一、时域平均在行星齿轮箱故障诊断的应用（论文文献综述）
魏伟,李云鹏,梁景源[1]（2021）在《基于扭振信号加窗RMS时域同步平均的行星齿轮箱裂纹故障诊断》文中提出行星齿轮箱具有结构紧凑、传动效率高、运行平稳等优点,被广泛应用于关键机械装备中。由于恶劣的工作环境,行星齿轮箱易产生齿根裂纹故障损伤且不易被识别,易造成安全隐患。扭转振动信号理论上不受行星架旋转引入的路径调制影响,相比于传统研究中的横向振动信号具有很大的优越性,频率成分简单,易于提取故障特征。为此,以扭振信号为分析对象,提出了一种加窗RMS（Root meam square）时域同步平均技术,实现行星齿轮箱的早期齿根裂纹故障诊断;并搭建故障模拟试验台,验证了该方法的有效性。
马浩群[2]（2021）在《基于振动和电机电流分析的行星轮轴承故障诊断研究》文中研究表明行星齿轮箱具有多个行星轮构成的平行传动路径来分担负载扭矩,相比于定轴齿轮箱结构紧凑、传动比大,因而被广泛应用于直升机、船舶、风力发电和车辆的传动系统中。一旦机械系统中的行星齿轮箱发生故障,可能会降低机器的工作效率,增加运营成本,因此对其进行状态监测和故障诊断具有重要的经济价值。行星轮轴承除了负责支撑行星轮的旋转外,还需要承担传动负载,并受到行星轮载荷分布的影响,因此容易产生故障。而且,行星轮轴承的运动包含随着行星架围绕太阳轮的公转和围绕行星轮的自转,所以振动信号复杂。1)由于加工或装配的误差,行星轮往往存在不同程度的不均载现象,为了支撑行星轮轴承的故障诊断,需要研究行星轮不均载的机理和振动特征,主要考虑了行星轮轴中心的位置偏差、输入扭矩大小、行星轮数目、系统固有振动和时变传递路径影响,提出了行星轮不均载的振动信号模型,所揭示出的齿轮振动特征为后续行星轮轴承信号的频谱结构分析提供了参考;2)为了克服传统的谱峭度对周期性冲击提取的局限性,利用基于谱负熵的信息图,有针对性地确定行星轮轴承故障引起的周期性冲击序列所在的频率范围,从而设计出最优带通滤波器参数,结合包络解调和频率解调方法诊断故障;3)建立了考虑滚动体滑移的行星轮轴承振动信号模型,改进了多点最优最小熵解卷积算法（MOMEDA）,利用谱负熵估计滚动体滑移系数,成功解决了振动信号频谱模糊和故障信号微弱的问题;4)针对变转速工况,建立了非平稳振动信号模型,结合多阶概率转速估计方法（MOPA）和自适应广义迭代解调算法（AIGD）,在精确提取大幅度快速波动的瞬时转速的基础上,通过高精度的时频表示识别出瞬时故障特征频率,实现了非平稳工况下行星轮轴承故障诊断;5)在行星齿轮传动的风力发电系统中,考虑行星轮轴承故障对发电机电流的影响,建立了用于行星轮轴承故障诊断的发电机定子电流信号模型,提出了幅值解调和频率解调分析流程,由于电流信号幅值不受行星架旋转调制,降低了信号复杂性,同时避免了振动传感器测点不易布置问题。所有模型和算法的有效性,均经过了行星齿轮箱实验信号的验证。
李云鹏[3]（2021）在《多级行星齿轮传动系统动力学分析技术研究》文中认为多级行星齿轮传动系统为常见的机械动力传递装置,因采用功率分流和均载设计,具有承载能力强、效率高、体积小、传动比大等优势,应用领域广泛,常服役于环境恶劣、载荷复杂多变等场合,故对其可靠性和早期故障监测有较高要求。多级行星齿轮传动系统合理的结构设计与速比匹配、加工时科学的工艺和良好的精度控制,均有利于其可靠性的提高,但因其啮合特性及加工精度等级限制的客观存在,使其在运行过程中不可避免地受到内部齿轮啮合刚度、各类制造误差、齿侧间隙等内部激励引起的冲击作用的影响,产生系统的振动和噪声,以致齿轮传动系统振动问题凸显。多级行星齿轮传动系统中的关键零部可能发生各种故障,故障的发生将会关联影响其他部件,若不及时预防并排除故障,将产生潜在风险,特别是齿轮的断齿故障,将致使整个动力传递系统失效而停机,并可能引发恶性事故。多级行星齿轮传动系统各类故障中齿轮断齿是最为致命的,而齿根裂纹是齿轮出现断齿事故早期最直接的诱因,故对多级行星齿轮传动系统早期齿根裂纹故障的产生机理及识别进行深入研究,避免相关事故产生十分必要。本论文从多级行星齿轮传动系统动力学特性进行理论分析、动力学仿真分析、试验验证等方面入手,对多级行星齿轮传动系统动力学特性及其齿轮齿根早期裂纹识别进行研究,为多级行星齿轮传动系统动力学特性及齿轮齿根早期裂纹故障识别提供理论依据和有效方法,对提高设备运行可靠性,避免重大事故产生起到重要作用。本论文主要研究内容如下:（1）基于能量法,对多级行星齿轮传动系统时变啮合刚度进行数值计算。