文献中关于旋转机械的状态监测、检测和故障诊断的研究方法很多,例如,神经网络方法、支持向量机方法、遗传算法、Hilbert-Huang变换等方法。虽然这些理论研究方法相对成熟,但由于实际机械设备的工作环境一般都比较恶劣,从而导致其在使用中产生的不同信号相互干扰,且这些信号有着复杂的耦合特征以及很强的非线性,从而使得故障特征提取准确性不足,无法反映故障类型,而且在故障发生的初期无法诊断出故障。旋转机械在实际故障诊断和监测中的这些问题亟待解决。本文针对旋转机械在实际故障诊断、状态监测和检测过程中,信号干扰严重、特征提取准确性不足、初期故障难以检测的问题,以煤矿机械中使用的滚动轴承和齿轮箱为研究对象,基于张量分解方法,分别对现有的智能寻优算法、小波变换和神经网络法进行改进,提出适用于复杂环境下旋转机械信号降噪、特征提取和故障初期诊断方法。论文主要研究内容如下:（1）针对故障诊断中采集的数据异构、混杂、量纲不一的问题开展研究。常用的张量分解方法（CP分解、Tucker分解、HOSVD分解、HT分解、TT分解、TC分解、TTr1分解等）无法有效地剔除掉张量中的无效信息。分解中需要选择一个合适的秩1项的数量,这个数量值如果选择较小会导致原始张量的有用信息丢失,另一方面这个数量值如果选择过大会导致计算效率降低。为了提高TTr1分解的特征提取能力和对噪声的抗干扰能力,挖掘张量中的全局信息,去掉张量的冗余特征,提出了一种自适应滤波截断的张量重构方法。该方法能根据重构参数,计算全局奇异值,综合衡量其对原始张量贡献高低,自适应的设置滤波因子,去除对原始张量贡献较低的全局奇异值,消除其中干扰信息,保留张量的重要结构信息。（2）针对在复杂工况下振动信号的复杂性、非平稳性的问题开展研究。用多通道对数据监测所采集的原始信号主体分量来源于旋转机械中,其余分量多包含环境噪声等无用信息,而所采集的多通道信号在同一振动方向上存在结构和内容的相似性,说明主体分量中蕴含有设备的故障信息。为了有效提取采集信号的主体分量,结合张量分解方法能捕捉高维数据的结构相似性和内容相似性,最大程度的挖掘潜在信息,提出了一个基于TTr1FS的旋转机械特征提取方法。通过连续小波变换方法建立基于时间、频率和通道的三个不同维度表示的张量数据,运用TTr1对数据进行分解,分别获得左奇异值矩阵、奇异值矩阵和右奇异值矩阵。采用基于概率密度函数的正值优化器智能算法,寻找目标函数式重构参数最优值。采用自适应滤波截断的张量重构方法,结合左奇异值矩阵、奇异值矩阵和右奇异值矩阵,获得重构张量。最后,对重构张量采用连续小波逆变换,获得不同通道的时域信号。通过实验与其他方法的对比,验证所提方法的可行性和优势。（3）传统的智能诊断方法主要依赖于先验知识,面对海量的异构数据,所提取振动信号的特征通常包含了无用的噪声和测量误差,难以获得可区分的数据。针对该等问题开展研究,结合张量分解与重构方法在挖掘故障信号的潜在信息对提高故障识别准确度所具有的优势,提出了一种基于同步提取变换的张量低秩分解的智能诊断方法。通过同步提取变换构建三维的高阶张量,运用TTr1对高阶张量进行分解,采用智能优化算法求解最优重构函数。对张量进行重构操作,获得新的张量。最后,利用10折交叉验证的方法,采用Alex Net神经网络进行旋转机械智能诊断的训练和测试,提高了信号特征提取的准确性和效率。公共数据集和实验数据被用于验证所提方法的优势,结果表明所提方法在滚动轴承等旋转机械故障诊断方面具有较大的优势。（4）旋转机械在发生初期故障时会出现复杂的力学行为,在不均衡力学环境中,其它零部件会出现疲劳,进一步发展成微弱故障和显着故障。同时它们的振动信号相互耦合,在强噪环境和复杂的传递路径情况下,导致微弱故障被噪声淹没,进一步出现漏诊断或误诊断的现象。针对该问题开展研究,结合张量分解能挖掘信号的潜在信息并能提取无关噪声的特点,提出了一种复合多尺度样本熵的张量分解故障诊断方法。通过将张量分解与经验模态分解、张量分解与集合经验模态分解、张量分解与互补经验模态分解和张量分解与变分模态分解相结合,利用复合多尺度样本熵,挖掘本征模态函数中表征旋转机械的故障的冲击信号进行实验对比。实验证明了该方法的有效性。
