一、故障信号采样长度、时间间隔和频率的关系（论文文献综述）
赫修智[1]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中研究表明齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:（1）结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。（2）研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。（3）针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解（AVMD）方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数（SII）,在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。（4）针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法（LEASgram）。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。（5）针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除（MSANC）的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
张玉皓[2]（2021）在《汽轮发电机组扭振故障分析及在线监测的研究》文中研究指明汽轮发电机组是电力生产的主要设备,作为能量转换和输出的中间环节,其轴系在蒸汽和电磁力矩的作用下产生弹性角变形和扭转振动,可能诱发轴系疲劳损伤。本文以轴系弯扭振动模型为基础,通过在线工作变形分析评估轴系安全性,提出了更加准确的扭振测量方法,开发了扭振监测和安全性分析系统,研究成果有助于避免扭转振动故障造成机组严重损伤、提高机组运行安全性。首先,分析并建立叶盘系统的动力学模型并进行固有特性分析,利用动能等效方法,给出了长叶片轴段在扭振建模中的刚性盘等效条件。推导了Timoshenko弯扭梁轴单元模型,系统模型考虑了弹性支承、刚性支承的影响,以及陀螺力矩的作用,建立了轴-盘-支承系统的有限元模型,通过仿真分析了轴系的弯扭振动固有特性。利用矢量叠加原理构建轴截面同步旋转向量,用于分析旋转轴系扭振或弯扭振动的调制特征。其次,通过轴系危险截面与典型结构应力分析相结合的方式开展轴系的安全性分析。利用惯性单元和弹性单元建立的轴系扭振模型,进行轴系截面安全性分析;对于轴系典型结构,利用内嵌有限元工具组件的方式,建立典型结构的有限元模型,导入实测扭转载荷数据,对典型轴系部件进行在线应力分析。实现轴系危险截面与典型部件结构的安全性分析。再次,考虑到旋转运动和扭转振动具有相同的物理量纲,可实现转角和扭角的同源测量,提出了广义增量编码器模型的扭振测量方法。利用编码盘半周期角序重构,不改变整周期分度角的特点,提出了双周期的瞬时角速度计算方法,该方法可以在硬件条件不变的情况下增大一倍扭振信号采样率,避免带宽闲置现象。并从信号采样的角度解释了扭振信号的非对称失真和非对称采样的现象。分析了位移测量型的增量编码器的输出调频-调幅信号的形成机理,提出了等周期高差测距型编码器模型用以实现弯扭振动的测量方法。通过仿真和实验的方式对上述方法的正确性和有效性进行了验证。最后,结合核电汽轮机组的扭振监测与分析的工程应用需求和已有的工程经验,整合本文研究内容进行了工程技术的转化。研发了汽轮发电机组的轴系扭振在线监测与分析的成套装置。为了适应不同类型的扭振监测需求,引入数据中台和组态页面的开发模式,并采用时序数据库重新构建了数据结构和数据管理平台,通过功能与数据灵活组合配置,实现扭振监测装置的功能扩展。
罗园庆[3]（2021）在《基于数学形态学的风力机发电机轴承故障诊断方法研究》文中研究指明以风力发电技术为代表的清洁能源正在全球迅速兴起,与传统的化石燃料相比,风力发电的最大优点是对环境造成的污染小。全球的风力发电机累计装机量正在逐年增长。轴承作为风力发电机传动系统的核心零部件,对整个风力发电机传动系统的安全稳定运行起着至关重要的作用。在风电机组的机械传动系统故障中,许多故障皆因轴承损坏失效引起。由于风力发电机长期服役在复杂的交变载荷下,加上强背景噪声、电磁干扰和复杂传递路径的影响,使测得的发电机轴承故障信号表现出非线性和非稳态的特点,这给发电机轴承的故障诊断和智能监测带来巨大的困难。常用的轴承故障诊断信号处理方法有时域方法、频域方法和时频域分析方法。然而单独采用时域方法和频域方法无法有效地检测到轴承的微弱故障信息,并且传统的时频分析方法存在一定的局限性。因此,如何寻求一种新的故障诊断研究方法来检测轴承早期的微弱故障十分必要。数学形态学理论如今已被广泛应用在机械振动信号处理领域。它通过预先设定好的结构元素直接作用于时域信号来提取故障特征信息,是一种有效的非线性和非稳态信号处理方法。本文以风力机发电机轴承为研究对象,并对数学形态学的理论方法进行改进与延伸进而来提取发电机轴承的微弱故障特征信息。为实现发电机轴承的早期精准故障检测和故障分类提供理论基础。论文的具体研究内容如下:（1）通过对数学形态学的基本理论研究,揭示出特征提取型算子和噪声削减型算子的滤波规律。为了能够提取发电机轴承的故障冲击特征信息,基于差分梯度算子（Morphological gradient,MG）和闭-开差分梯度算子（Difference filter,DIF）的乘积构造了增强形态差分算子（enhanced morphological difference operator,EMDO）。在选择EMDO算子的最优结构元素尺度时,将特征能量因子（feature energy factor,FEF）作为评价指标。接下来,建立了轴承外圈的故障信号模型,并对MG、DIF和EMDO算子的滤波性能进行定量分析。研究结果表明,EMDO算子对轴承的故障冲击信息起到了增强的作用。最后,进行风力机发电机轴承的故障实验验证,并与形态梯度乘积运算（morphology gradient product operation,MGPO）和形态顶帽乘积运算（morphology-hat product operation,MHPO）进行实验对比分析。研究结果表明,提出的EMDO算子的故障特征提取能力更加出色,适合于发电机轴承的故障诊断。（2）针对发电机轴承故障信号时常遭受着强背景噪声、多耦合谐波信号和随机冲击信号的干扰问题,仅采用EMDF滤波很难抑制这些干扰成分。因此,引进了概率主成分分析（probabilistic principal component analysis,PPCA）方法,来弥补EMDF在消噪能力上的不足。在传统的PPCA算法中,分解主成分k和原始变量n的参数通常由人为设定。为了解决这个问题,引入蝗虫优化算法（grasshopper optimization algorithm,GOA）来自适应优化出k和n值,实现了信号的去噪。随后构建了一种新的无量纲综合评价指标KSP,用来定量地检测PPCA的降噪性能,并把最大的KSP值作为GOA算法优化PPCA参数的目标函数。最终,结合APPCA与EMDF提出了一种自适应的发电机轴承故障诊断方法。仿真和工程应用结果表明,提出的方法可以有效地分析与诊断发电机轴承的故障信息,与ACDIF和VMD方法的对比结果表明,提出的方法具有一定的优越性。（3）基于形态顶帽算子的构造机理,首先构建了四种谐波信号提取型算子(enhanced average filtering,EAVGDC-EO,EAVGDC-OE,EAVGCD-EO和EAVGCD-OE),随后通过仿真证明了EAVGCD-OE算子对谐波信号的还原能力优于其它三种算子。接下来,为了保持时域信号正负脉冲的完整性,定义了一种增强的顶帽形态变换算子（enhanced top-hat morphological filtering,EAVGH）。与其它四种顶帽变换算子BTH,WTH,AVGH和CMFH的对比结果展示了EAVGH算子的优势。在此研究的基础上,利用循环谱相干函数（cyclic spectrum coherence,CSC）进一步解决了故障信号受到非线性调制频率成分影响的问题,并在此基础上结合EAVGH提出了发电机轴承故障诊断研究方法EAVGH-CSC。而且,通过实验结果证明EAVGH-CSC方法具有较高的故障特征提取能力。（4）为了提取发电机轴承的故障特征信息,从多尺度和多角度分析出发,定义了一种多尺度增强顶帽形态变换算子（Multiscale enhanced top-hat morphological filtering,MEAVGH）。然后,将MEAVGH与MCMFH进行乘积运算,构建了一种新的多尺度特征提取型滤波算子（Multi-scale feature extraction filtering operator,MFEO）,用于进一步增强故障特征信息。随后为了解决峭度指标容易受到大幅值信号影响的问题,定义了一种峭度故障特征率（Kurtosis fault feature ratio,KFFR）的综合无量纲评价指标。此外,针对传统的多尺度形态滤波器（Multi-scale morphological filter,MMF）因尺度加权区间选择不合理而影响故障特征提取问题,提出了迭代加权阈值的多尺度形态学信号重构方法。仿真和实验结果验证了提出的MFEO方法的有效性和工程适用性。（5）针对传统的时频分析方法将一维振动信号转换为二维图像信号时需要依赖专家知识的问题,利用二维图像比一维信号包含更多特征信息的优点,提出了一种基于多尺度数学形态学变换的信号图像转换方法。该方法将生成的图像样本视为卷积神经网络（Convolutional Neural Network,CNN）的输入。此外,为了提升CNN模型的泛化能力,引入了批量归一化方法（Batch Normalization,BN）,用于构建一种名为MFEO-CNN的智能识别分类方法。随后,利用发电机轴承的故障数据集验证了MFEO-CNN方法的有效性。在与EMD-CNN、EWT-CNN、CNN、SVM和ANN方法的比较分析结果中表明了MFEO-CNN方法具有较高的分类精度。
