一、无线设备状态监测网络轴承故障信号的采集（论文文献综述）
杨彦军[1]（2021）在《基于多维监测的风电齿轮箱动态预警及应用研究》文中指出齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:（1）针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析（Kernel Principal Component Analysis,KPCA）以及T2和平方预测误差（Square Prediction Error,SPE）统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）的状态变量和状态监测系统（Condition Monitoring System,CMS）的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。（2）通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归（Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR）的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。（3）将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解（Variational Mode Decomposition,VMD）和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解（Emprical Mode Decomposition,EMD）和集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。（4）为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
刘鑫[2]（2021）在《基于SystematICS平台的地铁空调机组轴承设备状态监控》文中进行了进一步梳理地铁空调机组在投入运营后使用频繁,易出现空调机组故障,其中因轴承故障引起皮带摩擦冒烟导致现场设备存在消防安全隐患的问题尤为突出,严重影响地铁的平安运营。目前地铁空调机组设备监控信息在地铁综合监控系统平台以及环境与设备监控系统中较为分散和单一,仅对空调机组设备运行状态进行逐站监控。同时,由于线网空调机组设备众多,控制中心调度及专业人员在设备监控及巡检过程中按照固有模式难以覆盖到所有空调机组设备,无法对空调机组轴承故障发展趋势进行提前预警,或者获知空调机组轴承出现了故障。因此,研究地铁空调机组轴承设备状态的实时监控具有重要的意义。论文主要以现有的地铁通风空调系统、综合监控系统、环境与设备监控系统为平台,通过获取实时监测数据判断空调机组轴承设备运行状态,并根据轴承故障状态采取相应控制措施。论文首先对空调机组轴承典型故障进行分析,分析对比了多种轴承性能监测方法,研究确定了轴承运行状态的优劣参数及诊断标准,设计了地铁空调机组轴承设备状态监控系统软硬件方案,利用地铁现有设备及网络平台,通过增加振动传感器、数据监测点等措施,实现了轴承状态检测及振动超限时的报警与停机;同时对综合监控系统工作站各站空调机组设备监控信息进行集中整合,为设备监控及操作人员提供一个方便、直观的监视操作界面。地铁空调机组轴承设备监控系统完成后,通过对现场设备进行测试,验证了系统的有效性。目前该系统已在西安地铁线网中进行安装应用,系统上线后故障预防效果明显。
沈强[3]（2021）在《石化装置旋转机械转子故障诊断系统开发》文中提出随着石化产业的发展,对石化设备运维的要求也在提高,像离心压缩机等行业关键设备正朝着集群化和智能化的道路发展。这种集群设备一旦发生故障,轻则造成财物损失,重则造成人员伤亡。过去的多数设备故障诊断系统不仅十分依赖技术人员的经验和专家知识,而且判断过程耗时长、通用性比较差,已经不能满足设备的智能化发展,已经不能赶得上大数据时代的潮流。所以,确保压缩机群平稳运转对企业的发展具有极其重要的意义。本文针对此问题,开发了一种转子故障诊断系统,为解决智能化诊断的问题,在系统中引入了卷积神经网络（CNN）智能诊断模型对转子故障进行诊断,诊断过程中可以自动提取信号特征进行识别。本文首先对转子的振动机理进行了探究,对转子的几种常见故障特征进行了分析。其次,采用小波包降噪技术对输入信号进行降噪处理。集合实际信号,使用分形维数和近似熵进行实际降噪效果评价,结果表明小波包降噪方法下两指标均优于小波降噪,前者降噪效果明显更优。随后,结合采集振动信号的特点,提出了一种结合小波包降噪的CNN模型,用于转子的故障诊断。为了能更有效地提取信号特征,此模型具有第一、二层较大卷积核及多层小卷积核的特殊结构。在训练过程中引入结合Lookahead算法的自适应RAdam算法来优化模型训练过程,抑制过拟合风险。为了能够加快网络训练速度和准确率,采用小波包降噪技术对输入信号进行降噪处理,去除掉无用的信息。将采集的三种转速下的正常数据、不平衡数据和碰磨数据等按比例制作成故障数据集,用于网络模型的训练和验证。试验中,对转子故障诊断的准确率达到100%,混合数据集训练的模型对变转速下的故障诊断识别率达到100%。最后结合现有转子试验台的特点,设计了石化装置旋转机械转子故障诊断系统。在windows环境下使用C#开发了各模块功能。在故障诊断模块中使用C#与python联合编程,将搭建的CNN模型整合进开发的模块中,实现诊断功能。利用转子试验台模拟故障数据,对开发的系统主要功能进行试验,结果表明数据采集与管理功能、数据处理功能满足要求,系统的故障诊断功能可以准确识别出转子故障。
尚杰[4]（2021）在《基于深度残差网络的旋转机械故障诊断》文中提出旋转机械设备作为重要的工业基础设施之一,广泛应用于各行各业的生产活动中,对促进国民经济的发展起着非常重要的作用,因此对机械设备进行长期的状态监测,以及当机械设备出现故障时,及时地进行诊断是十分有必要和有意义的。随着旋转机械设备日益朝着大型化、精密化、智能化及自动化方向发展,设备健康状态的维护工程也进入了“大数据”时代,如何有效地对机械设备进行状态监测与故障诊断成为一项必不可少的系统工程。传统的基于数据驱动方法的故障诊断技术,无论是基于信号分析技术还是基于机器学习方法,都需要较强的人工经验与较多的人工工程的参与,而面对越来越复杂的机械设备与日益增加的监测数据,传统方法的劣势日渐凸显。针对这些问题,本文将具有“端到端”学习特点的深度学习方法应用于故障诊断领域,以旋转机械的重要组成零部件滚动轴承和齿轮为研究对象,提出了基于深度残差网络模型的智能化故障诊断方法。深度残差网络是一种具有新型网络结构的深度神经网络模型,其在经典卷积神经网络的基础上提出了残差连接结构,网络以残差块为基本组成单元,进而构建深度网络模型,残差网络解决了传统卷积神经网络的两大难题:梯度弥散问题和深层网络训练退化问题。本文将深度残差网络引入到旋转机械故障诊断之中,针对旋转机械常常运行在定转速工况、变转速工况以及强噪声干扰情境下的工作特点,分别开展了如下几点研究:（1）针对定转速工况下的旋转机械设备,提出了一种基于一维深度残差网络模型的轴承故障诊断方法。