一、机械设备故障诊断技术的现状与展望（论文文献综述）
高有进,杨艺,常亚军,张幸福,李国威,连东辉,崔科飞,武学艺,魏宗杰[1]（2021）在《综采工作面智能化关键技术现状与展望》文中认为综采工作面智能化是我国煤炭开采的重点发展方向之一。综采工作面环境复杂,设备众多,开采工艺各环节高度耦合,且采煤过程中各设备之间的动作协同性要求较高,这给设备的智能控制带来了巨大挑战。为厘清综采工作面智能化的技术现状,发掘技术难题的解决方法,探讨未来的发展方向,首先从工程应用角度出发,围绕采煤机、液压支架群、供液系统、运输系统等核心设备,综述综采工作面智能化的发展历史和技术现状,介绍了智能化综采工作面现有的系统架构和关键技术,梳理智能化建设过程中的技术难点。其次从控制理论角度出发,重点阐述了采煤机滚筒自适应调高、支架姿态控制、支架自动跟机、工作面直线度调整、设备协调控制等技术难点所面临的科学问题,从系统建模、控制算法及优化决策等方面,介绍了解决上述问题的技术路径和国内外最新的研究成果。最后,根据人工智能研究领域的发展动态,展望了采煤机、液压支架、运输系统的智能化发展方向;结合计算机视觉、三维激光点云技术、大数据分析、多智能体控制与决策等方向的研究成果,探讨了综采工作面在视频目标识别与跟踪、关键设备三维姿态感知、透明工作面地质信息获取与建模、设备故障综合诊断、工作面信息挖掘与智能分析、设备集群智能最优控制等方面的智能化技术。
陈磊[2]（2021）在《高压断路器振动信号特征提取及故障诊断方法研究》文中研究表明高压断路器是电力系统的关键组件,其在电力系统中起控制（投切负荷）和保护（切断故障）作用。高压断路器一旦发生故障,将直接危害整个电力系统的安全与稳定。国内外众多针对高压断路器可靠性的调查结果表明,机械故障是断路器失效的主要因素。因此,开展高压断路器机械故障监测与诊断方法研究,并据此制定合理的维护与检修策略,对于提高电力系统的可靠性具有重要意义。传统定期检修的维护方式已不符合高压断路器智能化发展要求。近年来,基于机器学习算法的高压断路器智能故障诊断方法得到了广泛研究与关注。该类方法在较为理想的诊断条件下普遍取得了良好的诊断效果,但是在实际的故障诊断情形中,仍有一些问题亟待解决。本文以高压断路器为研究对象,以振动信号为媒介,从信号特征提取与故障识别方面展开研究,针对常规机器学习算法在高压断路器实际故障诊断情形中的局限性,提出了相应的解决方案。论文主要内容及创新点如下:（1）针对高压断路器振动信号特征提取问题,提出了一种基于机构动作时间参数的特征提取方法。首先,基于短时Teager能量和短时二次方能量设计了动作事件增强参数,据此从振动信号中提取了机构动作时间参数;然后,利用所提取的机构动作时间参数对振动信号进行分段;最后,计算每段信号的能量熵作为机器学习算法的特征向量。与等时间分段和等能量分段所计算的特征向量相比,基于机构动作时间参数所计算的特征向量在空间中表现出更好的类别区分效果。（2）分析了不平衡数据（正常样本数量多于故障样本数量）和故障数据未标记（监测数据仅有正常样本或发生未知故障）两种情形对常规机器学习算法所建立的诊断模型性能的影响。实验结果表明,不平衡数据和故障数据未标记会使诊断模型性能下降,甚至出现失效情况。不平衡数据使得诊断模型偏向于正常状态,导致故障识别精度较低,且此问题随着数据不平衡程度的加重而愈加严重;故障数据未标记使得常规机器学习算法难以建立有效的诊断模型,无法识别出未被标记过的故障。基于以上两种实际故障诊断情形的分析,引出后续章节的研究。（3）针对高压断路器实际监测数据不平衡现象,提出一种过采样算法对数据再平衡。过采样算法通过合成新样本方式来增加少数类别样本数量,使得不同类别样本数量趋于平衡。然而,现有过采样算法在合成新样本时存在一定盲目性,没有充分考虑数据的分布特性,可能会导致无效合成或错误合成。为缓解此问题,本文提出一种新的过采样算法,即密度加权少数类别过采样算法（Density-weighted Minority Oversampling,DWMO）。DWMO 算法根据原始数据的分布特性,对不同区域样本设置不同的过采样权重,实现了新样本的高质量合成,有效缓解了不平衡数据所带来的分类偏差。实验结果表明,DWMO算法能够有效提高常规机器学习算法在高压断路器不平衡数据故障诊断中的诊断性能。（4）针对高压断路器不平衡数据故障诊断中,常规机器学习算法诊断精度低的问题,提出一种基于单分类极限学习机（One-class Extreme Learning Machine,OCELM）集成的不平衡数据分类算法（Multi-class Classification Algorithm Based on OCELM Ensemble,MC-OCELM）。