郑怀亮[4]（2020）在《基于迁移学习的旋转机械跨域智能故障诊断方法研究》文中研究表明旋转机械是一类应用广泛的机械装置,在工业生产中承担着重要的作用。面对逐渐复杂化和智能化的旋转机械设备,发展能够实时感知设备健康状态及退化趋势的健康状态管理系统是保障工业生产过程可靠性、安全性和经济性的重要举措。数据驱动的智能故障诊断是健康状态管理系统中的重要技术,其旨在利用机器学习技术从大量设备监测数据中学习故障的表现形式以及故障模式的识别规则。传统数据驱动的故障诊断方法获得良好泛化性能的前提是要求训练模型的数据和待测试的数据应满足同分布假设,而满足这个要求在实际的工程诊断任务中非常困难,因此限制着数据驱动故障诊断方法的工程应用。为了突破这样的限制,本论文重点讨论利用多来源的非同分布数据构建故障诊断模型的跨域故障诊断问题。通过借鉴迁移学习的思想,本论文主要研究了多个诊断知识迁移策略,目的是通过从单一或多个源域挖掘并迁移诊断知识来提升诊断模型对目标任务的泛化性能。具体的研究内容如下:（1）作为问题的提出,进行跨域故障诊断问题研究必要性和跨域可迁移性讨论。对于研究的必要性问题,分别从工程需求和方法两个层面进行讨论,重点对传统数据驱动故障诊断方法的跨域诊断性能进行分析;对于跨域可迁移性问题,主要从典型旋转机械振动模型的角度说明可实现跨域诊断的依据。（2）研究单源域场景下的跨域故障诊断问题。针对训练阶段目标域信息不完备的任务场景,提出一个相关假设来描述诊断知识的结构,设计一个迁移局部保持投影的特征变换方法,以期在新空间内显着减小目标域和源域的分布差异,从而实现模型跨域诊断泛化性能的提升。在齿轮和轴承的跨域诊断任务上,所提出的方法获得较多个对比数据驱动诊断方法优越的诊断性能,验证了方法的有效性。（3）研究多源域场景下的跨域故障诊断问题。主要思想是学习多个源域中所蕴含的共性判别知识来提升模型在目标任务上的泛化性能。具体而言,从振动信号的故障特征出发,通过局部线性判别分析的子空间学习方法将各个源域的判别结构嵌入到Grassmann流形上,然后通过流形上的Karcher平均实现共性判别结构的学习。所提出的方法在轴承跨域诊断任务上展现了比传统监督学习方法、单源域迁移学习方法和多源域迁移学习方法更好的诊断性能。（4）研究多源域场景下基于深度神经网络的跨域故障诊断问题。主要思想是借助深度神经网络的表征学习能力,从多个源域的振动信号中学习同时具有模式判别能力且领域不变的诊断特征。具体而言,通过先验诊断知识指导的预处理过程获得对于多个域具有一致物理含义的网络输入,在此基础上设计了一个深度领域泛化网络来学习域不变的诊断特征,从而实现模型泛化。在齿轮和轴承的跨域诊断任务中,提出的方法获得了较多个基于深度学习诊断方法和基于深度迁移学习故障诊断方法优越的诊断性能。本论文的研究是解决实际工程诊断需求,突破传统数据驱动诊断方法数据获取瓶颈,以及提高故障诊断智能化水平的新尝试。
张文海[5]（2020）在《多转子燃气轮机谐频振动同步跟踪方法研究》文中认为燃气轮机是管道、船舶、航空等行业重要的旋转机械设备,为满足不同需求,其运行工况较多,工况变化频繁迅速,为保证燃机在各工况下安全、可靠运行,有必要对非稳定工况进行振动状态监测。传统旋转机械故障诊断技术已较为成熟,但不适用于变工况运行下的燃气轮机状态监测。针对这一问题,研究了多转子燃气轮机谐频振动同步跟踪方法,主要分为谐频分量的幅值趋势跟踪及波形提取。主要研究内容如下:（1）针对无键相或键相与振动不同步场合的转速提取问题,导致谐频振动分析时目标阶次偏移的问题,提出了基于同步提取变换（SET）的转速提取方法。首先,对振动加速度信号积分得到转子工频成分明显的振动速度信号;然后,参考同步性较差的转速数据在振动速度信号中使用同步提取变换方法提取瞬时频率（IF）,即可得到同步精确的转速数据。通过对仿真信号及实际燃机运行数据的处理,对比了几种常用时频分析方法,采用Renyi熵参数衡量时频分析效果,验证了提出方法在燃机同步转速提取场合的有效性;（2）针对变负荷过程中谐频分量跟踪问题,提出了基于计算阶次跟踪（COT）的两种阶次瀑布图切片的幅值趋势跟踪方法。通过仿真数据及工程数据分析,对二者从幅值准确性、计算效率上进行了对比,结果表明,等时间间隔的阶次瀑布图切片算法,在幅值精度及运算时间上有着明显的优势,能够有效提取燃机谐频分量的幅值趋势;（3）为解决卡尔曼滤波阶次跟踪方法（VKFOT）参数设置困难、计算时间较长以及阶次偏移问题,本文提出了基于改进VKFOT方法的谐频分量提取方法。通过仿真信号及工程数据分析,证实改进方案有以下三个优点,易于设置滤波参数,可以解决振动转速不同步带来的阶次偏移问题,有效提升计算效率,因而能够快速准确提取燃气轮机谐频振动分量波形。最后,基于MATLAB的APP Designer平台编写了适用于燃机等旋转机械的燃气轮机谐频振动同步提取软件,涵盖目标阶次幅值跟踪与谐频分量提取两大主要功能。软件为谐频振动同步跟踪方法在燃机等旋转机械的振动监测与故障诊断实际应用奠定了基础。
王婧[6]（2020）在《伪随机动态测试信号建模与智能电能表动态误差测试方法》文中研究表明进入21世纪,为解决能源与环境间的矛盾,能源的供给侧与需求侧发生了重大变革,我国《十三五规划纲要》中明确提出“深入推进能源革命,着力推动能源生产利用方式变革”。经过多年的技术创新与应用,落实习近平总书记提出的“创新、协调、绿色、开放、共享”五大发展理念,我国能源生产与利用方式在发生重大变化的同时,也为电能的准确计量带来了挑战。电网供给侧可再生新型能源大规模发电,其输出功率具有较强的不确定性、间歇性和随机波动性。需求侧大功率非线性动态负荷的广泛应用,导致负荷电流表现出复杂的快速随机动态波动特性,进而引起电能表电能计量严重超差。根据国家能源局统计数据,2019年,我国以非线性动态负荷使用为主的工业用电量占全社会用电量的67.1%,因而,由动态负荷信号快速随机波动所导致的电能计量1%的误差就可能造成几十亿元的经济损失。目前,国内外缺少对快速随机波动条件下智能电能表动态误差的测试理论与技术。本文以上述国家战略实施中存在的问题为导向,发现并提炼出智能电能表动态误差测试的科学问题,研究探索电能表动态误差测试的理论和方法,形成了原创性的研究成果,主要包括:（1）研究分析电网中实际动态负荷信号的典型本质特性,在此基础上,针对现有的电能表误差测试信号模型无法反映实际动态负荷信号快速随机波动特性的问题,建立了一种新的畸变波形m序列伪随机动态测试信号结构化参数模型,并研究了此类信号的产生方法,所提出的测试信号模型满足电能表动态误差测试信号建模的要求,为开展智能电能表动态误差测试提供了有效的解决方法。（2）为提高智能电能表动态误差的测试效率,根据压缩感知理论中的测量矩阵线性编码调制理论,采用结构化方法,构建正交伪随机测量矩阵,通过矩阵映射产生正交伪随机幅度调制函数,建立畸变波形正交伪随机动态测试信号模型。使其在反映实际电网中动态负荷典型本质特性的同时具备紧凑性,提高了电能表动态误差的测试效率。解决了压缩感知理论在工程领域应用的难题。（3）针对国内外电参量测量领域广泛使用的窗函数卷积算法在快速随机动态条件下测量准确度明显降低的问题。基于压缩检测信号处理理论,分析离散畸变波形伪随机动态瞬时功率测试信号的频域稀疏性,通过构建最小误差有功功率检测滤波器,提出了动态电能量值准确测量的非交叠移动压缩检测（Nonoverlapping moving compressive measurement,NOLM-CM）算法,在仿真与实验条件下,验证了 NOLM-CM算法具有更高的准确度。为智能电能表在快速随机动态条件下的电能量值准确测量提供指导。（4）针对智能电能表动态误差测试,在所提出的两类畸变波形伪随机动态测试信号模型的基础上,定义测试信号的游程似然函数,建立智能电能表动态误差的似然函数间接测试方法,解决了从动态参考电能量值到稳态参考电能量值的溯源问题。其次,搭建智能电能表动态误差测试系统,实验验证了本文所建立的畸变波形伪随机动态测试信号和电能表动态误差似然函数间接测试方法的有效性,且测量不确定度显着降低。本文从理论研究到仿真分析,再到实验验证,形成了智能电能表动态误差测试的完整理论体系,解决了测试关键技术,研究成果对保证快速随机动态波动条件下电能的准确计量与公平交易,促进电能替代绿色发展与创新发展,具有重要意义和广阔的应用前景。
