一、滚动轴承常见故障原因分析（论文文献综述）
杨雅奇,张彩红,林繁云[1]（2021）在《滚动轴承故障诊断技术综述》文中研究指明滚动轴承故障造成的严重事故时常发生,已对经济及人的安全带来不可以挽回的影响,如何对滚动轴承不同种类产生故障的不同成因进行分析,再对故障诊断技术研究,对机械设备寿命的延长及加工生产效率的提高具有现实的意义。对此,本文通过参考现有的资料,对滚动轴承的结构特征、分类种类、故障机理以及故障诊断技术进行综合性阐述。
邓奇[2]（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》文中研究说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。
李宣[3]（2021）在《基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断》文中提出风能是一种可再生的清洁能源,当代社会发展耗能大且能源短缺,风能的使用能够有效缓解传统能源短缺的问题,解决传统能源带来的环境污染问题。随着风电机组累计装机容量不断增加和风机使用环境恶劣导致风电机组齿轮箱故障频发。齿轮箱一旦发生故障,机组将面临长时间的停机和昂贵的维修费用,经济损失巨大。因此,准确、高效的对机组齿轮箱进行状态监测和故障诊断,对于保障机组安全稳定运行和提高发电效率具有重要意义。本文提出基于EWT（empirical wavelet transform）和最优参数精细复合多尺度散布熵的方法对风电机组齿轮箱故障诊断进行了研究。首先,在实际运行条件下,由于环境噪声干扰严重、振动信号传递路径复杂和机电耦合作用等原因导致风电机组齿轮箱振动信号具有非平稳、非线性并且信噪比低的特点,直接研究原始振动信号难以提取到有效的故障信息。本文引入经验小波变换处理风电机组齿轮箱振动信号,通过相关系数阈值筛选子模态分量进行信号重构,获取更高信噪比的故障振动信号。通过与EMD（empirical mode decomposition）分解方法对比,证明EWT可以在嘈杂的环境中有效地提取信号的主要成分,为后续特征提取环节打下基础。其次,针对特征提取和特征矩阵构建环节,传统时域、频域故障特征提取效果不佳、特征矩阵存在冗余的特点而造成故障诊断效果差的问题。引入新的时频特征精细复合多尺度散布熵（refined composite multiscale dispersive entropy,RCMDE）为特征向量,为提高精细复合多尺度散布熵算法的故障特征提取性能,获取区分度更大的精细复合多尺度散布熵,以其偏度值的平方函数作为适应度函数,通过网格搜索算法同步搜索计算两个关键参数m和C,提取齿轮箱重构故障振动信号的最优参数精细复合多尺度散布熵（optimal parameters refined composite multiscale dispersive entropy,OPRCMDE）构建特征矩阵。通过实验对比,证明EWT重构信号最优参数精细复合多尺度散布熵在提取各类故障特征时区分度更好,诊断结果更稳定准确。最后,针对特征向量冗余和一般分类算法参数多且参数设定影响分类准确率的问题。采用Relief-F算法计算特征向量的分类权重,选择权重大者构成最终的特征向量,剔除了冗余特征。最后再利用运算速度快,参数设置少的极限学习机（extreme learning machine,ELM）进行故障诊断。通过实验分析并与其它方法比较,证明本方法诊断正确率更高且更稳定,可以有效应用在风电机组齿轮箱故障诊断中,在实际工程应用中具有一定的价值,对于风电机组齿轮箱故障诊断的相关研究具有一定的参考性。
李骥[4]（2021）在《计及不确定故障特征的风电机组轴承故障诊断方法研究》文中指出当前我国正处在能源转型的关键时期,风力发电作为一种重要的低碳能源,在碳达峰和碳中和背景下,风电机组的总体装机容量不断攀升。同时,大规模风电并网下的机组运维技术和故障诊断方法的研究,对于风电机组乃至电力系统的安全稳定运行意义重大。然而,实际风电机组运行过程中由于风速、设备参数等因素的影响,会引发风电机组的故障特征产生一定的不确定性,使得现有的故障诊断方法在工程实际中的应用面临巨大的挑战。基于此,本文在国家自然基金和陕西省自然科学基础研究计划的资助下,开展了计及不确定故障特征的的风电机组轴承故障诊断方法研究,具体研究内容如下:首先,本文在简要介绍风电机组结构的基础上,论述了风电机组轴承故障诊断的必要性。重点分析了复杂环境下环境风速和轴承参数变化导致故障特征发生变化情况,为后文的研究奠定了基础。其次,针对风电机组运行工况恶劣和噪声干扰严重的问题,通过度量噪声与故障特征概率密度分布的差异性,提出了基于EMD连续几何分布相似性的风电机组振动信号降噪方法,有效抑制了噪声对于风电机组故障诊断方法的干扰。再次,针对风电机组故障特征频率不确定的问题,本文通过构建不同频谱区间能量的方法对故障特征进行搜索,利用信号噪声共振的方法将噪声能量向低频故障特征进行转移,提出了一种基于自适应最优共振的风电机组不确定故障特征增强方法,实现了故障特征不确定的风电机组故障诊断。最后,应用典型风电机组滚动轴承的故障实验信号对算法进行验证,实验表明,本文所提算法能够有效地对强背景噪声下的风电机组振动信号进行降噪,并且能够对风电机组的不确定故障特征实现特征增强。
