一、修理双列滚子链的方法(论文文献综述)
张庆举,袁松[1](2010)在《某船主减速齿轮箱输出轴非正常磨损的原因分析及修理工艺》文中指出某"抓斗"挖泥船主减速齿轮箱输出轴出现非正常磨损,根据拆检结果,用公差配合原则和安装工艺要求进行了分析,认为轴颈非正常磨损是由轴与轴承内圈配合间隙过大和安装方法不当造成的,并采取具体措施进行了修复。
唐浩[2](2008)在《船舶壁面除锈爬壁机器人的研究》文中认为爬壁机器人属于特种作业机器人的一种,在核工业、石化企业、建筑行业、消防部门、修造船等领域均有广泛的应用。自二十世纪六十年代出现以来,一直受到世界各国的关注。本文研究的船舶壁面除锈爬壁机器人是结合本实验室与南通中远船务工程有限公司的合作项目“船舶壁面超高压水射流除锈机理与成套设备技术研究开发”而开展的,旨在研制出能够进行船舶壁面超高压水射流除锈的爬壁机器人,其在修造船领域具有广阔的应用前景。论文首先系统综述了爬壁机器人的国内外研究发展概况,在此基础上,针对船舶除锈对爬壁机器人的功能要求,提出了采用永磁吸附、履带行走以及交流伺服电机驱动的除锈爬壁机器人本体结构方案;根据这一方案,研究设计了除锈爬壁机器人本体结构中的吸附机构、驱动系统、传动机构以及用于除锈作业的真空除锈器;根据船体型线模型建立了爬壁机器人在船体表面上的一般空间位姿,对处于任意空间位姿下的爬壁机器人的静态受力与稳定性进行了系统的研究,并对理论研究结果进行了仿真分析,得到了爬壁机器人在船体表面上的可靠吸附与永磁吸附单元磁吸附力之间的定量关系;根据理论力学相关知识,对除锈爬壁机器人的动态受力与驱动平衡进行了深入的研究,并结合仿真分析,得到了爬壁机器人在运动过程中其驱动系统所需满足的条件;最后根据船舶除锈对爬壁机器人的控制要求,确定了控制系统采用上下位机两级分布式的控制方案,并分别对上下位机控制系统的硬件和软件作了详细地设计。在此基础上,搭建了爬壁机器人控制系统的硬件实物,并进行了相关实验测试,为实现爬壁机器人的运动控制打下了基础。
向涌泉[3](1990)在《66型纤维板热压机组的改装》文中指出 66型框架式15层纤维板热压机组是上海人造板机器厂设计制造的,自1966年问世以来,曾为我国人造板工业的发展发挥了积极的作用。而近几年来,随着技术的不断进步和生产的发展,这些设备已逐渐被各生产厂用新型号压机所替换。如将66型热压机组加以适当的修理、改装,还可作为纤维板表面装饰或其它产品的热压设备旋
Franz überla,姚昆炎[4](1989)在《用于客车修理的通用工作台》文中指出 民主德国德利茨施的“赫伯特·瓦恩克”铁路修理工厂针对其“主厂房改造”的投资计划制定了许多客车修理的合理化方法。其中最重要的是充分利用主要生产设备——工作台位的承载能力。除了时间调配外,工作密度也是以上项目的判定标准。如果用于车辆修理的工作台能够通用的话,那么提高工作密度,即增加在车辆上进行修理工作的劳动力数量是可以达到的。以往的工作台都是单一用途的。因而它们从开始时起就排斥了通用性。
Б.Л.科林杰列夫[5](1984)在《砂矿勘探中的吊绳冲击钻进技术和工艺 第二章 钢绳冲击钻进设备》文中研究说明 钢绳冲击钻机,是把水平轴的旋转运动改为冲击钻具的上下往复运动,从而实现凿进、升降作业和清孔。根据这些要求,每台钻机有如下基本附件:冲击机构。工具绞车和取渣绞车、钻塔。带动运动机构动作的主轴。以及辅助部件和装置、行走部分,安装全部部件的框架,有时还备有起重绞车,装卸(螺纹的拧上和拧下)钻具机构、传动装置和驱动装置。 钢绳冲击钻进设备的总系统如图1所示。
罗金山,吴松杉[6](1976)在《修理双列滚子链的方法》文中研究说明 手扶拖拉机及旋耕机犁刀的传动部分,均采用双列滚子链作传动部件。链条长期工作后,各节遭到磨损,造成链条伸长,影响正常使用。双列滚子链的结构特点,是每一组夹板有两副滚柱。因此,一般采用的办法拆去一组夹板,就必须同时卸掉两副滚柱,这样往往又使链条尺寸太短。为此,我们对链条结构作了简单的改动,可以单柱拆除,其方法如下:
王海[7](1965)在《Э—505型单斗挖掘机的主离合器维护及修理经验》文中研究指明 З—505型单斗挖掘机的主离合器是传动系统的一个主要部件。它把柴油发动机的动力传递给挖掘机的工作机构。当离合器处于分离状态时,发动机和工作机构即行脱离,柴油机空载运转而工作机构则可以静止不动。如果挖掘机在工作过程中发生骤然的超载冲击,离合器可自动脱离,使柴油发动机不受超载的影响而熄火。З—505型挖掘机是目前国内应用得最普遍的起重——挖掘两用机械?菸覀兑陨挛鞯厍恍┗档牡鞑?普遍存在着主离合
吕明珠[8](2021)在《风力机高速轴轴承状态退化评估与剩余寿命预测方法研究》文中研究说明随着全球能源短缺和环境污染的加剧,风能作为一种储量丰富、清洁安全的可再生能源受到了人们的高度关注,风力发电是风能利用的最有效途径,近年来呈迅猛发展的趋势。风力机各部件的状态退化评估与剩余寿命预测是直接影响风电场可用度和经济效益的两个重要因素,逐渐成为风电领域的重要研究课题。传动系统是风力机的核心部分,轴承是传动系统的关键元件,一旦发生故障会导致整个传动系统运行失效,因此,对风力机轴承进行状态监测和故障预测具有重要的工程意义。状态监测的主要目的是判断轴承的健康状况,以便于及时处理已经发生或即将发生的故障,保证运行的可靠性和降低维修成本。风力机轴承运行工况复杂、个体差异明显、维护维修困难,现有的退化评估和故障预测无法满足风电行业对风力机健康状态管理的需求。本文提出了信号处理、特征提取、跨域诊断、状态识别、寿命预测“五位一体”的智能运维模式,研究了风力机轴承的状态退化评估与性能趋势预测方法,构建了跨机器故障诊断深度迁移学习网络,提出了有效的早期退化检测方法,实现了退化过程的跟踪和在线剩余寿命预测,建立了多源信息融合的新型预测模型。本研究围绕风力机高速轴轴承的退化评估与剩余寿命预测的关键理论和方法进行了深入探索,主要内容包括:(1)针对轴承运行状态难以划分和性能趋势预测准确度不高的问题,提出了两种方法,分别为基于变分模态分解-自适应模糊C均值-支持向量机(VMD-AFCM-SVM)的状态退化评估方法和改进的LSTM性能趋势预测方法。其中的VMD-AFCM-SVM算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数,确定轴承在不同状态退化下的时间间隔,实现轴承的健康等级评估。此外,提出的改进LSTM方法是一种基于误差最小化的实时参数更新方法,能够在样本数据较少的情况下在线更新模型,解决了传统的LSTM模型不能合理利用在线数据的问题,以辛辛那提大学IMS提供的全寿命轴承数据集和实际风力机高速轴轴承数据集为例,验证了所提方法的有效性。(2)针对实验室轴承故障诊断技术泛化能力不强和真实轴承故障数据标记困难的问题,提出了一种新型的适用于跨机器故障诊断的方法叫做具有多核动态分布适配的深度迁移网络,所提的深度迁移网络具有宽的第一层卷积核和几个小的卷积层,用于提取不同机器之间的可迁移特征,同时抑制高频噪声。然后,使用多核动态分布适配方法构造一个加权混合核函数,将不同的可转移特征映射到统一的特征空间,并动态评估边缘分布和条件分布的相对重要性。通过三个轴承迁移学习任务验证了该方法的有效性,利用两个不同的实验室轴承的诊断知识来识别真实情况下的风力机轴承的健康状态。结果表明,与其它主流方法相比,即使在不同的噪声环境下该方法仍可以获得较高的诊断精度和较好的迁移性能,所提框架为跨机器故障诊断提供了一种有发展前景的方法。(3)针对轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地获得变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合。