求解各级行星轮系中齿轮副正常啮合状态时及输入太阳轮含齿根裂纹状态时的时变啮合刚度,并将各时变啮合刚度带入动力学方程,求解该齿轮传动系统的动力学响应特性;（2）采用集中参数法建立多级行星齿轮传动系统的动力学模型,考虑各级行星轮系及啮合方式的时变啮合刚度和齿侧间隙的影响,针对多级行星齿轮传动系统建立非线性时变纯扭转动力学模型,带入该行星齿轮传动系统正常状态时各级行星轮系、各种啮合方式及输入太阳轮含齿根裂纹状态时的时变啮合刚度,求解各状态时该传动系统的动力学特性;（3）建立正常状态时多级行星齿轮传动系统的有限元模型,对其动力学特性进行仿真分析,研究正常状态时该传动系统动力学响应特性;（4）基于正常状态时多级行星齿轮传动系统有限元模型,建立输入太阳轮含齿根裂纹状态时的有限元模型,对输入太阳轮含齿根裂纹的多级行星齿轮传动系统进行动力学仿真,分析其振动响应及频谱特征;（5）搭建基于扭振信号的多级行星齿轮传动系统试验系统,对两级行星齿轮传动系统正常状态时和齿根出现裂纹状态时扭振信号进行实时采集监测,通过对采集的动态扭振信号进行阶次分析与时域同步平均分析,实现对多级行星齿轮传动系统早期齿根裂纹故障状态的识别分析。
陶枝茂[4]（2021）在《基于自适应混合特征行星齿轮箱的故障诊断方法研究》文中进行了进一步梳理行星齿轮箱是机械传动系统中的重要部件。因其长期在复杂恶劣的环境中运行,容易造成内部零件发生复合故障,同时运动中齿轮之间进行相互啮合,啮合面容易出现以裂纹为代表的微弱故障特征,因此,监测行星齿轮箱中多故障状态并及时进行诊断确保设备的安全运行,具有较为重要的意义。在工程实践中,单一故障会导致故障的并发性,故障之间互相影响,故障的形式也不一样,导致故障往往不是单一出现。当行星齿轮箱发生微弱复合故障时,其振动信号成分比较复杂,频率的非线性耦合程度较强等特征,造成诊断识别较为困难。本文针对行星齿轮箱出现微弱复合故障较难分析等问题,以行星齿轮箱为研究对象,通过传统动力学模型的分析,建立Volterra级数模型,联合模型和信号分析,提取混合特征,进行微弱复合故障诊断的研究。论文的主要研究工作有以下几个方面:（1）分析行星齿轮箱常见的故障模式和原因以及表现形式,建立了行星齿轮箱的动力学模型以及分析各部件的特征频率。通过仿真分析,发现单一的分析方法较难解决行星齿轮箱的微弱复合故障问题。（2）为了解决微弱复合故障信号中出现非线性耦合性较强,特征较难提取等问题,采用“黑箱”思想,利用系统的输入输出建立Volterra级数模型。通过搭建行星齿轮箱复合故障试验台进行数据的采集,根据系统的输入输出建立基于Volterra级数的行星齿轮箱模型,求解出核函数,分别绘制高阶谱图和切片谱图对比分析,初步验证了方法的有效性。（3）针对非线性模型出现计算量较大、在线实时诊断比较困难等不足之处,提出利用混合特征分类识别微弱复合故障。对时域特征、频域特征和非线性特征的计算公式以及物理意义进行叙述并进行提取。在训练样本有限的情况下,采取支持向量机对微弱复合故障进行分类识别,并对混合特征进行归一化处理。（4）利用支持向量机进行微弱复合故障分类识别中,对支持向量机中需人为设置的参数进行优化,选择遗传算法进行参数优化,构建GA-SVM的参数优化模型,相比传统的SVM模型,优化后的模型分析更加可靠。在针对混合特征可能会出现冗余特征,采用补偿距离评估对混合特征进行剔除挑选。（5）通过对理论研究,经实验表明,加入非线性特征比不加非线性特征的识别率更高,体现出非线性特征的必要性,并且说明非线性特征有利于微弱复合故障的辨识,可以更好地体现非线性的频率耦合特性,并且剔除过后的特征集识别效果更佳,证明了方法的实用性。
胡少梁[5]（2021）在《基于深度学习的行星齿轮箱智能诊断方法研究》文中研究表明行星齿轮箱作为旋转机械中关键部件,对其进行状态监测和故障诊断分析,不仅对安全生产和经济增长,还对避免工业事故和减少人员伤亡.具有重要意义。本文以行星齿轮箱为研究对象,利用改进经验小波变换、稀疏编码收缩、卷积网络、迁移网络等技术手段,从信号特征提取和智能诊断两方面进行研究,提出了基于深度学习的行星齿轮箱智能故障识别方法。论文的主要研究内容如下:（1）介绍了课题背景及研究意义,阐述了行星齿轮箱故障诊断国内外研究现状,分别从信号特征提取和智能分类方法两方面调研国内外学者在行星齿轮箱故障诊断上做的研究工作,进而引出本文研究对象和研究方向。（2）系统全面地对行星齿轮箱齿轮零件失效机理开展研究,从齿轮常见故障形式及其产生原因出发,分析了不同齿轮部件产生振动信号特点,建立了太阳轮、行星轮、齿圈故障仿真信号模型,搭建了行星齿轮箱故障试验台,采集不同转速、不同试验台下振动数据,构建完备数据集。（3）针对强背景噪声下行星齿轮箱早期微弱故障难以提取,经验小波变换对信号频率区间边界划分不恰当和不能有效确定模态数目的问题,提出了基于改进经验小波变换（Modified Empirical Wavelet Transform,MEWT）和自适应稀疏编码收缩（Adaptive Sparse Coding Shrinkage,ASCS）的早期微弱故障特征提取方法,将其应用于行星齿轮箱故障诊断上,通过仿真信号和实际采集信号证明所提方法的有效性。