乔志城[6]（2020）在《基于改进经验小波变换的滚动轴承故障诊断方法研究》文中研究说明滚动轴承作为旋转机械中应用最为广泛的关键零部件之一,由于其常工作于高速、高温、重载的恶劣环境,导致其成为机械设备中最容易损坏的部件。对滚动轴承开展实时状态监测与故障诊断,对于避免安全事故的发生,提升机械设备的安全性能具有重要意义。滚动轴承早期故障特征信息微弱,容易受到强干扰噪声的影响,采用常用的故障诊断方法难以对其进行故障诊断与识别。本文提出基于改进经验小波变换的滚动轴承早期微弱故障诊断方法,主要研究内容如下:（1）针对传统经验小波变换频谱划分存在的冗余分量问题,提出一种基于互信息的改进经验小波变换方法,该方法可以排除冗余分界点,对频谱进行重新划分,得到更有价值的分量。研究结果表明:改进的经验小波变换能够有效减少冗余分量,提升信号分解的精确度。（2）将改进经验小波变换与最小熵解卷积相结合用于滚动轴承故障诊断。振动信号经改进经验小波变换处理得到分量,采用基于互信息与峭度的最佳分量选取准则优选出包含故障信息最丰富的分量进行重构,经过最小熵解卷积有效降低干扰噪声的影响。研究表明:该方法适用于货车轮对轴承早期微弱故障的诊断和监测,在工程实际中具有一定的应用价值。相比于集合经验模态分解,具有更明显的诊断效果。（3）将改进经验小波变换与量子遗传算法优化的支持向量机用于滚动轴承故障诊断。分别以西储大学轴承数据与高速列车轴承数据进行验证。研究表明:基于改进经验小波变换与量子遗传算法优化的支持向量机滚动轴承故障诊断方法能够有效识别不同健康状态、故障尺寸的轴承类型,相比于传统经验小波变换与变分模态分解等方法具有更好的分类识别效果。
张星博[7]（2020）在《基于小波分析和机器学习的滚动轴承故障诊断方法研究》文中提出随着国家工业化的不断推进,工厂中的机械设备自动化程度越来越高,对机械设备故障诊断技术的研究也愈发重要。滚动轴承作为旋转机械中应用最广泛且最易受损的零件之一,其振动信号的复杂性和非平稳性推动着滚动轴承故障诊断技术逐渐趋于智能化。本文主要研究了滚动轴承故障诊断技术中故障特征提取和故障模式识别两方面内容:在故障特征提取方面,文中首先研究了小波分析法的理论知识,采用小波分析法对轴承故障诊断试验台上提取的振动信号进行降噪处理,然后再对降噪后的信号通过小波包变换来进行能量特征提取,最后将提取到的能量特征作为后续模式识别中的故障特征向量。在故障模式识别方面,本文对机器学习中的BP神经网络、支持向量机（SVM）及堆栈稀疏自编码（SSAE）网络进行了详细的论述。首先研究了BP神经网络的工作原理,并根据故障数据对网络结构和网络参数进行确定,随机选取故障样本集中的数据对网络进行训练和测试,取得了良好的效果。其次,研究了SVM的分类性能,探究不同核函数和不同核参数对分类效果的影响,将其应用到轴承的故障诊断中取得了较好的效果。鉴于上述两种方法均为有监督式的学习方法,需要同时对输入数据和故障类型作标签来实现分类,因此本文最后提出一种基于SSAE的新型智能无监督式故障诊断方法。该方法以小波包提取的能量特征向量作为网络的输入,分析讨论了不同隐含层节点数组合对网络分类性能的影响;确定网络结构和参数后,探究了该模型对轴承正常状态、内圈点蚀状态和外圈点蚀状态的分类效果;通过对比BP神经网络和SVM的诊断结果,验证了该方法的有效性和准确性。
姚通[8]（2020）在《振动信号特征提取方法及其在故障诊断上的应用研究》文中研究指明为了更加准确提取滚动轴承的故障特征,实现车辆传动系统旋转部件滚动轴承的智能故障诊断,本文进行了新的特征提取方法的研究,并与优化的支持向量机方法结合探讨基于不同特征参数向量的智能故障诊断方法的有效性,本论文主要工作内容包括以下四个部分:1)首先给出本课题研究的背景和重要意义,再对当前的车辆传动系统旋转部件故障诊断领域进行方法的总结论述,接着重点介绍滚动轴承特征提取方法的研究现状和常见的特征提取方法,着重介绍了标度理论在故障诊断领域的应用。2)针对智能故障诊断信号特征提取的要求,提出一种新的提取方法。分析极值增量序列突出信号原来特征的原理并给出理论的推导,并将极值增量序列结合去趋势波动分析法提出超阶分析方法,并用超阶分析法提出的特征参数标度律指数在振动的多相关系统内进行了仿真和试验数据的验证。3)针对支持向量机参数选取和数据前处理两个方面的问题进行优化,并通过利用交叉验证的方法得到的模型准确率进行验证。最后用两个优化方法综合优化支持向量机的分类过程,发现提出的优化方法所得的参数模型具有更好的分类能力。4)结合组合的特征向量和优化的支持向量机进行故障诊断方法研究。选取振动信号的时域无量纲参数提出基于常规特征优化的支持向量机滚动轴承故障诊断方法;利用超阶分析法所得标度律指数和常规特征参数,构建更能表征信号故障特征的混合特征向量,提出基于混合特征优化的支持向量机滚动轴承故障诊断方法。并对两种方法分别进行试验数据集的验证,发现与常规特征向量相比,混合特征向量所得的分类效果得到较大提升。