其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的分离,使重构后的信号滤除了干扰而保留了故障信息。最后,计算了重构信号的包络谐噪比,利用其对周期性故障冲击的敏感性实现了滚动轴承早期退化起始点的检测。(4)针对传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命预测准确度不高的问题,提出了基于包络谐噪比和无迹粒子滤波相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的包络谐噪比监测轴承的早期退化点并提取其趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,再利用无迹粒子滤波算法更新模型参数,实现对轴承状态退化的跟踪和预测。使用实际风力机轴承监测数据对所提方法进行验证,结果表明该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。(5)针对单一信号源不能全面反映风力机轴承动态退化信息从而影响剩余寿命预测准确性的问题,提出了一种振温信号协同的新型广义对数线性威布尔剩余寿命预测模型。该模型通过构造协变量的形式综合考虑了振动和温度监测信号对轴承劣化的影响,所提预测方法共分两个阶段。在特征提取阶段,从监测的振动信号中提取相对均方根,并从监测的温度信号中提取相对温度趋势值,以消除轴承的个体差异和随机信号波动。然后,引入模糊算子来描述“轴承过热”和“轴承过度振动”的程度,解决了不同故障下两种特征变化不同步的问题。在剩余寿命预测阶段,提取的振动和温度模糊算子均用于建立预测模型,使用最大似然估计方法获得模型的最佳参数。再通过均方根误差和平均绝对百分比误差两个指标来度量模型的预测性能。
李亚鑫[9](2020)在《基于CNN和GAN的齿轮箱智能故障诊断框架搭建与实现》文中提出齿轮箱作为机械系统中的核心部件之一,具有结构紧凑、高传动比等亮点。强大的承重能力和较高的工作效率使得齿轮箱作为关键组件,被广泛应用于各类工业生产中,如风力发电系统、直升机主减速器、航空航天等。然而,在实际工作场景中,由于恶劣的工作条件,加之齿轮箱往往服役于动态的重负荷中,齿轮箱往往在变工况条件下运行。久而久之,一旦齿轮箱出现各类故障,工程系统将有可能崩溃,甚至会导致非常惨重的工程事故。因此,开发齿轮箱健康状况监测系统和早期故障诊断技术,具有非常重要的工程应用价值和理论研究意义。本课题基于人工智能研究领域的机器学习和深度学习算法,采用智能诊断方法,提供了端对端的诊断模式,无需人工干预、先进的信号处理技术及人工提取特征,对工业齿轮箱进行故障诊断研究。到目前为止,智能诊断方法在工业中已有广泛的研究和应用。然而大多数传统的深度学习模型(如卷积神经网络),因其复杂的结构和冗多的模型参数,往往须要大批量的标签数据,耗费巨大的精力和时间,进行模型训练和特征提取。而在工业齿轮箱中,获得大量的标签数据通常是一项费时又费力的工作,有时甚至无法完成。且高效的齿轮箱故障识别、诊断和分类技术将为工业生产节省大量的经济成本和时间成本。此外,用于智能诊断模型训练的辅助域与实际模型部署的目标域通常具有特征分布不匹配的问题,而现有研究多考虑同一设备多工况间的迁移,对于实际任务,不同故障程度、不同设备故障数据之间的迁移,尤其是在实验室环境下具有典型标定的故障数据向实际装备监测数据之间的迁移,则具有更强的工程实际应用价值。针对以上情况,本文提出了三种齿轮箱智能诊断框架,以应对小样本甚至无故障样本条件下的齿轮箱故障识别、诊断和分类问题。