一、旋转机械轴心轨迹信号的复数小波分析（论文文献综述）
王金鹏[1]（2021）在《基于卷积神经网络的转子轴心轨迹模式识别方法》文中进行了进一步梳理转子是旋转机械设备的关键部件之一,转子的运行状态与旋转设备的运行状态息息相关,转子故障会引起旋转机械运行不稳定甚至宕机。由于工作环境等不可控因素的影响,转子运行过程中会发生故障,因此对转子进行故障诊断对于预防事故的发生和保持设备正常运行具有重大工程意义和学术价值。传统方式是通过手动提取特征和分类器相结合的方法进行轴心轨迹分类,同时结合先验知识以轴心轨迹类型对应判断设备运行状态,从而推断故障。基于轴心轨迹的转子故障诊断发展趋向以智能诊断作为核心。随着计算机的发展,将深度学习应用于轴心轨迹的识别逐渐增多,然而将深度学习应用于轴心轨迹识别的过程中会面临数据少、网络训练困难以及模型难以部署到硬件的问题,为解决上述问题本文将数据增强的预训练网络和轻量化网络应用于轴心轨迹的识别问题。本文的主要内容和创新点如下:（1）针对小样本下情况下,训练深层卷积神经网络易产生过拟合问题,本文提出两种基于深度学习的解决方法。一是轴心轨迹的数据增强,具体思路为通过数据增强以扩充输入网络的数据集,以此使获得充足的可训练数据。二是引入预训练网络模型用于解决深层神经网络在增强数据上容易发生过拟合的问题。具体方案为利用基于深层神经网络在其他大型数据集上做图像分类任务积累的先验知识作为特征提取器,微调预训练模型使其适应轴心轨迹分类任务。此外基于仿真和实验轴心轨迹数据库的试验说明了该方法在小样本轴心轨迹识别上的优势。（2）针对基于深层卷积神经网络轴心轨迹识别模型的难部署问题,本文将模型轻量化方法用于轴心轨迹的识别。该方法的核心在于将基于深度可分离卷积方式MobileNet应用于轴心轨迹识别任务。基于深度可分离卷积方式的网络层数更深,同时其相对于同等深度的普通卷积神经网络参数量只有九分之一。同时,为解决该网络层数过深,应用于小样本的情况下网络训练易产生过拟合的问题,本文将预训练轻量化网络与轴心轨迹识别任务相结。仿真和实验轴心轨迹数据库的测试结果表明本文提出的方法以相较于同深度网络九分之一和同类型网络四分之一的参数量并以4%的准确率降低为代价,实现了基于神经网络的轴心轨迹识别模型的参数轻量化的目标。
蒋政[2]（2020）在《动力旋转设备故障诊断技术在钢铁冶金行业的应用》文中研究表明动力旋转设备是现代钢铁企业不可或缺的,它在烧结、高炉、炼钢和轧钢等扮演着重要角色。比如送风系统,如果动力旋转设备突然停机,将会导致整个工序的瘫痪。将故障诊断技术应用到动力旋转设备中,可以有效的进行设备监测和故障诊断,及时找出故障的原因,做出决策;也能预测设备故障,做出计划性维修,提高设备的使用效率,保证设备的安全运行。因此,动力旋转设备的故障诊断技术研究有着重要意义。本文主要研究内容:1、机械振动信号理论研究,以及转子单、双面动平衡理论研究;2、转子动力学理论研究,同时,基于Workbench仿真平台,建立转子系统的有限元分析模型,分别确定了单盘、双盘转子系统的固有频率、临界转速及对应的振型等动态特性。最后利用谐响应分析方法对转子系统不平衡这一故障进行了研究;3、利用转子试验台,研究转子不同状态的振动特征和现场动平衡技术;4、旋转设备典型故障机理分析,结合时域波形、频谱图、轴心轨迹、波德图等,研究故障的特征;5、利用故障诊断技术对现场生产设备进行故障判断、故障解决。通过对旋转设备典型故障机理进行分析,结合故障振动特征,实现快速辨识故障的能力。同时,针对转子不平衡的故障,开展了现场动平衡的实验,找出一种有效解决柔性转子不平衡的诊断方法并加以应用。
颜廷鑫[3]（2020）在《飞轮储能径向轴承的状态检测与故障诊断研究》文中进行了进一步梳理随着储能事业的高速发展,飞轮储能（flywheel energy storage system）逐渐进入人们视野。飞轮储能因其环境无污染、短时大功率、高效长寿命等诸多优点广泛应用于企业UPS、风力发电厂、应急电源保障、航空航天等领域中,也因其高速旋转的特性,作为主要组成部件的滚动轴承成为极易损坏的部件。因此,研究飞轮储能的轴承故障诊断对保障设备的安全、稳定、具有重要的意义。首先介绍了轴承故障诊断在飞轮储能等旋转机械行业的研究意义和重要性,阐述了飞轮储能和故障诊断的研究现状,着重介绍了飞轮转子的有限元分析,优化了定转子之间的间隙、共振频率以及固定频率下的谐波响应,为飞轮储能故障诊断提供机械特性上的参考;其次,搭建了一套包含软硬件在内的运动状态监测平台,详细介绍了加速度传感器、电涡流传感器等元器件的选型及平台的搭建。多种检测信号在验证飞轮转子有限元分析结果的同时也为故障诊断提供了信号数据集和状态依据;再次,分析了传统研究方法在故障诊断领域各方面的优缺点,提出了一种基于小波神经网络故障诊断的研究方法。使用公开的的故障数据,将数据集运用小波包分解进行数据分析故障的特点和频谱范围,并以能量矢量的方式提取特征信号作为数据集训练卷积神经网络模型,用部分数据集作为测试,验证该方法的故障诊断可行性。最后,根据飞轮储能系统故障数据,分别就保持架与滚珠故障进行检验,并在得到故障分析结果后,研判外界因素,分析故障的主要原因。运用公开故障数据验证方法可行性的前提下,检验了飞轮储能的径向轴承故障诊断,并加入故障研判步骤,相比较传统的故障诊断方法,降低了故障误判率,有较大的进步和实际应用价值。
庞博[4]（2020）在《基于全矢—经验小波变换的滚动轴承故障诊断研究》文中提出轴承的振动问题一直是机械行业的研究热点,近年随着中国制造业的飞速发展,滚动轴承的转速和负荷也在不断提高,利用滚动轴承的振动信号进行故障诊断研究有利于保障机械设备的正常运行。然而滚动轴承故障信号能量微弱,故障特征信息更容易受到工况中噪声的影响,致使很难有效地实现信噪分离。经验小波变换（Empirical Wavelet Transform,EWT）是一种新型的信号分解方法,它能够准确地将故障信号从复杂信号中分解出来。传统单个传感器采集到的振动信号不能全面反映轴承状态的真实情况,会影响故障诊断的精度,全矢谱技术能够对双通道信号进行融合,有效地避免信息遗漏。本文以滚动轴承为研究对象,全面研究了经验小波变换方法和全矢谱技术的优势,对滚动轴承振动信号进行故障特征提取,结合多分类极限学习机（Limit Learning Machine,ELM）进行故障诊断,主要研究内容如下:（1）首先研究了EWT方法的理论和性能,利用仿真信号验证了EWT方法比集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和时间固有尺度分解（Intrinsic Time-scale Decomposition,ITD）具有更强的信号解析能力。针对EWT对微弱故障信号分解不足的问题,结合核独立成分分析技术（Kernel Independent Component Analysis,KICA）的优势,提出了EWT-KICA联合的滚动轴承故障特征提取方法。首先使用EWT对轴承故障信号进行分解,根据相关系数准则对分解获得的分量结果进行筛选并重构,然后使用KICA对重构的信号进行解混,实现信号和噪声的分离。实验结果表明,该方法能够增强EWT对故障特征的提取能力。（2）其次研究发现传统EWT方法由于频谱分割问题会造成信号的过分解或欠分解现象,本文提出了对极大值包络的EWT频谱分割优化方法,同时为了解决单通道信号造成的故障信息遗漏问题,引入全矢谱信息融合技术,提出改进EWT-KICA全矢融合的故障特征提取方法。通过实验验证了该方法不仅达到了信噪分离的目的,而且能够更加全面准确地提取滚动轴承的故障特征。（3）最后介绍了多分类极限学习机方法的原理,并分别计算全矢融合后主振矢和时域信号的特征因子,将其组成特征向量,提出了基于全矢经验小波变换的多分类极限学习机轴承故障诊断方法。该方法首先使用改进EWT-KICA全矢信息融合的方法对滚动轴承进行故障特征提取,然后计算主振矢和时域信号的特征参数并构造用以识别的特征向量,最后将特征向量输入ELM中构造分类器,并对测试样本进行分类。经实验验证,该方法能够准确地识别滚动轴承正常、外圈故障、保持架故障以及保持架滚动体外圈复合故障。