刘旭[9]（2019）在《基于PSO-BP神经网络和改进PSO-SVM的滚动轴承故障诊断方法研究》文中研究表明滚动轴承在实际工业生产中的作用至关重要。在工业生产中,滚动轴承正常运行与否,直接影响企业能否进行正常生产。目前,普通的故障诊断公司主要是采用一些比较单一的方法,诸如时域或频域分析,这些方法只能粗略的诊断故障的位置,而且并不高效。直到2016年,随着人工智能的发展,研究人员开始尝试将人工智能与故障诊断结合到一起,逐渐摸索出精准而高效的智能诊断方法。本文主要将通过小波包变换算法分别和BP神经网络、粒子群优化过的BP神经网络（PSO-BP）、粒子群优化过的支持向量机（PSO-SVM）以及对于加速因子改进的粒子群优化过的支持向量机（PSO-SVM）相结合的四种智能诊断方法进行对比实验,从而得出一种更加高效的智能诊断方法。本文是以滚动轴承为研究对象,设计从信号采集开始,直到识别出故障类型的一套方案。首先,对于信号采集系统而言,从硬件和软件设计开始,实现一套系统来采集振动信号,通过云计算技术实现信号的共享。然后,利用小波降噪去除噪声信号的干扰,其次运用小波包变换,信号被分解成为一层层宽度均相同的频段,再把分解出来的频段进行能量提取,将提取出来的能量值组成特征向量参数,通过对这些参数的分析就可以得出不同的故障的位置。最后把这些特征向量组成训练样本集进行训练。BP神经网络、PSO-BP神经网络、PSO-SVM、改进PSO-SVM四种方法均能够有效地提高诊断速度以及准确率。通过实验来验证这四种方法,结果发现它们均能够有效的进行故障诊断,比较这四种方法的故障诊断的精确度和故障诊断的效率,最终验证出改进后的PSO-SVM的诊断性能更好。
杨芬[10]（2019）在《矿井提升系统天轮轴承故障诊断及其智能润滑方法研究》文中指出落地式摩擦提升机在矿业立井生产系统中得到了越来越广泛的应用。与其它类型的提升机相比,落地式摩擦提升机的天轮轴承系统承载着整个提升载荷,几乎是连续运转,其状态好坏直接影响着矿山的生产效率和提升安全性。天轮轴承系统承受着几百吨的冲击载荷,并且工作环境温度变化范围大,甚至存在极端气候的影响,这些因素间接或直接导致天轮轴承系统得不到合理的润滑,从而引起一系列因润滑不足而导致的故障,如连接天轮轴和两端支承的滚动轴承工作表面发生剥落、游动轮与天轮轴之间的滑动轴承轴瓦磨损等。这些故障轻则导致停产维修,重则引发重大事故的发生。针对落地式摩擦提升机天轮轴承系统的重要性和存在的问题,本文通过建立轴承不同故障时的轴承力模型,研究了轴承故障对天轮系统响应的影响,并分析了天轮轴承的故障特征。为了能够及时发现故障,避免重大事故的发生,在此基础上开展了天轮轴承故障诊断方法的研究。利用故障诊断技术可以发现故障,但无法减少故障,因而进一步开展了天轮轴承系统智能润滑方法的研究。本文的主要研究内容如下:（1）基于天轮轴承的承载特点和常见故障,分析了轴承故障对天轮系统响应的影响和天轮轴承的故障特征。研究结果表明,对于轴承早期的剥落故障,滚动轴承发生故障的位置不同,天轮系统响应时的振动波形、强度和频谱也会随之改变。针对本文的研究发现,轴承内圈故障时引起的系统振动幅值是正常情况幅值的9.68倍,轴承外圈故障时引起的系统振动幅值是正常情况幅值的19.35倍。这说明轴承故障对系统的影响很大,因此通过诊断技术尽早发现故障和采取相应方法减少故障的研究对于确保煤矿安全生产意义重大。通过轴承故障对天轮系统响应影响的研究进一步表明了基于振动信号的轴承故障诊断方法是可靠的。（2）为了能够尽早发现故障,从而防止天轮轴承故障引发严重安全事故,从信号处理的角度开展了天轮轴承故障诊断的研究。针对天轮轴承故障信号微弱、背景噪声强、故障特征难以提取的问题,提出了基于最小熵反褶积（Minimum Entropy Deconvolution,MED）和改进的完备经验模态分解（Improved complete ensemble EMD with adaptive noise,ICEEMDAN）相结合的天轮轴承微弱故障特征提取方法。采用MED作为前置滤波器,减轻了噪声对ICEEMDAN的干扰。为了能够筛选出有效的模态分量,提出了一种基于互信息的样本熵（MI-SE）的有效分量筛选方法,能够在尽可能保留多的有用信号的前提下消除尽可能多的噪声成分,克服了传统信号处理方法在轴承微弱故障特征提取方面的局限性。最后通过实验验证了本文提出方法的有效性。（3）在振动信号故障特征提取方法研究的基础上,开展了基于支持向量机的天轮轴承故障诊断算法的研究。针对支持向量机（Support Vector Machine,SVM）模型中惩罚因子和径向基核参数难选取的问题,提出了基于人工鱼群算法（Artificial Fish-Swarm Algorithm,AFSA）优化的支持向量机（AFSA-SVM）故障诊断模型。