MC-OCELM 算法中集成了多个 OCELM模型,OCELM模型数量根据训练集中类别数量自适应调整以保证每个类别均对应一个OCELM模型。训练时,MC-OCELM算法中的每个OCELM模型基于各自对应的类别单独训练。正是由于这一训练特点,MC-OCELM算法有效规避了不平衡数据的影响。实验结果表明,MC-OCELM算法在高压断路器不平衡数据故障诊断中取得了比常规机器学习算法更好的诊断效果。（5）针对高压断路器未标记故障识别问题,提出一种基于改进OCELM算法的高压断路器未标记故障识别方法。将未标记故障识别问题看作异常值检测问题,并尝试应用单分类算法解决。考虑到现有单分类算法在决策时普遍忽略了样本所在区域密度对决策边界的影响,将密度权重引入OCELM算法中,由此提出一种改进的OCELM算法,即密度加权单分类极限学习机（Denstiy-weighted One-class Extreme Learning Machine,DW-OCELM）。DW-OCELM 算法为高密度区域样本分配更高的权重,使得诊断模型倾向于拒绝低密度区域样本而尽可能接纳高密度区域样本。实验结果表明,DW-OCELM算法有效解决了高压断路器未标记故障识别问题,且取得了比其它常用单分类算法更好的未标记故障识别结果。
李鑫[3]（2021）在《铁路机车设备画像理论及关键技术研究》文中指出铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
于广宇[4]（2021）在《基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究》文中进行了进一步梳理球磨机的传动系统是其运行关键部分。随着运行时间的增加,其传动系统的关键零部件--大小齿轮的齿面若发生点蚀、胶合、塑性变形等故障会大大影响传动效率从而会影响设备生产效率,甚至发生安全事故。为贯彻安全生产方针,本文以某矿业公司的球磨机齿轮齿面为主要研究对象,挑选出5种不同故障等级的齿轮在实验条件下安装运行,采集齿轮振动数据。对小波分析与EMD分解两种信号处理方法思路进行研究,通过算例得出两种方法结合研究的可行性结论。基于两种信号处理方法对振动信号进行特征提取,分析计算标定出更为精准的齿轮故障等级标准,做为球磨机齿轮齿面故障诊断定量与定性的判断依据。最后通过现场故障案例进行验证,将两种方法结合的信号处理方法与常用故障诊断方法进行诊断效果对比。具体工作如下:（1）对两种常用信号处理方法的研究思路进行剖析,通过其他相关方向的研究算例,指出两种信号处理方法结果的可行性、有效性和不足之处,进一步分析两种方法结合起来进行故障判断的准确性。（2）根据球磨机的设备参数和运行工况构建实验环境,将三台实验球磨机按运行时间进行多次、多坐标测量,基于国家标准规范出适合现场运行的球磨机齿轮振动标准。随后挑选出5种不同故障等级的齿轮作为实验对象,以相同输入的条件进行运行实验,采集不同程度的振动信号。（3）利用小波分析与EMD分解两种信号处理技术,使用5种不同程度故障等级的齿轮进行10组故障模拟实验,对采集球磨机运行过程中的振动信号进行分析,得到振动信号的一级高频小波系数、二级高频小波系数以及一级IMF函数的均方根值,三者对齿轮齿面故障呈现出较为敏感的特征模式。最后利用该结果绘制特征提取结果变化率曲线,得到诊断效果对比结论。将两种方法结合的诊断方法代入故障案例进行故障分析,通过对比发现前者诊断更精确,效果更好。
陈卓[5]（2021）在《齿轮箱故障智能诊断方法研究》文中进行了进一步梳理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。