（4）针对行星齿轮箱齿轮不同故障状态识别和卷积网络参数合理化选择问题,提出了基于MEWT和卷积神经网络（Convolutional Neural Networks,CNN）的齿轮故障诊断方法。首先采用MEWT对信号进行分解,以重叠采样的方式产生一维数据样本,进行网络结构实验和参数实验确定卷积网络和各层网络参数。通过多类故障数据集验证所提故障分类方法的有效性,向训练数据加入不同程度噪声,验证所提方法的抗噪性,不同工况下的数据集验证所提方法的可迁移性。（5）针对实际故障诊断情况下,标记数据少,训练数据和测试数据存在分布差异,正常的卷积分类网络模型诊断效果不佳,提出了基于MEWT和迁移卷积网络（Transferable Convolutional Neural Network,TCNN）的迁移故障诊断方法,通过两座不同试验台采集的数据集对所提方法有效性进行验证,实现跨设备行星齿轮箱故障诊断。
庞宇[6]（2020）在《行星齿轮箱数字孪生体动力学仿真与故障诊断研究》文中认为风力发电机组的行星齿轮系统是风电系统机械传动中不可或缺的关键组成部分。因风电行星齿轮系统安装在数十米甚至上百米高的风塔机头内部,长期处于高速变载、自然温差极大、无人监管的工作环境,故障率很高,寿命周期较短,但运维人员无法对其运行状态和故障情况及时和准确掌握。因此,本文结合数字孪生技术特点,建立与风电齿轮系统相对应的故障诊断数字孪生体模型。该模型可以解决齿轮系统在服役中,遇到各种复杂风象条件下对物理实体的准确运行状态的同步演变,确保对风电齿轮机组状态实施远程监控和因故障导致停机的预判。风电齿轮传动系统是三级行星齿轮箱结构,驱动机构运行的风能能量巨大,无法在实验条件下进行模拟。为此,本文以实验室中的一级风电行星齿轮箱实验台为研究对象,使用2.5kw电动机作为齿轮箱的动力来源,模拟代替风电发电机组叶片及前端动力输入部分,使用磁粉制动器作为齿轮箱输出负载,结合数字孪生技术,建立齿轮箱故障诊断数字孪生体模型,然后对其故障机理进行分析,进而通过理论数据、实验数据与仿真结果的运动学、动力学结果进行对比,验证齿轮数字孪生体模型的正确性。主要工作如下:（1）使用参数点驱动的方式对含齿构件齿廓线进行描绘,在Solid Works中建立与研究对象实物高度吻合的三维模型。通过装配模型干涉检查,对数字模型进行验证。（2）在ANSYS中对齿轮传动正常和故障工况行星齿轮与太阳轮啮合进行应力分析,分析啮合齿轮接触面处的应力分布,对齿轮结构故障演变过程进行研究。（3）在ADAMS软件中对行星齿轮传动结构正常和故障工况动力学模型进行仿真。通过对仿真边界条件进行不断修改,综合考虑阻尼因素对设备运行的影响。并将仿真结果与理论值进行对比,验证孪生体模型的仿真条件。（4）利用实验平台对行星齿轮箱进行振动测试。将实验采集的振动数据与仿真数据进行对比,验证了故障诊断数字孪生模型可以高度模拟真实设备的运行状态。
姚希峰[7]（2020）在《旋转机械故障特征自适应提取与智能诊断方法研究》文中研究表明旋转机械在国民生产生活中发挥着举足轻重的作用,对其运行状态进行准确有效地监测和诊断对保障设备的安全稳定运行,避免重大事故发生具有重要意义。传统的智能故障诊断方法往往需要依赖个人经验从大量数据中进行特征提取,缺乏自适应性,未能充分利用原始信号自身所包含的有效信息。因此,本文以旋转机械关键部件故障检测与识别为目标,开展基于机器学习的自适应故障特征提取方法和智能诊断方法研究。本论文的研究内容如下:（1）针对机器学习算法往往需要大量标签数据进行有监督学习且迭代学习的效率低、耗时长等问题,提出了一种基于自编码极限学习机（Extreme Learning Machine Auto-Encode,ELM-AE）无监督特征学习的智能诊断方法。首先,利用ELM-AE对采集到的无标签振动数据进行无监督学习,然后将训练得到的ELM-AE中的网络权重作为卷积核,利用一维卷积神经网络的卷积池化结构对振动数据样本进行特征提取;最后,将支持向量机（Support Vector Machine,SVM）作为分类器实现故障分类与识别。利用轴承齿轮故障模拟试验台采集得到的轴承/齿轮振动数据集对所提方法进行分析,结果表明所提方法可从时域数据中进行自适应特征提取,在保证较高故障识别精度的同时,有效缩短了网络训练时间。（2）针对全连接神经网络难以有效提取振动信号中局部冲击特征信息,以及不同机械故障所引起的振动响应频率不同,导致直接利用整频带信号进行特征提取诊断结果不佳的问题,提出了一种基于反向传播神经网络（Back-Propagation Neural Networks,BPNN）的多尺度特征学习智能诊断方法。该方法首先利用小波多尺度变换得到不同频率尺度的子信号,然后结合标签数据信息利用BPNN从这些子信号中提取多尺度特征,最后借助SVM实现旋转机械故障分类与识别。