易灿灿[5]（2020）在《高分辨率同步压缩变换方法及其在机械故障诊断中的应用》文中研究指明在工程实际中,大多数机械设备都在非平稳工况下运行,尤其是转速波动的现象明显,例如风力发电机,其设备结构复杂、传动元件多,负载和转速具有典型的时变性。变工况下传统的时频分析方法依然存在一些问题,如噪声干扰和时频脊线提取困难、多通道信号特征不易挖掘、时频平面中冲击特征和强调制特征准确辨识难度大等。为了解决以上4个典型问题,本文首先研究信号降噪和脊线提取的方法,然后以同步压缩变换为基础,对其改进方法进行深入研究,以实现对复杂多组分振动信号不同时变特征的高分辨率表达和准确提取,并将其应用到机械故障诊断中。论文的主要研究工作包括如下几方面的内容:（1）提出了基于凸优化的降噪和脊线鲁棒提取方法区别于经典的基于内积运算的谱分析方法,首先将振动信号降噪的问题视为数学优化的问题,建立了凸优化降噪的理论框架,降低了对参数选择的依赖性,利用非凸惩罚函数,实现了一维信号的稀疏表达和预处理。在此基础上,将时频变换域中最优时频系数矩阵作为凸优化问题的目标函数,利用广义最小最大凹惩罚函数,提取了多组分信号的最优时频系数,实现了变工况下时频脊线的鲁棒提取,为后续同步压缩变换中脊线提取和信号重构提供了基础。（2）提出了基于多元匹配同步压缩小波变换的多通道信号降噪算法区别于传统的单通道信号处理方法,在匹配同步压缩变换的基础上,提出了多元同步压缩变换策略。关键零部件的多传感器测试在实际工程应用中越来越普遍,多通道信号之间的共有性可以用来准确反映设备运行状态的变化。因此,首先对多通道信号进行匹配同步压缩变换,获得多元振动信号的时频表示,然后基于多元调制振荡模型,挖掘多通道信号的共有特征,即确定联合分析谱。同时根据不同组分的带宽差异,提出自适应时频域分割技术,实现了轴承和齿轮多通道振动信号的降噪处理。（3）提出了基于多重水平同步压缩变换的冲击特征识别方法区别于经典的同步压缩变换方法,围绕时间方向上时频系数的重分配,水平同步压缩变换建立了新的理论框架,通过准确地二阶群延迟估计,实现了时频平面中时间位置的准确定位和时间方向上时频系数的重排,其更适合于多组分信号中冲击特征的提取。针对强噪声干扰的问题,为了进一步增强时频表达的效果,提升时频分辨率,提出多重水平同步压缩变换,其目的是通过多次迭代重分配操作,不断提高时频平面的能量集中,实现了轴承冲击信号时频脊线的锐化表示。（4）提出了基于改进频率重排同步压缩变换的强时变特征提取方法区别于恒定工况下的特征提取方法,围绕频率方向上时频系数的重分配,提出了多重二阶同步压缩变换,其充分结合了基于高斯调制线性调频模型的二阶同步压缩变换和迭代重分配操作的优点,可以更加准确地估计强调制信号的瞬时频率,实现了变转速下齿轮和轴承强时变故障的特征提取和阶次谱分析。同时,考虑到重排算法在时间和频率两个尺度上实现压缩重排,具有更好的时频表达能力,但是其不支持信号重构。以风力发电机为研究对象,定义了补偿频率距离,利用重排手段进一步增强基于频率重排的同步压缩变换的效果,提出了重排二阶同步压缩变换,实现了无转速计下风力发电机轴承振动信号的阶次分析。
庞彬[6]（2020）在《基于奇异谱分解的旋转机械故障诊断研究》文中指出旋转机械是许多工业设备不可或缺的功能单元,其运行状态直接影响生产的质量、效率和安全。开展旋转机械故障诊断技术研究,对于提高设备运行的可靠性和安全性具有重要意义。信号分解技术因其在处理非线性、非平稳信号方面的优良特性,被公认为是旋转机械故障诊断的最有效手段。本文针对奇异谱分解（SSD）这一新的自适应信号分解方法,开展了理论研究及旋转机械故障诊断应用研究。在深入分析SSD的算法特点的基础上,对其理论方法进行丰富和完善,为旋转机械关键元件的故障特征提取及模式识别问题探索有效的解决方案。论文的主要研究内容和创新点如下:（1）对SSD进行了分解特性研究及转子故障特征提取应用研究。分解特性研究方面,分析了 SSD的抗模态混叠性能和双谐波分解能力。分析结果表明:SSD能够有效克服“异常事件”引起的模态混叠问题,其双谐波分解能力优于经验模态分解（EMD）方法。转子故障特征提取方面,研究了基于SSD-HT时频分析的谐波故障检测方法。研究结果表明:SSD能够有效分离转子振动信号的特征分量,SSD-HT时频谱可精确呈现各分解分量的瞬时非平稳特征,为转子故障类型判定提供充分依据。（2）SSD将每次迭代分解的残余信号同原始信号的能量比作为分解迭代停止条件,故障诊断过程中无法预知最佳能量比阈值来确定合理的分解尺度。针对此问题,提出了一种优化奇异谱分解（OSSD）方法。此方法引入互相关系数作为SSD的迭代停止条件的补充判据和分量筛选准则,有效克服了能量比阈值设置不当所造成的过分解和欠分解问题,并减少了虚假分量,提高了分析稳定性。（3）如何克服环境噪声和振动谐波的干扰,以及如何实现复合故障特征的分离是旋转机械冲击故障特征提取的难点问题。为解决此问题,论文提出了一种基于增强奇异谱分解（ESSD）的微弱冲击故障检测方法。该方法通过在SSD分析中融入微分和积分算子,提升了 SSD对在信号中不占主导地位的微弱冲击特征分量的检测能力,以及对复合故障冲击信号的解耦能力。（4）研究了 SSD在变转速工况旋转机械故障特征提取中的应用。采用SSD-HT时频分析方法提取变转速工况的转子故障特征,另一方面将SSD结合转速变换（ST）提取变转速工况的滚动轴承故障特征。研究表明:转速缓变条件下,SSD依然具有良好的谐波故障检测和微弱冲击故障检测功能。（5）针对基于单通道信号的振动分析方法在故障特征提取中容易遗漏关键故障特征信息的问题,提出了复数奇异谱分解（CSSD）方法,实现了 SSD在复数域的拓展,构建出一种基于CSSD的同源信息融合故障诊断方案。实验分析表明:该诊断方案能够综合考虑双通道正交采样信号的故障特征差异,获取更全面的故障判定依据,提高了故障诊断效率。（6）针对旋转机械故障类型判定和故障程度评估问题,提出了一种基于层次瞬时能量密度离散熵（HIEDDE）和动态时间规整（DTW）的故障模式识别方法。HIEDDE同时融合了故障特征增强及信息评价环节,能够有效表征不同状态振动信号的特征差异,利用DTW对特征信息进行相似性度量可自动判定故障模式。实验分析表明:该方法在不依赖过多训练样本的条件下仍可保证较高的分析精度。论文的研究成果为旋转机械故障诊断过程中所涉及的谐波故障检测、微弱冲击故障检测、变转速时变故障特征提取、同源信息融合和故障模式识别等问题的研究提供了新的思路。