范邦稷[5]（2021）在《基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究》文中提出传统的设备故障诊断方法以频谱分析为主,随着计算机硬件水平的提高及机器学习算法的发展,基于智能数据驱动的设备故障诊断方法成为了主流。通过对采集的设备信号进行处理和分析,提取出能表征设备运行状况的信号特征量,利用这些特征量进行模式识别,以实现设备的故障诊断。本论文在上述背景下,综合信号处理技术、数学基础理论、机器学习算法等多领域知识,对现有技术进行优化改进,并提出了一种新的多域故障诊断方法,并将其应用于风电机组的设备诊断。具体研究工作如下:首先,对现有的各种风电机组进行了分类,说明了直驱型和双馈型风电机组的区别,针对主流的双馈型机组进行了着重介绍,并阐述了其工作原理。针对风电机组高故障率的问题,对双馈型机组的常见故障进行了统计。由统计结果的分析表明,齿轮箱故障是导致双馈型机组经济损失的重要原因。因此,对齿轮箱中齿轮和轴承的各种故障进行了整理与分析,并对其故障机理及振动信号特征进行了研究。其次,在风电机组信号处理方法上,本文以最小平均包络熵（MAEE）作为适应度函数,引入快速灰狼优化算法（F-GWO）对变分模态分解算法（VMD）进行优化,提出了一种自适应VMD（AVMD）方法。通过在MATLAB中建立仿真信号,分别使用该方法和EMD等递归式分解方法对其进行处理,证明了 AVMD方法的可行性和优越性。再次,信号特征提取是故障诊断的核心,是影响最终诊断正确率的根本原因。因此,本文提出了一种全新的多域特征提取方法,根据信号在时域、频域和时频域中的特点,设计信号在各域的特征量,并根据主成分分析（PCA）简化特征信息,提取出能全面表征设备运行状况的特征向量。通过特征向量对极限学习机（ELM）进行训练,构建了一种双馈型风电机组齿轮箱多域故障诊断模型。最后,以实际齿轮箱滚动轴承的振动信号为例,第一,验证了 AVMD方法在传统频谱分析中的有效性;第二,通过三种设计方案及多种方法的对比分析,AVMD-ELM多域故障诊断方法在三种方案中的诊断正确率都是四个方法中最高的,其中不同故障的诊断方案正确率达到了 98.8%之高,充分说明了该方法在风电机组故障诊断中的非凡意义。
李璠[6]（2021）在《基于辛几何模态分解和AdaBoost算法的风电机组轴承故障诊断研究》文中研究说明为了贯彻新发展理念,建设清洁美丽世界,加之“碳达峰”和“碳中和”目标的提出,大大加快了清洁能源的开发和利用。风电作为清洁能源之一,近年来装机量逐年攀升,国内市场不断扩大,其在能源行业的竞争优势愈发明显。由于风电机组服役环境较为恶劣,结构较为复杂,这对其运行与维护提出了更高的要求。作为风力发电机组中的关键部件,滚动轴承一旦发生故障,会严重影响风电机组的正常运行。因此,开展关于风电机组轴承故障诊断的课题研究至关重要。本文基于此,以滚动轴承为研究对象,提出一种基于辛几何模态分解和AdaBoost算法的风电机组轴承故障诊断方法。论文主要工作如下:首先,研究非线性振动信号的处理方法。辛几何模态分解（Symplectic Geometry Mode Decomposition,SGMD）是一种新提出的信号处理方法,因为其优越性在故障诊断领域获得了越来越多的关注,但是该方法中涉及到的相似分量重组问题,并未有明确表述。本文针对该问题,在辛几何模态分解算法的基础上,引入余弦相似度（Cosine Similarity,CS）,改进得到了 SGMD-CS方法,一方面可以区分有效分量和噪声分量,实现对原信号的降噪,另一方面,借此对具有相似特征的初始单分量进行重构,可以得到最终的趋势分量。通过构造不含噪声及含噪声的仿真信号,将SGMD-CS算法与其它信号处理算法如EMD、LMD和VMD的分解性能作比较,结果表明SGMD-CS在处理复杂信号方面具有良好的分解性能,且具有较强的鲁棒性,故选用该算法对滚动轴承的振动信号进行分解处理。其次,研究特征向量的提取。基于SGMD-CS算法,将辛几何模态分解得到的分量与信息熵结合,计算得到辛几何熵,以此作为故障特征向量。为了验证辛几何熵的优异性,分别与近似熵、样本熵和模糊熵作为特征向量所得到的故障分类结果进行对比,并以准确率,精度,召回率和F1-分数作为评价指标对各模型的分类结果进行评判。结果表明,在这四个指标的评判下,提取辛几何熵作为特征向量相比于其它三种熵,可以有效提取故障信息,使得分类器的诊断结果更好。最后,研究风电机组故障诊断模型。在前述信号预处理、信号特征提取的基础上,为了实现模式识别,采用集成学习的思想,将多个弱分类器通过一定的算法组合为一个强分类器,进而提高故障分类精度。本文基于SGMD-CS和AdaB oost算法,提出了一种风机滚动轴承的故障诊断模型,并通过实际的滚动轴承振动数据验证了该模型的有效性。