该方法直接利用轴承故障的一维时域信号进行“端到端”地学习训练,让模型直接从时域信号中学习并进行特征提取,避免了人工特征工程的参与,最后实现不同轴承故障的模式识别与分类诊断,并通过轴承试验数据集对该方法的有效性进行验证。试验结果表明,该方法能够针对不同损伤程度的轴承故障实现精细化的故障分类与识别能力。（2）针对变转速工况下的旋转机械设备,提出了一种结合同步提取变换分析与二维残差网络模型的故障诊断方法。由于变转速工况下的旋转机械振动信号具有强非平稳性特点,而同步提取变换作为一种能有效处理非平稳信号的时频分析方法,将其与深度残差网络模型进行结合,能有效地保证模型在进行故障诊断时的稳定性与泛化性能,同时利用变转速工况下的滚动轴承故障数据集验证了该模型的有效性,实现了高准确率的滚动轴承故障诊断。（3）针对实际工业中机械故障数据缺少标签以及含工业背景噪声的情境,提出了一种基于时序残差降噪自编码网络的无监督学习故障诊断模型。该模型主要分为两个部分:无监督训练模块和分类微调模块,无监督训练模块用来对原始振动信号数据进行编码和解码,通过这种训练获得鲁棒性较高的特征编码器;分类微调阶段利用第一部分训练好的编码器与少量带标签的数据进行模型微调以实现故障分类识别。最后,试验部分采用行星齿轮箱故障实验台采集的数据对模型进行了验证,证明了方法的有效性与可靠性。最后,对本文的研究内容进行总结并对未来的研究方向进行了展望。
周远远[5]（2021）在《基于瞬时相位信息的RV减速器基础部件故障诊断方法研究》文中认为工业机器人广泛应用在机械制造、航空航天、国防军工等各个领域,是《中国制造2025》制造强国战略规划中重点研究攻克方向之一。RV减速器是工业机器人最为精密的关节传动部件,是快速、准确地执行各种复杂机械动作的重要保障。滚动轴承和齿轮等又是RV减速器的重要基础部件,其发生故障直接影响RV减速器甚至整个机器人的运行性能。瞬时相位信息蕴含丰富的机械健康状态特征,研究瞬时相位信息与RV减速器基础部件故障程度之间的关系,准确获取瞬时相位信息并进行信号处理分析是一种快速有效的故障定量诊断方法。首先,提出了一种基于偏心调制原理的瞬时相位检测技术。该检测技术可以准确获取蕴含RV减速器基础部件故障特征信息的瞬时相位信号,其原理主要是由凸轮和推杆之间的运动学规律推导出来的。采用激光位移传感器代替推杆,偏心轮代替凸轮,实现非接触式测量。然后依托瞬时相位检测技术原理,研制了一款瞬时相位检测装置,该检测装置最大可达到16000线的精度和0.0225°的分辨率。其次,提出一种基于自适应排列熵的RV减速器基础部件故障程度定量评价方法。该方法主要依托偏心调制原理的瞬时相位检测技术能够准确获取瞬时相位信息,依托排列熵能够有效放大时间序列的微小变化的能力,对信噪比反应灵敏,而且算法简单,实时性高的特点。试验结果表明,该技术能够快速、有效地对不同质量问题的RV减速器基础部件进行分类。最后,研制了一款RV减速器基础部件故障诊断试验平台。该平台可以高效、精确地获取RV减速器故障基础部件的瞬时相位信息,其主要包括机械系统和数据采集系统两部分。机械系统主要模拟工业机器人关节部件RV减速器实际运行状态,为试验测试提供一个模拟工况。数据采集系统主要采用NI-USB-6002多功能数据采集卡进行数据采集,并基于NI-DAQmx进行数据采集程序设计。试验测试结果表明,该平台可以有效地判断RV减速器是否存在故障和性能缺陷。同时,也可以应用到RV减速器出厂质量检测中。图[60]表[7]参[95]
张树涛[6]（2021）在《旋转机械运行安全在线监测系统的研究与开发》文中指出大型旋转机械,如发电机、汽轮机、冶金机组等,其状态监测与故障诊断技术的有效实施以保证机组运行安全具有重大意义。因此,旋转机械运行安全状态监测是设备维护的主要方式,提取旋转设备的状态特征是前提条件,最终开发一套完整的、具有多方法的旋转机械运行安全在线监测系统。在线监测系统以大型旋转机械为研究对象,针对某热源厂一次风机的运行状态在线监测,根据实际需求研究了旋转机械设备的状态特征参量,结合前人的研究成果,以国内外知名在线监测系统为参考,对现有的旋转机械故障分析方法进行改进,提出了以DSP为核心的一套下位机硬件采集运算系统,在PC端开发一套旋转机械在线监测上位人机交互系统。下位机软件采用Code Composer Studio V6.0（CCS6.0）集成开发环境,融入了时域分析、频域分析、时频域分析以及微弱信号分析等多种算法,将采集的旋转机械振动信号进行分析处理。下位硬件选择TMS320F28335 DSP作为核心处理器,使用Altium Designer10软件设计了相应的数据采集电路、数据处理电路和数据传输电路原理图以及PCB的设计。实现主要算法的分析,提高系统整体的快速性。上位机软件在Visual Studio 2012环境下,选用C#语言进行开发人机交互界面,设计与DSP接口通讯实现上下位软件信息交互,最终将采集到的信号在上位机以图表的形式展示在用户面前,同时上位机还具有数据显示、存储、查询和上传等功能。测试环节主要选取了一种时频分析方法,采用改进后的经验模态分解方法对一次风机振动信号分析诊断,并取得了监测设备的故障特征。本文研发的旋转机械运行安全在线监测系统通过实验实现对算法的验证,在实际应用中接入某热源厂一次风机的振动信号进行测试分析,根据测试结果分析出设备存在的主要问题,通过测试实现了对该系统软件以及硬件可靠性、自动化程度、运行效率的检验,满足了实际的需求。
刘畅[7]（2021）在《非稳态条件下滚动轴承故障诊断及退化识别技术研究》文中提出随着不同领域大型机电装备逐渐向自动化、智能化和高可靠方向发展,对机电装备及其重要零部件运行状态监测分析和高效运维的技术需求不断增长。滚动轴承作为旋转机械的重要组成部分,广泛应用于各个行业大型机电装备中。恶劣的工作条件使轴承性能逐渐退化并产生故障,直接影响设备整体可靠性。传统信号分析及故障诊断方法难以满足需求。因此,开展滚动轴承故障诊断和退化识别研究是提高大型机电装备监测诊断技术水平,保障设备运行安全的重要前提。但是,实际工作条件下滚动轴承常常面临包括不同转速、载荷及变转速在内的非稳态条件影响。此外,矿业和工程机械等领域常出现低速重载工况,具有鲜明的行业特色。这使得滚动轴承的故障诊断和退化识别面临诸多难点。本文以非稳态条件下的滚动轴承作为研究对象,通过对局部故障振动机理、未知变转速故障诊断、单脉冲特征提取、退化识别及尺寸测量等问题开展研究,形成了非稳态条件下滚动轴承故障诊断及退化识别技术,为保障大型机电装备安全运行提供理论基础和技术支持。主要研究内容如下:（1）在归纳总结滚动轴承功能结构及故障特性的基础上,建立了滚动轴承简化动力学模型,分析了故障轴承振动特性。根据研究需要搭建了滚动轴承故障诊断实验装置并进行振动信号采集实验,获取了不同工况条件下多种故障类型和故障状态的滚动轴承振动信号,为后续研究提供理论依据和基础数据。（2）针对滚动轴承局部故障振动机理开展研究,提出一种基于模型的局部故障尺寸测量方法。分析了滚子运动路径和碰撞情况,推导了轴承内圈和外圈故障附加位移和冲击力公式,改进了滚动轴承局部故障振动模型。