刘定宏[7]（2019）在《离心式压缩机组智能故障诊断方法研究》文中进行了进一步梳理离心式压缩机组作为长输气管道的核心供能设备,其智能化的状态监测手段和故障诊断方法成为人们关注焦点。现有的监测预警方式若不能及时捕捉恶变趋势,或者故障发生后无法及时诊断出故障类型,整个生产系统的生产效率和可靠性将大大降低。目前国内外对离心式压缩机组的故障诊断研究主要集中于故障振动信号的处理等具体领域,尚未见到从故障监测及诊断过程整体出发建立振动信号异常捕捉和不同复杂度下的故障类型识别的相关文章,本文从该角度出发选题立意,以MAN TURBO离心式压缩机组为研究对象,从两大方面进行研究:早期异常搜索和故障智能识别。先采用K-means++算法对时序信号进行早期异常搜索。根据复杂程度的不同,将故障问题分为单故障诊断和多故障诊断,但由于适用性和表征手段的不同,其中单故障诊断又分为基于单路信号和双路信号的两种诊断模型。一方面对单路故障振动信号进行去噪、特征提取并利用改进BP神经网络建立故障信号识别模型;另一方面研究双路故障振动信号合成轴心轨迹图片,通过谐波小波提纯并利用卷积神经网络进行识别的方法。最后将二维全息图谱与概率因果相结合,实现多故障诊断。研究表明,选择变化最敏感的标准差、最大绝对值和均方值作为故障特征值,建立K-means++模型对TSF因子进行聚类分析,相较基于阈值的传统报警机制,既减少了早期预警时间,又保证了后文训练样本的典型性;将“核”的思想引入传统PCA方法,对比多项式、高斯径向基和多层感知机模型对提取信号特征的准确度,选择精度最高的高斯径向基核函数建立KPCA特征提取模型;对传统遗传算法增加“小群体竞争”、“复制算子”、“精英策略”、“联赛准则”以及“自适应交叉变异因子”进行改进,建立自适应遗传算法（IAGA）。从量子角度出发,建立具有“等待效应”的量子行为粒子群算法（QPSO）。利用两种改进优化算法对传统BP神经网络的初始权阈值进行寻优,克服了训练过程中容易陷入局部极值的缺点,并大大提高了诊断精度,同时提出了IAGA-BP和QPSO-BP两种模型的适用范围;基于谐波小波的轴心轨迹提纯锁相效果良好,采用具有不同滤波器尺寸和标准值的高斯模糊扩张样本集,可以有效解决深度学习中的“小样本”问题,通过优化学习因子和迭代次数,构建Le Net-5型卷积神经网络（CNN）模型实现轴心轨迹图片的精确识别;根据概率因果理论推导得到故障组合,将两路信号经频谱校正后绘制得到二维全息图谱,采用蒙特卡洛方法计算单故障在各倍频上的贡献率,既能得到复杂状态下故障类型又可以判断故障间主导因素。综上所述,本文初步提出的智能诊断方法体系可在一定程度为现场应用提供帮助。
孙潇潇[8]（2019）在《船舶推进轴系故障特征信息识取方法研究及应用》文中认为船舶推进轴系作为船舶动力装置的重要组成部分,起到了船舶推进扭矩和推力传递的“纽带”作用,其运行状态的好坏直接影响了整船营运的稳定性。但是,船舶推进轴系实际运行工作环境恶劣,受剧烈振动影响而引发的推进轴系故障时有发生。因此,开展船舶推进轴系故障诊断方法的研究,对其工作状态进行监测和故障诊断,及时采取针对性措施避免恶性事故发生,具有一定的工程应用价值。然而船舶推进轴系故障振动信号存在易被强背景噪声所淹没、难以提取的问题,针对这个问题,本文做了以下研究:首先,基于相关基本理论与方法研究,介绍了船舶推进轴系常见的故障类型、故障机理以及故障振动特征,建立了不同故障类型与不同振动信号特征参数之间的对应关系,为后续的船舶推进轴系故障诊断方法的研究提供了理论依据。其次,从振动信号分析方法原理出发,详细介绍了两种特征提取方法:经验模态分解、集合经验模态分解,在此基础上创新性地融合自相关分析思想提出了两种船舶推进轴系周期性故障信息识取方法（简称:EAF、EEAF）:首先对振动测试信号进行EMD/EEMD分解,得到一系列固有模式分量（IMF）;再以自相关函数性质为判据,筛选出存在周期成分的IMF分量,以此排除环境干扰;再对相应分解层进行快速傅里叶变换,频谱分析识别提取特征量。同时,应用模拟信号验证所提方法的有效性,结果表明两种方法特征提取精度都达到了97%。最后,采用实测数据比较了EAF、EEAF、FFT和时域统计方法四种方法的在特征提取时的适用性、便捷性和精确性。最后,设计故障船舶实船测试方案,以实船试验测试数据为基础,应用EEAF方法详细分析尾轴承振动及船体尾部结构垂、纵、横向振动测试信号,提取故障信息特征量并整理总结特征量变化规律,指导解决试航期间尾轴承异常磨损发热问题;同时,得到了以桨叶数或主机缸数谐次振动的频率、振幅等预报轴承异常磨损故障发生的可能性,为船舶推进轴系故障的预测提供有力技术支撑。
张景润[9]（2019）在《船用转子振动信号分析与诊断方法研究》文中研究说明汽轮机作为大型机械的动力装置,广泛应用在大功率机械设备中,而转子是汽轮机中主要零件之一,高速重载的工作环境使其非常容易出现故障。本文针对一种模拟汽轮机实际工况的大型轴承-转子试验台开展振动信号分析与诊断方法研究,实现对汽轮机的早期故障监测,以有效避免机器损坏,减少经济损失,论文主要研究内容如下:（1）分析了转子振动机理和振动基本特性,对汽轮机转子常见故障及轴心轨迹类型进行了详细的描述,分析了各种故障的原因、波形特点和频谱特征,介绍了本文涉及到的相关理论与方法。（2）采用现代信号处理方法对转子轴心轨迹进行提纯研究。针对转子振动信号干扰信号多、非平稳的特点,考虑奇异值分解是一种非线性滤波,其消噪具有无时延、零相移的特点,采用奇异值分解对转子振动信号进行分解。利用奇异值差分谱选取特征奇异值来进行SVD重构,由此剔除信号中随机噪声,还原出转子真实的故障信息,实现轴心轨迹的提纯。谐波小波包变换能对振动信号的所有频带进行无限细分,因此本文也将该方法应用在轴心轨迹提纯。根据汽轮机实际工况搭建了大型轴承-转子振动试验台,利用转子位移信号进行轴心轨迹提纯研究,在两组实验中发现,SVD和谐波小波包变换提纯出的轴心轨迹形状均为典型的外8字和花瓣状,分别对应着不对中和油膜振荡故障。但是谐波小波包与SVD的提纯结果相比,SVD提取的轴心轨迹更加清晰、光滑,尤其是花瓣状的轴心轨迹,SVD的提纯效果要比谐波小波包优异。（3）在轴心轨迹特征提取方面,采用不变矩和傅里叶描述子对轴心轨迹图形进行特征提取,发现两种方法的图形表征能力弱,不同轴心轨迹图形间特征区分度小,无法准确描述轴心轨迹图形特征。为此对原始不变矩进行改进,利用Sobel算子提取轴心轨迹的轮廓,计算轮廓的形状几何特征和不变矩构造出组合矩,提升了图形特征的有效性。（4）在轴心轨迹自动识别方面,采用了BP神经网络、支持向量机和随机森林对轴心轨迹进行分类研究。将SVD提纯后的5类实测轴心轨迹作为样本集,以轴心轨迹的不变矩、傅里叶描述子和组合矩作为特征向量输入到以上三种分类器模型中进行分类实验,实验表明,基于随机森林对轴心轨迹进行分类具有很高的准确率,且组合矩的图形表征能力比不变矩更强,表明本文讨论的研究方法可以取得较好的结果。