通过对基于EMD能量熵、EEMD能量熵和ICEEMDAN能量熵三种轴承振动信号特征向量构建方法的诊断结果进行对比,发现基于ICEEMDAN能量熵构建的特征向量在相同的条件下能获得最高的故障诊断准确率。最后,利用基于ICEEMDAN能量熵的特征向量构建方法和AFSA-SVM的智能故障诊断模型对实验数据进行了分析,结果表明优化后的故障诊断模型的准确率比优化前的故障诊断模型准确率提高了10%,平均均方误差减小了74.4%。（4）以某煤矿落地式摩擦提升机天轮轴承为研究对象,构建了采集天轮轴承振动的软硬件系统。基于Labview和MATLAB联合编程设计了基于AFSA-SVM的智能故障诊断系统。针对现场采集到的故障信号,分别利用提出的信号处理的方法和设计的智能故障诊断系统对其进行了分析。结果表明诊断结果与实际情况相吻合,从而验证了所提方法的有效性。（5）利用故障诊断方法能够发现故障,但无法减少故障,所以研究减少故障发生的方法具有重要意义。鉴于润滑问题是导致天轮轴承故障的主要因素,为此本文开展了落地式摩擦提升机天轮轴承系统智能润滑方法的研究。以某煤矿落地式摩擦提升机天轮系统为对象,对其天轮轴承开展了智能润滑方法研究。针对实现智能润滑时存在的问题,提出了基于改进天轮轴的天轮轴承系统新型智能润滑方法。该方法通过设计新型天轮轴,可实现利用一套润滑系统同时对天轮系统的两个滚动轴承和三个滑动轴承进行智能润滑。基于三个滑动轴承处注油量基本相等的目标,根据理论计算与数值仿真相结合的方法对其天轮轴承系统中三个径向注油流道的尺寸进行了优化设计。结果表明当入口压力为30 Mpa,三个径向注油流道的直径分别设置为3 mm、4 mm和5 mm时,出油口的最小流量比最大流量少29.5%,与文中其他两种模型相比,从加工工艺和实际应用角度考虑,该模型是能满足需求的最优模型。
二、基于支持向量机的滚动轴承质量检测方法（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、基于支持向量机的滚动轴承质量检测方法（论文提纲范文）
（1）基于混合深度学习的高铁道岔故障诊断研究（论文提纲范文）
| 0 引言 |
| 1 基本算法 |
| 1.1 深度降噪自编码器 |
| 1.2 支持向量机 |
| 2 基于混合深度学习的高铁道岔故障诊断模型 |
| 2.1 基于深度降噪自编码器的特征自动提取 |
| 2.2 基于支持向量机的高铁道岔故障检测 |
| 3 仿真实验 |
| 3.1 实验平台 |
| 3.2 数据集来源及预处理 |
| 3.3 结果与分析 |
| 3.3.1 特征提取方法验证 |
| 3.3.2 故障检测算法验证 |
| 4 结论 |
（2）基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断（论文提纲范文）
| 1 多尺度均值排列熵 |
| 1.1 多尺度排列熵 |
| 1.2 多尺度均值排列熵 |
| 2 灰狼优化支持向量机 |
| 2.1 灰狼算法 |
| 2.2 灰狼优化支持向量机 |
| 3 故障诊断模型 |
| 4 滚动轴承故障诊断试验研究 |
| 4.1 试验数据 |
| 4.2 MMPE参数选择和分析 |
| 4.3 参数优化SVM试验研究 |
| 4.4 MMPE与MPE特征提取性能对比 |
| 5 结 论 |
（3）基于CEEMD散布熵和Hjorth参数的混合特征滚动轴承故障诊断研究（论文提纲范文）
| 0 引 言 |
| 1 基本理论和方法 |
| 1.1 CEEMD算法理论 |
| 1.2 散布熵算法 |
| 1.3 Hjorth参数 |
| 2 基于CEEMD的混合特征提取 |
| 3 基于PSO-LSSVM的轴承故障诊断 |
| 3.1 最小二乘支持向量机模型 |
| 3.2 整体流程 |
| 4 实验与结果分析 |
| 5 结束语 |
（4）基于MPE与PSO-SVM的滚动轴承故障诊断（论文提纲范文）
| 0 引 言 |
| 1 多尺度排列熵 |
| 1.1 排列熵算法 |
| 1.2 排列熵参数选取 |
| 2 PSO-SVM方法 |
| 2.1 支持向量机 |
| 2.2 粒子群优化算法 |
| 3 基于MPE和PSO-SVM的滚动轴承故障诊断方法 |
| 4 结 论 |
（5）基于张量分解的旋转机械复合故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 旋转机械故障智能诊断方法国内外研究现状及分析 |
| 1.3.1 基于先验知识传统机械故障诊断方法 |
| 1.3.2 基于机器学习的机械故障诊断方法 |