潘兵奇[7]（2020）在《基于同步压缩变换框架的变转速工况行星齿轮箱故障识别算法研究》文中研究指明行星齿轮箱具有高传动比、结构紧凑、负载能力强等优点,被广泛应用于风力发电机、采矿机械等大型设备旋转上。然而,这些设备长期工作在恶劣的环境下,作为它们的传动部件,行星齿轮箱不可避免的会出现安全问题。目前,针对行星齿轮箱故障诊断方面的研究多是基于平稳工况的。但是,当行星齿轮箱工作在变转速工况下时,振动信号具有非线性、强调制、多分量的特点,极大地增加了故障诊断算法研究的难度。此外,现有的变转速工况行星齿轮箱故障识别算法还不是较多,且主要存在时频分辨率低、能量聚集性差、特征提取和故障识别难度高等方面的问题。为此,本文在同步压缩变换理论框架下,对变转速工况下的行星齿轮箱故障诊断问题进行了研究。主要从变转速工况行星齿轮箱振动信号模型建立、时频能量聚集算法推导、瞬时频率提取算法研究、故障特征识别算法分析及应用等方面入手,通过理论推导、仿真分析和实验验证,完成了一系列的研究工作:（1）根据齿轮箱的振动机理,结合行星齿轮箱的结构特点,建立了变转速工况下的行星齿轮箱振动信号模型,并分析了故障特征频率和对应的时频谱特点,为研究行星齿轮箱故障识别算法提供理论依据。（2）针对时频分辨率低、能量聚集性差等问题,在二阶同步压缩变换的基础上提出了一种基于分步迭代的同步压缩变换方法,能够生成时频分辨率更高和时频聚集性更强的结果,有利于故障表征。（3）针对瞬时频率提取算法存在估计精度不高的问题,提出了基于时变窗口旋转的同步压缩变换方法。并且,将该方法与谱峰检测法相结合来提取时变信号的瞬时频率,能够获得到精度更高的瞬时频率。（4）针对广义解调和阶次分析等方法存在的需要估计和定位所有分量的相位函数和瞬时转轴频率的问题,在基于分步迭代的同步压缩变换基础上进行了改进,提出了一种非角域重采样的故障识别方法。该方法仅需要估计到任意一条瞬时频率,就能获得直观清晰的分析结果。进一步地,将提出的方法应用到变转速工况行星齿轮箱故障诊断中,验证了算法的有效性。
王恒迪[8]（2020）在《低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究》文中研究说明滚动轴承作为机械设备中普遍使用的“关节”,其振动性能会对主机产生较大的影响。我国是轴承生产大国,总产量中70%以上为深沟球轴承,其中低噪音深沟球轴承因其性能良好而在诸多领域的应用愈加广泛,对低噪音深沟球轴承的振动性能要求也愈加苛刻。论文以低噪音深沟球轴承生产过程中的振动测量和缺陷诊断为应用背景,围绕其中的振动信号获取、信号降噪、特征提取、缺陷诊断和分类等关键问题开展研究,其研究成果对其他类型轴承的缺陷诊断亦具有借鉴意义。论文主要研究内容如下。深沟球轴承在生产过程中的表面缺陷微小,缺陷特征易受本质振动的干扰。鉴于此提出了基于抑制本质振动的优化集合经验模态分解（Ensemble empirical mode decomposition,EEMD）信号降噪算法,即对振动信号进行两次经验模态分解（Empirical mode decomposition,EMD）,在第一次EMD之后筛选出峭度最大的内蕴模态函数（Intrinsic mode function,IMF）。对该IMF零均值化处理后去除其中幅值介于正负两倍有效值之间的振动成分,之后在其中添加白噪声,再从加噪IMF的第二次EMD结果中直接选择频段最高的IMF。试验结果表明本章提出的降噪算法可以高效抑制本质振动成分对微弱缺陷的干扰,经降噪处理后,实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号的峭度值分别从之前的4.49、6.82和6.44增大至46.31、55.27和135.79,凸显了原始振动信号中微弱的缺陷特征。与EEMD算法相比,本章提出的降噪算法仅进行了两次EMD运算,时间消耗由EEMD的119.23s降至1.05s。为进一步突出微小缺陷的振动特征,提出了基于参数自适应变分模态分解（Variational mode decomposition,VMD）的缺陷特征提取算法。VMD算法的两个参数,即限带内蕴模态函数（Band-limited intrinsic mode function,BIMF）个数M和二次惩罚因子α会严重影响VMD的效果,且需要预先确定。为确定合理的M和α,首先提出可以同时反映冲击脉冲能量大小和频率信息的缺陷能量占比R,之后提出多天牛须搜索（Multi-beetle antennae search,MBAS）算法,根据先验知识取M为3至8之间的整数,以min{1/R}为优化目标,利用多只天牛在分别固定M时独立优化α,迭代循环结束后再从各天牛的优化结果中筛选出全局最优的M和α组合。利用该组合分解信号后,筛选R值最大的BIMF作为结果输出。仿真信号试验表明本章提出的特征提取算法要优于自适应白噪声完整集合经验模态分解（Complete EEMD with adaptive noise,CEEMDAN）算法和固定参数VMD算法。实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号经本章提出的算法处理后,相应的缺陷能量占比数值分别为0.690、1.822和1.284;经CEEMDAN处理后,相应的缺陷能量占比数值分别为0.550、1.723和1.212;经固定参数VMD处理后,相应的缺陷能量占比数值分别为0.227、0.528和0.571。对比试验结果表明本章提出的算法评价缺陷的性能要优于CEEMDAN和固定参数VMD,且模态混叠现象要比CEEMDAN小很多。对振动信息进行充分表征后,为解决后续的缺陷诊断和分类问题,在整合前述降噪算法和特征提取算法的基础上提出了一种融合混合域特征的缺陷诊断与分类算法。首先利用特征提取算法筛选出振动信号的敏感BIMF,再借助降噪算法抑制该分量中的本质振动成分,之后重复特征提取算法,筛选出最终的敏感BIMF,这种处理可以使缺陷特征最显着化,降低后续辨识和分类的难度。之后计算该分量的一组时频域特征集,组成描述缺陷的特征向量,借助主成分分析对该特征集降维。设定特征参数累计贡献率的期望值为90%时,降维后的特征参数包括缺陷能量占比、样本熵、峭度和有效值,其中缺陷能量占比包括内圈缺陷能量占比、外圈缺陷能量占比和滚动体缺陷能量占比三个参数。最后以先验信息完成极限学习机（Extreme learning machine,ELM）的训练,再利用训练后的ELM分类器实现轴承的缺陷诊断和分类。针对凯斯西储大学公布的轴承数据集和实测的轴承振动信号分别开展了试验,对前者缺陷识别的正确率为99.75%,对后者识别的正确率为94.17%。为验证上述理论研究算法,结合低噪音深沟球轴承在生产过程中振动测量和缺陷诊断的需求,设计开发了全自动轴承振动测量仪,并在低噪音深沟球轴承生产线上对该测量仪进行了连线调试和算法验证。
吴芳坦[9]（2020）在《基于非凸约束的旋转机械故障诊断方法研究》文中研究指明齿轮和滚动轴承作为机械设备中重要的零部件,其在复杂运行工况下可能会出现故障,而如何在早期故障阶段或强背景噪声下提取故障特征信号一直是旋转机械故障诊断领域的难点。针对旋转机械故障信号的稀疏性和结构特性,本文深入研究基于故障特征增强和非凸约束的故障诊断方法。针对齿轮局部型故障中产生的周期性振动冲击信号,提出一种基于滑窗相关和重叠群稀疏（OGS）的故障特征提取方法。该方法先利用移不变K-SVD算法学习到的故障冲击模式与原始信号进行滑窗相关,从而对隐藏在噪声中的冲击分量进行特征增强,再通过非凸正则化的重叠群稀疏算法直接从相关信号中提取包含故障周期特征的群稀疏成分,并进一步重构出冲击信号。深入分析了所提方法中各参数取值对处理结果的影响,通过齿轮局部故障仿真和实验验证了所提方法的有效性,并且在正常齿轮信号上的分析也验证该方法不会产生误诊。对于滚动轴承故障诊断而言,稀疏表示方法的效果很大程度上取决于信噪比（SNR）和构造的字典,针对这些挑战,本文提出了一种基于特征增强和非凸正则化的故障诊断方法。该方法利用冲击响应信号中波峰波谷以相同间隔交替出现的结构特征,构造了一种结构特征矩阵以增强冲击特征。此外,为了避免字典构造问题以及提升信号稀疏性,提出了融合Moreau增强全变分降噪（FMTVD）罚函数,该目标函数结合了信号自身及其微分的稀疏特性,并根据交替方向乘子方法（ADMM）推导了优化求解方法。研究发现所提方法不仅能够有效处理滚动体滑移问题,而且可以分析多固有频率信号。通过两步策略,所提方法有效地提取了淹没在噪声中的滚动轴承的弱故障特征,而且在仿真信号和滚动轴承实验数据中均取得较好的诊断效果。