孙尚飞[10]（2019）在《转子系统耦合故障时频特征分析》文中提出旋转机械在工业生产中应用广泛,转子系统作为旋转机械的关键部件,对其进行故障诊断对降低经济损失、确保人身安全具有重要意义。转子系统的故障信号常表现出非线性与非平稳性,时频分析方法凭借对非线性、非平稳信号良好的分析能力,在转子故障诊断领域得到了比较广泛的应用。本文针对转子系统故障尤其是耦合故障的时频特征分析开展了相关工作。主要内容如下:首先对时频分析方法进行了对比与选择,仿真对比分析了经验模态分解（EMD）、变分模态分解（VMD）对信号的分解效果,同时利用Bently RK4转子实验台进行了转子系统碰摩、油膜失稳、裂纹单故障及相应耦合故障实验,对比了基于两种信号分解方法的时频分析方法对各单故障数据的分析效果,结果表明:与EMD算法相比,VMD算法具有更好的抗模态混叠特性,同时基于VMD算法的时频分析方法能够更加清晰地展示转子单故障时频特征。鉴于基于VMD算法的时频分析方法对转子系统单故障良好的分析效果,进一步将其用于转子系统油膜失稳-碰摩、裂纹-碰摩耦合故障时频特征提取与分析,结果表明其对耦合故障的时频特征表达不清晰,且存在单故障与相应耦合故障难以区分的问题。针对基于VMD算法的时频分析方法不能有效提取耦合故障时频特征的问题,将基于复数VMD（CVMD）算法的全时频分析方法引入到转子系统耦合故障分析,结果表明全时频分析方法能够有效提取耦合故障全时频特征,同时更好地反映耦合故障的耦合特性。不同故障负频率时频图提供了差异化明显的时频特征,结合全希尔伯特三维图表征的转子进动情况能够为耦合故障与单故障的辨识提供依据。
二、旋转机械轴心轨迹信号的复数小波分析（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、旋转机械轴心轨迹信号的复数小波分析（论文提纲范文）
（1）基于卷积神经网络的转子轴心轨迹模式识别方法（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 基于人工特征提取的转子故障诊断研究现状 |
| 1.2.2 基于自动特征提取的转子故障诊断研究现状 |
| 1.3 本文的研究内容和组织结构 |
| 第二章 转子轴心轨迹理论 |
| 2.1 引言 |
| 2.2 轴心轨迹合成 |
| 2.2.1 轴心轨迹信号采集 |
| 2.2.2 轴心轨迹图生成 |
| 2.2.3 轴心轨迹图提纯降噪 |
| 2.3 轴心轨迹模式对应转子故障机理 |
| 2.4 转子轴心轨迹试验数据集搭建 |
| 2.4.1 转子物理试验台及数采系统 |
| 2.4.2 轴心轨迹试验数据集 |
| 2.5 轴心轨迹仿真数据集 |
| 2.6 本章小结 |
| 第三章 基于CNN的转子轴心轨迹模式识别方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 端到端的转子轴心轨迹模式识别方法 |
| 3.3.1 CNN |
| 3.3.2 基于CNN的转子轴心轨迹模式识别方法 |
| 3.4 实验验证 |
| 3.4.1 实验结果及分析 |
| 3.4.2 与基于人工特征提取轴心轨迹模式识别方法的对比 |
| 3.5 本章小结 |
| 第四章 小样本下转子轴心轨迹模式识别方法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.3 小样本下转子轴心轨迹模式识别方法 |
| 4.3.1 数据增强下的轴心轨迹模式识别 |
| 4.3.2 基于预训练网络的轴心轨迹识别 |
| 4.4 实验验证 |
| 4.4.1 实验结果及分析 |
| 4.4.2 与第三章方法对比分析 |
| 4.5 本章小结 |
| 第五章 基于轻量化网络的转子轴心轨迹模式识别方法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.3 转子轴心轨迹模式识别轻量化网络 |
| 5.3.1 轻量化实现方法 |
| 5.3.2 基于预训练MobileNet的轴心轨迹模式识别方法 |
| 5.4 基于轻量化深度学习模型的轴心轨迹识别 |
| 5.4.1 基于预训练MobileNet的轴心轨迹识别 |
| 5.5 实验验证 |
| 5.5.1 实验结果及分析 |
| 5.5.2 与第三章方法对比分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）动力旋转设备故障诊断技术在钢铁冶金行业的应用（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 |
| 1.2.1 振动信号分析方法的现状研究 |
| 1.2.2 转子动平衡技术的现状研究 |
| 1.2.3 发展趋势 |
| 1.3 本文主要研究内容 |
| 第二章 机械振动信号分析与转子平衡技术 |
| 2.1 振动信号基础理论 |
| 2.1.1 振动信号的分类 |
| 2.1.2 信号处理技术的数学基础理论 |
| 2.2 机械振动信号分析 |
| 2.2.1 时域分析 |
| 2.2.2 频域分析 |
| 2.2.3 其他图形分析 |
| 2.3 转子平衡技术 |
| 2.3.1 单面动平衡技术 |
| 2.3.2 双面动平衡技术 |
| 2.4 振动诊断标准 |
| 2.5 本章小结 |
| 第三章 转子系统动力学特性分析 |
| 3.1 转子动力学主要研究内容 |
| 3.2 转子的涡动 |
| 3.3 转子运动微分方程及不平衡响应 |
| 3.4 转子系统有限元分析模型 |
| 3.4.1 有限元软件及分析流程 |
| 3.4.2 转子结构三维模型的建立 |
| 3.4.3 转子结构网格划分 |
| 3.4.4 约束施加 |
| 3.5 单盘转子系统固有特性研究 |
| 3.5.1 单盘转子系统模态提取 |
| 3.5.2 单盘转子临界转速分析 |
| 3.6 双盘转子系统固有特性研究 |
| 3.6.1 双盘转子系统临界转速分析 |
| 3.7 转子系统不平衡故障谐响应分析 |
| 3.8 本章小结 |
| 第四章 基于转子试验台的故障诊断实验 |
| 4.1 转子试验台介绍 |
| 4.2 振动监测设备 |
| 4.2.1 振动监测原理概况 |
| 4.2.2 振动监测设备介绍 |
| 4.3 实验验证 |
| 4.3.1 转子不平衡实验 |
| 4.3.2 转子不对中实验 |
| 4.3.3 传感器安装位置实验 |
| 4.3.4 双面动平衡方法验证 |
| 4.4 本章小结 |
| 第五章 钢铁冶金旋转设备典型故障机理分析 |
| 5.1 转子不平衡 |
| 5.1.1 转子不平衡故障原因和类型 |
| 5.1.2 转子不平衡故障机理 |
| 5.1.3 转子不平衡故障特征 |
| 5.1.4 转子不平衡实例 |
| 5.2 转子不对中 |
| 5.2.1 转子不对中的类型 |
| 5.2.2 转子不对中故障机理 |
| 5.2.3 转子不对中振动故障主要特征 |
| 5.2.4 转子不对中实例 |
| 5.3 转子与静止件的摩擦 |
| 5.3.1 转子与静止件摩擦的故障机理 |
| 5.3.2 转子与静止件径向摩擦的故障特征 |
| 5.3.3 转子与静止件摩擦实例 |
| 5.4 转子部件松动 |
| 5.4.1 基座松动 |
| 5.4.2 弹性套柱销型联轴器松动 |
| 5.5 本章小结 |
| 第六章 故障诊断技术在旋转设备中的应用 |
| 6.1 现场动平衡工艺流程图 |
| 6.2 旋转设备故障处理案例 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读在职研究生期间参与的科研项目 |