本文的具体研究内容可概括如下:(1)为解决小样本条件下的齿轮箱故障诊断问题,本文提出了一种基于改进的卷积神经网络(Modified Convolutional Neural Network,MCNN)的智能故障诊断框架,采用全局平均池化层(Global Average Pooling Layer,GAP)代替传统的全连接层(Fully-connected layer),减少了模型训练参数的数量。此外,为了评估该算法的性能,从故障分类精度,模型特征可视化和计算效率三个方面对两个工业齿轮箱进行了案例分析。实验结果表明,在小样本条件下,相较于其他6种传统的机器学习(Machine Learning,ML)算法和深度学习(Deep Learning,DL)算法,改进的卷积神经网络诊断精度更高、泛化能力更强、计算负担更小。(2)针对工业环境中无故障样本的情况,本文提出了一种行星齿轮箱关键零部件的故障识别系统,结合有限长单位脉冲响应(Finite Impulse Response,FIR)带通滤波器和深度卷积生成对抗神经网络(Deep Convolutional Generative Adversarial Networks,DCGAN),仅采用行星齿轮箱结构参数和健康的行星齿轮箱振动信号,搭建了行星齿轮箱关键零部件故障检测框架。该框架的输入是从待测行星齿轮箱采集的振动信号,输出是待测行星齿轮箱关键零部件的健康状况,通过一次检测同时完成太阳轮、行星轮、行星架和齿圈的故障识别。此外,通过实验案例证实了该模型的有效性。(3)针对工业应用中用于智能诊断模型训练的训练样本与实际模型部署的测试样本分布特征通常不匹配的问题,本文提出了一种深度对抗卷积神经网络(Deep Adversarial Convolutional Neural Network,DACNN)方法,采用对抗学习的思路构建迁移学习(Transfer Learning,TL)故障诊断方法,搭建了域适应迁移诊断框架。并考虑不同设备、不同运行工况、不同故障程度的迁移诊断,利用CWRU和IMS两个轴承故障数据集构建迁移诊断实验,对所提方法的适应性、优越性与诊断结果的可解释性上进行分析与验证。
赵刚[10](2019)在《习水发电厂脱硫真空皮带脱水机及真空泵优化改造》文中指出习水发电厂两台真空皮带脱水机于2015年进行增容改造,2015年底投入使用。型号:DU65/3150,过滤面积:65㎡,胶带速度:9-14m/min,主电机功率:30kW,外形尺寸长x宽x高:24943x 7200x 4395,生产厂家:无锡市华东电力设备有限公司。真空皮带脱水机原设备皮带采用橡胶裙边、托辊轴径、轴承室磨损严重,维护工作量大,长期运行存在很大的安全隐患。真空泵无法长时间运行,轴承频繁烧坏,故提出对真空皮带机及真空泵进行优化改造,解决真空皮带机目前存在的问题。
二、修理双列滚子链的方法(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、修理双列滚子链的方法(论文提纲范文)
(2)船舶壁面除锈爬壁机器人的研究(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 国外爬壁机器人的研究发展概况 |
1.2.1 真空吸附型爬壁机器人研究发展概况 |
1.2.2 磁吸附型爬壁机器人研究发展概况 |
1.3 国内爬壁机器人的研究发展概况 |
1.4 本文的主要研究内容 |
第2章 除锈爬壁机器人总体方案与本体结构设计 |
2.1 引言 |
2.2 除锈爬壁机器人总体结构方案 |
2.2.1 吸附方式的选择 |
2.2.2 行走方式的选择 |
2.2.3 驱动方式的选择 |
2.2.4 除锈爬壁机器人的基本结构 |
2.3 除锈爬壁机器人本体结构设计 |
2.3.1 吸附机构的设计 |
2.3.1.1 永磁材料的选择 |
2.3.1.2 磁路的设计 |