利用轴承齿轮故障模拟试验台的滚动轴承数据和美国凯斯西储大学滚动轴承数据对该方法的有效性进行分析,结果表明该方法所提取的不同故障样本间多尺度特征区分性较好,能够对不同转速工况下的滚动轴承健康状态进行有效识别。（3）针对单一传感器获取的信息有限,难以充分表征设备运行状态的问题,提出了一种基于Hilbert-全矢谱与堆栈自编码器（Stacked Auto Encoders,SAE）的智能诊断方法。首先,利用Hilbert-全矢谱技术将两个垂直安放的传感器所采集得到的振动信息进行融合;然后将Hilbert-全矢谱的主振矢作为SAE的输入进行自适应故障特征学习;最后,选用Softmax分类器作为分类层,利用少量的标签数据样本对网络模型进行微调,得到同源双通道信息的故障诊断模型。利用SQI电机故障模拟实验数据集对所提方法进行分析,并与基于单通道传感信号的故障诊断方法进行对比,验证了该方法的有效性和优越性。
张伦[8]（2019）在《直升机主减速器行星轮系连续振动分解及状态指数评估优化方法研究》文中研究表明直升机是军民两用的低空飞行器,具有机动灵活、对起降环境要求低的优点,相比固定翼飞机具有更加良好的飞行适应性。因此,在航空测绘、紧急救援、反恐维稳、特种作战、反坦反潜等领域有广泛的应用。然而,直升机传动系统无法冗余备份,工作在重载、变载环境下的传动系统一旦发生故障,往往导致严重的飞行事故。直升机主减速器中,行星轮系是与主旋翼直接的关键动部件,行星轮系的正常运行是直升机安全飞行的重要保证。但是行星轮系零部件多、运动复杂,直接承受主旋翼在非均匀流体中的外载荷,且受到主减速器中与之相连的转轴、齿轮等动部件的影响。因此,行星轮系是直升机健康与使用监测系统的重要监测对象。论文以直升机主减速器行星轮系为研究对象,针对主减速器行星轮系监测和诊断问题,采用理论研究与实验验证相结合的方法,开展直升机主减速器行星轮系连续振动分解方法及状态指数评估与优化方法研究工作。论文完成的主要研究工作包括:（1）提出了时域同步滑动平均方法。针对时域同步平均方法在信号周期性和频谱分辨率方面的问题,提出了时域同步滑动平均方法;从理论上分析了噪声相关性对于自相关函数和功率谱的影响;讨论了时域同步滑动平均中频谱分辨率和噪声抑制比随滑动窗长变化的性质。（2）提出了连续振动信号分解方法。针对传统振动分离方法的缺点,以时域同步滑动平均方法为理论基础,在啮合时序分析的基础上,提出了连续振动分解方法,从理论上克服了传统振动分离方法输出信号非周期性问题,并给出了一种相比传统振动分离方法批次化在线算法实时性更好的在线算法。（3）瞄准连续振动分解方法在直升机HUMS工程应用当中存在的两个现实问题,研究了限定条件下连续振动分解方法。针对行星架转速不可测问题,提出了转速信号映射方法,实现连续振动分解;针对强背景噪声干扰问题,结合最小熵解卷积滤波方法,进一步增强连续振动分解方法的处理结果。（4）提出了一种状态指数评估与优化方法。在对常用的时域、频域状态指数进行梳理的基础上,对状态指数评估方法进行了简要的介绍;以信号检测理论和ROC分析为理论基础,提出了基于信号检测理论和ROC分析的状态指数评估与优化方法,实现了状态指数评估,以及兼顾故障检测率和虚警率的状态指数阈值优化。综上所述,本文对直升机主减速器行星轮系监测与诊断方法进行了较为深入的研究工作;针对时域同步平均方法在信号周期性和频谱分辨率方面的问题,结合滑动平均方法,提出了时域同步滑动平均方法;以时域同步滑动平均方法为理论基础,提出了连续振动分解方法,并给出其在线算法;针对直升机HUMS工程应用中的转速不可测问题,提出了转速信号映射方法;针对强背景噪声对行星轮系故障诊断带来的干扰问题,结合最小熵解卷积方法,提出了基于连续振动分解和最小熵解卷积的行星轮系故障诊断方法;针对合理选择状态指数并设定最优阈值的问题,提出了基于信号检测理论和ROC分析的状态指数评估与优化方法。本文的研究工作,可为直升机HUMS系统中主减速器行星轮系监测与诊断技术研究及系统研制提供技术参考。
马芸婷[9]（2019）在《基于深度学习的齿轮箱故障诊断研究》文中研究说明机械设备在工业社会起着不可被替代的作用,当机械设备发生故障时,将会引发重大的事故,对人员与经济造成不可挽回的损失。因此对机械设备进行故障诊断与状态监测具有十分重要的意义。齿轮箱作为机械设备的重要组成部分,对齿轮箱的故障诊断也有着十分重要的意义。在齿轮箱故障诊断与状态监测过程中,决定着故障诊断精确度的因素是特征提取,传统的故障诊断方法主要是依据人工提取特征,将被提取出的特征输入浅层学习网络进行故障识别,从而完成故障诊断。但是传统的故障诊断方法过于依靠专家的经验,人为因素过多。同时机械设备的齿轮箱故障诊断与状态监测又面临着大数据的问题。传统的故障诊断方法就显得力不从心。