（3）飞轮储能径向轴承的状态检测与故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究意义及应用 |
| 1.2 国内外研究现状 |
| 1.2.1 飞轮储能研究现状 |
| 1.2.2 转子有限元分析研究现状 |
| 1.2.3 轴承故障诊断技术研究现状 |
| 1.3 本文的研究内容及章节安排 |
| 第2章 转子轴系的有限元分析 |
| 2.1 引言 |
| 2.2 飞轮储能系统的基本结构 |
| 2.2.1 电动发电机 |
| 2.2.2 控制系统 |
| 2.2.3 自动转换开关(ATSE) |
| 2.3 有限元分析 |
| 2.3.1 静力学分析 |
| 2.3.2 模态分析 |
| 2.3.3 谐响应谱分析 |
| 2.4 本章小结 |
| 第3章 运动状态监测平台的搭建 |
| 3.1 引言 |
| 3.2 元器件的选型 |
| 3.2.1 加速度传感器的选型 |
| 3.2.2 电涡流传感器的选型 |
| 3.3 状态监测系统软件搭建 |
| 3.3.1 磁悬浮转子状态监测系统 |
| 3.3.2 温度真空度监测系统 |
| 3.3.3 振动监测系统 |
| 3.4 运动状态检测及实验分析 |
| 3.4.1 温度与真空度实验分析 |
| 3.4.2 振动状态与共振频率分析 |
| 3.5 本章小结 |
| 第4章 基于小波神经网络的轴承故障诊断 |
| 4.1 引言 |
| 4.2 轴承结构与特性及振动机理 |
| 4.2.1 轴承的结构与特性 |
| 4.2.2 轴承的振动机理 |
| 4.3 轴承故障及影响因素 |
| 4.3.1 轴承故障及失效原因 |
| 4.3.2 轴承故障的影响因素 |
| 4.4 基于小波神经网络的故障诊断 |
| 4.4.1 小波变换概述及常用的小波变换函数 |
| 4.4.2 小波包能量谱特征提取 |
| 4.4.3 卷积神经网络的诊断方法 |
| 4.5 基于凯斯西储大学轴承数据的故障诊断 |
| 4.5.1 轴承故障数据分析 |
| 4.5.2 轴承故障的特征提取 |
| 4.5.3 基于卷积神经网络的轴承故障诊断 |
| 4.6 本章小结 |
| 第5章 基于飞轮储能径向轴承的故障诊断 |
| 5.1 引言 |
| 5.2 数据采集与分析 |
| 5.2.1 数据采集 |
| 5.2.2 数据分析 |
| 5.3 小波包能量谱提取轴承故障特征 |
| 5.3.1 滚珠故障特征提取 |
| 5.3.2 保持架故障特征提取 |
| 5.4 飞轮储能系统实验仿真对比 |
| 5.4.1 滚珠故障诊断结果 |
| 5.4.2 保持架故障诊断结果 |
| 5.5 诊断结果研判 |
| 5.5.1 滚珠故障研判 |
| 5.5.2 保持架故障研判 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）基于全矢—经验小波变换的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题的来源 |
| 1.1.2 课题研究目的及意义 |
| 1.2 滚动轴承故障诊断国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 振动分析方法 |
| 1.3.1 时域分析法 |
| 1.3.2 频域分析法 |
| 1.3.3 时频域分析方法 |
| 1.4 经验小波变换 |
| 1.4.1 经验小波变换概述 |
| 1.4.2 经验小波变换的研究现状 |
| 1.5 本文主要的内容与结构安排 |
| 1.6 本章小结 |
| 2 滚动轴承常见故障和全矢经验小波变换方法研究 |
| 2.1 引言 |
| 2.2 滚动轴承常见故障 |
| 2.2.1 滚动轴承故障类型 |
| 2.2.2 滚动轴承故障特征频率 |
| 2.3 全矢谱算法 |
| 2.3.1 基本理论 |
| 2.3.2 公式推导 |
| 2.4 经验小波变换 |
| 2.4.1 频谱分割 |
| 2.4.2 经验小波变换公式推导 |
| 2.5 EWT与 EEMD、ITD方法的对比研究 |
| 2.5.1 仿真实验 |
| 2.5.2 经验小波变换优势与不足 |
| 2.6 本章小结 |
| 3 基于EWT-KICA联合的滚动轴承故障特征提取方法 |
| 3.1 引言 |
| 3.2 EWT-KICA特征提取方法 |
| 3.2.1 核独立分量分析 |
| 3.2.2 互相关系数 |
| 3.2.3 EWT-KICA特征提取方法 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 4 改进EWT-KICA全矢信息融合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 经验小波变换的改进方法 |
| 4.2.1 方法实现过程 |
| 4.2.2 实例模型验证 |
| 4.3 改进EWT-KICA全矢故障信息融合的特征提取方法 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 5 基于全矢经验小波变换的极限学习机轴承故障分类 |
| 5.1 引言 |
| 5.2 多分类极限学习机 |
| 5.3 基于改进 EWT-KICA 全矢信息融合的 ELM 故障分类方法 |
| 5.3.1 特征向量选取 |
| 5.3.2 方法流程 |
| 5.4 滚动轴承故障实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 本文总结 |
| 6.2 课题研究的创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简历、在校期间发表的学术论文及研究成果 |
| 1 个人简历 |
| 2 攻读硕士期间发表的学术成果 |
| 致谢 |
（5）高分辨率同步压缩变换方法及其在机械故障诊断中的应用（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 弱信号特征提取和分析方法研究现状 |
| 1.2.1 基于频域特征的单通道信号处理方法 |
| 1.2.2 基于频域特征的多通道信号处理方法 |
| 1.3 变转速机械设备故障诊断研究现状 |
| 1.3.1 变转速机械设备故障诊断 |
| 1.3.2 典型的时频分析方法 |
| 1.3.3 阶次分析方法 |
| 1.4 同步压缩变换理论的研究现状 |
| 1.4.1 基于时频重排的同步压缩变换算法研究现状 |
| 1.4.2 时频脊线提取方法的研究现状 |
| 1.5 论文的主要内容和安排 |
| 1.5.1 论文的研究体系和主要内容 |
| 1.5.2 论文的章节安排 |
| 第2章 基于凸优化的降噪和脊线鲁棒提取方法 |
| 2.1 基于凸优化的二阶总变分降噪方法 |
| 2.1.1 总变分降噪算法的基本原理 |
| 2.1.2 基于非凸惩罚函数的二阶总变分降噪算法 |
| 2.1.3 数值模拟分析 |
| 2.1.4 提出的二阶总变分降噪算法应用于废气风机轴承故障信号分析 |
| 2.2 基于凸优化的矩阵低秩逼近 |
| 2.2.1 基于凸优化的矩阵低秩逼近方法的理论描述 |