宋陵灿[6]（2021）在《基于电机定子电流特征的高压隔离开关机构故障诊断研究》文中研究指明高压隔离开关作为牵引供电系统中使用最多的高压开关设备,其常年暴露在户外极端恶劣的环境中,受到尘雾、风、雨、雪等环境影响,极其容易出现机构腐蚀、弹簧失效、机构疲惫等机构故障问题,从而在分合闸过程中出现卡涩、不到位、弹簧故障等问题,这严重威胁到牵引供电系统的安全稳定运行。为此已有很多用于诊断机构故障的方法被提出,但仍存在诊断精度不足、智能化程度不高等缺点。因此,本文针对牵引供电系统高压隔离开关机构故障诊断问题展开研究,提出了一种基于定子电流特征的高压隔离开关机构故障诊断方法,以电机定子电流特征作为诊断算法的输入,以此判断故障类型,所提方法为高压开关设备的故障诊断提供了新思路。文中从电机故障信号、采样滤波设计、特征量提取、诊断算法和系统搭建等方面展开说明,主要内容有:1)分析研究了由机构故障所引起的电机定子电流特征。依据推导所得的隔离开关操作力矩和电机电流的关系,得出操作力矩与电机定子电流的函数关系。再分析电机定子电流信号特征,建立了出现机构故障时由力矩变化引起的电流波动与基波和频率为（1?2s）f1的边频分量的函数关系。由此为利用定子电流的基波和45Hz～55Hz边频带分量作为诊断故障的特征量提供理论依据。2)研究了电机定子电流特征量采样、提取方法。针对定子电流包含大量的谐波电流,设计了低通Butterworth滤波器+数字FIR带通滤波器的采样滤波组合,可降低采样干扰的同时滤除了电流所包含大量的谐波分量,提高了诊断分析的鲁棒性;采用快速傅里叶变换提取电流的45-55Hz幅频特性和均方根值法计算得到定子电流信号的基波电流有效值-时间t关系,并且在文中比较分析了不同故障类型下两种电流特征的区别。3)分析比较了电流特征量与不同算法相融合后对故障的诊断精度。以归一化处理后的定子电流基波和45Hz～55Hz边频带分量作为算法的输入量,对比K-means聚类分析法、SVM分类模型和BP神经网络三种算法对故障诊断的精度,结果表明BP神经网络诊断正确率最高,为97.9%,高于K-means聚类分析92.5%的精度和SVM故障分类模型95.8%的精度,体现出BP神经网络对大样本数据处理预测分析能力更强。而四种故障中,对机构卡涩的诊断精度较低,这是由于轻微的卡涩并不能很明显的在定子电流特征中显现出。4)设计了基于Lab VIEW和DSP的隔离开关机构故障诊断装置。文中从硬件部分和上位机软件部分两大方面出发,详细介绍了DSP板的采样滤波单元、供电单元等外围电路设计和DSP板软件开发环境配置等部分;并利用Lab VIEW设计了上位机软件,其中故障诊断算法采用精度更高的BP神经网络,利用上位机实现了对电流信号、特征量显示和对机构故障的警报。
郄旭亮[7]（2021）在《结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究》文中研究说明轴承广泛应用于机械装备中,轴承的运转将直接影响相关设备的运转状况、寿命及所加工产品的精度。当运行的轴承出现严重故障会导致意外停机或事故。本文以诊断轴承弱故障为主要研究内容,以期尽早发现和诊断轴承弱故障。论文选用对噪声不敏感的Holmes型Duffing系统来诊断轴承弱故障,通过计算得到Duffing系统的两个Lyapunov指数,根据指数的正、负特性来精确判断系统的运动状态。调整Duffing系统内置策动力的幅值,使得系统的运动状态发生跳变,从而确定Duffing系统的混沌阈值。经研究发现振动信号的初相角有时会引起Duffing系统的误判,通过移相法改变振动信号的初相角,之后再分别激励Duffing系统,可有效地避免Duffing系统产生误判。用广义时间尺度变换,增大Duffing系统的时间尺度,相当于降低了振动信号的频率,信号的其它属性不变,使得Duffing系统也可用于检测高频振动信号。至此,完成了 Duffing系统的改进,为后续利用Bi-LSTM网络诊断轴承弱故障提供了必要的数据。选择能实现双向传播的Bi-LSTM网络,完成轴承弱故障诊断。利用注意力机制优化Bi-LSTM网络,突出了轴承振动信号中的特征信息,提高了利用Bi-LSTM网络诊断轴承弱故障的有效性。添加Dropout技术优化Bi-LSTM网络,按照设置的概率对Bi-LSTM网络中的部分神经元进行失效处理,避免了 Bi-LSTM网络出现过拟合问题,并降低了Bi-LSTM网络的计算量。利用四组不同频率的仿真振动信号,激励Duffing系统,将得到的Duffing相平面数据制作成训练集和测试集。利用训练集训练Bi-LSTM网络,再利用Bi-LSTM网络诊断测试集,完成仿真实验。首先实验验证了弱故障诊断方法的有效性,再实验验证了注意力机制和Dropout技术的加入能有效提高利用Bi-LSTM网络诊断轴承弱故障的准确性。结合Duffing系统和Bi-LSTM网络诊断实测信号,分别诊断凯斯西储大学的探伤测试数据和XJTU-SY轴承数据集,发现准确率分别达到89.38%和87.67%。通过将凯斯西储大学的探伤测试数据制作成训练集,将XJTU-SY轴承数据集制作成测试集,利用训练集训练Bi-LSTM网络进而诊断测试集,发现Bi-LSTM网络的诊断准确率达到85.87%。通过正交试验,完成对Bi-LSTM网络中的最优参数的选取,计算得到最优的网络参数,在该参数条件下,Bi-LSTM网络诊断轴承弱故障的准确率达到91.97%。本文所提出的结合Duffing系统和Bi-LSTM网络诊断轴承弱故障的方法为诊断轴承弱故障提供了新思路。