周学斌[10]（2020）在《智能电网海量数据轻型化方法研究》文中指出随着我国智能电网全面快速发展,电网数字化、信息化程度越来越高,电网安全生产运行越来越依赖大量综合信息。智能电网对各类实时和非实时广域海量全景状态信息进行精确采集和高效传输,并实现“三流”融合、高度集成与共享,相比传统电网监测系统,智能电网广域监测范围、监测节点数、监测信息类型及监测信息量等明显增加。在智能电网向能源互联网演化进程中,新业务蓬勃发展使得电力通信网业务变得复杂多样化,业务逐层汇聚后通过电力通信网进行传输,对电力通信网提出了更高要求,且随着智能电网、信息系统、营销系统等发展产生了海量数据交互,带宽需求急剧上升,现有传输网络已无法满足,导致智能电网高级应用系统功能无法实现,严重影响电网安全、稳定运行。为满足智能电网对海量数据在线监测、传输、存储的需要,实现智能电网高级应用系统功能,确保电网安全、稳定、经济运行,本文针对智能电网海量数据传输和存储轻型化的需求,从压缩采样、基于低秩Hankel矩阵的非均匀采样、最少特征信息提取、轻型协议数据生成及原始海量数据还原等方面进行研究,论文的主要内容如下:（1）针对Ⅰ型信号（即数据含脉冲信号或振荡信号）提出一种采用压缩感知理论实现智能电网海量数据轻型采样的方法。电网发生扰动,基于事件触发机制对扰动发生前后一个观测时窗内数据进行在线录波,并完整采样记录,采用扰动检测方法精确定位扰动时间。然后,采用深度学习网络对数据进行快速模式识别,数据为Ⅰ型信号,数据各分量按照一定顺序选择强相关原子库进行稀疏分解,强相关原子库是根据数据分量的动态特性、数学模型构建的冗余原子库,可有效提升数据分量稀疏性,降低数据总稀疏度大小和优化测量矩阵规模,数据压缩采样数据量更少。为增强数据压缩采样实时性,通过设置内积常数以减少原子库子集的规模、采用智能算法加快原子匹配追踪、采用正交投影矩阵更新代替稀疏分解的最小二乘法避免多次求解逆矩阵等措施,降低数据分量稀疏分解的时间。最后,对脉冲数据分量采用信号共振稀疏分解（RBSSD）进行增强提取,对需监测的弱数据分量幅值进行增幅,并采用谐波滤除（HF）算法进行滤除,有效提高数据分量重构精度。通过算例分析,验证了对Ⅰ型信号进行压缩采样的精确性和有效性。（2）针对Ⅱ型信号（即数据只含类基波信号、短期变动信号）,提出一种采用低秩矩阵填充理论实现智能电网海量数据轻型采样的方法。采用深度学习网络对数据进行快速模式识别,数据为Ⅱ型信号,数据由算子Ξ组成Hankel矩阵,基于低秩Hankel矩阵对数据进行非均匀采样,减少数据采样量。首先,对信号数据组成Hankel矩阵的低秩性进行了严格数学证明,得出智能电网海量数据具有低秩性。数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,对恢复矩阵副对角线元素求平均值恢复信号,恢复信号相对误差满足要求时,将数据非均匀采样点的位置形成位串uv,可用于快速确定观测时窗后数据的非均匀采样点。最后,针对采用随机采样矩阵确定数据非均匀采样点存在随机性、计算量大等缺点,采用斜率差绝对值（AVGD）方法可快速确定数据非均匀采样点,低秩矩阵填充还可利用数据周期性、对称性、奇偶性等特征,简化确定数据非均匀采样点的计算。通过算例分析,验证了对Ⅱ型信号采用基于低秩Hanel矩阵的非均匀采样方法的精确性和有效性。（3）针对智能电网海量数据轻型传输,提出基于最少特征信息传输原理的智能电网海量数据轻型传输方法。数据为Ⅰ型信号,数据压缩测量值采用重构算法,对数据稀疏表示向量进行重构,稀疏表示向量经分析和插值修正得数据分量特征参数,提取特征参数和稀疏表示向量非零系数二者中参数少的为数据分量最少特征信息;数据为Ⅱ型信号,数据非均匀采样点由算子Ξ组成部分元素被观测待恢复的低秩Hankel矩阵,采用矩阵填充恢复算法恢复矩阵,并经矩阵奇异值分解得非零奇异值为数据最少特征信息。然后,定义特征模式分组编码和模式特征向量映射规则,利用融合技术将异构最少特征信息进行融合,采用采样值传输协议进行报文封装,生成遵循IEC61850-9-2标准的采样最少特征值轻型协议数据进行网络传输,实现通信网络数据标准化、高度集成与共享。通过设置虚拟局域标识（VID）,避免数据帧大范围广播传输,造成网络风暴和堵塞,节省网络资源,采用动态带宽分配（DBA）算法对网络带宽进行动态分配,优先保证高优先级报文传输的实时性,减少传输时延和抖动,实现各类报文传输得到合理的网络带宽。最后,介绍轻型协议数据传输到信宿端,执行与信源端生成轻型协议数据相反的操作,通过对轻型协议报文解封、特征解析,根据模式特征向量映射规则重构或恢复模式分量,并叠加快速准确还原原始海量数据。通过算例分析,验证了基于最少特征信息传输原理的智能电网海量数据轻型传输方法的准确性和有效性。（4）基于OPNET网络仿真平台构建智能变电站通信网络模型,进行海量数据网络传输仿真实验,并对网络传输性能进行分析与评估,轻型传输可以有效减轻网络传输负荷,并降低传输延时。然后,对实验室搭建的轻型数据传输物理原型系统与传统数据传输系统进行对比模拟测试,轻型传输系统可以有效降低网络传输流量,传输数据压缩比随模拟采样频率增大而增大。网络仿真实验和物理原型系统动态模拟测试结果,均验证了本文提出的智能电网海量数据轻型化机制的可行性、可靠性及优越性。论文最后对本文结论进行总结,并对未来研究工作进行展望。
二、故障信号采样长度、时间间隔和频率的关系（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、故障信号采样长度、时间间隔和频率的关系（论文提纲范文）
（1）齿轮箱关键部件故障振动特征提取与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于振动信号处理技术的故障特征提取方法概述 |
| 1.2.2 自适应信号分解在故障特征提取中的研究现状 |
| 1.2.3 信号解调分析在故障特征提取中的研究现状 |
| 1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容及章节安排 |
| 第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮啮合振动的产生机理 |
| 2.3 齿轮故障振动建模与特征分析 |
| 2.3.1 齿轮的典型故障形式 |
| 2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
| 2.4 滚动轴承的振动产生机理 |
| 2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
| 2.5.1 滚动轴承的典型故障形式 |
| 2.5.2 滚动轴承的典型故障振动信号特征 |
| 2.5.3 滚动轴承局部冲击故障振动的数学模型 |
| 2.6 本章小结 |
| 第3章 齿轮箱故障试验系统设计及试验条件 |
| 3.1 引言 |
| 3.2 齿轮箱故障试验系统设计 |
| 3.2.1 试验台架搭建 |
| 3.2.2 振动数据采集系统 |
| 3.3 齿轮箱故障试验条件 |
| 3.3.1 齿轮故障设置 |
| 3.3.2 测点布置与试验工况 |
| 3.4 现有齿轮与滚动轴承故障试验台 |
| 3.4.1 CWRU滚动轴承故障模拟试验台 |
| 3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
| 3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
| 3.5 本章小结 |
| 第4章 滚动轴承故障振动信号自适应分解与特征提取 |
| 4.1 引言 |
| 4.2 变分模态分解的基本原理 |
| 4.2.1 模态的定义 |
| 4.2.2 变分模态分解的实现过程 |
| 4.2.3 变分模态分解的主要影响参数及局限性 |
| 4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
| 4.3.1 人工蜂群优化算法概述 |
| 4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
| 4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
| 4.4 滚动轴承故障仿真验证 |
| 4.4.1 滚动轴承局部冲击故障振动信号模型 |
| 4.4.2 AVMD与现有方法的对比分析 |
| 4.5 滚动轴承故障试验验证 |
| 4.5.1 滚动轴承故障模拟试验验证 |
| 4.5.2 滚动轴承加速寿命试验验证 |
| 4.6 本章小结 |
| 第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
| 5.1 引言 |
| 5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
| 5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
| 5.2.2 盲识别谱图类解调频带选取方法的局限性 |
| 5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
| 5.3.1 LEASgram的基本原理 |
| 5.3.2 LEASgram的实现步骤 |
| 5.4 齿轮故障仿真验证 |
| 5.4.1 齿轮故障振动信号模型 |
| 5.4.2 相同共振频率激励的齿轮故障仿真验证 |
| 5.4.3 不同共振频率激励的齿轮故障仿真验证 |
| 5.5 齿轮箱齿轮故障试验验证 |