本文将针对以上问题,以实现大数据环境下齿轮箱智能化精确的故障诊断为目标,深度学习中的堆叠自动编码机与卷积神经网络为研究手段,完成以下工作:（1）研究浅层学习与深度学习结构的特点,深度学习与浅层学习之间的联系与区别。（2）研究堆叠自动编码机网络的工作原理并设计一个堆叠自动编码机网络,将其与总体局部均值分解方法,粒子群优化算法相结合进行齿轮箱故障诊断研究。本研究方案在实验中得到了94.2%的准确率。（3）构建不同深度的堆叠自动编码机网络,得出四个隐含层为最优自动编码机深度,与输入层和输出层相结合构建六层深度的堆叠自动编码机网络。将网络与主成分分析方法相结合进行齿轮箱故障诊断的研究,完成数据瘦身与深度学习网络自动特征提取与状态识别的工作。本研究方案在实验中得到96.4%的准确率。（4）研究卷积神经网络的组成与各层功能及工作原理。结合卷积神经网的特点与二维图像数据的特点,构建一个将一维信号自动重构为二维信号并输入卷积神经网络自动完成故障诊断的网络模型。网络模型将每个数据样本内所含的1936个数据点重构为4444?的二维矩阵数据,并将重构的二维数据输入到含有一个输入层,两个卷积层,两个池化层,一个全连接层和一个分类器的七层卷积神经网络中,以此完成端到端的齿轮箱故障诊断方法。本研究方案在实验中得到99.7%的准确率,真正实现了大数据环境下,脱离人为因素的齿轮箱智能故障诊断方法。
邹景强[10]（2019）在《齿轮传动系统故障诊断的稀疏表示方法研究》文中进行了进一步梳理旋转机械中齿轮传动系统在工业生产中应用广泛。然而其齿轮传动系统中的轴承和齿轮容易发生故障而使得整个传动系统运转出现问题甚至失效。所以尽早对齿轮传动系统中轴承和齿轮的故障进行诊断,及时发现故障并处理,是十分必要的。对齿轮和轴承的振动信号进行处理和分析是故障诊断最常用的方法。在对振动信号进行处理的过程中,提取出故障轴承和齿轮的故障特征,并对这些特征进行分类,就能够很好地诊断出是否发生了故障和故障的类型。本文围绕齿轮和轴承两种重要部件的故障特征提取和分类方法展开了系统研究,在基追踪、匹配追踪、字典构造、K-SVD等稀疏表示理论方面进行了深入的研究,取得了以下主要研究成果。首先,提出了一种基于改进的Morlet小波与自适应迭代阈值算法的冲击特性检测方法。设计了一种能够更好地搜索到最佳稀疏参数的改进峭度指标、构造了一种严格满足相容性条件的改进Morlet小波,并将它们与傅里叶基结合起来使用自适应迭代阈值收缩算法（AITSA）,解决了稀疏表示下的参数优化问题,能够对冲击分量进行最优检测。然后,提出了一种基于自适应OMP算法和改进的K-SVD算法的冲击故障特征提取方法。根据谐波和调制分量的形态特性,利用过完备傅里叶字典和自适应稀疏度,OMP算法可以自适应地、准确地将谐波分量从观测信号中分离出来;之后利用循环平移和主周期分割方法建立出信号矩阵,并将信号矩阵进行时域平均得到高效的初始冲击字典构造方法,该方法避免了局部最优,加快运算速度,提高了冲击特征的检测精度,为将K-SVD算法推广到2维信号处理奠定了关键基础。最后,在自适应OMP算法和2维信号自适应K-SVD算法基础上,探究了基于LC-KSVD的齿轮传动系统故障识别方法。将基于自适应OMP算法和改进的K-SVD算法处理后的信号的特征计算出来作为LC-KSVD的输入进行字典学习即分类。将此算法应用到轴承故障实验台的机械振动信号中,结果表明,该方法有很好的分类效果。总之,本论文所提出的这些方法有很好的故障特征提取特性和故障特征分类特性。
二、时域平均在行星齿轮箱故障诊断的应用（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、时域平均在行星齿轮箱故障诊断的应用（论文提纲范文）
（1）基于扭振信号加窗RMS时域同步平均的行星齿轮箱裂纹故障诊断（论文提纲范文）
| 0 引言 |
| 1 加窗RMS时域同步平均分析 |
| 1.1 时域同步平均分析 |
| 1.2 加窗RMS时域同步平均分析 |
| 2 行星齿轮箱裂纹故障模拟试验台 |
| 3 试验信号分析 |
| 4 结论 |
（2）基于振动和电机电流分析的行星轮轴承故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 行星齿轮箱故障诊断研究现状 |
| 1.2.1 数学模型 |
| 1.2.2 信号处理方法 |
| 1.3 行星轮载荷分布不均研究现状 |
| 1.4 行星轮轴承故障诊断研究现状 |
| 1.4.1 最优故障敏感频带选择 |
| 1.4.2 准周期性冲击提取 |
| 1.4.3 时变转速工况 |
| 1.4.4 发电机定子电流信号分析 |
| 1.5 研究内容 |
| 1.6 章节安排 |
| 2 行星轮载荷分布不均检测 |
| 2.1 原因和机理 |
| 2.2 行星轮载荷分布不均的评估指标 |
| 2.3 信号模型 |