进一步分析了冲击力和径向载荷对轴承振动信号特征的影响,将已被验证有效的模型仿真结果作为基准条件用于局部故障尺寸测量,简化了数学模型。方法综合考虑转速和径向载荷对双冲击间隔时间的影响,对重载工况下小尺寸局部故障也能取得较高的测量精度。研究结果为后续滚动轴承故障诊断和退化识别技术研究提供了理论依据。（3）针对未知变转速条件对滚动轴承故障诊断造成影响的问题,提出一种基于多曲线提取与选择、Vold-Kalman滤波（Vold-Kalman Filter,VKF）和广义解调（Generalized Demodulation,GD）的故障诊断方法。利用曲线提取算法从轴承信号及其包络的时频表示（Time-Frequency Representation,TFR）中迭代提取不同成分的多时频曲线,根据相对阶次判断曲线归属成分,选择并计算高精度瞬时轴转频率（Instantaneous Shaft Rotation Frequency,ISRF）曲线和故障时频曲线,通过判断曲线间实时比值与故障特征系数（Fault Characteristic Coefficient,FCC）的偏差,确定滚动轴承当前故障类型。针对早期微弱故障时频特征在变转速条件下分散且不明显的问题,结合VKF和GD对故障脉冲成分进行提取和解调,构建重构解调谱将分散特征集中形成特征峰值,实现对滚动轴承早期微弱故障类型的诊断。方法在未知变转速条件下能够准确诊断轴承故障类型,在信号解调后能够识别微弱故障。（4）针对非平稳低转速条件下滚动轴承故障特征信息有效提取的问题,提出了一种基于相位扫描的单脉冲特征提取方法。利用ISRF信号构建故障相位函数和键相函数,划分多故障周期并对轴承振动包络信号进行相位扫描。通过总体平均消除噪声和细节特征丢失的影响,获得平滑的单脉冲波形特征。使用单脉冲波形峰值作为评价指标对多故障周期进行迭代校准,并对特征幅值标准化,从而消除工况影响。方法能够有效提取滚动轴承内圈和外圈故障单脉冲特征,提取的单脉冲特征对局部故障退化状态敏感程度较高,并且能够克服不同转速载荷及非稳态条件的影响。（5）针对滚动轴承故障类型及故障程度识别困难的问题,开展了基于单脉冲特征的滚动轴承退化识别方法研究。使用单脉冲特征向量构建携带滚动轴承故障信息的特征矩阵,基于卷积神经网络（Convolutional Neural Network,CNN）构建深度学习网络对滚动轴承故障类型进行准确诊断。针对直接使用单个网络同时识别轴承故障类型和退化状态时,样本数据存在冗余信息、小尺寸故障容易出现误诊等问题,研究了多网络分别处理不同故障类型数据的退化识别方法,根据轴承故障类型选择单脉冲特征向量,并调用对应网络进行分析。方法能够在不同工况及非稳态条件下对滚动轴承内、外圈故障类型及其退化状态进行准确识别,并对局部故障尺寸进行精确测量。该论文有图73幅,表9个,参考文献167篇。
程琳[8]（2021）在《改进的卷积神经网络在设备故障诊断中的应用研究》文中研究表明旋转机械是机械设备状态监测与故障诊断工作的重点,而滚动轴承是机械设备常用的部件之一,同时也是易损部件之一。机械设备的故障诊断越来越受到人们的重视,在目前的故障诊断领域,通过实时有效的检测方法采集到足够的信号样本并且客观地分析机械设备运行的状态信息,对判别不同工况下的故障设备状态以及对故障类型实现准确诊断具有重要意义。目前机械设备故障诊断主要有两种思路:一种是对机械设备的振动信号进行时频域分析,这种方法在强噪声和变载荷等复杂因素干扰下往往很难提取故障特征,并且依赖于人工经验;另一种是基于深度学习的故障诊断方法,先对样本信号预处理,再输入神经网络进行训练分类,能够自动完成特征提取以及故障模式识别。随着机械设备制造工艺日益复杂,传统浅层且单一的神经网络已经不能满足故障诊断需求,限制了故障诊断效率的进一步提升。本文对普通浅层卷积神经网络进行改进和优化,主要内容概括如下:首先针对普通卷积神经网络识别精度低的问题,提出了改进的卷积神经网络,对于MaFaulDa轴承数据,通过在两组卷积层中嵌入恒等映射的卷积组,减小了网络模型计算量的同时又增强了网络的特征提取能力,并对Adam优化器进行改进,采用幂指数型的学习率来控制迭代方向和步长,根据上一阶段的学习率以及前一阶段和当前阶段的梯度关系进行自适应调整,对实验结果采用五折交叉验证对比不同方法的分类准确度。对于美国凯斯西楚大学轴承数据库,引入了一种新的数据处理方式,将滚动轴承原始振动时域信号数据转化为二维矩阵,采用可变卷积核的方式进行特征提取和映射,改变了传统网络固定卷积核的模式,实现对滚动轴承振动信号的高精度识别。对普通卷积神经网络进行改进和优化之后能够提高模型的训练准确率和稳定性,但在滚动轴承的检测中,多种故障共存的情况普遍存在。考虑到轴承复合故障以及振动信号的时序性,提出改进ResNet-LSTM的机车轴承复合故障诊断模型。通过对两组卷积层和池化层的原始卷积神经网络进行改进,在两组卷积层内部嵌入四个残差块,每个残差块包含两个卷积层,同时引入长短时记忆网络的门限机制对数据信息进行跟踪和更新,从空间和时间两个维度分别对滚动轴承进行局部和全局特征提取,最后通过Softmax函数得到预测值的概率分布从而实现轴承故障类型多分类。从实验结果可以看出本文提出的改进的卷积神经网络故障诊断方法在不同的实验数据,包括单一故障和机车轴承复合故障都具有良好的诊断效果,具有一定的实际应用价值。
冯俊涛[9]（2021）在《RV减速器性能监测与预警系统研究》文中研究说明RV减速器具有体积小、传动比大、传动性能好等优点,因此广泛应用于数控机床、机器人、智能制造生产线等高精密传动系统领域。RV减速器的运行性能影响数控机床、工业机器人等的工作性能,因此,非常有必要对RV减速器传动性能进行实时监测。为此,通过搭建RV减速器监测现场设备的平台,并进行远程监测与预警,为远程工作人员提供RV减速器工作状态的传动误差曲线,从而实现数控机床、工业机器人等的工作性能的实时监测。论文主要研究内容如下:在分析RV减速器远程监测与预警系统需求的基础上,设计远程监测与预警系统的总体结构方案。采用客户机/服务器模式实现数据的远程传输和状态监测。利用云服务器数据库的中转功能,通过Socket技术、Lab SQL数据库访问技术、SQL Toolkit数据库连接技术、Data Socket技术,用户在电脑联网的情况下获取RV减速器的运行数据,实现对RV减速器工作状态的监测。在信号采集端搭建RV减速器信号采集实验台,实现RV减速器的数据采集。信号采集端通过TCP协议建立与云服务器端的连接,信号采集端分别通过Lab SQL数据库访问技术、SQL Toolkit数据库连接技术、Data Socket技术,将采集的数据远程传输至云服务器数据库,信号采集端管理云服务器数据库。确定云服务器的具体选型,对不同数据库的优缺点进行分析,并根据本系统的情况选择SQL Server数据库。设计信号采集端处理模块和远程监测端处理模块,利用Socket实现云服务器端同信号采集端和远程监测端的通信,并将信号采集端上传的数据存储到云服务器端。设计RV减速器远程监测端。远程监测端利用Socket实现与云服务器端的通信,采用Lab SQL数据库访问技术、SQL Toolkit数据库连接技术,分别将云服务器数据库存储的RV减速器数据进行下载,通过Lab VIEW软件编程对下载的数据存储、分析。设计基于Lab VIEW的振动信号分析与预警系统,包括时域的有量纲参数分析和无量纲参数分析,频域的傅里叶变换分析和幅值谱分析。通过对生成仿真振动信号进行分析,以此验证基于Lab VIEW的振动信号分析与预警系统的有效性。