| 5.5.1 单级齿轮箱齿轮故障试验验证 |
| 5.5.2 二级齿轮箱齿轮故障试验验证 |
| 5.6 本章小结 |
| 第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
| 6.1 引言 |
| 6.2 自参考自适应噪声消除 |
| 6.2.1 自参考自适应噪声消除原理概述 |
| 6.2.2 最小均方算法 |
| 6.2.3 归一化最小均方算法 |
| 6.3 改进自参考自适应噪声消除(MSANC) |
| 6.3.1 收敛因子的选取 |
| 6.3.2 滤波器长度和时延长度的选取 |
| 6.3.3 MSANC的实现步骤小结 |
| 6.3.4 MSANC与现有方法的有效性对比 |
| 6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
| 6.4.1 快速谱相关 |
| 6.4.2 多点最优最小熵解卷积 |
| 6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
| 6.5 齿根裂纹故障仿真验证 |
| 6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
| 6.5.2 仿真验证结果分析 |
| 6.6 二级齿轮箱齿轮故障试验验证 |
| 6.6.1 齿轮齿根裂纹故障试验验证 |
| 6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结与结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（2）汽轮发电机组扭振故障分析及在线监测的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轴系扭振系统特性的研究现状 |
| 1.2.2 汽轮发电机组扭振响应分析及安全性评价的研究现状 |
| 1.2.3 振动测量原理及方法的研究与应用现状 |
| 1.2.4 汽轮发电机组扭振在线监测装置的研究及应用现状 |
| 1.3 本文主要研究内容与技术路线 |
| 第2章 轴系振动系统建模及固有特性分析 |
| 2.1 引言 |
| 2.2 叶盘振动系统固有特性分析 |
| 2.2.1 叶盘振动系统模型 |
| 2.2.2 叶盘振动系统固有特性分析 |
| 2.2.3 叶盘结构的刚性盘等效方法 |
| 2.3 轴-盘-支承振动系统特性分析 |
| 2.3.1 轴-盘-支承系统的基本单元模型 |
| 2.3.2 轴-盘-支承系统的有限元模型及固有特性分析 |
| 2.3.3 基于旋转向量的轴系振动分析 |
| 2.4 本章小结 |
| 第3章 汽轮机组轴系扭振响应及安全性分析 |
| 3.1 引言 |
| 3.2 汽轮发电机组轴系的扭振响应分析 |
| 3.2.1 轴系扭振响应分析方法 |
| 3.2.2 蒸汽和电磁力矩计算 |
| 3.3 汽轮发电机组轴系扭振安全性分析 |
| 3.3.1 危险截面的确定 |
| 3.3.2 轴系典型结构在扭振作用下的应力分析 |
| 3.3.3 转轴扭转疲劳损伤评价 |
| 3.4 本章小结 |
| 第4章 增量编码器在扭振在线监测中的研究与应用 |
| 4.1 引言 |
| 4.2 广义增量编码器瞬时角速度计算的扭振测量 |
| 4.2.1 广义增量编码器模型及瞬时角速度计算方法 |
| 4.2.2 扭振信号提取方法的适用条件 |
| 4.2.3 扭振信号在线提取流程与仿真分析 |
| 4.3 等周期高差测距型增量编码器的弯扭振动测量 |
| 4.3.1 等周期高差测距型增量编码器模型 |
| 4.3.2 瞬时角速度对弯振频率的调制许用条件 |
| 4.3.3 弯扭振动提取流程及仿真分析 |
| 4.4 弯扭振动测量的试验验证 |
| 4.4.1 增量编码器瞬时角速度计算的扭振测量实验 |
| 4.4.2 等周期高差测距型增量编码器弯扭振动测量实验 |
| 4.5 本章小结 |
| 第5章 扭振在线监测装置的开发与应用 |
| 5.1 引言 |
| 5.2 扭振在线监测装置的工程设计与开发 |
| 5.2.1 总体构架设计 |
| 5.2.2 功能设计与技术开发 |
| 5.2.3 硬件平台的工程设计 |
| 5.2.4 软件与数据平台的工程设计 |
| 5.3 扭振在线监测装置功能测试及应用 |
| 5.3.1 性能测试与功能验证 |
| 5.3.2 工程应用 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 主要创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 附录 |
| 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）基于数学形态学的风力机发电机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 课题研究的意义和背景 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 风电轴承的失效模式 |
| 1.2.2 风电轴承的故障机理 |
| 1.2.3 风电轴承故障特征提取方法研究 |
| 1.2.4 智能诊断方法在风电轴承上的应用 |
| 1.3 数学形态学在旋转机械故障诊断上的研究 |
| 1.3.1 数学形态学的理论背景 |
| 1.3.2 数学形态学在轴承故障特征提取上的应用 |
| 1.4 本文研究的内容和技术路线 |
| 第2章 数学形态学算子的滤波性能分析 |
| 2.1 引言 |
| 2.2 数学形态学的基本理论 |
| 2.2.1 数学形态学的定义 |
| 2.2.2 数学形态学算子的用途分析 |
| 2.2.3 增强形态差分算子 |
| 2.2.4 结构元素的选择 |
| 2.3 形态学算子的滤波性能分析 |
| 2.3.1 评价指标和轴承故障模型的建立 |
| 2.3.2 EMDO算子的滤波性能分析 |
| 2.4 轴承故障的仿真信号分析 |
| 2.4.1 轴承故障模型的建立 |
| 2.4.2 EMDO算子在不同尺度下的滤波结果 |
| 2.4.3 与MGPO算子和MHPO算子的对比分析 |
| 2.5 发电机轴承故障实验分析 |
| 2.5.1 实验装置和测试环境介绍 |
| 2.5.2 实验数据采集与分析 |
| 2.5.3 与其它算子的实验滤波结果比较分析 |
| 2.6 本章小结 |
| 第3章 发电机轴承故障诊断的自适应PPCA-EMDF方法 |
| 3.1 引言 |
| 3.2 自适应概率主成分分析 |
| 3.2.1 概率主成分分析 |
| 3.2.2 蝗虫优化算法 |
| 3.3 APPCA-EMDF方法 |
| 3.3.1 目标函数的选择 |
| 3.3.2 PPCA-EMDF方法的计算流程 |
| 3.4 发电机轴承故障模型的仿真分析 |
| 3.4.1 发电机轴承外圈的故障信号模型 |
| 3.4.2 发电机轴承内圈的故障信号模型 |
| 3.5 发电机轴承的早期故障分析 |
| 3.5.1 测试实验台与测试数据介绍 |
| 3.5.2 APPCA-EMDF方法处理的实验结果 |
| 3.6 风力机发电机轴承的故障分析 |
| 3.6.1 测试实验装置介绍 |
| 3.6.2 测试实验数据分析 |
| 3.6.3 ACDIF与VMD方法的分析结果比较 |
| 3.7 本章小结 |
| 第4章 发电机轴承故障诊断的增强形态顶帽变换研究方法 |
| 4.1 引言 |
| 4.2 增强形态顶帽变换 |
| 4.2.1 AVGH和CMFH算子的介绍 |
| 4.2.2 增强形态顶帽算子EAVGH |
| 4.2.3 EAVGH算子的滤波性能分析 |
| 4.3 结合循环谱相干分析的形态顶帽滤波器 |
| 4.3.1 循环谱相干 |
| 4.3.2 EAVGH-CSC方法的流程图 |
| 4.4 仿真分析 |
| 4.4.1 故障信号仿真模型建立 |
| 4.4.2 EAVGH-CSC方法的分析结果 |
| 4.4.3 EAVGH-CSC方法的鲁棒性和灵敏度分析 |
| 4.5 风力发电机的实验分析 |
| 4.5.1 实验台和实验数据描述 |
| 4.5.2 EAVGH-CSC方法的处理结果 |
| 4.5.3与SK和EEMD方法的对比分析结果 |
| 4.6 本章小结 |
| 第5章 发电机轴承在多尺度数学形态学下的故障诊断方法 |
| 5.1 引言 |
| 5.2 多尺度数学形态学的基本理论 |
| 5.2.1 常见的多尺度形态学算子 |
| 5.2.2 多尺度增强形态顶帽变换算子 |
| 5.3 多尺度数学形态学的信号重构 |
| 5.3.1 常见的多尺度形态学信号重构 |
| 5.3.2 迭代加权阈值的多尺度形态学信号重构 |
| 5.4 仿真信号分析 |
| 5.4.1 发电机的电磁振动 |
| 5.4.2 发电机的轴承外圈故障模型 |
| 5.5 风力机发电机轴承的实验信号分析 |
| 5.5.1 实验装置与测试数据的介绍 |
| 5.6 本章小结 |