2.3.1.3 磁路的封装 |
2.3.2 驱动系统的设计 |
2.3.3 传动机构的设计 |
2.3.3.1 传动方式的选择 |
2.3.3.2 链传动主要参数的确定 |
2.3.3.3 链条的张紧装置 |
2.3.3.4 履带驱动方式的确定 |
2.3.4 真空除锈器的设计 |
2.4 本章小结 |
第3章 除锈爬壁机器人静态受力与稳定性分析 |
3.1 引言 |
3.2 除锈爬壁机器人空间位姿模型的建立 |
3.3 除锈爬壁机器人静稳性分析 |
3.3.1 除锈爬壁机器人沿船体表面向下滑移 |
3.3.2 除锈爬壁机器人绕A点纵向翻转 |
3.3.3 除锈爬壁机器人横向翻转 |
3.3.4 除锈爬壁机器人在船体表面上法向脱离 |
3.3.5 除锈爬壁机器人沿船体表面下滚 |
3.3.6 除锈爬壁机器人五种失稳形式的综合分析 |
3.3.7 除锈爬壁机器人静稳性的数值仿真分析 |
3.4 本章小结 |
第4章 除锈爬壁机器人动态受力与驱动平衡分析 |
4.1 引言 |
4.2 除锈爬壁机器人动平衡分析 |
4.2.1 除锈爬壁机器人匀速上行动平衡分析 |
4.2.2 除锈爬壁机器人匀速下行动平衡分析 |
4.2.3 除锈爬壁机器人转向动平衡分析 |
4.2.3.1 机器人平面的定义 |
4.2.3.2 履带式爬壁机器人转向动力学模型 |
4.2.3.3 除锈爬壁机器人转向动平衡分析 |
4.3 除锈爬壁机器人动平衡的数值仿真分析 |
4.4 本章小结 |
第5章 除锈爬壁机器人控制系统的设计 |
5.1 引言 |
5.2 除锈爬壁机器人控制系统的总体方案 |
5.3 除锈爬壁机器人控制系统的硬件设计 |
5.3.1 下位机控制系统的硬件设计 |
5.3.1.1 交流伺服电机驱动器 |
5.3.1.2 AT89C51单片机及系统时钟与复位电路 |
5.3.1.3 8155扩展I/O接口电路 |
5.3.1.4 D/A转换与运算放大电路 |
5.3.1.5 数字量输入输出接口电路 |
5.3.1.6 RS-485通讯接口电路 |
5.3.1.7 系统电源解决方案 |
5.3.2 上位机控制系统的硬件设计 |
5.4 除锈爬壁机器人控制系统的软件设计 |
5.4.1 上位机控制软件设计 |
5.4.2 下位机控制软件设计 |
5.4.3 上下位机 RS-485串口通讯软件的设计 |
5.4.4 控制系统软件的调试 |
5.5 除锈爬壁机器人控制系统的实验测试 |
5.6 本章小结 |
结论 |
参考文献 |
附录 |
攻读学位期间公开发表论文 |
致谢 |
研究生履历 |
(8)风力机高速轴轴承状态退化评估与剩余寿命预测方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景 |
1.1.1 风力机的主要故障模式 |
1.1.2 风力机轴承 |
1.2 状态退化评估与剩余寿命预测国内外研究现状 |
1.2.1 风力机状态退化评估国内外研究现状 |
1.2.2 轴承状态退化评估国内外研究现状 |
1.2.3 轴承剩余寿命预测国内外研究现状 |
1.3 风力机轴承状态退化评估与剩余寿命预测存在的问题 |
1.4 本文研究意义 |
1.5 本文研究内容 |
第2章 风力机轴承的状态退化评估与性能趋势预测 |
2.1 引言 |
2.2 基于VMD-SVM的滚动轴承状态退化识别 |
2.2.1 相关理论简介 |
2.2.2 VMD的最优分解层数和敏感分量确定 |
2.2.3 状态退化特征选择 |
2.2.4 基于VMD-SVM的状态退化识别模型 |
2.2.5 实验验证与结果分析 |
2.3 基于AFCM-SVM的滚动轴承状态退化评估 |
2.3.1 基于SVM的滚动轴承渐进退化过程描述 |
2.3.2 敏感特征提取 |
2.3.3 最佳状态数的确定 |