郑一珍[10]（2021）在《基于深度学习算法的轴承保持架故障诊断研究》文中认为工业水平对发展经济影响深远,已经成为衡量一个现代化国家发展程度的重要标识。而轴承作为基础和关键部件,在数控设备、机械装备、航空装备研发及船舶制造、轨道交通设计等重要领域不可或缺。因此在机电大数据时代,关于轴承及其组成部件故障诊断算法的研究,对实现我国由制造大国向智造强国的成功转变具有重要意义。随着生产制造装备朝着规模化、高速化、整体化和智能化的方向发展,滚动轴承的工作环境越来越严苛,发生故障的概率也越来越高。保持架作为其重要的组成部分,一旦出现故障,其他部分也会出现故障,致使故障原因难以分析。而在轴承工作的过程中,随着保持架早期故障逐步扩展,最终导致保持架断裂失效。保持架一旦发生断裂,往往会造成灾难性事故,危害巨大。因此,为了维持轴承设备安全稳定的运行,开展以圆柱滚子轴承为例的保持架故障诊断算法研究具有极为重要的意义。针对当下机电产品轴承诊断故障大数据、数据类型多样化、零部件关联密切这三个特点,结合特征提取的先进理论方法,为实现对保持架故障的高效准确检测。研究主要对含有保持架故障的圆柱滚子轴承进行诊断研究,结合深度学习算法,实现保持架故障的智能诊断。本文具体开展的研究内容如下:（1）搭建滚动轴承保持架故障振动信号采集系统,并针对轴承选型根据实际生产过程中存在的保持架故障形式,进行不同保持架故障状态下的轴承故障加工。进而通过搭建好的实验台采集相应故障的振动信号,完成故障数据库的建立,并对故障数据进行相应的时频域特性分析。（2）针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题。采用SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行特征信息融合以展示不同保持架故障振动信号的时频特性,进而通过研究滚动轴承保持架不同故障状态下的SDP特征图像差异,之后结合具有强大自适应特征学习能力的二维CNN模型进行SDP图像识别,从而设计出基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型。（3）为降低诊断模型的实施难度,结合轴承保持架故障振动信号特性,研究提出基于时域原始振动信号“端到端”识别的一维卷积神经网络故障诊断模型。模型首先通过有重叠样本分割进行数据增强,然后利用设计的一维卷积神经网络实现对振动信号的自适应特征提取和降维,最终经分类器输出诊断结果。实验结果表明算法能够达到99%以上的故障识别率,可有效完成故障分类任务。
二、无线设备状态监测网络轴承故障信号的采集（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、无线设备状态监测网络轴承故障信号的采集（论文提纲范文）
（1）基于多维监测的风电齿轮箱动态预警及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
| 1.2.2 风电齿轮箱在线监测系统发展现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第2章 风电机组状态参数分析与选取 |
| 2.1 引言 |
| 2.2 风电机组基本组成及齿轮箱结构特点 |
| 2.2.1 风电机组基本组成 |
| 2.2.2 齿轮箱结构特点 |
| 2.2.3 齿轮箱常见故障类型 |
| 2.3 状态参数分析及预处理 |
| 2.3.1 状态参数分析 |
| 2.3.2 状态参数预处理 |
| 2.4 状态参数相关性分析 |
| 2.4.1 相关性分析方法 |
| 2.4.2 齿轮箱温度关联参数的相关性分析 |
| 2.4.3 季节因素对状态参数的影响分析 |
| 2.5 风电齿轮箱振动监测分析 |
| 2.5.1 常规监测指标 |
| 2.5.2 行星轮系故障特征频率 |
| 2.6 本章小结 |
| 第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
| 3.1 引言 |
| 3.2 KPCA分析方法及异常检测指标 |
| 3.2.1 核主元成分分析(KPCA) |
| 3.2.2 基于KPCA方法的异常检测指标 |
| 3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
| 3.3.1 健康机组选取 |
| 3.3.2 滑动窗口模型 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 齿轮箱正常状态分析 |
| 3.4.2 齿轮箱异常状态分析 |
| 3.4.3 假数据注入攻击分析 |
| 3.4.4 多维监测分析 |
| 3.5 本章小结 |
| 第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
| 4.1 引言 |
| 4.2 基于IALO-SVR的预测方法 |
| 4.2.1 SVR方法 |
| 4.2.2 ALO算法 |
| 4.2.3 ALO算法的参数优化 |
| 4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
| 4.3.1 输入输出模型结构 |
| 4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
| 4.3.3 模型验证 |
| 4.3.4 季节因素对齿轮箱油温预测的影响分析 |
| 4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
| 4.4.1 滑动窗的残差统计方法 |
| 4.4.2 残差的统计特性分析 |
| 4.5 本章小结 |
| 第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
| 5.1 引言 |
| 5.2 变分模态分解算法 |
| 5.2.1 算法原理 |
| 5.2.2 VMD算法过程 |
| 5.3 VMD分解性能分析 |
| 5.3.1 多谐波信号分析 |
| 5.3.2 含高频间歇扰动的信号 |
| 5.3.3 多分量调幅-调频信号 |
| 5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
| 5.4.1 启动限速运行模式 |
| 5.4.2 最大功率跟踪运行模式 |
| 5.4.3 额定功率运行模式 |
| 5.5 本章小结 |
| 第6章 风电场多维度智能监测系统设计与实现 |
| 6.1 引言 |
| 6.2 系统整体结构设计 |
| 6.3 系统硬件设计及安装 |