| 第6章 发电机轴承的深度学习诊断研究方法 |
| 6.1 引言 |
| 6.2 基本理论介绍 |
| 6.2.1 多尺度数学形态运算 |
| 6.2.2 卷积神经网络CNN |
| 6.3 提出的MFEO-CNN方法 |
| 6.3.1 改进的CNN架构 |
| 6.3.2 基于MFEO与CNN的故障诊断框架 |
| 6.4 CWRU的实验数据验证 |
| 6.4.1 数据描述 |
| 6.4.2 提出方法的分析结果 |
| 6.5 发电机轴承的测试数据验证 |
| 6.5.1 测试系统与数据描述 |
| 6.5.2 提出方法的分析结果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 本文主要创新点 |
| 7.3 未来工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）基于迁移学习的旋转机械跨域智能故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 智能诊断方法的研究现状 |
| 1.3.1 传统智能诊断方法的研究现状 |
| 1.3.2 基于深度学习的智能诊断方法研究现状 |
| 1.3.3 基于非同分布数据的智能诊断研究现状 |
| 1.4 智能诊断研究中的问题分析 |
| 1.5 本文的研究内容与组织安排 |
| 1.5.1 本文的研究内容 |
| 1.5.2 本文的组织安排 |
| 第2章 跨域场景下数据驱动故障诊断方法诊断性能及可迁移性分析 |
| 2.1 引言 |
| 2.2 本论文中的诊断问题描述 |
| 2.3 数据驱动故障诊断的工程需求 |
| 2.4 传统数据驱动诊断方法的跨域性能 |
| 2.4.1 理论泛化误差 |
| 2.4.2 经验分析中的数据和方法 |
| 2.4.3 对跨域诊断结果的讨论 |
| 2.5 跨域场景及可迁移性分析 |
| 2.5.1 齿轮和滚动轴承的振动模型 |
| 2.5.2 跨域场景及潜在差异分析 |
| 2.6 解决跨域诊断的途径讨论 |
| 2.7 本章小结 |
| 第3章 基于迁移局部保持投影的单源域智能故障诊断方法 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 局部保持投影 |
| 3.2.2 最大均值差异 |
| 3.3 基于迁移局部保持投影的故障诊断方法 |
| 3.3.1 方法的整体框架 |
| 3.3.2 相关假设 |
| 3.3.3 特征预处理 |
| 3.3.4 迁移局部保持投影 |
| 3.4 案例分析 |
| 3.4.1 数据和任务 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果 |
| 3.4.4 TLPPIFI有效性解释 |
| 3.4.5 参数敏感性分析 |
| 3.5 本章小结 |
| 第4章 基于GRASSMANN流形的多源域智能故障诊断方法 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 局部Fisher判别分析 |
| 4.2.2 Grassmann流形 |
| 4.3 多源域领域泛化策略 |
| 4.3.1 整体框架 |
| 4.3.2 利用LFDA发现判别结构 |
| 4.3.3 计算平均子空间 |
| 4.3.4 模型复杂度 |
| 4.4 案例分析 |
| 4.4.1 数据和任务 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果对比 |
| 4.4.4 MSDGIFI有效性解释 |
| 4.4.5 LFDA有效性分析 |
| 4.4.6 方法效率对比分析 |
| 4.4.7 源域个数影响分析 |
| 4.5 本章小结 |
| 第5章 基于深度领域泛化网络的多源域智能故障诊断方法 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.2.1 卷积神经网络 |
| 5.2.2 基于示例的判别损失 |
| 5.3 深度领域泛化策略 |
| 5.3.1 信号预处理 |
| 5.3.2 深度领域泛化网络模型 |
| 5.4 案例分析 |
| 5.4.1 数据和任务 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果对比 |
| 5.4.4 单方向卷积和池化影响分析 |
| 5.4.5 基于示例判别损失项影响分析 |
| 5.4.6 参数敏感性分析 |
| 5.5 本章小结 |
| 结论 |
| 附录A 齿轮和轴承跨域故障诊断特征参量 |
| 附录B TLPP模型的相关推导过程 |
| B.1 MMD项的推导 |
| B.2 TLPP最优化问题的求解 |
| 附录C 多源域故障诊断案例中各方法的最优超参数 |
| 附录D 深度多源域故障诊断案例中各方法的最优超参数 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）多转子燃气轮机谐频振动同步跟踪方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景和意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于振动信号的燃气轮机状态监测 |
| 1.3.2 非稳定工况阶次分析方法 |
| 1.4 主要内容与章节安排 |
| 第二章 基于SET的振动同步转速提取方法 |
| 2.1 引言 |
| 2.2 同步提取变换原理 |
| 2.3 仿真信号验证及时频分析方法对比 |
| 2.3.1 Renyi熵 |
| 2.3.2 仿真信号分析 |
| 2.4 实际案例数据分析 |
| 2.5 本章小结 |
| 第三章 基于阶次瀑布图切片的谐频幅值跟踪方法 |
| 3.1 引言 |
| 3.2 计算阶次跟踪 |
| 3.2.1 等角度重采样算法原理 |
| 3.2.2 滤波定阶方法 |
| 3.3 阶次瀑布图切片 |
| 3.3.1 阶次瀑布图算法 |
| 3.3.2 瀑布图切片 |
| 3.4 仿真信号验证及性能分析 |
| 3.4.1 仿真信号建立 |
| 3.4.2 滤波定阶方法验证 |
| 3.4.3 阶次瀑布图切片算法性能分析 |
| 3.5 实际案例数据分析 |
| 3.6 本章小结 |
| 第四章 基于改进Vold-Kalman滤波的谐频分量提取方法 |
| 4.1 引言 |
| 4.2 Vold-Kalman滤波阶次跟踪方法原理 |
| 4.2.1 VKFOT方程建立 |
| 4.2.2 求解方法 |
| 4.3 基于阶次谱的滤波参数优选方法 |
| 4.3.1 经验设置方法 |
| 4.3.2 阶次谱带宽优选 |
| 4.3.3 基于阶次谱参数优选下的角域VKFOT方法 |
| 4.4 实际案例分析 |
| 4.4.1 基于阶次谱的滤波参数优选方法 |
| 4.4.2 SET与VKFOT结合的谐频波形提取方法 |
| 4.5 本章小结 |
| 第五章 工程应用 |
| 5.1 引言 |
| 5.2 软件设计 |
| 5.2.1 软件架构与界面设计 |
| 5.2.2 数据导入及基本设置模块 |
| 5.2.3 瀑布图分析及幅值趋势切片模块 |
| 5.2.4 基于改进VKFOT的谐频振动波形提取模块 |
| 5.3 实际案例分析应用 |
| 5.4 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 |
| 作者和导师简介 |
| 附件 |
（6）伪随机动态测试信号建模与智能电能表动态误差测试方法（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 论文研究的背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 动态负荷典型特性的研究现状 |
| 1.3.2 电力系统负荷建模的研究现状 |
| 1.3.3 电能表误差测试的研究现状 |
| 1.3.4 压缩感知理论的研究现状 |
| 1.3.5 电参量测量算法的研究现状 |
| 1.4 现有研究成果的总结和不足 |
| 1.5 论文研究的主要内容 |
| 1.6 论文体系结构 |
| 第二章 大功率动态负荷信号典型本质特性分析 |
| 2.1 引言 |
| 2.2 动态负荷概述 |
| 2.3 电气化铁路负荷信号的典型本质特性分析 |
| 2.3.1 宏观时间尺度电气化铁路负荷典型本质特性分析 |
| 2.3.2 微观时间尺度电气化铁路负荷典型本质特性分析 |
| 2.4 电弧炉负荷信号的典型本质特性分析 |
| 2.4.1 宏观时间尺度电弧炉负荷典型本质特性分析 |
| 2.4.2 微观时间尺度电弧炉负荷典型本质特性分析 |
| 2.5 大功率动态负荷信号典型本质特性的总结 |
| 2.6 小结 |
| 第三章 畸变波形m序列伪随机动态测试信号建模 |
| 3.1 引言 |
| 3.2 现有的电能表误差测试信号模型 |
| 3.2.1 常用的测试信号 |
| 3.2.2 稳态测试信号模型 |
| 3.2.2.1 正弦稳态测试信号模型 |