申欣艳[8]（2021）在《多模型自适应故障诊断及其在高速列车上的应用》文中提出随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵引电机故障的情况下仍能实现对给定速度曲线的渐近跟踪,保障了高速列车的安全可靠运行。具体工作内容包括以下两个方面:针对一般多变量系统,设计了基于多模型自适应方法的多变量系统执行器故障诊断与调节策略。首先,通过分析执行器常见故障,建立故障模式集,得到其在每种故障模式下的参数化模型;再基于每种故障模式下的参数化模型设计自适应估计器,并基于估计误差设计性能损失函数进行多变量系统执行器自适应故障诊断;最后根据诊断出的故障模式和大小等信息设计自适应故障调节控制器,保证系统稳定,实现对给定的预期输出渐近跟踪。仿真结果表明,本文设计的多变量系统故障自适应诊断与调节策略能有效地实现对未知执行器故障的诊断和补偿。以遭受未知牵引电机故障的高速列车为研究对象,研究其自适应故障诊断和调节策略。首先,建立考虑牵引电机特性的高速列车纵向动力学模型,再通过对牵引电机常见的故障进行分析,建立故障模式集,得到高速列车在每种牵引电机故障模式下的参数化模型。接着,针对每种参数化模型建立这种故障模式下的故障估计器,根据估计误差设计性能损失函数进行高速列车牵引电机自适应故障诊断。最后根据诊断出的故障模式和大小设计自适应故障调节控制器,保证高速列车系统稳定和对给定速度曲线的渐近跟踪。仿真结果表明,本文设计的自适应故障诊断与调节策略能有效地实现对高速列车未知牵引故障的诊断和补偿,保障高速列车的安全可靠运行。
邓奇[9]（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》文中研究表明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。
刘鑫[10]（2021）在《基于SystematICS平台的地铁空调机组轴承设备状态监控》文中认为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。
二、机械设备故障诊断技术的现状与展望（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、机械设备故障诊断技术的现状与展望（论文提纲范文）
（1）综采工作面智能化关键技术现状与展望（论文提纲范文）
| 0 引言 |
| 1 综采工作面智能化开采发展历程 |
| 2 综采工作面智能化开采技术现状及难点 |
| 2.1 综采工作面智能化开采系统架构 |
| 2.2 采煤机智能化技术现状及难点 |
| 2.2.1 采煤机定位技术现状及难点 |
| 2.2.2 采煤机姿态检测的技术现状及难点 |
| 2.2.3 滚筒自适应调高技术现状及难点 |
| 2.2.4 记忆截割技术现状及难点 |
| 2.3 液压支架智能化技术现状及难点 |
| 2.3.1 液压支架姿态控制技术现状及难点 |
| 2.3.2 液压支架自动跟机控制技术现状及难点 |
| 2.3.3 工作面自动调直技术现状及难点 |
| 2.3.4 工作面设备协同控制技术现状与难点 |
| 2.4 供液系统智能化技术现状及难点 |
| 2.4.1 多泵恒压控制技术现状与难点 |
| 2.4.2 乳化液自动配比技术现状与难点 |
| 2.5 运输系统智能化技术现状及难点 |
| 2.5.1 刮板输送机故障诊断技术现状及难点 |
| 2.5.2 刮板输送机智能调速与煤流检测技术及难点 |
| 3 综采工作面智能化研究前沿及技术展望 |
| 3.1 综采工作面智能化发展方向展望 |
| 3.2 煤矿综采与人工智能交叉领域研究前沿及技术展望 |
| 3.2.1 计算机视觉在智能化开采中的研究前沿及技术展望 |
| 3.2.2 基于激光点云的智能化开采研究前沿及技术展望 |
| 3.2.3 透明工作面研究前沿及技术展望 |
| 3.2.4 综采工作面大数据挖掘研究前沿与技术展望 |
| 3.2.5 综采工作面设备群体智能决策与控制研究前沿与技术展望 |
| 4 结语 |