| 6.3.1 传感器布置方案 |
| 6.3.2 数据采集单元及无线网络部署 |
| 6.4 系统软件设计 |
| 6.4.1 客户端子系统设计 |
| 6.4.2 服务端系统设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文结论 |
| 7.2 研究展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（2）基于SystematICS平台的地铁空调机组轴承设备状态监控（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 空调机组轴承故障分析 |
| 2.1 空调机组主要技术参数 |
| 2.2 空调机组轴承结构及原理 |
| 2.3 轴承常见故障以及产生原因 |
| 2.4 空调机组轴承故障典型事件分析 |
| 2.5 空调机组轴承故障危害 |
| 2.6 本章小结 |
| 3 空调机组轴承设备状态监控系统架构与理论分析 |
| 3.1 空调机组轴承设备状态监控系统架构组成部分 |
| 3.2 状态信号采集的理论分析 |
| 3.2.1 空调机组轴承状态监测方法选择 |
| 3.2.2 振动测量方式 |
| 3.2.3 空调机组轴承振动传感器的选择与固定方式 |
| 3.2.4 空调机组轴承振动测点的选择 |
| 3.2.5 被测空调机组的运行条件 |
| 3.2.6 空调机组轴承的控制 |
| 3.3 状态信号特征值的理论分析 |
| 3.3.1 振动信号的特征值 |
| 3.3.2 时域振动振幅特征的描述 |
| 3.4 状态识别与决策理论分析 |
| 3.4.1 空调机组轴承故障的诊断方法 |
| 3.4.2 轴承故障的简易标准 |
| 3.4.3 振动烈度的分级 |
| 3.4.4 轴承通用振动评价标准 |
| 3.4.5 运行限值 |
| 3.5 本章小结 |
| 4 空调机组轴承设备状态监控系统的设计方案 |
| 4.1 空调机组轴承设备状态监控系统总体设计思路 |
| 4.1.1 系统设计思路 |
| 4.1.2 站内机电设备监控系统的接入 |
| 4.1.3 空调机组轴承状态监控系统硬件组成 |
| 4.2 Systemat ICS平台 |
| 4.3 BAS(环境与设备监控系统) |
| 4.3.1 中心ISCS-BAS监控功能 |
| 4.3.2 车站ISCS-BAS监控功能 |
| 4.3.3 BAS子系统设备现场布置原则 |
| 4.3.4 BAS子系统设备监控功能 |
| 4.3.5 BAS与通风空调专业的接口 |
| 4.4 本章小结 |
| 5 空调机组设备监控系统功能实现 |
| 5.1 数据采集及通信模块功能硬件部分实现 |
| 5.1.1 振动传感器选型 |
| 5.1.2 传感器安装位置与数量的选择 |
| 5.1.3 传感器安装方式的确定 |
| 5.1.4 数据采集及通信模块功能硬件部分实现小结 |
| 5.2 数据采集及通信模块功能软件部分实现 |
| 5.2.1 BAS系统部分PLC软件编程 |
| 5.2.2 综合监控系统软件编程 |
| 5.2.3 数据采集及通信模块功能软件部分实现小结 |
| 5.3 本章小结 |
| 6 监控系统现场安装与测试 |
| 6.1 测试整体情况 |
| 6.2 测试图谱分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（3）石化装置旋转机械转子故障诊断系统开发（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 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 故障诊断研究发展现状 |
| 1.2.2 故障信号处理研究现状 |
| 1.2.3 基于深度学习的故障诊断研究发展现状 |
| 1.3 论文研究的主要内容 |
| 第二章 旋转机械转子典型故障研究 |
| 2.1 转子振动机理分析 |
| 2.2 转子典型故障类型 |
| 2.2.1 转子不平衡 |
| 2.2.2 转子不对中 |
| 2.2.3 转子碰磨 |
| 2.2.4 油膜振荡 |
| 2.2.5 松动 |
| 2.3 本章小结 |
| 第三章 结合小波包改进的卷积神经网络模型 |
| 3.1 深度学习 |
| 3.2 卷积神经网络结构 |
| 3.2.1 卷积层 |
| 3.2.2 激活层 |
| 3.2.3 池化层 |
| 3.2.4 全连接层 |
| 3.3 小波包降噪 |
| 3.3.1 小波包分解与重构 |
| 3.3.2 小波包降噪 |
| 3.4 结合小波包降噪的改进CNN诊断模型 |
| 3.4.1 数据集的选取 |
| 3.4.2 RAdam与 Lookahead优化 |
| 3.4.3 CNN网络结构设计 |
| 3.4.4 改进转子故障卷积网络试验 |
| 3.5 本章小结 |
| 第四章 故障诊断系统设计 |
| 4.1 转子诊断流程 |
| 4.2 故障诊断系统平台介绍 |
| 4.2.1 软件平台介绍 |
| 4.2.2 硬件平台介绍 |
| 4.3 软件系统功能设计 |
| 4.3.1 软件系统功能需求分析 |
| 4.3.2 软件总体方案设计 |
| 4.4 软件模块设计 |
| 4.4.1 用户登录模块 |
| 4.4.2 系统管理模块 |
| 4.4.3 数据采集模块 |
| 4.4.4 数据处理模块 |
| 4.4.5 故障诊断模块 |
| 4.4.6 数据管理模块 |
| 4.4.7 帮助模块 |
| 4.5 本章小结 |
| 第五章 故障诊断系统软件试验验证 |
| 5.1 数据分析功能验证 |
| 5.1.1 数据采集与管理 |
| 5.1.2 数据处理 |
| 5.1.3 故障诊断功能 |
| 5.2 故障诊断验证 |
| 5.2.1 转子不平衡故障诊断 |
| 5.2.2 转子碰磨故障诊断 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 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 |
（4）基于深度残差网络的旋转机械故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究应用现状 |
| 1.2.1 基于振动信号分析理论的故障诊断技术研究 |
| 1.2.2 基于传统机器学习方法的故障诊断技术研究现状 |
| 1.2.3 基于深度学习方法的故障诊断技术研究现状 |
| 1.3 现有故障诊断算法亟需解决的难题 |
| 1.4 本文主要研究内容及各章节安排 |
| 第2章 基于一维深度残差网络的定转速滚动轴承故障诊断 |
| 2.1 引言 |
| 2.2 深度残差网络的基本理论知识 |
| 2.2.1 深度残差网络的发展脉络 |
| 2.2.2 卷积层 |
| 2.2.3 非线性激活函数 |
| 2.2.4 池化层 |
| 2.2.5 批标准化层 |
| 2.2.6 残差连接模块 |
| 2.2.7 全连接层和归一化指数函数 |