李海涛[7]（2015）在《基于分形技术的滚动轴承内圈故障诊断与预测研究》文中研究说明随着机械制造业、装备行业的高速发展,相关的故障诊断技术越发显得重要。本文首先介绍了机械行业故障诊断技术的历史发展过程,并对滚动轴承故障诊断技术发展现状进行了介绍。论文介绍了滚动轴承的基本结构、失效成因及主要的失效形式,研究了滚动轴承故障特征频率的经验计算公式、频谱分析方法和仿真分析方法。对6205-2RS JEM SKF轴承的内圈早期微弱故障振动信号分别采用上述三种方法进行实测分析。分析表明对于同一个轴承内圈故障,这三种方法得到的故障特征频率互不相同。考虑到滚动轴承早期微弱故障信号的非平稳特征,指出可以采用基于分形的故障诊断方法进一步开展研究。针对实际采样信号,论文研究了信号的四种分形特征的判别方法,它们分别是基于时频分析的、基于分数布朗运动的、基于小波分解系数的和基于信号自仿射性的判别方法。论文还研究了三种分形维数的具体算法,指出分形维数可协助完成轴承故障的诊断工作。论文利用信号分形特征的判别方法,研究并发现轴承早期微弱故障信号具有显着的分形特征。继而又计算了故障轴承振动信号的三种分形维数,表明分形维数作为信号复杂度的指标,能定量地描述滚动轴承弱故障行为,可以敏感地反映滚动轴承故障的发生,为及早发现潜在故障提供了很好的监测手段。论文研究了变标度极差分析法（R/S分析法）,Hurst指数的求解算法,Vn曲线的求解算法。依据轴承故障振动信号的已有数据,进行故障预测。研究表明,将Hurst指数与Vn曲线相结合,依据Hurst指数的大小与Vn曲线自身的演变规律可以很好地预测信号在未来某一时间段内的发展趋势,实现故障的短期或中期预测。论文研究了信号的分形特征判别方法,发现滚动轴承早期的弱故障信号具有明确的分形特征,继而采用分形维数、变标度极差分析、Vn曲线特征分析的方法成功地实施了轴承的早期故障诊断。本文所提研究方法和研究工作对于轴承的故障诊断有一定的实用参考价值。
徐奔奔[8]（2021）在《基于多分辨率奇异值分解的风电机组轴承故障诊断研究》文中研究说明风力发电机组的故障类型中,轴承、齿轮箱、高速轴和低速轴故障为容易发生的故障类型,而在机械故障中又属滚动轴承更容易发生故障。滚动轴承的非平稳运行状态以及与其它部件的相互冲击带来的干扰噪声,与故障发生前期的微弱特征信息相互融合,增加了滚动轴承的故障诊断难度。针对风电机组中滚动轴承故障难以有效的诊断这一问题,本文将多分辨率奇异值分解（Multi-resolution singular value decomposition,MRSVD）的方法引入到 了风电机组的故障诊断中,研究了基于MRSVD算法的风电机组滚动轴承的故障诊断。本文的主要研究内容如下:（1）研究了基于多分辨率奇异值分解（Multi-resolution singular value decomposition,MRSVD）算法的信号降噪,并在此基础上提出了一种多分结构的MRSVD降噪方法,通过仿真信号分析各种降噪模型的降噪效果,选出最优的降噪模型,然后将其应用于风电机组轴承故障的实测数据中,来消除滚动轴承振动信号中的噪声,凸显出故障特征。（2）针对传统随机森林（Random Forest,RF）参数选择无法使得模型性能达到最优的缺陷,本文提出了一种改进的随机森林算法（P-RF）,即利用粒子群算法（Partical Swarm Optimization,PSO）对随机森林算法的两个关键参数进行优化,使其具有更好的学习能力,诊断性能更佳。然后将多分结构的MRSVD分解方法与优化后的随机森林算法相结合,提出了基于MRSVD与P-RF的滚动轴承故障诊断模型。（3）为了验证所提的故障诊断模型的有效性,将该故障诊断模型应用于风电场的实测数据中,分别测试了滚动轴承在不同故障状态、不同故障类型下的诊断结果,并将其和各种降噪方法与机器学习的组合诊断模型进行对比。结果表明,本文所提的诊断模型有较高的精度,可以对风电机组滚动轴承故障进行有效的诊断。
梁红燕[9]（2021）在《列车走行部车载诊断仪软件设计及实现》文中进行了进一步梳理地铁是现代社会最重要的交通工具之一,只有在安全平稳运行的前提下,地铁才能提供高负荷、高频次的乘客出行服务。地铁是由多种零部件组成的复杂系统,任何一个零部件出现故障,都会影响到整车的安全平稳运行,因此,对这些零部件进行有效的监控,是保障地铁安全性的前提。滚动轴承是地铁列车走行部中负责减少摩擦的重要零件,极易发生故障。对工作中的滚动轴承的运行状态进行在线实时监控,诊断工作状态下滚动轴承的健康状态,可以保障列车安全平稳运行。本文通过深入研究过往研究者提出的列车滚动轴承在线故障诊断方法,发现所提方法未能较好地解决其在地铁嵌入式平台上进行布置的问题。基于此,本文提出并设计了一个针对嵌入式平台应用的列车走行部车载诊断仪,以解决这个问题。通过深入分析主机厂客户的实际需要,提出了列车走行部车载诊断仪的软件设计需求,并根据这些需求搭建出列车走行部车载诊断仪的总体软件系统以及各个功能子模块系统,采用经验模态分解和共振解调技术相结合的算法,前期采用MATLAB+LabVIEW的混合编程开发,后期采用LabVIEW嵌入式编程开发,实现高效、快速布置列车走行部车载诊断仪。之后对每个模块的具体实现进行了阐述,包括数据采集模块、时域指标计算模块、自动故障诊断模块、故障特征频率计算模块和波形显示模块。最后搭建模拟测试环境,对列车走行部车载诊断仪软件进行测试。最终实现了列车走行部车载诊断仪软件在复杂环境下的轴承故障诊断报警功能,可以实时监测轴承运行状态,准确度高,性能可靠。