（2）高压断路器振动信号特征提取及故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 高压断路器结构及类型 |
| 1.3 高压断路器状态监测与故障诊断国内外研究现状 |
| 1.3.1 信号采集与分析 |
| 1.3.2 高压断路器故障诊断方法 |
| 1.4 本文主要研究内容 |
| 第2章 基于机构动作时间参数的高压断路器振动信号特征提取方法 |
| 2.1 引言 |
| 2.2 实验平台及其工作原理 |
| 2.3 振动信号中提取机构动作时间参数方法 |
| 2.3.1 Teager能量算子 |
| 2.3.2 短时能量比 |
| 2.3.3 定位时间参数 |
| 2.4 故障模拟与信号测量 |
| 2.5 振动信号中提取机构动作时间参数结果分析 |
| 2.6 特征向量提取 |
| 2.7 本章小结 |
| 第3章 不平衡数据及故障数据未标记对故障诊断模型的影响分析 |
| 3.1 引言 |
| 3.2 核极限学习机算法 |
| 3.3 理想条件下故障诊断结果分析 |
| 3.4 不平衡数据对故障诊断模型的影响分析 |
| 3.5 故障数据未标记对故障诊断模型的影响分析 |
| 3.5.1 无故障样本数据 |
| 3.5.2 发生未知故障 |
| 3.6 本章小结 |
| 第4章 基于数据过采样的高压断路器不平衡数据故障诊断方法 |
| 4.1 引言 |
| 4.2 SMOTE类过采样算法局限性分析 |
| 4.3 DWMO算法 |
| 4.4 实验验证 |
| 4.4.1 DWMO算法在KEEL数据集分类中的应用 |
| 4.4.2 DWMO算法在高压断路器不平衡数据故障诊断中的应用 |
| 4.5 本章小结 |
| 第5章 基于单分类极限学习机集成的高压断路器不平衡数据故障诊断方法 |
| 5.1 引言 |
| 5.2 OCELM算法 |
| 5.3 MC-OCELM算法 |
| 5.4 实验验证 |
| 5.4.1 MC-OCELM算法在KEEL数据集分类中的应用 |
| 5.4.2 MC-OCELM算法在高压断路器不平衡数据故障诊断中的应用 |
| 5.5 本章小结 |
| 第6章 基于改进单分类极限学习机的高压断路器未标记故障识别方法 |
| 6.1 引言 |
| 6.2 DW-OCELM算法 |
| 6.3 实验验证 |
| 6.3.1 DW-OCELM算法在KEEL数据集异常检测中的应用 |
| 6.3.2 DW-OCELM算法在高压断路器未标记故障识别中的应用 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 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 |
（3）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（4）基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 综述 |
| 1.1 研究背景 |
| 1.2 球磨机齿轮齿面故障诊断研究意义 |
| 1.3 球磨机齿轮齿面故障诊断发展现状 |
| 1.4 论文的研究思路与主要内容 |
| 第二章 基于零部件特征信号处理方法研究 |
| 2.1 基于小波分析的信号处理方法 |
| 2.2 基于经验模态分解的信号处理方法 |
| 2.3 本章小结 |
| 第三章 球磨机齿轮齿面故障诊断 |
| 3.1 球磨机工作原理和设备参数 |
| 3.2 球磨机齿轮齿面特征信号的采集 |
| 3.3 球磨机齿轮齿面故障实验 |
| 3.4 球磨机齿轮齿面振动信号处理方法 |
| 3.5 球磨机齿轮齿面的故障诊断效果 |
| 3.6 本章小结 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间科研情况 |
（5）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 |
（6）基于电机定子电流特征的高压隔离开关机构故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 高压隔离开关故障诊断研究现状 |
| 1.2.2 电机电流特征研究现状 |
| 1.2.3 故障诊断算法研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 电机定子电流特征信号分析 |