| 2.2.2 提出的方法应用于实验台轴承故障分析 |
| 2.3 基于凸优化的鲁棒脊线提取算法 |
| 2.3.1 二阶短时傅里叶变换(SOSTFT) |
| 2.3.2 基于凸优化的鲁棒脊线提取方法 |
| 2.3.3 数值模拟分析 |
| 2.3.4 提出的鲁棒脊线提取方法应用于变转速轴承故障信号分析 |
| 2.4 结论 |
| 第3章 多元匹配同步压缩小波变换及多传感器信号处理 |
| 3.1 多元匹配同步压缩小波变换的理论描述 |
| 3.1.1 匹配同步压缩小波变换 |
| 3.1.2 多元信号降噪的联合方案 |
| 3.1.3 本章提出的多元匹配同步压缩变换MMSWT的计算步骤 |
| 3.2 数值仿真分析 |
| 3.3 实验研究 |
| 3.3.1 本章提出的MMSWT方法应用于实验台轴承故障分析 |
| 3.3.2 本章提出的MMSWT方法应用于实验台齿轮故障分析 |
| 3.4 结论 |
| 第4章 多重水平同步压缩变换及冲击特征提取 |
| 4.1 滚动轴承外圈故障的冲击特征 |
| 4.2 多重水平同步压缩变换理论 |
| 4.2.1 基于STFT的同步压缩变换 |
| 4.2.2 水平同步压缩变换(HST) |
| 4.2.3 多重水平同步压缩变换(MHST) |
| 4.3 数值模拟信号分析 |
| 4.4 数据实验分析 |
| 4.4.1 本章提出的MHST方法用于实验台轴承故障分析 |
| 4.4.2 本章提出的MHST方法用于大脱硫风机诊断 |
| 4.5 总结 |
| 第5章 多重二阶同步压缩变换及强时变特征提取 |
| 5.1 阶次分析基本原理 |
| 5.1.1 阶次分析技术的分类 |
| 5.1.2 无转速计阶次分析 |
| 5.2 多重二阶同步压缩变换的理论描述 |
| 5.2.1 二阶同步压缩变换(SSST) |
| 5.2.2 多重二阶同步压缩提取变换(MSSST) |
| 5.3 数值模拟分析 |
| 5.4 实验数据分析 |
| 5.4.1 本章提出的MSSST方法应用于变速下滚动轴承故障分析 |
| 5.4.2 本章提出的MSSST方法应用于变速下齿轮故障分析 |
| 5.5 结论 |
| 第6章 重排二阶同步压缩变换及在风力发电机故障诊断中的应用 |
| 6.1 风力发电机简介 |
| 6.1.1 直驱永磁风力发电机组结构 |
| 6.1.2 直驱风电机组主轴轴承的特点 |
| 6.2 重排算法与本文提出的同步压缩变换方法的比较 |
| 6.3 重排二阶同步压缩变换 |
| 6.3.1 二阶同步压缩变换(FSST2) |
| 6.3.2 重排二阶同步压缩变换(RFSST2) |
| 6.4 数值模拟分析 |
| 6.5 实验数据分析 |
| 6.5.1 提出的RFSST2方法应用于风力发电机的转速估计 |
| 6.5.2 提出的RFSST2方法应用于直驱式风机滚动轴承故障诊断 |
| 6.6 结论 |
| 第7章 总结与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（6）基于奇异谱分解的旋转机械故障诊断研究（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 旋转机械故障诊断概述 |
| 1.2.1 故障诊断流程 |
| 1.2.2 故障特征描述 |
| 1.3 旋转机械故障诊断几个关键问题的研究现状 |
| 1.3.1 故障特征检测的研究现状 |
| 1.3.2 变转速故障分析的研究现状 |
| 1.3.3 同源振动信息融合的研究现状 |
| 1.3.4 故障模式识别的研究现状 |
| 1.4 论文主要研究对象 |
| 1.5 论文主要研究内容 |
| 第2章 奇异谱分解及其在转子谐波故障检测中的应用 |
| 2.1 引言 |
| 2.2 奇异谱分解的原理 |
| 2.2.1 SSA方法 |
| 2.2.2 SSD方法 |
| 2.3 SSD的分解特性研究 |
| 2.3.1 抗模态混叠性能分析 |
| 2.3.2 双谐波分解能力研究 |
| 2.4 SSD在转子故障谐波检测中的应用研究 |
| 2.4.1 SSD-HT时频分析方法 |
| 2.4.2 转子故障仿真信号分析 |
| 2.4.3 转子故障实验信号分析 |
| 2.4.4 汽轮机碰摩故障分析 |
| 2.5 本章小结 |
| 第3章 优化奇异谱分解方法 |
| 3.1 引言 |
| 3.2 基于能量比迭代停止条件的局限性分析 |
| 3.3 OSSD方法 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 第4章 ESSD及其在微弱冲击故障检测中的应用 |
| 4.1 引言 |
| 4.2 微分算子及其在信号处理中的作用 |
| 4.2.1 微分算子 |
| 4.2.2 微分算子对双谐波信号分析模型的影响 |
| 4.2.3 微分算子对于SIR的增强性能分析 |
| 4.3 积分算子及其在信号处理中的作用 |
| 4.4 ESSD方法 |
| 4.5 ESSD分解能力研究 |
| 4.6 仿真分析 |
| 4.7 实验分析 |
| 4.7.1 实验台介绍 |
| 4.7.2 圆柱滚子轴承内圈故障诊断 |
| 4.7.3 深沟球轴承复合故障诊断 |
| 4.8 工程应用 |
| 4.9 本章小结 |
| 第5章 SSD在变转速故障特征提取中的应用 |
| 5.1 引言 |
| 5.2 多分量时变非平稳仿真信号分析 |
| 5.3 基于SSD-HT时频分析的变转速转子故障诊断 |
| 5.4 转速变换 |
| 5.5 滚动轴承变转速故障诊断 |
| 5.5.1 故障诊断流程 |
| 5.5.2 仿真分析 |
| 5.5.3 实验分析 |
| 5.6 本章小结 |
| 第6章 CSSD及其在旋转机械故障诊断中的应用 |
| 6.1 引言 |
| 6.2 CSSD方法 |
| 6.2.1 CSSD的原理 |
| 6.2.2 CSSD的等效滤波特性 |
| 6.2.3 CSSD-HT时频分析 |
| 6.2.4 CSSD-HT包络解调分析 |
| 6.3 基于CSSD的旋转机械故障诊断方法 |
| 6.4 实验分析 |
| 6.4.1 转子碰摩故障分析 |
| 6.4.2 滚动轴承复合故障分析 |
| 6.5 本章小结 |
| 第7章 基于HIEDDE和DTW的故障模式识别 |
| 7.1 引言 |
| 7.2 基于SSD的IED分析 |
| 7.3 HIEDDE的原理 |
| 7.3.1 DE算法 |
| 7.3.2 HDE算法 |
| 7.3.3 HDE同MDE的性能对比 |
| 7.3.4 HIEDDE算法 |
| 7.4 DTW的原理 |
| 7.5 基于HIEDDE和DTW的故障模式识别 |
| 7.6 实验验证 |
| 7.6.1 齿轮箱故障实验分析1 |
| 7.6.2 齿轮箱故障实验分析2 |
| 7.7 本章小结 |
| 第8章 结论与展望 |
| 8.1 全文总结 |
| 8.2 主要创新点 |
| 8.3 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 |