陈鹏[10]（2021）在《滚动轴承故障诊断及性能退化评估方法研究》文中进行了进一步梳理滚动轴承作为石油化工、风力发电、高速铁路和航空航天等领域大型装备的核心部件,长期连续高速运转,极易发生故障损伤,从而造成整个装备处于安全隐患状态,因此对装备进行及时的故障诊断,确保装备的安全稳定运行具有重要意义。本文以滚动轴承振动信号的分析和处理为主要技术路线,对滚动轴承恒工况、变工况、早期单一、早期复合故障诊断和性能退化评估分别开展研究,其主要研究内容如下:（1）针对滚动轴承在恒工况下故障特征信息难以有效提取,导致故障诊断精度较低的问题,提出基于层次散布熵（HDE）与K最近邻分类器（KNN）相结合的滚动轴承故障诊断方法。该方法首先对振动信号进行层次分解;其次计算层次分解后不同节点的散布熵（DE）,实现振动信号高低频带特征的有效提取,克服了DE无法提取信号多尺度下故障特征和多尺度散布熵（MDE）无法提取高频带下故障特征的不足,并通过分析高斯白噪声的MDE和HDE验证了HDE的可行性和稳定性;最后,将HDE与KNN相结合实现滚动轴承恒工况下的故障诊断。（2）针对滚动轴承在变工况下,传统浅层机器学习故障诊断方法诊断能力降低的问题,提出基于改进一维卷积神经网络（1D-CNN）的滚动轴承变工况故障诊断方法。该方法以1D-CNN为基础,将1D-CNN的全连接层（FC）通过全局均值池化（GAP）代替;然后在改进1D-CNN的GAP层引入域自适应（DA）实现变工况下故障特征的迁移学习;最后,以美国西储大学轴承不同工况下的故障数据作为验证对象,将提出的方法与传统信号处理方法SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱、残差神经网络（Res Net）和未改进1D-CNN融合DA的方法进行对比分析,结果表明提出方法在未加入噪声和加入噪声下的变工况故障诊断能力更优。（3）针对早期故障产生的振动信号微弱且易受噪声污染而导致故障诊断难以实现的问题,提出优化变分模态分解（VMD）与改进阈值降噪的滚动轴承早期单故障诊断方法。该方法建立了L-kurtosis和相关系数的最优模态分量选取准则,以此为准则通过鲸鱼优化算法（WOA）优化VMD实现早期故障振动信号的分解来检测早期故障冲击特征;然后通过改进阈值降噪实现对选取最佳分量信号进一步降噪,再通过包络谱分析实现早期单故障诊断;最后,该方法通过在仿真信号和轴承早期故障试验中进行了有效性验证,同时与基于优化VMD分解与Teager能量算子降噪的方法和基于包络熵准则优化VMD与改进阈值降噪方法进行了对比,表明提出方法能够更好地实现早期故障诊断。（4）针对滚动轴承早期复合故障诊断中复合故障特征难以提取的问题,提出优化群分解（OSWD）的滚动轴承早期复合故障特征提取方法。首先构建基于平方包络谱负熵的优化准则,以此为适应度函数通过改进蝗虫优化算法（IGOA）优化群分解（SWD）对早期复合故障振动信号进行分解,来保留周期性冲击能量较强的分量;然后再对OSWD分解后的分量通过包络谱分析实现复合信号中不同故障冲击特征的提取,从而实现滚动轴承早期复合故障诊断;最后,将提出方法应用在仿真信号和风机轴承上进行验证,并与SWD和VMD方法进行对比分析,验证了OSWD在复合故障诊断方面的优势。（5）滚动轴承的故障诊断属于事后诊断,无法满足轴承的寿命预测和预测性维护问题,因此提出一种考虑全局-局部特征提取与支持向量数据描述（SVDD）的滚动轴承性能退化评估方法。该方法通过在邻域保持嵌入（NPE）算法中引入最大方差函数,建立最大方差保持和最小邻域保持的全局-局部目标函数实现振动信号高维退化特征降维,并结合SVDD实现滚动轴承性能退化评估,为轴承的预测性维护提供理论基础;最后,在全寿命轴承实验中进行方法的测试,并与相关文献、局部、全局特征降维与SVDD相结合的方法相比,表明提出方法的性能更优。
二、滚动轴承常见故障原因分析（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、滚动轴承常见故障原因分析（论文提纲范文）
（1）滚动轴承故障诊断技术综述（论文提纲范文）
| 1 滚动轴承及其故障机理分析 |
| 1.1 滚动轴承组成和种类 |
| 1.2 滚动轴承故障机理 |
| 2 滚动轴承故障诊断技术 |
| 3 结论 |
（2）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 |
（3）基于EWT和最优参数精细复合多尺度散布熵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 选题背景 |
| 1.2 风电机组故障诊断研究现状 |
| 1.2.1 信号检测方法 |
| 1.2.2 故障诊断环节 |
| 1.2.3 故障预测方法 |
| 1.2.4 发展趋势及不足 |
| 1.3 选题的目的和意义 |
| 1.4 论文主要研究内容 |
| 2 风电机组基本结构和典型故障分析 |
| 2.1 风电机组基本结构 |
| 2.1.1 双馈异步机组 |
| 2.1.2 直驱永磁机组 |
| 2.2 风电机组典型故障分析 |
| 2.2.1 风电机组常见故障 |
| 2.2.2 风电机组齿轮箱故障分析研究 |
| 2.3 本章小结 |
| 3 基于经验小波变换的信号降噪处理 |
| 3.1 经验小波变换的基本原理 |
| 3.1.1 频谱分割方法的选择 |
| 3.1.2 尺度空间频谱分割阈值确定方法 |
| 3.2 信号重构阈值设定 |
| 3.3 EWT重构降噪仿真对比分析 |