| 1.3.3 基于深度学习的机械故障诊断方法 |
| 1.4 张量分解研究现状及分析 |
| 1.5 本文主要内容及章节结构 |
| 1.5.1 本文主要内容 |
| 1.5.2 章节安排 |
| 2 张量分解与自适应滤波截断的张量重构方法研究 |
| 2.1 张量的定义 |
| 2.2 张量分解方法 |
| 2.2.1 CP分解方法 |
| 2.2.2 Tucker分解方法 |
| 2.2.3 HOSVD分解 |
| 2.2.4 HT分解 |
| 2.2.5 TT分解和TC分解 |
| 2.2.6 TTr1分解方法 |
| 2.3 自适应滤波截断的张量重构方法 |
| 2.3.1 张量重构方法 |
| 2.3.2 自适应滤波截断的张量重构方法流程 |
| 2.3.3 自适应滤波截断的张量重构算法 |
| 2.4 本章小结 |
| 3 基于TTr1FS的旋转机械特征提取方法研究 |
| 3.1 问题描述 |
| 3.2 张量数据构建 |
| 3.3 连续小波变换 |
| 3.4 连续小波逆变换 |
| 3.5 基于TTr1FS的旋转机械特征提取方法 |
| 3.5.1 TTr1分解与重构 |
| 3.5.2 低秩目标函数 |
| 3.5.3 初始种群的联合概率密度函数 |
| 3.5.4 基于TTr1FS的旋转机械特征提取方法 |
| 3.6 基于TTr1FS的仿真分析 |
| 3.7 基于TTr1FS的实验分析 |
| 3.8 本章小结 |
| 4 基于同步提取变换的张量低秩分解智能诊断方法研究 |
| 4.1 问题描述 |
| 4.2 同步提取变换 |
| 4.3 基于同步提取变换的张量低秩分解(SLID)智能诊断方法 |
| 4.3.1 基于Alex Net卷积神经网络的智能诊断方法 |
| 4.3.2 数据训练和测试方法 |
| 4.3.3 SLID智能诊断方法流程 |
| 4.4 基于SLID的实验分析 |
| 4.4.1 基于凯斯西储大学数据的SLID方法实验分析 |
| 4.4.2 基于煤矿机械数据的SLID方法实验分析 |
| 4.5 本章小结 |
| 5 基于复合多尺度样本熵的张量分解故障诊断方法研究 |
| 5.1 问题描述 |
| 5.2 变分模态分解方法 |
| 5.3 不同信号处理方法的仿真分析和比较 |
| 5.4 特征提取方法 |
| 5.4.1 样本熵 |
| 5.4.2 多尺度样本熵 |
| 5.4.3 复合多尺度样本熵 |
| 5.5 复合多尺度样本熵的张量分解故障诊断方法 |
| 5.6 基于煤矿机械数据的VMDCMSE方法实验分析 |
| 5.7 本章小结 |
| 6 总结及展望 |
| 6.1 论文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 附录 Ⅰ 缩略词表 |
| 附录 Ⅱ 张量的运算及性质 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）基于改进经验小波变换的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 滚动轴承故障诊断的发展历程 |
| 1.3 滚动轴承故障诊断方法的国内外研究现状 |
| 1.3.1 故障信息提取方法研究现状 |
| 1.3.2 模态分解方法研究现状 |
| 1.3.3 故障模式智能识别方法研究现状 |
| 1.4 滚动轴承故障诊断的发展趋势 |
| 1.5 论文章节安排 |
| 第二章 滚动轴承振动机理及故障分析方法 |
| 2.1 滚动轴承典型结构 |
| 2.2 轴承故障信号振动机理分析 |
| 2.3 滚动轴承故障失效形式及形成原因 |
| 2.4 轴承故障特征频率计算 |
| 2.5 本章小结 |
| 第三章 基于改进经验小波变换的滚动轴承故障诊断方法研究 |
| 3.1 经验小波变换理论 |
| 3.1.1 EWT理论 |
| 3.1.2 频谱划分方法 |
| 3.2 改进经验小波变换 |
| 3.3 仿真信号结果对比 |
| 3.3.1 IEWT方法分解结果 |
| 3.3.2 EEMD方法分解结果 |
| 3.3.3 IEWT与 EEMD分解效果对比 |
| 3.4 本章小结 |
| 第四章 基于改进经验小波变换与最小熵解卷积的滚动轴承故障诊断方法 |
| 4.1 最小熵解卷积 |
| 4.2 基于改进经验小波变换与最小熵解卷积的滚动轴承故障诊断方法研究 |
| 4.3 仿真信号验证 |
| 4.4 实验信号验证 |
| 4.4.1 内圈故障 |
| 4.4.2 外圈故障 |
| 4.4.3 滚动体故障 |
| 4.4.4 EEMD方法对比 |