| 2.1 电机电流–操作力矩关系推导 |
| 2.2 电机电流信号特征 |
| 2.3 本章小结 |
| 第三章 电机定子电流采样滤波设计 |
| 3.1 低通Butterworth滤波器原理 |
| 3.2 自适应FIR数字带通滤波器 |
| 3.3 滤波器设计 |
| 3.3.1 低通Butterworth滤波器设计 |
| 3.3.2 自适应FIR滤波器设计 |
| 3.4 本章小结 |
| 第四章 电流特征信号的提取与分析 |
| 4.1 边频分量特征提取 |
| 4.2 电流有效值计算 |
| 4.3 定子电流特征量分析 |
| 4.4 本章小结 |
| 第五章 基于电流特征的诊断策略实现 |
| 5.1 故障检测分类算法 |
| 5.1.1 K-means聚类分析法 |
| 5.1.2 SVM分类模型 |
| 5.1.3 BP神经网络模型 |
| 5.2 故障分类结果分析 |
| 5.3 本章小结 |
| 第六章 隔离开关机构故障诊断装置 |
| 6.1 机构故障诊断装置概述 |
| 6.2 诊断平台硬件部分 |
| 6.2.1 GW4 型隔离开关 |
| 6.2.2 数字信号处理单元 |
| 6.2.3 采样滤波单元设计 |
| 6.2.4 供电单元设计 |
| 6.3 上位机部分 |
| 6.4 本章小结 |
| 第七章 工作总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（7）结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题的背景及意义 |
| 1.2 轴承故障诊断的发展历程及研究现状 |
| 1.2.1 轴承故障诊断的发展历程 |
| 1.2.2 轴承故障诊断的研究现状 |
| 1.3 轴承弱故障诊断的研究现状 |
| 1.4 Duffing系统和Bi-LSTM网络技术的结合及应用 |
| 1.5 本文主要研究内容及结构安排 |
| 2.Duffing系统数学模型及其优化 |
| 2.1 Duffing系统及其分类 |
| 2.1.1 Duffing振子的产生和类型 |
| 2.1.2 轴承弱故障诊断中Duffing振子类型的选择 |
| 2.2 Duffing系统混沌阈值的确定方法 |
| 2.2.1 Duffing系统状态的判别方法 |
| 2.2.2 混沌判据Lyapunov指数 |
| 2.2.3 基于Jacobian方法的Lyapunov指数求解算法 |
| 2.2.4 Duffing系统混沌阈值的确定 |
| 2.3 误判现象及其解决方案 |
| 2.3.1 误判现象的分析 |
| 2.3.2 移相法解决Duffing系统的误判现象 |
| 2.4 利用广义时间尺度变换改进Duffing系统 |
| 2.4.1 传统Duffing系统在故障诊断中的不足 |
| 2.4.2 Duffing系统的改进 |
| 2.4.3 改进后Duffing系统的适应性研究 |
| 2.5 本章小结 |
| 3.利用LSTM网络诊断轴承弱故障 |
| 3.1 基于LSTM网络诊断轴承弱故障的方法 |
| 3.1.1 利用LSTM网络诊断轴承弱故障的原理 |
| 3.1.2 LSTM网络的前向传播 |
| 3.1.3 LSTM网络的反向传播 |
| 3.1.4 LSTM网络的梯度更新 |
| 3.2 Bi-LSTM网络的优化 |
| 3.2.1 基于Bi-LSTM网络诊断轴承弱故障的原理 |
| 3.2.2 利用注意力机制提高Bi-LSTM网络的诊断准确率 |
| 3.2.3 利用Dropout技术解决过拟合现象 |
| 3.3 基于Bi-LSTM网络的轴承弱故障诊断方法验证 |
| 3.4 本章小结 |
| 4.Duffing系统与Bi-LSTM网络技术的结合 |
| 4.1 利用Duffing系统和 Bi-LSTM 网络进弱故障诊断的方法 |
| 4.2 利用Duffing系统和Bi-LSTM网络进行弱故障诊断的流程 |
| 4.3 利用仿真信号验证弱故障诊断方法 |
| 4.3.1 仿真信号的制备 |
| 4.3.2 仿真信号训练集和测试集的制作 |
| 4.3.3 利用Bi-LSTM网络诊断仿真信号 |
| 4.3.4 利用优化的Bi-LSTM网络诊断仿真信号 |
| 4.4 本章小结 |
| 5.实测轴承弱故障振动信号的诊断 |
| 5.1 实测数据简介 |