| 3.4 本章小结 |
| 4 基于EWT-OPRCMDE-ELM的故障诊断模型 |
| 4.1 基于OPRCMDE的特征提取 |
| 4.1.1 RCMDE的基本原理 |
| 4.1.2 RCMDE的参数选择与优化 |
| 4.1.2.1 序列长度N |
| 4.1.2.2 时延d |
| 4.1.2.3 嵌入维数m和类别个数C |
| 4.2 基于Relief-F的特征降维和ELM的故障模式识别 |
| 4.2.1 Relief-F算法的特征降维原理 |
| 4.2.2 ELM的基本原理 |
| 4.3 故障诊断方法框架 |
| 4.4 本章小结 |
| 5 实验分析 |
| 5.1 实验数据采集 |
| 5.2 EWT分解与重构 |
| 5.3 OPRCMDE参数寻优及特征矩阵构建 |
| 5.4 故障模式识别 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 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 |
（4）计及不确定故障特征的风电机组轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题来源 |
| 1.1.2 课题的研究背景 |
| 1.2 选题的目的和意义 |
| 1.3 国内外研究进展与现状 |
| 1.3.1 风电机组轴承故障特征增强技术 |
| 1.3.2 风电机组轴承故障特征提取方法 |
| 1.3.3 复杂工况下轴承故障诊断方法研究概述 |
| 1.4 论文研究的主要内容和论文结构 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构 |
| 2 风电机组复杂环境下轴承振动信号特性分析 |
| 2.1 风电机组的构成 |
| 2.2 风电机组轴承常见故障分析 |
| 2.3 风电机组轴承特性分析 |
| 2.3.1 滚动轴承结构 |
| 2.3.2 滚动轴承的故障特征频率 |
| 2.3.3 滚动轴承振动信号分析 |
| 2.4 考虑未知先验条件的轴承振动信号特性分析 |
| 2.4.1 风电机组运行的不同工况分析 |
| 2.4.2 风电机组轴承参数变化分析 |
| 2.5 本章小结 |
| 3 基于EMD几何分布相似性的风电机组振动信号降噪方法研究 |
| 3.1 引言 |
| 3.2 经验模态分解理论 |
| 3.3 基于EMD连续几何分布相似性的风电机组振动信号降噪方法 |
| 3.3.1 包络解调 |
| 3.3.2 非参数核密度估计 |
| 3.3.3 量化几何分布相似性指标 |
| 3.3.4 基于EMD连续几何分布相似性的风电机组振动信号降噪方法流程 |
| 3.4 仿真分析 |
| 3.4.1 正弦信号 |
| 3.4.2 风电机组轴承故障仿真信号 |
| 3.5 本章小结 |
| 4 基于频率搜索的自适应最优共振特征增强研究 |
| 4.1 引言 |
| 4.2 随机共振理论 |
| 4.2.1 双稳态系统模型 |
| 4.2.2 参数对于双稳态随机共振效果的影响 |
| 4.2.3 自适应双稳态随机共振 |
| 4.3 基于频率搜索的自适应最优共振特征增强研究 |
| 4.3.1 随机共振评价指标 |
| 4.3.2 适应度函数的构建 |
| 4.3.3 粒子群算法 |
| 4.3.4 基于频率搜索的自适应最优共振特征增强算法流程 |
| 4.4 仿真分析 |
| 4.4.1 风电机组恒功率调节工况的轴承内圈故障 |
| 4.4.2 风电机组轴承参数变化的轴承外圈故障 |
| 4.5 本章小结 |
| 5 实验分析 |
| 5.1 引言 |
| 5.2 基于EMD连续几何分布相似性的风电机组振动信号降噪 |
| 5.3 基于最优共振的自适应平均最大能量频率搜索算法 |
| 5.4 实例验证 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（5）基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号预处理方法 |
| 1.2.2 特征提取方法 |
| 1.2.3 故障模式识别方法 |
| 1.3 本文创新点及主要内容 |
| 2 风电机组主要结构及常见故障分析 |
| 2.1 风电机组种类及基本原理 |
| 2.2 双馈型风电机组的构成 |
| 2.3 双馈型风电机组常见故障统计及机理分析 |
| 2.3.1 常见故障统计及机理分析 |
| 2.3.2 齿轮箱的典型故障及机理分析 |
| 2.4 本章小结 |
| 3 基于自适应变分模态分解的信号处理方法 |
| 3.1 变分模态分解的基本原理 |
| 3.2 自适应变分模态分解原理 |
| 3.3 仿真分析 |
| 3.3.1 方法验证 |
| 3.3.2 对比分析 |
| 3.4 本章小结 |
| 4 基于AVMD-ELM的双馈风电机组多域故障诊断模型 |
| 4.1 特征值设计 |
| 4.1.1 奇异值分解 |
| 4.1.2 排列熵 |
| 4.2 多域特征提取方法 |
| 4.3 极限学习机的基本原理 |
| 4.4 基于AVMD-ELM的多域故障诊断方法 |
| 4.5 本章小结 |