| 4.5 本章小结 |
| 第五章 基于改进经验小波变换与支持向量机的滚动轴承故障诊断方法 |
| 5.1 支持向量机理论 |
| 5.2 特征向量构造 |
| 5.3 基于改进经验小波变换与支持向量机的滚动轴承故障诊断方法 |
| 5.3.1 基于量子遗传算法的支持向量机关键参数优化 |
| 5.3.2 故障诊断流程 |
| 5.4 西储大学轴承数据验证 |
| 5.4.1 实验环境介绍 |
| 5.4.2 实验内容 |
| 5.5 高速列车轴承实验台轴承数据验证 |
| 5.5.1 实验台介绍 |
| 5.5.2 实验内容 |
| 5.5.3 方法对比实验 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间研究成果及发表的学术论文 |
（7）基于小波分析和机器学习的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究目的及意义 |
| 1.2 滚动轴承故障诊断技术研究现状 |
| 1.2.1 滚动轴承故障诊断技术发展历程 |
| 1.2.2 滚动轴承故障特征提取研究现状 |
| 1.2.3 滚动轴承故障模式识别研究现状 |
| 1.3 论文的主要内容 |
| 第2章 基于小波分析的滚动轴承故障特征提取方法研究 |
| 2.1 小波理论 |
| 2.1.1 小波分析 |
| 2.1.2 多分辨率分析 |
| 2.1.3 小波包分析 |
| 2.1.4 小波分析的信号重构 |
| 2.2 小波降噪方法 |
| 2.3 小波包能量特征提取方法 |
| 2.4 小波分析降噪及特征提取实例 |
| 2.4.1 振动信号的采集 |
| 2.4.2 降噪及特征提取仿真 |
| 2.5 本章小结 |
| 第3章 基于BP神经网络的滚动轴承故障诊断方法研究 |
| 3.1 人工神经网络理论 |
| 3.1.1 神经网络的分类 |
| 3.1.2 神经网络的基本性质及优点 |
| 3.1.3 人工神经元模型 |
| 3.1.4 神经网络的学习规则 |
| 3.2 BP神经网络理论 |
| 3.3 小波-BP模型在轴承故障诊断中的应用 |
| 3.3.1 故障诊断样本选取 |
| 3.3.2 故障诊断模型建立及试验分析 |
| 3.4 本章小结 |
| 第4章 基于支持向量机的滚动轴承故障诊断方法研究 |
| 4.1 统计学习理论基础 |
| 4.1.1 学习过程的一致性条件 |
| 4.1.2 结构风险最小化归纳原理 |
| 4.2 支持向量机理论 |
| 4.2.1 最大间隔分类超平面 |
| 4.2.2 支持向量机算法原理 |
| 4.2.3 核函数 |
| 4.2.4 支持向量机多分类问题 |
| 4.3 小波-SVM模型在轴承故障诊断中的应用 |
| 4.4 本章小结 |
| 第5章 基于堆栈稀疏自编码的滚动轴承故障诊断方法研究 |
| 5.1 深度学习理论 |
| 5.2 堆叠稀疏自编码网络理论 |
| 5.2.1 自编码网络 |
| 5.2.2 稀疏自编码网络 |
| 5.2.3 堆栈稀疏自编码网络 |
| 5.3 小波-SSAE模型在轴承故障诊断中的应用 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（8）振动信号特征提取方法及其在故障诊断上的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 基于振动信号处理方法的故障诊断方法 |
| 1.2.2 基于模型的故障诊断方法 |
| 1.2.3 基于人工智能的故障诊断方法 |
| 1.3 滚动轴承特征提取研究现状 |
| 1.3.1 传统方法 |
| 1.3.2 现代方法 |
| 1.4 论文主要研究内容 |
| 第二章 超阶分析相关理论方法研究 |
| 2.1 引言 |
| 2.2 多相关系统输入输出模型 |
| 2.3 超阶分析法 |
| 2.3.1 DFA理论 |
| 2.3.2 超阶分析 |
| 2.4 仿真信号分析 |
| 2.5 试验验证 |
| 2.5.1 完全相关信号 |
| 2.5.2 部分相关信号 |
| 2.5.3 三通道相关信号 |
| 2.5.4 三传感器相关信号 |
| 2.6 本章小结 |
| 第三章 优化的支持向量机方法研究 |
| 3.1 引言 |
| 3.2 支持向量机简介 |
| 3.3 粒子群算法参数优化方法 |
| 3.3.1 粒子群算法 |
| 3.3.2 标准数据集对比验证 |
| 3.4 样本归一化优化方法 |
| 3.4.1 归一化 |