（7）离心式压缩机组智能故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 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 本文主要研究内容 |
| 1.4 本章小结 |
| 第二章 离心式压缩机组故障分析及数据说明 |
| 2.1 离心式压缩机组振动基本要素 |
| 2.2 离心式压缩机组常见故障机理及故障特征 |
| 2.2.1 离心式压缩机组常用监测和故障诊断图谱 |
| 2.2.2 离心式压缩机组常见故障机理及故障特征 |
| 2.3 MAN TURBO压缩机组实际故障数据说明 |
| 2.3.1 MAN TURBO压缩机组简介 |
| 2.3.2 MAN TURBO制造商试验数据 |
| 2.3.3 Y站压缩机组基本概况及振动分析 |
| 2.3.4 Y站压缩机组故障信号实例 |
| 2.4 本章小结 |
| 第三章 离心式压缩机组故障异常搜索模型研究 |
| 3.1 基于K-means++的压缩机组故障异常搜索模型 |
| 3.1.1 时间序列初始化 |
| 3.1.2 故障模式特征值计算及标准化 |
| 3.1.3 基于K-means++模型的异常序列搜索模型的建立 |
| 3.2 基于仿真函数的故障异常搜索模型优化及实现 |
| 3.2.1 故障模式特征值选定 |
| 3.2.2 故障异常搜索模型仿真实现 |
| 3.3 故障异常搜索模型应用实例 |
| 3.4 本章小结 |
| 第四章 基于小波包和KPCA的振动信号去噪及特征提取 |
| 4.1 小波包变换的基本理论 |
| 4.1.1 小波包定义 |
| 4.1.2 小波包变换的优势分析 |
| 4.2 基于小波包的压缩机组振动信号去噪 |
| 4.2.1 基于小波包的振动信号去噪过程 |
| 4.2.2 最优小波树结构 |
| 4.2.3 小波包去噪结果 |
| 4.3 基于核的主成分分析法的基本理论 |
| 4.3.1 KPCA概念及原理 |
| 4.3.2 KPCA的算法步骤 |
| 4.3.3 KPCA的特点分析 |
| 4.4 基于KPCA的压缩机组振动信号特征提取 |
| 4.4.1 振动信号时域和频域特征值计算 |
| 4.4.2 核函数及核参数选择 |
| 4.4.3 压缩机组振动信号特征提取实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于优化BP神经网络的压缩机组故障信号识别 |
| 5.1 BP神经网络理论分析 |
| 5.1.1 BP神经网络结构及算法流程 |
| 5.1.2 BP网络的缺陷分析 |
| 5.1.3 BP网络优化策略 |
| 5.2 BP神经网络初始权阈值优化方法简介 |
| 5.2.1 优化算法分类及适用性分析 |
| 5.2.2 智能优化算法分类及典型代表 |
| 5.3 改进自适应遗传算法(IAGA) |
| 5.3.1 遗传算法基础理论及实现步骤 |
| 5.3.2 遗传算法优点及局限性分析 |
| 5.3.3 改进自适应遗传算法基本原理 |
| 5.3.4 改进自适应遗传算法改进结果 |
| 5.4 量子行为粒子群算法(QPSO) |
| 5.4.1 粒子群算法基础理论及实现步骤 |
| 5.4.2 粒子群算法的优点及局限性分析 |
| 5.4.3 量子行为粒子群算法基本原理和特点 |
| 5.4.4 δ势阱模型下的QPSO进化方程和迭代策略 |
| 5.4.5 量子行为粒子群算法改进结果 |
| 5.5 基于IAGA和 QPSO优化BP网络的故障振动信号识别模型 |
| 5.5.1 BP网络设计 |
| 5.5.2 IAGA算法优化BP网络模型设计 |
| 5.5.3 QPSO算法优化BP网络模型设计 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 第六章 基于HWT和 CNN的压缩机组轴心轨迹识别 |
| 6.1 离心式压缩机组轴心轨迹识别基础知识 |
| 6.1.1 离心式压缩机组轴心轨迹采集方法 |
| 6.1.2 常见压缩机故障的轴心轨迹特征 |
| 6.2 压缩机组轴心轨迹提纯理论基础 |
| 6.2.1 压缩机组轴心轨迹提纯方法 |
| 6.2.2 谐波小波定义及方法 |
| 6.3 基于谐波小波的压缩机组轴心轨迹提纯 |
| 6.3.1 谐波小波算法的实现 |
| 6.3.2 谐波小波分解层数确定 |
| 6.3.3 基于谐波小波的轴心轨迹提纯结果 |
| 6.4 卷积神经网络基本思想及理论基础 |
| 6.4.1 深度学习的提出 |
| 6.4.2 卷积神经网络基本思想 |
| 6.4.3 CNN网络架构 |
| 6.5 基于卷积神经网络的压缩机组轴心轨迹识别 |
| 6.5.1 基于高斯分布的图片样本集扩充 |
| 6.5.2 基于CNN的轴心轨迹识别模型 |
| 6.5.3 CNN结构参数及训练参数选择 |
| 6.5.4 基于CNN的轴心轨迹识别结果 |
| 6.6 本章小结 |
| 第七章 基于概率因果和二维全息谱的压缩机组多故障诊断模型 |
| 7.1 二维全息谱技术原理及分析方法 |
| 7.1.1 二维全息谱故障诊断原理 |
| 7.1.2 压缩机组二维全息谱故障特征 |
| 7.2 基于二维全息谱的复杂故障信号分析实例 |
| 7.2.1 二维全息谱计算流程 |
| 7.2.2 频谱校正 |
| 7.2.3 复杂故障信号的二维全息谱分析实例 |
| 7.3 基于概率因果和二维全息图谱的多故障诊断模型建立 |
| 7.3.1 节约覆盖集理论 |
| 7.3.2 概率因果模型 |
| 7.3.3 基于二维全息谱的故障间主导因素判断 |
| 7.3.4 基于概率因果和二维全息图谱的多故障诊断模型总流程 |
| 7.4 基于概率因果和二维全息图谱的多故障诊断模型验证 |
| 7.4.1 初选故障覆盖集 |
| 7.4.2 确定最终故障组合 |
| 7.4.3 基于蒙特卡洛法的二维全息图谱重叠面积计算及故障间主导因素判断 |
| 7.5 本章小结 |
| 结论与建议 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（8）船舶推进轴系故障特征信息识取方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶推进轴系故障机理研究 |
| 1.2.2 船舶推进轴系故障诊断方法研究 |
| 1.2.3 故障特征信息识取方法研究 |
| 1.3 存在的问题 |
| 1.4 论文的主要工作 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文基本结构 |
| 第二章 基本理论与方法 |
| 2.1 振动信号基本理论 |
| 2.1.1 连续振动信号 |
| 2.1.2 离散振动信号 |
| 2.2 振动分析方法 |
| 2.2.1 时域分析方法 |
| 2.2.2 频谱分析方法 |
| 2.2.3 轴心轨迹分析法 |
| 2.3 船舶推进轴系故障形成机理 |
| 2.4 基于振动特征的轴系故障识别方法 |
| 2.5 本章小结 |
| 第三章 船舶推进轴系故障特征信息识取方法 |
| 3.1 经验模态方法的基本原理 |
| 3.2 EAF周期性故障信息提取方法 |
| 3.2.1 EAF方法基本原理 |