| 2.3.1 总体信号模型 |
| 2.3.2 载荷分布比的算法 |
| 2.3.3 传递路径效应 |
| 2.3.4 固有振动的影响 |
| 2.4 频谱结构 |
| 2.5 模型参数的影响 |
| 2.5.1 行星轮数目 |
| 2.5.2 输入扭矩大小 |
| 2.5.3 偏差严重程度 |
| 2.6 实验验证 |
| 2.6.1 实验设置 |
| 2.6.2 实验信号分析 |
| 2.7 本章小结 |
| 3 定转速行星轮轴承故障诊断 |
| 3.1 振动信号模型 |
| 3.1.1 特征频率 |
| 3.1.2 振动信号模型 |
| 3.1.3 Fourier频谱 |
| 3.1.4 幅值和频率解调谱 |
| 3.1.5 滚动体滑移的影响 |
| 3.2 基于谱负熵的信息图 |
| 3.2.1 谱负熵 |
| 3.2.2 分析过程 |
| 3.2.3 仿真验证 |
| 3.2.4 实验信号验证 |
| 3.3 滚动体滑移和多点最优最小熵解卷积 |
| 3.3.1 MOMEDA算法 |
| 3.3.2 目标向量和滑移系数 |
| 3.3.3 数值仿真验证 |
| 3.3.4 实验数据验证 |
| 3.4 本章小结 |
| 4 非平稳工况下的行星轮轴承故障诊断 |
| 4.1 非平稳振动信号模型 |
| 4.1.1 信号模型 |
| 4.1.2 瞬时频谱结构 |
| 4.2 分析方法原理 |
| 4.2.1 自适应迭代广义解调 |
| 4.2.2 多阶概率法 |
| 4.3 数值仿真评估 |
| 4.4 实验验证 |
| 4.4.1 实验室数据 |
| 4.4.2 CMMNO'14数据 |
| 4.5 本章小结 |
| 5 基于发电机定子电流分析的行星轮轴承故障诊断 |
| 5.1 电流信号模型 |
| 5.1.1 外圈故障 |
| 5.1.2 滚动体故障 |
| 5.1.3 内圈故障 |
| 5.2 故障特征 |
| 5.2.1 外圈故障 |
| 5.2.2 滚动体故障 |
| 5.2.3 内圈故障 |
| 5.3 分析流程 |
| 5.4 实验验证 |
| 5.4.1 实验配置 |
| 5.4.2 信号分析 |
| 5.4.3 结果讨论 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 未来展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）多级行星齿轮传动系统动力学分析技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号清单 |
| 第一章 引言 |
| 1.1 研究背景和目的 |
| 1.2 国内外研究现状 |
| 1.2.1 行星齿轮传动动力学研究现状 |
| 1.2.2 齿轮时变啮合刚度研究现状 |
| 1.2.3 齿轮传动扭振信号研究现状 |
| 1.2.4 齿轮传动系统故障诊断研究现状 |
| 1.3 研究内容和方法 |
| 第二章 多级行星齿轮传动系统时变啮合刚度 |
| 2.1 齿轮传动系统的激励 |
| 2.1.1 齿轮传动系统的内部激励 |
| 2.1.2 齿轮传动系统的刚度 |
| 2.2 齿轮传动系统时变啮合刚度 |
| 2.2.1 单齿啮合刚度 |
| 2.2.2 双齿啮合刚度 |
| 2.2.3 齿根裂纹状态时的啮合刚度 |
| 2.3 多级时变啮合刚度计算分析 |
| 2.3.1 第一级外啮合时变啮合刚度 |
| 2.3.1.1 正常状态时刚度计算 |
| 2.3.1.2 齿根裂纹状态时刚度计算 |
| 2.3.2 第一级内啮合时变啮合刚度 |
| 2.3.3 第二级外啮合时变啮合刚度 |
| 2.3.4 第二级内啮合时变啮合刚度 |
| 2.4 本章小结 |
| 第三章 基于动力学模型的多级行星齿轮传动系统振动特性分析 |
| 3.1 动力学模型建立及求解方法 |
| 3.1.1 齿轮纯扭转振动分析模型 |
| 3.1.2 齿轮机构耦合振动分析模型 |
| 3.1.3 齿轮弯-扭耦合模型 |
| 3.1.4 求解方法 |
| 3.2 多级行星齿轮传动系统动力学模型的建立 |
| 3.2.1 多级行星传动系统纯扭转动力学模型 |
| 3.2.2 多级行星传动系统动力学计算分析 |
| 3.2.3 齿根裂纹状态时动态响应分析 |
| 3.3 本章小结 |
| 第四章 基于有限元模型的正常状态时多级行星齿轮传动系统仿真分析 |
| 4.1 有限元方法概述 |
| 4.2 有限元动力学分析基本原理 |
| 4.2.1 动力学基本方程 |
| 4.2.2 有限元接触问题分析 |
| 4.2.3 动力学方程的求解 |
| 4.3 多级行星齿轮传动系统有限元分析 |
| 4.3.1 传动系统建模及装配 |
| 4.3.2 模型处理 |