| 3.4.2 标准数据集对比验证 |
| 3.5 本章小结 |
| 第四章 滚动轴承状态评估方法研究 |
| 4.1 引言 |
| 4.2 基于常规特征参数的优化SVM滚动轴承故障诊断方法 |
| 4.2.1 常规信号特征参数 |
| 4.2.2 常规特征优化的SVM故障诊断方法流程 |
| 4.2.3 常规特征优化的SVM故障诊断方法试验验证 |
| 4.3 基于混合特征参数的优化SVM滚动轴承故障诊断方法 |
| 4.3.1 混合信号特征参数 |
| 4.3.2 混合特征优化的SVM故障诊断方法流程 |
| 4.3.3 混合特征优化的SVM故障诊断方法试验验证 |
| 4.4 两种方法的结果对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 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 |
（9）基于PSO-BP神经网络和改进PSO-SVM的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取方法的研究 |
| 1.2.2 模式识别方法的研究现状 |
| 1.3 滚动轴承故障诊断研究的内容 |
| 1.4 轴承故障诊断的发展趋势 |
| 1.5 本论文的主要工作 |
| 第2章 滚动轴承故障诊断方案设计 |
| 2.1 滚动轴承的结构跟故障类型 |
| 2.1.1 滚动轴承的结构 |
| 2.1.2 滚动轴承的主要故障 |
| 2.1.3 滚动轴承的故障的频率特征 |
| 2.2 滚动轴承故障诊断方案设计 |
| 2.2.1 滚动轴承采集系统设计 |
| 2.2.2 构建滚动轴承的特征向量方法的选择 |
| 2.2.3 滚动轴承故障类型判别方法的选择 |
| 2.3 滚动轴承故障诊断方案的具体流程 |
| 2.4 本章小结 |
| 第3章 基于小波包变换滚动轴承故障特征向量构建 |
| 3.1 小波变换分析 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波变换的连续离散分析 |
| 3.1.3 小波多分辨率分析 |
| 3.2 基于小波包变换故障特征提取 |
| 3.2.1 小波降噪 |
| 3.2.2 小波包分解与重构 |
| 3.2.3 小波包分解频段能量 |
| 3.2.4 对滚动轴承特征值的提取实验 |
| 3.3 本章小结 |
| 第4章 PSO-BP与改进PSO-SVM对滚动轴承故障诊断 |
| 4.1 BP神经网络与支持向量机理论研究 |
| 4.1.1 BP神经网络的结构与BP算法 |
| 4.1.2 线性可分支持向量机与线性不可分向量机理论 |
| 4.1.3 支持向量机的多分类问题和支持向量机参数优化选择方法 |
| 4.2 粒子群算法理论 |
| 4.2.1 粒子群优化算法原理 |
| 4.2.2 粒子群优化算法流程 |
| 4.3 PSO 结合 BP神经网络与PSO 结合 SVM的搭建 |
| 4.4 性能对比实验 |
| 4.4.1 PSO-BP 神经网络故障诊断实验 |
| 4.4.2 PSO-SVM 故障诊断实验 |
| 4.5 改进PSO-SVM滚动轴承诊断方法与实验 |
| 4.5.1 传统粒子群优化算法的局限 |
| 4.5.2 改进的PSO算法 |
| 4.5.3 改进 PSO-SVM 故障诊断实验 |
| 4.6 不同方法的对比 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）矿井提升系统天轮轴承故障诊断及其智能润滑方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题概况 |
| 1.1.1 课题来源 |
| 1.1.2 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 天轮系统结构及动力学研究现状 |
| 1.2.2 天轮轴承故障诊断研究现状 |
| 1.2.3 天轮轴承系统润滑研究现状 |
| 1.3 .存在的问题 |
| 1.4 本文研究内容与研究路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究路线 |
| 第二章 落地式摩擦提升机天轮轴承故障对系统响应影响的研究 |
| 2.1 引言 |
| 2.2 落地式摩擦提升机天轮轴承故障机理 |
| 2.2.1 落地式摩擦提升机天轮系统受力分析 |
| 2.2.2 天轮轴承故障机理及其常见形式 |