2.3.4 退化评估框架构建 |
2.3.5 实验验证与结果分析 |
2.4 基于改进LSTM的滚动轴承性能趋势预测 |
2.4.1 LSTM理论与预测方法 |
2.4.2 参数实时更新的LSTM预测模型 |
2.4.3 滚动轴承性能趋势预测流程 |
2.4.4 实验验证与结果分析 |
2.5 风力机高速轴轴承状态退化评估与预测 |
2.5.1 数据描述 |
2.5.2 状态退化评估 |
2.5.3 性能趋势预测 |
2.6 本章小结 |
第3章 基于可迁移特征的智能故障诊断方法 |
3.1 引言 |
3.2 跨机器故障诊断问题描述 |
3.2.1 迁移学习诊断思想 |
3.2.2 最大均值差异 |
3.3 领域自适应方法研究 |
3.3.1 动态领域适配 |
3.3.2 多核动态领域适配 |
3.4 基于可迁移特征的智能诊断模型构建 |
3.4.1 基于特征的迁移学习方法概述 |
3.4.2 深度迁移学习的网络体系结构 |
3.4.3 全连接层领域适配 |
3.4.4 网络训练策略 |
3.5 从实验室轴承到风力机轴承的迁移学习故障诊断实例 |
3.5.1 数据获取及描述 |
3.5.2 案例1:迁移任务CWRU轴承数据集→风力机轴承数据集 |
3.5.3 案例2:迁移任务QPZZ-Ⅱ轴承数据集→风力机轴承数据集 |
3.5.4 噪声环境下的迁移性能 |
3.6 分析与讨论 |
3.7 本章小结 |
第4章 风力机轴承早期退化检测方法 |
4.1 引言 |
4.2 变分模态分解及优化 |
4.2.1 VMD理论基础 |
4.2.2 灰狼优化算法 |
4.3 基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测 |
4.3.1 自适应变分模态分解 |
4.3.2 有效加权稀疏峭度指标 |
4.3.3 包络谐噪比 |
4.3.4 AVMD-EHNR方法的实现过程 |
4.3.5 仿真验证 |
4.4 基于AVMD-EHNR的滚动轴承早期退化检测方法案例分析 |
4.4.1 滚动轴承全寿命实验数据 |
4.4.2 振动信号预处理 |
4.4.3 早期退化异常点检测 |
4.5 风力机高速轴轴承早期退化检测 |
4.5.1 风力机高速轴轴承信号采集实验 |
4.5.2 早期退化检测 |
4.6 本章小结 |
第5章 单源振动信号下的风力机轴承剩余寿命预测 |
5.1 引言 |
5.2 实时非线性状态跟踪方法探究 |
5.2.1 粒子滤波 |
5.2.2 无迹粒子滤波 |
5.3 基于包络谐噪比和无迹粒子滤波的剩余寿命预测方法 |
5.3.1 预测流程概述 |
5.3.2 早期退化检测 |
5.3.3 退化指标提取 |
5.3.4 退化模型选取 |
5.3.5 剩余寿命预测 |
5.4 风力机发电机前轴承剩余寿命预测实例 |
5.4.1 信号采集实验 |
5.4.2 剩余寿命预测与对比分析 |
5.5 本章小结 |
第6章 多源信息融合的风力机轴承剩余寿命预测 |
6.1 引言 |
6.2 风力机可靠性分析方法 |
6.2.1 风力机可靠性监测系统 |
6.2.2 威布尔比例风险模型 |
6.3 广义对数线性威布尔预测模型 |
6.3.1 基本理论 |
6.3.2 性能评价指标 |
6.4 振动信号与温度信号的特征提取方法 |
6.4.1 振动特征提取方法 |
6.4.2 温度趋势分析 |
6.4.3 振温信号的模糊化处理 |
6.5 振温信号协同的GLL-WEIBULL模型剩余寿命预测方法 |
6.5.1 预测流程 |
6.5.2 实例验证 |
6.6 风力机轴承剩余寿命预测实例 |
6.6.1 测试数据描述 |
6.6.2 结果分析与讨论 |
6.7 本章小结 |
第7章 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 工作展望 |