| 3.2.2.2 非正弦稳态测试信号模型 |
| 3.2.3 动态测试信号模型 |
| 3.2.3.1 正弦包络调幅动态测试信号模型 |
| 3.2.3.2 梯形包络调幅动态测试信号模型 |
| 3.2.3.3 调频动态测试信号模型 |
| 3.2.3.4 调相动态测试信号模型 |
| 3.2.3.5 00K动态测试信号模型 |
| 3.3 动态负荷信号空间分解与动态测试信号空间构建 |
| 3.4 畸变波形m序列伪随机动态测试信号模型 |
| 3.4.1 m序列伪随机函数 |
| 3.4.2 畸变波形稳态周期函数 |
| 3.4.3 畸变波形m序列伪随机动态测试信号结构化参数模型 |
| 3.5 信号的产生验证与特性分析 |
| 3.5.1 动态测试信号的产生验证 |
| 3.5.2 动态测试信号的特性分析 |
| 3.6 小结 |
| 第四章 畸变波形正交伪随机动态测试信号建模 |
| 4.1 引言 |
| 4.2 压缩感知理论概述 |
| 4.3 正交伪随机测量矩阵的构建 |
| 4.3.1 正交伪随机测量矩阵的组成 |
| 4.3.2 正交伪随机测量矩阵的结构化构建 |
| 4.4 畸变波形正交伪随机动态测试信号模型 |
| 4.4.1 正交伪随机序列函数 |
| 4.4.2 畸变波形稳态周期函数 |
| 4.4.3 畸变波形正交伪随机动态测试信号结构化参数模型 |
| 4.5 信号的产生验证与特性分析 |
| 4.5.1 动态测试信号的产生方法 |
| 4.5.2 动态测试信号的特性分析 |
| 4.6 小结 |
| 第五章 动态电能量值的非交叠移动压缩检测算法 |
| 5.1 引言 |
| 5.2 电能表的功率电能测量原理 |
| 5.3 动态电能量值的NOLM-CM算法 |
| 5.3.1 有功功率压缩检测模型 |
| 5.3.1.1 离散畸变波形m序列伪随机动态瞬时功率测试信号的稀疏性分析 |
| 5.3.1.2 最小误差测量矩阵的构建 |
| 5.3.2 动态电能量值测量的NOLM-CM算法 |
| 5.4 NOLM-CM算法的仿真与实验验证 |
| 5.4.1 常用的窗函数电能量值测量算法 |
| 5.4.2 NOLM-CM算法的仿真验证 |
| 5.4.2.1 不同动态瞬时功率测试信号条件下的仿真验证 |
| 5.4.2.2 NOLM-CM算法与窗函数算法的对比分析 |
| 5.4.3 NOLM-CM算法的实验验证 |
| 5.5 小结 |
| 第六章 智能电能表动态误差的似然函数间接测试方法 |
| 6.1 引言 |
| 6.2 智能电能表动态误差的似然函数间接测试算法 |
| 6.2.1 畸变波形伪随机动态功率测试信号的游程似然函数 |
| 6.2.2 动态误差的似然函数间接测试算法 |
| 6.3 智能电能表动态误差的似然函数间接测试系统 |
| 6.4 智能电能表动态误差测试实验 |
| 6.4.1 畸变波形伪随机动态测试信号产生的实验验证 |
| 6.4.2 智能电能表的动态误差测试实验结果 |
| 6.4.2.1 不同模式的动态测试信号条件下电能表动态误差测试结果 |
| 6.4.2.2 不同功率因数的动态测试信号条件下电能表动态误差测试结果 |
| 6.4.2.3 不同被测电能表的动态误差测试结果 |
| 6.4.3 电能表动态误差似然函数间接测试系统的不确定度评估 |
| 6.4.3.1 P_k~m(t)条件下的不确定度评估 |
| 6.4.3.2 p_k~(OPRM)(t)条件下的不确定度评估 |
| 6.5 小结 |
| 第七章 结论和展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻博期间完成的论文和取得的科研成果 |
| 作者简介 |
| 导师简介 |
| 附件 |
（7）基于同步压缩变换框架的变转速工况行星齿轮箱故障识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行星齿轮箱故障诊断的研究现状 |
| 1.2.2 时频分析方法的研究现状 |
| 1.3 论文的主要研究内容和章节安排 |
| 第2章 变转速工况下的行星齿轮箱振动信号模型 |
| 2.1 引言 |
| 2.2 传统定轴齿轮箱振动信号模型 |
| 2.3 行星齿轮箱振动信号模型 |
| 2.3.1 平稳工况下的行星齿轮箱振动信号模型 |
| 2.3.2 变转速工况下的行星齿轮箱振动信号模型 |
| 2.3.3 变转速工况下的行星齿轮箱的故障特征频率 |
| 2.4 变转速工况下的行星齿轮箱振动信号的特性分析 |
| 2.5 本章小结 |
| 第3章 基于分步迭代的同步压缩变换 |
| 3.1 引言 |
| 3.2 同步压缩变换基本理论 |
| 3.3 高阶同步压缩变换 |
| 3.3.1 二阶同步压缩变换 |
| 3.3.2 高阶同步压缩变换 |
| 3.4 基于分步迭代的同步压缩变换 |
| 3.5 时频能量聚集性的仿真分析与对比研究 |
| 3.6 本章小结 |
| 第4章 基于迭代时变窗口旋转同步压缩变换的瞬时频率提取算法 |
| 4.1 引言 |
| 4.2 两种传统的瞬时频率提取算法 |
| 4.2.1 Teager能量算子法 |
| 4.2.2 谱峰检测法 |
| 4.3 传统的窗口旋转时频分析算法 |
| 4.3.1 调频率与时频能量集中的关系 |
| 4.3.2 线性调频变换 |
| 4.3.3 多窗口旋转的调频变换 |
| 4.4 基于时变窗口旋转的同步压缩变换 |
| 4.4.1 基于时变窗口旋转的短时傅里叶变换 |
| 4.4.2 基于时变窗口旋转的同步压缩变换 |
| 4.4.3 提出方法的仿真分析与性能对比研究 |
| 4.5 基于迭代时变窗口旋转同步压缩变换的瞬时频率提取算法 |
| 4.5.1 基于迭代时变窗口旋转同步压缩变换的瞬时频率提取算法理论 |
| 4.5.2 瞬时频率提取的仿真分析与对比研究 |
| 4.6 本章小结 |
| 第5章 基于改进分步迭代同步压缩变换的变转速工况行星齿轮箱故障识别算法 |
| 5.1 引言 |
| 5.2 广义解调和阶次分析 |
| 5.2.1 广义解调 |
| 5.2.2 阶次分析 |
| 5.3 基于改进的分步迭代同步压缩变换 |
| 5.3.1 算法理论 |
| 5.3.2 算法框架 |
| 5.4 改进算法的仿真分析和对比研究 |
| 5.4.1 单分量信号的仿真分析与对比研究 |
| 5.4.2 多分量信号的仿真分析与对比研究 |
| 5.5 基于改进的分步迭代同步压缩变换的行星齿轮箱故障识别 |
| 5.5.1 变转速工况行星齿轮箱仿真信号分析与故障识别 |
| 5.5.2 实验设计 |
| 5.5.3 实验结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（8）低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 滚动轴承缺陷诊断技术研究现状 |
| 1.2.1 振动信号降噪方法的研究现状 |
| 1.2.2 振动信号特征提取方法的研究现状 |
| 1.2.3 缺陷诊断和分类方法的研究现状 |
| 1.3 论文研究内容和结构安排 |
| 第2章 深沟球轴承振动的产生机理 |
| 2.1 低噪音深沟球轴承振动的产生机理和常见缺陷类型 |
| 2.1.1 振动的产生机理 |
| 2.1.2 常见缺陷类型 |
| 2.2 低噪音深沟球轴承的振动成分 |
| 2.2.1 轴承的本质振动 |
| 2.2.2 轴承的冲击振动 |
| 2.3 本章小结 |
| 第3章 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.1 概述 |
| 3.2 Hilbert包络解调和峭度原则 |
| 3.2.1 Hilbert包络解调原理及其使用时应注意的问题 |
| 3.2.2 峭度原则及其优缺点 |
| 3.3 EMD算法和EEMD算法 |
| 3.3.1 EMD算法 |
| 3.3.2 EEMD算法 |
| 3.4 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.4.1 综合EMD和峭度原则的信号降噪算法及其弊端 |
| 3.4.2 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.4.3 试验验证 |
| 3.5 计算方法的时间消耗 |
| 3.6 本章小结 |
| 第4章 基于参数自适应VMD的缺陷特征提取算法 |
| 4.1 概述 |
| 4.2 变分模态分解 |
| 4.2.1 VMD基本原理 |
| 4.2.2 VMD参数对分解结果的影响 |
| 4.3 多天牛须搜索算法 |
| 4.3.1 BAS搜索算法 |
| 4.3.2 MBAS搜索算法 |
| 4.4 基于参数自适应VMD的缺陷特征提取算法 |
| 4.4.1 理论基础和实现流程 |
| 4.4.2 仿真信号试验对比 |
| 4.4.3 实际轴承振动信号验证和对比 |
| 4.5 本章小结 |
| 第5章 融合混合域特征的缺陷诊断与分类算法 |
| 5.1 概述 |