| 5 实例验证及分析 |
| 5.1 数据来源 |
| 5.2 基于AVMD方法的故障诊断 |
| 5.3 基于AVMD-ELM方法的故障诊断 |
| 5.3.1 多故障类型诊断 |
| 5.3.2 多工况诊断 |
| 5.3.3 多故障程度诊断 |
| 5.4 对比分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 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 |
（6）基于辛几何模态分解和AdaBoost算法的风电机组轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 故障诊断方法国内外研究现状 |
| 1.2.1 特征提取方法 |
| 1.2.2 模式识别方法 |
| 1.3 论文主要研究内容 |
| 2 风电机组的结构及轴承故障 |
| 2.1 风电机组的工作原理 |
| 2.2 风电机组的结构 |
| 2.2.1 风轮 |
| 2.2.2 机舱 |
| 2.2.3 塔架 |
| 2.2.4 基础 |
| 2.3 风电机组轴承 |
| 2.3.1 主轴轴承 |
| 2.3.2 偏航轴承与变桨轴承 |
| 2.3.3 齿轮箱轴承 |
| 2.3.4 发电机轴承 |
| 2.4 风电机组滚动轴承故障 |
| 2.4.1 滚动轴承故障形式 |
| 2.4.2 滚动轴承故障特征频率 |
| 2.5 本章小结 |
| 3 基于改进的辛几何模态分解算法 |
| 3.1 引言 |
| 3.2 辛几何理论基础 |
| 3.3 SGMD-CS算法原理 |
| 3.3.1 相空间重构 |
| 3.3.2 辛正交矩阵QR分解 |
| 3.3.3 对角平均 |
| 3.3.4 分量重组 |
| 3.4 仿真信号分析 |
| 3.4.1 无噪声仿真信号分析 |
| 3.4.2 含弱噪声仿真信号分析 |
| 3.4.3 含强噪声仿真信号分析 |
| 3.5 本章小结 |
| 4 基于SGMD-CS和 Ada Boost算法的风机轴承故障诊断模型 |
| 4.1 引言 |
| 4.2 特征提取 |
| 4.2.1 近似熵 |
| 4.2.2 样本熵 |
| 4.2.3 模糊熵 |
| 4.2.4 辛几何熵 |
| 4.3 模式识别 |
| 4.3.1 Ada Boost理论 |
| 4.3.2 评价指标 |
| 4.4 故障诊断方法流程 |
| 4.5 本章小结 |
| 5 实例分析 |
| 5.1 引言 |
| 5.2 实验设置和数据描述 |
| 5.3 信号预处理 |
| 5.4 特征提取及模式识别 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（7）基于分形技术的滚动轴承内圈故障诊断与预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本课题的选题与课题的提出 |
| 1.1.1 机械故障诊断的意义 |
| 1.1.2 机械故障诊断的技术发展历程 |
| 1.2 滚动轴承故障诊断的研究现状与发展趋势 |
| 1.2.1 滚动轴承故障诊断的意义 |
| 1.2.2 滚动轴承故障诊断技术发展历程 |
| 1.3 分形技术在机械行业中的应用 |
| 1.3.1 分形技术的发展概况 |
| 1.3.2 分形技术在机械行业中的应用 |
| 1.4 本课题主要研究内容 |
| 2 滚动轴承的故障机理及振动特征分析 |
| 2.1 滚动轴承的基本结构、振动机理及故障机理 |
| 2.1.1 滚动轴承的基本结构 |
| 2.1.2 引起滚动轴承振动的主要因素 |
| 2.1.3 滚动轴承的故障演化 |
| 2.2 滚动轴承的振动特征及主要失效形式 |
| 2.2.1 正常轴承的振动信号特征 |
| 2.2.2 故障轴承的振动信号特征 |
| 2.2.3 滚动轴承的主要失效形式 |
| 2.3 滚动轴承内外圈的固有频率和故障特征频率的经典算法 |
| 2.3.1 滚动轴承内外圈固有频率的经典算法 |
| 2.3.2 滚动轴承的故障特征频率的经典算法 |
| 2.4 滚动轴承内圈故障实测及分析 |
| 2.4.1 基于经验公式的6205-2RS JEM SKF轴承故障特征频率计算 |
| 2.4.2 基于时频分析的6205-2RS JEM SKF轴承故障特征频率计算 |
| 2.4.3 基于有限元仿真的6205-2RS JEM SKF轴承故障特征频率计算 |
| 2.5 本章小结 |
| 3 采样信号分形特性及表征方法 |
| 3.1 分形及其自相似性 |
| 3.1.1 分形的定义 |
| 3.1.2 滚动轴承内圈弱故障振动时域信号的分形分析 |
| 3.1.3 分形的自相似性与无标度性 |
| 3.1.4 工程实践中的自相似性判别 |
| 3.2 滚动轴承内圈弱故障振动信号的自相似性判别 |
| 3.2.1 基于频谱分析的滚动轴承弱故障自相似特性判别 |
| 3.2.2 基于自仿射性的滚动轴承弱故障自相似特性判别 |
| 3.3 分形维数及其工程应用 |
| 3.3.1 长度测量及其维数的定义 |
| 3.3.2 常见的几种分形维数 |
| 3.3.3 时域离散信号的分维数算法研究 |