| 2.2.8 分类交叉熵损失函数 |
| 2.2.9 残差网络的反向传播算法 |
| 2.3 一维深度残差网络模型及故障诊断流程 |
| 2.3.1 一维深度残差网络模型 |
| 2.3.2 故障诊断流程 |
| 2.4 轴承故障数据来源 |
| 2.4.1 CWRU滚动轴承故障数据集简介 |
| 2.4.2 轴承故障数据预处理和数据集划分 |
| 2.5 实验验证与结果分析 |
| 2.5.1 交叉验证及模型的超参数设置 |
| 2.5.2 模型在数据集上的训练结果展示 |
| 2.5.3 一维残差网络模型与其他模型方法对比 |
| 2.5.4 模型特征可视化分析 |
| 2.6 本章小结 |
| 第3章 基于同步提取变换和二维残差网络的变转速滚动轴承故障诊断 |
| 3.1 变转速工况下故障诊断方法简介 |
| 3.1.1 时频分析方法简介 |
| 3.1.2 同步提取变换理论背景 |
| 3.2 同步提取变换+二维残差网络模型及故障诊断流程 |
| 3.2.1 深度残差网络模型结构示意图 |
| 3.2.2 故障诊断流程示意图 |
| 3.3 实验验证与结果分析 |
| 3.3.1 轴承故障模拟实验台及数据采集 |
| 3.3.2 振动信号预处理和数据集制作及划分 |
| 3.3.3 模型的超参数设置及训练结果 |
| 3.3.4 SET-DRN模型与其他模型方法对比 |
| 3.3.5 模型特征可视化分析 |
| 3.3.6 强噪声环境下模型泛化性能验证及对比 |
| 3.4 本章小结 |
| 第4章 基于一维时序残差降噪自编码器的无监督齿轮箱故障诊断方法 |
| 4.1 引言 |
| 4.2 时序残差降噪自编码器基础理论 |
| 4.2.1 降噪自编码器 |
| 4.2.2 时序残差连接模块 |
| 4.3 时序残差降噪自编码器模型结构及算法流程 |
| 4.3.1 网络模型结构示意图 |
| 4.3.2 故障诊断算法流程 |
| 4.4 实验验证与结果分析 |
| 4.4.1 齿轮箱故障模拟实验台与数据采集 |
| 4.4.2 数据预处理及数据集构建 |
| 4.4.3 故障诊断结果及模型可视化分析 |
| 4.4.4 强噪声数据集上模型诊断结果及方法对比 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及科研工作 |
| 致谢 |
（5）基于瞬时相位信息的RV减速器基础部件故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景和研究意义 |
| 1.3 故障诊断技术研究现状 |
| 1.3.1 智能诊断和预测维护的一般流程 |
| 1.3.2 监测诊断技术分类及研究现状 |
| 1.4 本文的主要研究工作和内容安排 |
| 2 RV减速器基础部件故障机理分析 |
| 2.1 引言 |
| 2.2 RV减速器故障机理分析 |
| 2.2.1 结构组成和传动原理 |
| 2.2.2 RV减速器故障预判断 |
| 2.2.3 故障响应传递路径分析 |
| 2.3 滚动轴承故障机理分析 |
| 2.3.1 结构组成及失效形式 |
| 2.3.2 滚动轴承故障演化规律分析 |
| 2.3.3 滚动轴承的振动机理 |
| 2.3.4 RV减速器主轴承的受力分析 |
| 2.4 齿轮故障诊断基础 |
| 2.4.1 齿轮的振动机理 |
| 2.4.2 齿轮的故障信号分析 |
| 2.5 瞬时相位检测的选择 |
| 2.6 本章小结 |
| 3 基于偏心调制原理的瞬时相位检测技术 |
| 3.1 引言 |
| 3.2 瞬时相位偏心调制过程 |
| 3.3 瞬时相位解调过程 |
| 3.4 瞬时相位检测装置研制 |
| 3.5 本章小结 |
| 4 基于自适应排列熵的基础部件故障程度定量评价 |
| 4.1 引言 |
| 4.2 集合经验模态分解 |
| 4.2.1 经验模态分解 |
| 4.2.2 集合经验模态分解 |
| 4.3 自适应排列熵 |
| 4.3.1 排列熵理论 |
| 4.3.2 相空间重构自适应参数选择 |
| 4.3.3 基于自适应排列熵的故障程度定量评价方法 |
| 4.4 RV减速器轴承和齿轮动态性能定量评价 |
| 4.4.1 齿轮动态性能定量评价验证实验 |
| 4.4.2 轴承动态性能定量评价验证实验 |
| 4.5 本章小结 |
| 5 RV减速器基础部件故障诊断试验平台研制 |
| 5.1 引言 |
| 5.2 故障诊断试验平台整体方案设计 |
| 5.3 故障诊断试验平台组成和介绍 |
| 5.3.1 研究对象 |
| 5.3.2 驱动装置 |
| 5.3.3 数据采集系统 |
| 5.3.4 负载装置 |
| 5.4 在RV减速器出厂质量检测中的应用 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A 批次齿轮试验标准化排列熵表 |
| 附录B 批次轴承试验标准化排列熵表 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（6）旋转机械运行安全在线监测系统的研究与开发（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 课题国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题研究内容及目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 文章组织结构安排 |
| 1.5 本章小结 |
| 第2章 旋转机械运行安全的特征分析及算法研究 |
| 2.1 旋转机械的状态特征参量 |
| 2.1.1 振幅 |
| 2.1.2 振动频率 |
| 2.1.3 相位 |
| 2.1.4 转速 |
| 2.1.5 电量参数 |
| 2.1.6 温度 |
| 2.2 时频分析方法研究 |
| 2.2.1 傅里叶变换 |
| 2.2.2 小波变换及小波包变换 |
| 2.2.3 经验模态分解方法 |
| 2.2.4 希尔伯特变换 |
| 2.2.5 变分模态分解方法 |
| 2.2.6 局域均值分解方法 |
| 2.3 微弱信号处理方法研究 |
| 2.4 本章小结 |
| 第3章 旋转机械运行安全在线监测系统硬件设计 |
| 3.1 系统硬件整体设计描述 |
| 3.1.1 硬件设计性能指标 |
| 3.1.2 系统硬件构成 |
| 3.2 DSP简介 |
| 3.2.1 DSP选型 |
| 3.2.2 TMS320F28335 简介 |
| 3.3 振动信号处理电路设计 |
| 3.3.1 振动传感器的选择 |
| 3.3.2 振动传感器的安装 |
| 3.3.3 振动信号采样电路设计 |
| 3.3.4 振动信号调理电路设计 |
| 3.4 温度信号处理电路设计 |
| 3.4.1 温度传感器的选择 |
| 3.4.2 温度传感器的安装 |
| 3.4.3 温度采集电路设计 |
| 3.5 其他模块电路设计 |
| 3.5.1 电源模块电路设计 |
| 3.5.2 程序调试电路设计 |