| 3.2.2 模拟信号验证 |
| 3.3 EEAF周期性故障信息提取方法 |
| 3.3.1 EEAF方法基本原理 |
| 3.3.2 模拟信号验证 |
| 3.4 不同识取方法对比与分析 |
| 3.4.1 时域统计分析方法 |
| 3.4.2 FFT分析方法 |
| 3.4.3 EAF分析方法 |
| 3.4.4 EEAF分析方法 |
| 3.4.5 对比结果 |
| 3.5 本章小结 |
| 第四章 实船试验应用与分析 |
| 4.1 实船试验 |
| 4.2 尾轴承振动分析 |
| 4.2.1 机舱环境影响分析 |
| 4.2.2 振动特征分析 |
| 4.3 船体尾部结构振动分析 |
| 4.3.1 垂向振动分析 |
| 4.3.2 纵向振动分析 |
| 4.3.3 横向振动分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文及研究成果 |
（9）船用转子振动信号分析与诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轴心轨迹提纯 |
| 1.2.2 轴心轨迹特征提取 |
| 1.2.3 轴心轨迹识别 |
| 1.3 课题来源 |
| 1.4 研究目标与研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容与结构 |
| 1.5 研究方法及技术路线 |
| 第二章 汽轮机转子振动与轴心轨迹原理分析 |
| 2.1 转子振动机理与基本特性 |
| 2.2 转子动力学模型 |
| 2.3 常见故障及轴心轨迹类型 |
| 2.3.1 转子不平衡 |
| 2.3.2 油膜涡动 |
| 2.3.3 转子不对中 |
| 2.3.4 动静碰摩 |
| 2.3.5 转子松动 |
| 2.3.6 转子裂纹 |
| 2.4 本章小结 |
| 第三章 船用转子轴心轨迹提纯 |
| 3.1 SVD信号处理 |
| 3.1.1 SVD定义 |
| 3.1.2 SVD性质 |
| 3.1.3 矩阵建模与分解 |
| 3.1.4 有效秩阶次的确定 |
| 3.1.5 信号恢复 |
| 3.2 SVD差分谱特征提取仿真实验 |
| 3.3 实验装置 |
| 3.3.1 试验台简介 |
| 3.3.2 实验准备工作 |
| 3.3.3 轴心轨迹的测量 |
| 3.4 谐波小波包提纯轴心轨迹 |
| 3.4.1 谐波小波变换 |
| 3.4.2 谐波小波包及其实现 |
| 3.4.3 谐波小波的应用 |
| 3.5 SVD差分谱提纯轴心轨迹 |
| 3.6 本章小结 |
| 第四章 轴心轨迹特征提取 |
| 4.1 基于不变矩的特征提取 |
| 4.2 基于组合矩的特征提取 |
| 4.3 基于傅里叶描述子的特征提取 |
| 4.4 本章小结 |
| 第五章 轴心轨迹识别 |
| 5.1 随机森林理论 |
| 5.1.1 随机森林的数学定义 |
| 5.1.2 随机森林的性质 |
| 5.1.3 泛化误差与OOB估计 |
| 5.1.4 算法步骤 |
| 5.1.5 效率指标 |
| 5.2 基于随机森林的轴心轨迹识别 |
| 5.3 基于神经网络的轴心轨迹识别 |
| 5.3.1 BP神经网络的结构 |
| 5.3.2 BP神经网络算法原理 |
| 5.3.3 BP神经网络的特点 |
| 5.3.4 BP神经网络轴心轨迹识别实验 |
| 5.4 基于SVM的轴心轨迹识别 |
| 5.4.1 支持向量机定义 |
| 5.4.2 核函数 |
| 5.4.3 SVM轴心轨迹识别实验 |
| 5.5 对比分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）转子系统耦合故障时频特征分析（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 转子系统故障诊断方法研究现状 |
| 1.2.1 概述 |
| 1.2.2 时频分析方法研究现状 |
| 1.2.3 信息融合技术在旋转机械故障诊断领域的研究现状 |
| 1.3 论文主要研究工作及章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文章节安排 |
| 第2章 时频分析方法 |
| 2.1 基础概念 |
| 2.1.1 解析信号 |
| 2.1.2 瞬时频率 |
| 2.2 EMD与 VMD算法简介 |
| 2.2.1 EMD算法 |
| 2.2.2 VMD算法 |
| 2.3 时频谱与边际谱 |
| 2.4 仿真信号分析 |
| 2.4.1 抗模态混叠特性 |
| 2.4.2 冲击成分提取能力 |
| 2.5 本章小结 |
| 第3章 转子系统耦合故障实验及时频特征分析 |
| 3.1 转子典型故障特征 |
| 3.1.1 碰摩故障 |
| 3.1.2 裂纹故障 |
| 3.1.3 油膜失稳故障 |
| 3.2 转子系统耦合故障实验 |
| 3.2.1 裂纹-碰摩耦合故障实验 |
| 3.2.2 油膜失稳-碰摩耦合故障实验 |
| 3.3 实验数据分析 |
| 3.3.1 单故障分析 |
| 3.3.2 耦合故障分析 |
| 3.4 本章小结 |
| 第4章 基于复数VMD算法的转子系统耦合故障全时频特征分析 |
| 4.1 基于CVMD算法的全时频分析方法 |
| 4.1.1 全时频的概念 |
| 4.1.2 CVMD算法的实现 |
| 4.1.3 基于CVMD算法的全时频分析方法实现过程 |
| 4.2 基于CVMD算法的全时频分析方法仿真验证 |
| 4.2.1 理想带通滤波器方法的验证 |
| 4.2.2 全时频分析方法的验证 |
| 4.3 基于CVMD算法的全时频分析方法在转子系统耦合故障的应用 |
| 4.3.1 油膜失稳-碰摩耦合故障分析 |
| 4.3.2 裂纹-碰摩耦合故障分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
四、旋转机械轴心轨迹信号的复数小波分析（论文参考文献）
- [1]基于卷积神经网络的转子轴心轨迹模式识别方法[D]. 王金鹏. 电子科技大学, 2021(01)
- [2]动力旋转设备故障诊断技术在钢铁冶金行业的应用[D]. 蒋政. 昆明理工大学, 2020(05)
- [3]飞轮储能径向轴承的状态检测与故障诊断研究[D]. 颜廷鑫. 燕山大学, 2020(01)
- [4]基于全矢—经验小波变换的滚动轴承故障诊断研究[D]. 庞博. 郑州大学, 2020(02)
- [5]高分辨率同步压缩变换方法及其在机械故障诊断中的应用[D]. 易灿灿. 武汉科技大学, 2020
- [6]基于奇异谱分解的旋转机械故障诊断研究[D]. 庞彬. 华北电力大学(北京), 2020
- [7]离心式压缩机组智能故障诊断方法研究[D]. 刘定宏. 中国石油大学(华东), 2019(09)
- [8]船舶推进轴系故障特征信息识取方法研究及应用[D]. 孙潇潇. 浙江海洋大学, 2019(02)
- [9]船用转子振动信号分析与诊断方法研究[D]. 张景润. 华南理工大学, 2019
- [10]转子系统耦合故障时频特征分析[D]. 孙尚飞. 华北电力大学, 2019(01)