| 3.4 本章小结 |
| 4 基于分形技术的滚动轴承内圈故障诊断 |
| 4.1 弱故障滚动轴承的实验系统 |
| 4.2 基于分形技术的滚动轴承振动信号分析 |
| 4.2.1 振动信号的小波消噪 |
| 4.2.2 仿真信号的分形维数计算 |
| 4.2.3 实测轴承数据分析结果 |
| 4.3 本章小结 |
| 5 基于分形技术的滚动轴承内圈故障预测 |
| 5.1 变标度极差分析法(R/S分析) |
| 5.2 Hurst指数的算法及其意义 |
| 5.3 Vn曲线的计算方法 |
| 5.4 仿真数据分析 |
| 5.4.1 周期性的正弦信号 |
| 5.4.2 随机信号的分析 |
| 5.4.3 介于周期性和随机性之间的信号 |
| 5.5 实测轴承数据数据分析结果 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 7 致谢 |
| 8 参考文献 |
| 9 附录 (攻读硕士期间发表的专利) |
（8）基于多分辨率奇异值分解的风电机组轴承故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风电机组故障诊断技术 |
| 1.2.2 风电机组故障诊断研究现状 |
| 1.2.3 振动信号降噪的研究现状 |
| 1.3 主要研究内容与结构安排 |
| 2 风电机组轴承的故障类型及特征频率 |
| 2.1 风力发电机组的构成 |
| 2.2 风电机组轴承及故障类型 |
| 2.2.1 轴承类型 |
| 2.2.2 轴承故障类型 |
| 2.3 风电机组轴承故障信号特征频率 |
| 2.4 本章小结 |
| 3 基于MRSVD的信号降噪方法 |
| 3.1 算法理论 |
| 3.1.1 SVD算法 |
| 3.1.2 MRSVD算法 |
| 3.2 基于MRSVD的信号降噪原理 |
| 3.3 评价指标 |
| 3.4 仿真分析 |
| 3.4.1 MRSVD的最优模型 |
| 3.4.2 多种降噪方法的比较 |
| 3.5 实例验证 |
| 3.5.1 滚动轴承外圈故障 |
| 3.5.2 滚动轴承内圈故障 |
| 3.6 本章小结 |
| 4 基于MRSVD与P-RF的风电机组轴承故障诊断模型 |
| 4.1 随机森林算法原理 |
| 4.1.1 决策树 |
| 4.1.2 随机森林 |
| 4.1.3 改进的随机森林算法 |
| 4.2 基于MRSVD的风电机组轴承故障特征提取 |
| 4.2.1 基于MRSVD的轴承故障特征提取 |
| 4.2.2 最优特征数的选择 |
| 4.3 基于MRSVD和P-RF的风机轴承故障诊断模型 |
| 4.4 本章小结 |
| 5 实例分析 |
| 5.1 .轴承不同状态下的诊断结果 |
| 5.2 .轴承不同状态不同类型下的诊断结果 |
| 5.3 样本集的数量对诊断结果的影响 |
| 5.4 对比分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（9）列车走行部车载诊断仪软件设计及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚动轴承故障诊断方法 |
| 1.2.2 振动诊断技术研究现状 |
| 1.3 本文主要工作 |
| 2 列车轴承振动特性分析与故障诊断方法 |
| 2.1 列车轴承振动特性分析 |
| 2.1.1 列车轴承结构 |
| 2.1.2 列车轴承的振动机理 |
| 2.1.3 列车轴承常见故障类型 |
| 2.1.4 列车轴承故障特征频率 |
| 2.2 列车轴承故障诊断方法 |
| 2.2.1 基于时域指标的故障分析 |
| 2.2.2 基于EMD分解的故障分析 |
| 2.2.3 基于共振解调的故障分析 |
| 2.3 本章小结 |
| 3 列车走行部车载诊断仪需求分析与总体设计 |
| 3.1 需求分析 |
| 3.2 软件系统设计 |
| 3.3 软件开发工具选择 |
| 3.3.1 软件开发平台 |
| 3.3.2 混合编程技术 |
| 3.3.3 LabVIEW嵌入式编程技术 |
| 3.4 本章小结 |
| 4 列车走行部车载诊断仪软件实现 |
| 4.1 基于MATLAB+LabVIEW的混合编程实现 |
| 4.2 基于LabVIEW的嵌入式编程实现 |
| 4.3 本章小结 |
| 5 列车走行部车载诊断仪软件测试和结果分析 |
| 5.1 测试数据 |
| 5.2 基于MATLAB+LabVIEW的混合编程方法测试 |
| 5.3 基于LabVIEW的嵌入式编程方法测试 |
| 5.3.1 实际测试环境 |
| 5.3.2 轴承故障测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）滚动轴承故障诊断及性能退化评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略说明 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 滚动轴承结构及振动信号分析 |
| 1.2.1 滚动轴承结构原理 |
| 1.2.2 滚动轴承常见故障形式 |
| 1.2.3 滚动轴承振动信号特性 |