| 3.5.3 数据存储电路设计 |
| 3.5.4 显示模块电路设计 |
| 3.5.5 通讯模块电路设计 |
| 3.6 PCB电路设计 |
| 3.7 本章小结 |
| 第4章 旋转机械运行安全在线监测系统下位机软件开发 |
| 4.1 下位机软件整体框架设计 |
| 4.2 下位机软件初始化程序设计 |
| 4.3 下位机软件数据采集程序设计 |
| 4.4 下位机软件数据处理程序设计 |
| 4.4.1 时域算法处理程序设计 |
| 4.4.2 幅值域算法处理程序设计 |
| 4.4.3 频域算法处理程序设计 |
| 4.5 下位机软件通讯模块设计 |
| 4.6 本章小结 |
| 第5章 旋转机械运行安全在线监测系统上位机软件开发 |
| 5.1 上位软件开发分析 |
| 5.1.1 系统开发思路 |
| 5.1.2 系统开发环境及工具 |
| 5.1.3 上位系统开发原则 |
| 5.1.4 系统整体框架结构 |
| 5.2 上位系统功能模块开发 |
| 5.2.1 开机界面 |
| 5.2.2 用户管理模块 |
| 5.2.3 参数配置模块 |
| 5.2.4 通讯模块 |
| 5.2.5 数据采集模块 |
| 5.2.6 数据查询模块 |
| 5.2.7 时域分析模块 |
| 5.2.8 频域分析模块 |
| 5.2.9 时频分析模块 |
| 5.2.10 微弱信号分析模块 |
| 5.2.11 故障诊断模块 |
| 5.3 本章小结 |
| 第6章 旋转机械运行安全在线监测系统的测试 |
| 6.1 下位机功能测试 |
| 6.2 上位机功能测试 |
| 6.2.1 时域分析测试 |
| 6.2.2 频域分析测试 |
| 6.2.3 时频分析测试 |
| 6.2.4 微弱信号分析测试 |
| 6.3 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（7）非稳态条件下滚动轴承故障诊断及退化识别技术研究（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 研究内容及技术路线 |
| 1.5 本章小结 |
| 2 滚动轴承特性分析及实验平台搭建 |
| 2.1 引言 |
| 2.2 滚动轴承故障机理分析 |
| 2.3 滚动轴承振动特性分析 |
| 2.4 滚动轴承振动信号采集实验 |
| 2.5 本章小结 |
| 3 滚动轴承局部故障振动机理及尺寸测量研究 |
| 3.1 引言 |
| 3.2 局部故障振动机理 |
| 3.3 实验分析 |
| 3.4 局部故障尺寸测量 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 4 基于多曲线提取的未知变转速故障诊断研究 |
| 4.1 引言 |
| 4.2 多曲线提取与选择 |
| 4.3 故障成分提取与解调 |
| 4.4 未知变转速滚动轴承故障诊断 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 5 滚动轴承单脉冲特征提取研究 |
| 5.1 引言 |
| 5.2 多故障周期相位扫描 |
| 5.3 单脉冲特征提取与校准 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 6 基于单脉冲特征的退化识别研究 |
| 6.1 引言 |
| 6.2 基于CNN的深度学习算法 |
| 6.3 基于单脉冲特征的退化识别 |
| 6.4 实验分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 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 |
（8）改进的卷积神经网络在设备故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外机械设备故障诊断研究现状及发展趋势 |
| 1.3 卷积神经网络在故障诊断领域中的研究现状 |
| 1.4 本文研究内容及章节安排 |
| 1.4.1 研究内容及创新之处 |
| 1.4.2 本文组织结构 |
| 第2章 机械设备故障诊断相关理论及深度学习基础概念介绍 |
| 2.1 轴承故障诊断相关理论知识 |
| 2.2 轴承故障诊断基本方法 |
| 2.3 深度学习的基础概念 |
| 2.3.1 深度学习的总体感知 |
| 2.3.2 深度学习训练 |
| 2.3.3 误差反向传播 |
| 2.4 本章小结 |
| 第3章 基于改进的卷积神经网络的轴承故障诊断方法研究 |
| 3.1 引言 |
| 3.2 卷积神经网络CNN基本理论 |
| 3.2.1 卷积层 |
| 3.2.2 激活函数 |
| 3.2.3 池化层 |
| 3.3 基于改进的卷积神经网络的轴承故障诊断模型 |
| 3.3.1 改进的CNN网络结构描述 |
| 3.3.2 MaFaulDa轴承数据实验台 |
| 3.3.3 美国凯斯西楚大学数据库 |
| 3.4 滚动轴承单一故障诊断实验与分析 |
| 3.4.1 改进的恒等映射卷积神经网络模型 |
| 3.4.2 MaFaulDa轴承数据故障诊断结果 |
| 3.4.3 改进的变卷积核卷积神经网络模型 |
| 3.4.4 美国凯斯西楚大学轴承数据故障诊断结果 |
| 3.5 本章小结 |
| 第4章 基于改进的ResNet-LSTM的机车轴承复合故障诊断研究 |
| 4.1 引言 |
| 4.2 滚动轴承复合故障诊断基本模型 |
| 4.2.1 残差优化的卷积神经网络模型 |
| 4.2.2 LSTM网络模型 |
| 4.3 基于改进的ResNet-LSTM的机车轴承复合故障诊断模型 |
| 4.3.1 数据预处理 |
| 4.3.2 改进的ResNet-LSTM网络模型 |
| 4.4 滚动轴承复合故障诊断实验与分析 |
| 4.4.1 实验室电力机车滚动轴承实验台 |
| 4.4.2 实验数据准备 |
| 4.4.3 故障诊断结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 攻读硕士学位期间发表的论文 |
| 参与的科研项目 |
| 致谢 |
（9）RV减速器性能监测与预警系统研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景及研究意义 |
| 1.2 RV减速器远程监测与预警系统研究的国内外研究现状 |
| 1.2.1 监测与预警系统 |
| 1.2.2 远程监测系统 |
| 1.3 本文主要的研究内容 |
| 1.4 本章小结 |
| 第2章 RV减速器远程监测与预警系统的总体方案设计 |
| 2.1 系统的总体架构设计 |
| 2.2 系统设计原则 |
| 2.3 系统结构模式的设计 |
| 2.4 关键技术研究 |
| 2.5 系统各部分主要的任务 |
| 2.5.1 数据传输 |
| 2.5.2 数据存储系统 |
| 2.5.3 远程监测端 |
| 2.5.4 振动信号分析与预警系统 |
| 2.6 本章小结 |