| 4.3.3 划分网格及定义载荷 |
| 4.3.4 模型验证 |
| 4.4 有限元求解结果分析 |
| 4.4.1 齿轮啮合应力变化 |
| 4.4.2 行星齿轮传动系统响应特性分析 |
| 4.5 本章小结 |
| 第五章 太阳轮含齿根裂纹的多级行星齿轮传动系统振动特性分析 |
| 5.1 行星轮系特征频率及计算 |
| 5.2 行星轮系振动信号模型 |
| 5.3 行星轮系扭转振动信号模型 |
| 5.4 信号定量分析方法 |
| 5.5 输入级太阳轮齿根裂纹故障模型建模 |
| 5.5.1 裂纹扩展路径分析 |
| 5.5.2 齿根存在裂纹的齿轮模型建模 |
| 5.5.3 输入级太阳轮含齿根裂纹时仿真信号分析 |
| 5.6 本章小结 |
| 第六章 含齿根裂纹时多级行星齿轮传动系统动力学模拟试验研究 |
| 6.1 含齿根裂纹时模拟试验台的搭建 |
| 6.1.1 试验台基本结构及原理 |
| 6.1.2 测试系统搭建 |
| 6.1.3 动态扭矩信号的测量 |
| 6.2 试验方案设计 |
| 6.2.1 传感器测点布置 |
| 6.2.2 裂纹模拟 |
| 6.2.3 试验过程 |
| 6.3 正常状态时行星轮系试验信号分析 |
| 6.3.1 阶次分析 |
| 6.3.2 时域同步平均分析 |
| 6.4 太阳轮裂纹故障试验信号分析 |
| 6.4.1 10%深度裂纹故障信号分析 |
| 6.4.2 20%深度裂纹故障信号分析 |
| 6.5 行星轮裂纹故障试验信号分析 |
| 6.5.1 阶次分析及时域平均分析 |
| 6.5.2 不同工况信号特征分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究内容与创新点 |
| 7.2 研究结论与成果 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 学期间发表的学术论文和参加科研情况 |
| 作者简介 |
（4）基于自适应混合特征行星齿轮箱的故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术概述 |
| 1.2.2 行星齿轮箱故障诊断研究 |
| 1.3 本文的主要内容及组织结构 |
| 2 行星齿轮箱故障分析及常用诊断方法 |
| 2.1 引言 |
| 2.2 行星齿轮箱故障模式及其原因 |
| 2.2.1 主要故障模式 |
| 2.2.2 主要故障原因 |
| 2.3 行星齿轮箱动力学建模及特征频率 |
| 2.3.1 行星齿轮箱的动力学建模 |
| 2.3.2 各部件的特征频率 |
| 2.4 常用方法分析 |
| 2.4.1 小波分析 |
| 2.4.2 经验模态分解 |
| 2.5 仿真信号分析 |
| 2.6 本章小结 |
| 3 非线性建模理论分析 |
| 3.1 引言 |
| 3.2 非线性建模理论基础 |
| 3.3 Volterra理论建模基础分析 |
| 3.3.1 Volterra级数 |
| 3.3.2 广义频率响应函数 |
| 3.4 Volterra级数模型的辨识以及核的求解 |
| 3.4.1 Volterra级数模型的辨识 |
| 3.4.2 Volterra核的求解 |
| 3.4.3 算例验证核的求解 |
| 3.4.4 记忆长度和阶数对系统辨识的影响 |
| 3.5 实验验证 |
| 3.5.1 实验平台的搭建 |
| 3.5.2 实验验证分析 |
| 3.6 本章小结 |
| 4 混合特征对行星齿轮箱的复合故障分析 |
| 4.1 引言 |
| 4.2 特征提取 |
| 4.3 基于多特征的复合故障诊断 |
| 4.3.1 分类识别方法 |
| 4.3.2 支持向量机原理 |
| 4.3.3 遗传算法 |
| 4.3.4 基于遗传算法的支持向量机 |
| 4.4 实验验证 |
| 4.5 降维下的多特征复合故障诊断 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（5）基于深度学习的行星齿轮箱智能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行星齿轮箱故障诊断研究现状 |
| 1.2.2 特征提取算法 |
| 1.2.3 智能分类方法 |
| 1.3 论文研究内容与结构安排 |
| 2 行星齿轮箱齿轮故障机理研究 |
| 2.1 齿轮故障形式及其产生原因 |
| 2.2 齿轮故障振动信号模型及故障特征频率计算 |
| 2.2.1 太阳轮局部故障振动信号模型 |
| 2.2.2 行星轮故障振动信号模型 |
| 2.2.3 齿圈故障振动信号模型 |
| 2.2.4 故障特征频率计算 |
| 2.3 实验数据采集与分析 |
| 2.3.1 试验台介绍 |