| 1.3 滚动轴承故障诊断及性能退化评估研究现状 |
| 1.3.1 滚动轴承故障诊断研究现状 |
| 1.3.2 滚动轴承性能退化评估研究现状 |
| 1.4 本论文的组织安排与研究内容 |
| 1.4.1 论文的组织安排 |
| 1.4.2 论文的研究内容 |
| 第2章 基于层次散布熵与K最近邻分类器的滚动轴承恒工况故障诊断 |
| 2.1 引言 |
| 2.2 散布熵 |
| 2.2.1 散布熵理论 |
| 2.2.2 多尺度散布熵 |
| 2.3 层次散布熵 |
| 2.3.1 参数选择 |
| 2.3.2 仿真分析 |
| 2.4 基于HDE和 KNN的滚动轴承恒工况故障诊断方法 |
| 2.5 试验验证 |
| 2.5.1 不同位置故障诊断 |
| 2.5.2 不同损伤程度故障诊断 |
| 2.6 本章小结 |
| 第3章 基于改进一维卷积神经网络的滚动轴承变工况故障诊断 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全连接层 |
| 3.2.4 Softmax分类器 |
| 3.3 改进1D-CNN网络 |
| 3.3.1 改进卷积层 |
| 3.3.2 全局均值池化层 |
| 3.3.3 域自适应 |
| 3.3.4 最大平均差异 |
| 3.3.5 参数调整训练 |
| 3.4 基于改进1D-CNN的变工况故障诊断方法 |
| 3.5 试验验证 |
| 3.5.1 参数设置 |
| 3.5.2 变工况诊断分析 |
| 3.6 本章小结 |
| 第4章 基于优化变分模态分解的滚动轴承早期单故障诊断 |
| 4.1 引言 |
| 4.2 变分模态分解 |
| 4.2.1 变分模态分解原理 |
| 4.2.2 变分模态分解实现 |
| 4.2.3 变分模态分解参数影响 |
| 4.3 WOA优化VMD原理 |
| 4.3.1 WOA算法基本原理 |
| 4.3.2 WOA优化VMD实现 |
| 4.4 基于WOA优化VMD与改进阈值降噪的早期单故障诊断方法 |
| 4.4.1 适应度函数构建 |
| 4.4.2 改进阈值降噪 |
| 4.4.3 故障诊断流程 |
| 4.5 仿真与实例验证 |
| 4.5.1 仿真验证 |
| 4.5.2 实例验证 |
| 4.6 本章小结 |
| 第5章 基于优化群分解的滚动轴承早期复合故障诊断 |
| 5.1 引言 |
| 5.2 群分解 |
| 5.2.1 群分解原理 |
| 5.2.2 群分解实现 |
| 5.3 蝗虫优化算法 |
| 5.3.1 蝗虫优化算法基本原理 |
| 5.3.2 蝗虫优化算法步骤 |
| 5.3.3 改进蝗虫优化算法 |
| 5.4 基于优化群分解的早期复合故障诊断方法 |
| 5.4.1 适应度函数构建 |
| 5.4.2 早期复合故障诊断流程 |
| 5.5 仿真与实例验证 |
| 5.5.1 仿真分析 |
| 5.5.2 实例验证 |
| 5.6 本章小结 |
| 第6章 基于全局-局部与支持向量数据描述的滚动轴承性能退化评估 |
| 6.1 引言 |
| 6.2 全局-局部特征提取算法 |
| 6.2.1 局部结构保持算法 |
| 6.2.2 全局结构保持算法 |
| 6.2.3 全局-局部结构保持算法 |
| 6.3 支持向量数据描述 |
| 6.4 基于GLNPE与 SVDD的性能退化评估方法 |
| 6.4.1 特征提取 |
| 6.4.2 性能退化状态评估流程 |
| 6.5 试验验证 |
| 6.5.1 实例验证 |
| 6.5.2 对比分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 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 |
| 附录 B攻读学位期间主持或参加的科研项目 |
四、滚动轴承常见故障原因分析（论文参考文献）
- [1]滚动轴承故障诊断技术综述[J]. 杨雅奇,张彩红,林繁云. 山东化工, 2021(21)
- [2]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)
- [3]基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断[D]. 李宣. 西安理工大学, 2021(01)
- [4]计及不确定故障特征的风电机组轴承故障诊断方法研究[D]. 李骥. 西安理工大学, 2021
- [5]基于AVMD和ELM的双馈风电机组齿轮箱多域故障诊断研究[D]. 范邦稷. 西安理工大学, 2021(01)
- [6]基于辛几何模态分解和AdaBoost算法的风电机组轴承故障诊断研究[D]. 李璠. 西安理工大学, 2021(01)
- [7]基于分形技术的滚动轴承内圈故障诊断与预测研究[D]. 李海涛. 西安理工大学, 2015(01)
- [8]基于多分辨率奇异值分解的风电机组轴承故障诊断研究[D]. 徐奔奔. 西安理工大学, 2021(01)
- [9]列车走行部车载诊断仪软件设计及实现[D]. 梁红燕. 大连理工大学, 2021(01)
- [10]滚动轴承故障诊断及性能退化评估方法研究[D]. 陈鹏. 兰州理工大学, 2021(01)