参考文献 |
在学研究成果 |
致谢 |
(9)基于CNN和GAN的齿轮箱智能故障诊断框架搭建与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 动力学建模 |
1.2.2 振动分析 |
1.2.3 数据驱动 |
1.2.4 现有研究存在的问题 |
1.3 本文研究内容 |
1.4 本文组织结构 |
第二章 基于MCNN的齿轮箱故障诊断研究 |
2.1 引言 |
2.2 基于改进的卷积神经网络的智能故障诊断框架 |
2.2.1 传统的CNN结构 |
2.2.2 关于CNN缺点的讨论 |
2.2.3 全局平均池化(GAP) |
2.2.4 改进的卷积神经网络(MCNN) |
2.2.5 基于MCNN的智能故障诊断框架 |
2.3 实验研究 |
2.3.1 PHM2009 数据集描述 |
2.3.2 UESTC的传动系统诊断模拟器(DDS)测试台的数据描述 |
2.3.3 比较分析 |
2.4 结果分析 |
2.5 结论 |
第三章 基于DCGAN和 FIR滤波器的齿轮箱关键零部件故障识别研究 |
3.1 引言 |
3.2 本文提出的故障检测系统 |
3.3 相关方法 |
3.3.1 有限脉冲响应 |
3.3.2 深度卷积生成对抗网络 |
3.4 案例研究 |
3.4.1 实验台简介和数据采集 |
3.4.2 FIR带通滤波器滤波 |
3.4.3 DCGAN行星轮模型训练 |
3.4.4 DCGAN太阳轮模型训练 |
3.5 模型推广及总结 |
第四章 基于深度对抗迁移学习的齿轮箱故障诊断研究 |
4.1 引言 |
4.2 域适应迁移学习介绍 |
4.3 基于域适应的深度对抗迁移学习故障诊断平台 |
4.3.1 深度对抗卷积神经网络 |
4.3.2 模型训练策略 |
4.3.3 基于深度对抗卷积神经网络的域适应诊断框架 |
4.4 案例分析 |
4.4.1 数据描述 |
4.4.2 模型参数设置 |
4.4.3 结果分析 |
4.5 讨论 |
4.6 结论 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
致谢 |
参考文献 |
研究生期间取得的成果 |
(10)习水发电厂脱硫真空皮带脱水机及真空泵优化改造(论文提纲范文)
1真空皮带脱水系统简介 |
2真空皮带机脱水机存在的问题 |
3优化改造措施 |
结束语 |
四、修理双列滚子链的方法(论文参考文献)
- [1]某船主减速齿轮箱输出轴非正常磨损的原因分析及修理工艺[J]. 张庆举,袁松. 中国修船, 2010(03)
- [2]船舶壁面除锈爬壁机器人的研究[D]. 唐浩. 大连海事大学, 2008(03)
- [3]66型纤维板热压机组的改装[J]. 向涌泉. 林业机械与木工设备, 1990(06)
- [4]用于客车修理的通用工作台[J]. Franz überla,姚昆炎. 国外机车车辆工艺, 1989(03)
- [5]砂矿勘探中的吊绳冲击钻进技术和工艺 第二章 钢绳冲击钻进设备[J]. Б.Л.科林杰列夫. 黄金地质参考资料, 1984(00)
- [6]修理双列滚子链的方法[J]. 罗金山,吴松杉. 农业机械资料, 1976(06)
- [7]Э—505型单斗挖掘机的主离合器维护及修理经验[J]. 王海. 工程机械, 1965(03)
- [8]风力机高速轴轴承状态退化评估与剩余寿命预测方法研究[D]. 吕明珠. 沈阳工业大学, 2021
- [9]基于CNN和GAN的齿轮箱智能故障诊断框架搭建与实现[D]. 李亚鑫. 电子科技大学, 2020(07)
- [10]习水发电厂脱硫真空皮带脱水机及真空泵优化改造[J]. 赵刚. 科学技术创新, 2019(32)