| 5.1.1 凯斯西储大学探伤测试数据 |
| 5.1.2 XJTU-SY轴承数据集 |
| 5.1.3 轴承的故障特征频率 |
| 5.1.4 实验设置 |
| 5.1.5 实测数据训练集和测试集的制作 |
| 5.2 利用Bi-LSTM网络诊断轴承弱故障振动实测信号 |
| 5.2.1 利用Bi-LSTM网络诊断凯斯西储大学的轴承数据 |
| 5.2.2 利用Bi-LSTM网络诊断XJTU-SY轴承数据 |
| 5.3 结合Duffing系统和Bi-LSTM网络方法的通用性实验 |
| 5.4 正交试验 |
| 5.4.1 实验设置 |
| 5.4.2 结果分析 |
| 5.5 计算次数对Bi-LSTM网络的影响 |
| 5.6 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（8）多模型自适应故障诊断及其在高速列车上的应用（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 研究现状与发展 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 自适应故障诊断研究现状 |
| 1.2.3 高速列车故障诊断与容错控制研究现状 |
| 1.3 基础知识 |
| 1.3.1 故障诊断基本知识 |
| 1.3.2 自适应控制基本原理 |
| 1.3.3 模型参考自适应控制基本原理 |
| 1.4 论文研究内容与框架 |
| 第二章 多变量系统执行器故障多模型自适应诊断与调节 |
| 2.1 存在执行器故障的多变量系统模型 |
| 2.2 多变量系统的多模型自适应故障诊断与调节策略 |
| 2.2.1 故障模式集 |
| 2.2.2 不同故障模式下的多变量系统模型 |
| 2.2.3 多模型自适应故障诊断 |
| 2.2.4 故障调节策略 |
| 2.3 仿真验证 |
| 2.3.1 系统模型 |
| 2.3.2 多模型自适应故障诊断与调节效果 |
| 2.4 本章小结 |
| 第三章 高速列车牵引电机多模型自适应故障诊断与调节 |
| 3.1 引言 |
| 3.2 存在牵引电机故障的高速列车动力学模型 |
| 3.2.1 高速列车纵向运动学模型 |
| 3.2.2 存在牵引电机故障的高速列车模型 |
| 3.2.3 控制目标 |
| 3.3 高速列车自适应故障诊断与调节 |
| 3.3.1 故障模式集 |
| 3.3.2 不同故障模式下的高速列车参数化模型 |
| 3.3.3 基于多模型的自适应故障诊断 |
| 3.3.4 牵引电机故障调节 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 个人简历 在读期间的学术成果 |
| 致谢 |
（9）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 |
（10）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 |
四、机械设备故障诊断技术的现状与展望（论文参考文献）
- [1]综采工作面智能化关键技术现状与展望[J]. 高有进,杨艺,常亚军,张幸福,李国威,连东辉,崔科飞,武学艺,魏宗杰. 煤炭科学技术, 2021(08)
- [2]高压断路器振动信号特征提取及故障诊断方法研究[D]. 陈磊. 华北电力大学(北京), 2021(01)
- [3]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [4]基于小波分析与EMD分解的球磨机齿轮齿面故障诊断研究[D]. 于广宇. 广西大学, 2021(12)
- [5]齿轮箱故障智能诊断方法研究[D]. 陈卓. 西安理工大学, 2021(01)
- [6]基于电机定子电流特征的高压隔离开关机构故障诊断研究[D]. 宋陵灿. 华东交通大学, 2021(01)
- [7]结合Duffing系统和Bi-LSTM网络的轴承弱故障诊断研究[D]. 郄旭亮. 西安理工大学, 2021(01)
- [8]多模型自适应故障诊断及其在高速列车上的应用[D]. 申欣艳. 华东交通大学, 2021(01)
- [9]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)
- [10]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)