| 第3章 RV减速器远程监测系统信号采集端设计 |
| 3.1 RV减速器信号采集系统的组成 |
| 3.1.1 信号采集实验方案 |
| 3.1.2 数据采集硬件设备 |
| 3.2 RV减速器信号采集过程 |
| 3.3 网络通信模块 |
| 3.4 信号采集端与服务器端通讯 |
| 3.4.1 LabSQL远程传输数据至云数据库 |
| 3.4.2 SQL Toolkit远程传输数据至云数据库 |
| 3.4.3 DataSocket远程传输数据至云服务器 |
| 3.4.4 信号采集端管理云数据库 |
| 3.5 本章小结 |
| 第4章 RV减速器远程监测系统云服务器端设计 |
| 4.1 云服务器总体设计 |
| 4.1.1 云服务器优势分析 |
| 4.1.2 云服务器选型 |
| 4.2 云服务器数据库的设计 |
| 4.2.1 数据库分析与选取 |
| 4.2.2 信号采集端与云数据库的配置设计 |
| 4.2.3 云数据库结构设计与实现 |
| 4.3 云服务器Socket通信 |
| 4.3.1 Socket传输协议 |
| 4.3.2 Socket通信过程 |
| 4.3.3 TCP连接过程 |
| 4.4 程序设计 |
| 4.4.1 设计思路 |
| 4.4.2 设计流程 |
| 4.5 云服务器端测试 |
| 4.5.1 LabSQL远程传输数据至云数据库测试 |
| 4.5.2 SQL Toolkit远程传输数据至云数据库测试 |
| 4.5.3 DataSocket远程传输数据至云服务器测试 |
| 4.6 本章小结 |
| 第5章 RV减速器远程监测系统远程监测端设计 |
| 5.1 远程监测端总体设计 |
| 5.1.1 主体界面设计 |
| 5.1.2 LabSQL数据读取、存储与分析模块的设计 |
| 5.1.3 SQL Toolkit数据读取、存储与分析模块的设计 |
| 5.2 远程监测端测试 |
| 5.2.1 LabSQL数据读取、存储与分析模块的测试 |
| 5.2.2 SQL Toolkit数据读取、存储与分析模块的测试 |
| 5.3 本章小结 |
| 第6章 基于LabVIEW的振动信号分析与预警系统的设计 |
| 6.1 机械振动信号的分析 |
| 6.1.1 时域分析模块中的特征参数 |
| 6.1.2 信号预处理 |
| 6.1.3 频域分析 |
| 6.2 振动信号分析模块的设计 |
| 6.2.1 振动信号分析模块的介绍 |
| 6.2.2 时域分析模块的设计 |
| 6.2.3 频域分析模块的设计 |
| 6.3 仿真振动信号的生成与波形调理 |
| 6.3.1 仿真振动信号的生成 |
| 6.3.2 仿真振动信号的波形调理 |
| 6.4 振动信号分析与预警系统测试 |
| 6.4.1 仿真振动信号时域分析结果 |
| 6.4.2 仿真振动信号频域分析结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（10）基于深度学习算法的轴承保持架故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 轴承保持架故障诊断方法研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 深度学习算法在故障诊断应用中的研究现状 |
| 1.4 存在问题及研究难点 |
| 1.5 本文主要研究内容及思路 |
| 第2章 轴承保持架故障诊断试验 |
| 2.1 滚动轴承结构组成及工作特性 |
| 2.1.1 滚动轴承结构组成 |
| 2.1.2 轴承保持架故障形式 |
| 2.2 轴承故障诊断系统 |
| 2.3 试验设备简介 |
| 2.4 实验数据采集及分析 |
| 2.4.1 时域信号分析 |
| 2.4.2 频域信号分析 |
| 2.5 本章小结 |
| 第3章 深度学习基本理论 |
| 3.1 深度学习方法概述 |
| 3.2 神经网络学习训练过程 |
| 3.2.1 反向传播和梯度下降算法 |
| 3.2.2 Batch normalization算法 |
| 3.2.3 Dropout算法 |
| 3.3 深度学习算法优化器选择 |
| 3.3.1 动量学习法 |
| 3.3.2 Ada Grad算法 |
| 3.3.3 RMSProp算法 |
| 3.3.4 Adam算法 |
| 3.4 本章小结 |
| 第4章 基于EMD-SDP特征融合的CNN故障诊断模型 |
| 4.1 引言 |
| 4.2 EMD-SDP特征融合的CNN故障诊断模型 |
| 4.2.1 EMD分解 |
| 4.2.2 基于EMD的 SDP特征融合 |
| 4.2.3 基于CNN的故障诊断模型 |
| 4.3 实验研究 |
| 4.3.1 实验数据说明 |
| 4.3.2 EMD-SDP特征信息融合 |
| 4.3.3 CNN故障诊断模型参数设定 |
| 4.3.4 实验结果及分析 |
| 4.3.5 算法对比实验 |
| 4.4 本章小结 |
| 第5章 基于一维CNN的轴承故障诊断模型 |
| 5.1 引言 |
| 5.2 一维卷积神经网络特征提取算法 |
| 5.3 CNN-BCFD智能故障诊断算法 |
| 5.3.1 CNN-BCFD模型概述 |
| 5.3.2 数据预处理 |
| 5.3.3 CNN-BCFD模型训练 |
| 5.4 实验 |
| 5.4.1 实验数据说明 |
| 5.4.2 CNN-BCFD模型参数选择 |
| 5.4.3 实验结果 |
| 5.4.4 变载泛化性能实验 |
| 5.4.5 变速鲁棒性能实验 |
| 5.4.6 算法对比实验 |
| 5.4.7 其他轴承故障诊断实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、无线设备状态监测网络轴承故障信号的采集（论文参考文献）
- [1]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [2]基于SystematICS平台的地铁空调机组轴承设备状态监控[D]. 刘鑫. 西安理工大学, 2021(01)
- [3]石化装置旋转机械转子故障诊断系统开发[D]. 沈强. 北京石油化工学院, 2021(02)
- [4]基于深度残差网络的旋转机械故障诊断[D]. 尚杰. 青岛理工大学, 2021(02)
- [5]基于瞬时相位信息的RV减速器基础部件故障诊断方法研究[D]. 周远远. 安徽理工大学, 2021
- [6]旋转机械运行安全在线监测系统的研究与开发[D]. 张树涛. 兰州理工大学, 2021(01)
- [7]非稳态条件下滚动轴承故障诊断及退化识别技术研究[D]. 刘畅. 中国矿业大学, 2021
- [8]改进的卷积神经网络在设备故障诊断中的应用研究[D]. 程琳. 西安邮电大学, 2021(02)
- [9]RV减速器性能监测与预警系统研究[D]. 冯俊涛. 天津职业技术师范大学, 2021(09)
- [10]基于深度学习算法的轴承保持架故障诊断研究[D]. 郑一珍. 太原理工大学, 2021(01)