| 2.3 轴承故障对天轮系统响应影响的研究 |
| 2.3.1 天轮系统运动微分方程的建立 |
| 2.3.2 滚动轴承力模型 |
| 2.3.3 天轮系统动力学响应仿真分析 |
| 2.3.4 实验研究 |
| 2.4 落地式摩擦提升机天轮轴承故障特征 |
| 2.4.1 天轮轴承故障振动的理论模型 |
| 2.4.2 天轮轴承故障特征频率 |
| 2.5 本章小结 |
| 第三章 天轮轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于MED-AMMF的提升机天轮轴承故障特征提取 |
| 3.2.1 基本理论 |
| 3.2.2 滚动轴承故障特征提取仿真分析 |
| 3.3 基于MED-ICEEMDAN的提升机天轮轴承故障特征提取 |
| 3.3.1 基本理论 |
| 3.3.2 基于MI-SE的有效模态分量的筛选 |
| 3.3.3 天轮轴承故障特征提取仿真分析 |
| 3.4 实验研究 |
| 3.5 本章小结 |
| 第四章 基于优化支持向量机的天轮轴承故障诊断 |
| 4.1 引言 |
| 4.2 支持向量机原理 |
| 4.2.1 线性支持向量分类机 |
| 4.2.2 非线性支持向量分类机 |
| 4.3 天轮轴承AFSA-SVM故障诊断模型 |
| 4.3.1 基于传统SVM的故障诊断模型 |
| 4.3.2 基于AFSA优化的SVM故障诊断模型 |
| 4.4 基于ICEEMDAN能量熵的轴承振动信号特征提取 |
| 4.5 故障诊断结果分析 |
| 4.5.1 SVM优化前的故障诊断结果 |
| 4.5.2 AFSA-SVM的故障诊断结果 |
| 4.6 本章小结 |
| 第五章 天轮轴承故障诊断的应用研究 |
| 5.1 引言 |
| 5.2 天轮平台监测系统设计 |
| 5.2.1 提升机天轮轴承感知系统硬件设计 |
| 5.2.2 提升机天轮轴承感知系统软件设计 |
| 5.3 提升机天轮轴承故障诊断 |
| 5.3.1 基于信号处理的故障诊断 |
| 5.3.2 基于AFSA-SVM智能诊断系统的故障诊断 |
| 5.4 本章小结 |
| 第六章 天轮轴承系统智能润滑方法研究 |
| 6.1 引言 |
| 6.2 天轮轴承系统智能润滑 |
| 6.2.1 天轮滚动轴承智能润滑 |
| 6.2.2 天轮滑动轴承智能润滑 |
| 6.3 天轮轴承系统新型智能润滑方法 |
| 6.3.1 新型智能润滑方法的总体方案 |
| 6.3.2 天轮轴承系统智能润滑模拟系统方案 |
| 6.4 注油流道理论设计 |
| 6.5 注油流道流场仿真分析 |
| 6.5.1 仿真模型的建立 |
| 6.5.2 网格无关性验证 |
| 6.5.3 结果分析 |
| 6.6 智能润滑监控系统设计 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究工作结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间参与的科研项目及发表的论文 |
四、基于支持向量机的滚动轴承质量检测方法（论文参考文献）
- [1]基于混合深度学习的高铁道岔故障诊断研究[J]. 张贺宁,李欣,魏静. 自动化与仪器仪表, 2022(01)
- [2]基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断[J]. 王贡献,张淼,胡志辉,向磊,赵博琨. 振动与冲击, 2022(01)
- [3]基于CEEMD散布熵和Hjorth参数的混合特征滚动轴承故障诊断研究[J]. 夏理健,刘小平,王新,田笑,张立杰. 机电工程, 2021(12)
- [4]基于MPE与PSO-SVM的滚动轴承故障诊断[J]. 刁宁昆,马怀祥,王金师,刘帅. 电子测量技术, 2021
- [5]基于张量分解的旋转机械复合故障智能诊断方法研究[D]. 郭文孝. 中北大学, 2021
- [6]基于改进经验小波变换的滚动轴承故障诊断方法研究[D]. 乔志城. 石家庄铁道大学, 2020(04)
- [7]基于小波分析和机器学习的滚动轴承故障诊断方法研究[D]. 张星博. 长春大学, 2020(01)
- [8]振动信号特征提取方法及其在故障诊断上的应用研究[D]. 姚通. 南京航空航天大学, 2020(07)
- [9]基于PSO-BP神经网络和改进PSO-SVM的滚动轴承故障诊断方法研究[D]. 刘旭. 天津大学, 2019(01)
- [10]矿井提升系统天轮轴承故障诊断及其智能润滑方法研究[D]. 杨芬. 太原理工大学, 2019