| 5.2 综合缺陷特征提取算法 |
| 5.2.1 综合缺陷特征提取算法的实现步骤 |
| 5.2.2 综合缺陷特征提取算法的实例验证 |
| 5.3 基于PCA算法的特征信息降维 |
| 5.3.1 选择的时频域参数 |
| 5.3.2 PCA算法原理 |
| 5.3.3 PCA特征参数降维结果 |
| 5.4 ELM算法 |
| 5.5 融合混合域特征的缺陷诊断与分类算法 |
| 5.5.1 算法操作步骤 |
| 5.5.2 CWRU振动数据验证 |
| 5.5.3 实测振动数据验证 |
| 5.5.4 影响试验结果的因素分析 |
| 5.6 本章小结 |
| 第6章 全自动轴承振动测量仪的研制与试验验证 |
| 6.1 概述 |
| 6.2 试验目的和试验方法 |
| 6.2.1 试验目的 |
| 6.2.2 试验方法 |
| 6.3 全自动轴承测量仪的系统构架和实现 |
| 6.3.1 系统构架 |
| 6.3.2 机械本体设计 |
| 6.3.3 双面六点测振方法 |
| 6.3.4 电气控制系统设计 |
| 6.3.5 并行程序设计模式 |
| 6.4 系统抗干扰措施 |
| 6.5 试验结果和分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）基于非凸约束的旋转机械故障诊断方法研究（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 课题来源 |
| 1.3 国内外研究现状 |
| 1.3.1 稀疏表示及其在机械故障诊断领域研究现状 |
| 1.3.2 非凸正则化理论及研究现状 |
| 1.3.3 旋转机械局部故障特征提取研究现状 |
| 1.4 主要研究内容及论文结构 |
| 第二章 稀疏表示与优化算法理论基础 |
| 2.1 稀疏表示及字典学习算法 |
| 2.1.1 稀疏表示理论 |
| 2.1.2 字典学习算法 |
| 2.2 非凸正则化 |
| 2.2.1 重叠群稀疏算法 |
| 2.2.2 Moreau增强全变分降噪 |
| 2.3 交替方向乘子算法 |
| 2.4 本章小结 |
| 第三章 基于滑窗相关和重叠群稀疏的齿轮局部故障诊断 |
| 3.1 齿轮局部故障诊断方法 |
| 3.1.1 旋转机械冲击型故障信号模型 |
| 3.1.2 齿轮冲击故障特征信号提取方法 |
| 3.1.3 参数选择 |
| 3.2 仿真信号分析 |
| 3.2.1 仿真信号处理结果 |
| 3.2.2 对比分析 |
| 3.3 实验分析 |
| 3.3.1 齿轮箱断齿故障 |
| 3.3.2 所提方法对正常齿轮的处理结果 |
| 3.4 本章小结 |
| 第四章 基于冲击特征增强和非凸正则化的滚动轴承故障诊断方法 |
| 4.1 所提的滚动轴承故障诊断新方法 |
| 4.1.1 结构特性和冲击增强 |
| 4.1.2 稀疏特征和融合Moreau增强全变分降噪 |
| 4.1.3 提出的故障诊断方法 |
| 4.1.4 参数选择策略 |
| 4.2 仿真分析和参数选择 |
| 4.2.1 仿真分析 |
| 4.2.2 参数β0和β1的取值分析 |
| 4.2.3 讨论 |
| 4.3 实验分析 |
| 4.3.1 滚动轴承外圈故障 |
| 4.3.2 滚动轴承内圈故障 |
| 4.3.3 正常滚动轴承 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）智能电网海量数据轻型化方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 数据采样技术研究现状 |
| 1.2.2 数据传输技术研究现状 |
| 1.2.3 电力信息通信技术研究现状 |
| 1.3 课题研究发展趋势 |
| 1.4 本文主要研究工作 |
| 第2章 智能电网海量数据轻型化机制研究 |
| 2.1 引言 |
| 2.2 海量数据轻型化机理分析 |
| 2.3 海量数据轻型化技术方案 |
| 2.3.1 海量数据轻型化机理分析及传输带宽分配策略 |
| 2.3.2 电物理量数据轻型采样 |
| 2.3.3 电物理量数据最少特征信息提取 |
| 2.3.4 多通信协议环境下轻型协议数据生成 |
| 2.3.5 轻型协议数据特征解析与数据还原 |
| 2.4 海量数据轻型化技术内核 |
| 2.5 海量数据轻型化机制可行性分析 |
| 2.5.1 可行性分析 |
| 2.5.2 可靠性分析 |
| 2.6 小结 |
| 第3章 智能电网海量数据压缩采样方法研究 |
| 3.1 引言 |
| 3.2 典型电物理量信号分析 |
| 3.2.1 电能质量概述 |
| 3.2.2 稳态电物理信号 |
| 3.2.3 暂态电物理信号 |
| 3.3 电能质量扰动检测 |
| 3.4 信号模式识别 |
| 3.4.1 长短时记忆网络LSTM |
| 3.4.2 LSTM网络模式识别 |
| 3.5 电物理信号稀疏表示 |
| 3.5.1 构建电物理信号原子库 |
| 3.5.2 快速原子稀疏分解算法 |
| 3.5.3 脉冲信号提取稀疏分解 |
| 3.5.4 弱信号提取及稀疏分解 |
| 3.6 海量电物理数据压缩采样方法 |
| 3.7 算例分析1 |
| 3.7.1 数据样本集构造 |
| 3.7.2 LSTM对样本全标注训练 |
| 3.7.3 电物理信号模式识别方法性能比较 |
| 3.7.4 电物理信号原子库构建 |
| 3.7.5 电物理信号扰动检测 |
| 3.7.6 电物理信号压缩采样 |
| 3.8 算例分析2 |
| 3.9 小结 |
| 第4章 智能电网海量数据基于低秩Hankel矩阵的非均匀采样方法研究 |
| 4.1 引言 |
| 4.2 电物理信号低秩矩阵填充 |
| 4.3 电物理信号量测数据低秩性证明 |
| 4.4 低秩矩阵填充理论 |
| 4.5 低秩矩阵填充恢复算法 |
| 4.6 电物理信号非均匀采样点确定 |
| 4.6.1 采用最优随机采样矩阵确定信号非均匀采样点 |
| 4.6.2 采用AVGD确定信号非均匀采样点 |
| 4.7 电物理信号轻型采样方法 |
| 4.8 算例分析 |
| 4.8.1 电物理信号轻型采样 |
| 4.8.2 主要间谐波轻型采样 |
| 4.9 小结 |
| 第5章 智能电网海量数据轻型传输方法研究 |
| 5.1 引言 |
| 5.2 最少特征信息提取 |
| 5.2.1 最少特征信息非零奇异值 |
| 5.2.2 最少特征信息稀疏表示非零系数或特征参数 |
| 5.2.3 谐波信号稀疏性分析 |
| 5.2.4 信号稀疏表示系数与特征参数关系 |
| 5.3 轻型协议数据生成机制 |
| 5.3.1 最少特征信息分组编码 |
| 5.3.2 模式特征向量映射 |
| 5.3.3 抽象通信服务映射 |
| 5.3.4 轻型协议数据生成 |
| 5.3.5 轻型协议数据传输服务模型 |
| 5.4 稀疏表示非零系数位置位串传输服务模型 |
| 5.5 数据传输带宽动态分配算法 |
| 5.6 轻型协议数据特征解析数据还原 |
| 5.7 算例分析 |
| 5.8 小结 |
| 第6章 智能电网海量数据轻型传输实验研究 |
| 6.1 引言 |
| 6.2 网络仿真实验研究 |
| 6.2.1 OPNET网络仿真平台 |
| 6.2.2 智能变电站通信网络结构 |
| 6.2.3 通信网络建模 |
| 6.2.4 网络仿真实验分析 |
| 6.3 模拟测试实验研究 |
| 6.4 小结 |
| 第7章 结论与展望 |
| 7.1 本文主要结论 |
| 7.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的科研成果目录 |
| 致谢 |
| 附录 模拟测试实验平台 |
四、故障信号采样长度、时间间隔和频率的关系（论文参考文献）
- [1]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [2]汽轮发电机组扭振故障分析及在线监测的研究[D]. 张玉皓. 华北电力大学(北京), 2021(01)
- [3]基于数学形态学的风力机发电机轴承故障诊断方法研究[D]. 罗园庆. 沈阳工业大学, 2021(02)
- [4]基于迁移学习的旋转机械跨域智能故障诊断方法研究[D]. 郑怀亮. 哈尔滨工业大学, 2020(02)
- [5]多转子燃气轮机谐频振动同步跟踪方法研究[D]. 张文海. 北京化工大学, 2020
- [6]伪随机动态测试信号建模与智能电能表动态误差测试方法[D]. 王婧. 北京化工大学, 2020
- [7]基于同步压缩变换框架的变转速工况行星齿轮箱故障识别算法研究[D]. 潘兵奇. 武汉科技大学, 2020(01)
- [8]低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究[D]. 王恒迪. 河南科技大学, 2020(06)
- [9]基于非凸约束的旋转机械故障诊断方法研究[D]. 吴芳坦. 华南理工大学, 2020(02)
- [10]智能电网海量数据轻型化方法研究[D]. 周学斌. 武汉大学, 2020(03)