| 2.3.2 信号采集系统 |
| 2.3.3 齿轮故障件 |
| 2.4 本章小结 |
| 3.基于MEWT和 ASCS的行星齿轮箱微弱故障特征提取 |
| 3.1 理论介绍 |
| 3.1.1 经验小波变换 |
| 3.1.2 稀疏编码收缩算法 |
| 3.2 改进经验小波变换 |
| 3.3 基于MEWT和 ASCS微弱故障诊断方法 |
| 3.4 仿真信号分析 |
| 3.4.1 太阳轮局部故障仿真模型 |
| 3.4.2 仿真分析 |
| 3.5 实验验证和结果分析 |
| 3.5.1 实验说明 |
| 3.5.2 太阳轮裂纹故障分析 |
| 3.5.3 太阳轮断齿故障分析 |
| 3.6 本章小结 |
| 4.基于卷积神经网络的行星齿轮箱故障诊断 |
| 4.1 卷积神经网络 |
| 4.1.1 卷积层 |
| 4.1.2 激活函数 |
| 4.1.3 池化层 |
| 4.1.4 全连接层和全局平均池化层 |
| 4.1.5 卷积网络训练过程 |
| 4.2 基于MEWT和 CNN的网络模型 |
| 4.2.1 网络结构的确定 |
| 4.2.2 网络结构参数实验 |
| 4.3 实验数据验证分析 |
| 4.3.1 数据集介绍 |
| 4.3.2 实验结果分析 |
| 4.3.3 抗噪性实验 |
| 4.3.4 不同转速下的迁移实验 |
| 4.3.5 对比实验 |
| 4.4 本章小结 |
| 5 基于深度迁移学习的行星齿轮箱故障诊断 |
| 5.1 迁移学习 |
| 5.1.1 迁移学习简介 |
| 5.1.2 迁移策略 |
| 5.2 基于MEWT和 TCNN迁移学习模型的故障诊断方法 |
| 5.2.1 故障特征的域适应 |
| 5.2.2 迁移网络结构模型 |
| 5.2.3 迁移诊断模型的训练 |
| 5.3 实验数据分析 |
| 5.3.1 数据集介绍 |
| 5.3.2 变设备齿轮故障迁移实验 |
| 5.3.3 变工况变设备齿轮故障迁移实验 |
| 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 |
（6）行星齿轮箱数字孪生体动力学仿真与故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 数字孪生技术国内外研究现状 |
| 1.3 齿轮箱建模仿真技术研究现状 |
| 1.3.1 齿轮箱建模和特性分析研究现状 |
| 1.3.2 齿轮箱仿真研究现状 |
| 1.4 齿轮箱故障诊断研究现状 |
| 1.5 论文工作章节安排 |
| 2 行星齿轮系统孪生体建模及仿真 |
| 2.1 引言 |
| 2.2 数字孪生技术在齿轮系统结构仿真中的角色 |
| 2.3 数字孪生实体实验台 |
| 2.4 Solid Works行星齿轮系统建模 |
| 2.4.1 含齿构件建模 |
| 2.4.2 行星齿轮箱装配 |
| 2.5 行星轮系结构特性分析 |
| 2.6 行星齿轮齿啮合模型有限元仿真 |
| 2.6.1 齿轮啮合力 |
| 2.6.2 正常工况下啮合接触有限元仿真 |
| 2.6.3 单齿磨损工况下啮合接触有限元仿真 |
| 2.7 本章小结 |
| 3 行星齿轮系统孪生体动力学仿真验证 |
| 3.1 引言 |
| 3.2 行星齿轮系统动力学建模及简化 |
| 3.2.1 行星齿轮系统动力学模型导入 |
| 3.2.2 简化模型对仿真结果影响的分析 |
| 3.3 Adams中行星齿轮系统仿真条件 |
| 3.3.1 接触力方法的选定 |
| 3.3.2 Adams行星齿轮结构其它仿真参数设置 |
| 3.4 行星齿轮结构传动比计算 |
| 3.5 行星齿轮结构仿真运动学验证 |
| 3.5.1 行星齿轮正常工况仿真运动学验证 |
| 3.5.2 行星齿轮故障工况仿真运动学验证 |
| 3.6 本章小结 |
| 4 行星齿轮箱实验测试及仿真结果对比分析 |
| 4.1 引言 |
| 4.2 行星齿轮系统振动测试 |
| 4.2.1 实验目的 |
| 4.2.2测试实验 |
| 4.3 齿轮振动信号分析 |
| 4.4 行星轮系齿轮振动特征频率 |
| 4.5 行星齿轮箱实验与仿真信号对比分析 |
| 4.5.1 实验测点分析 |
| 4.5.2 正常工况测试与仿真信号频域分析 |
| 4.5.3 故障工况测试与仿真信号频域分析 |
| 4.5.4 仿真模型正常、故障工况结果对比分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
（7）旋转机械故障特征自适应提取与智能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 基于特征提取的传统故障诊断方法 |
| 1.2.2 基于模式识别的智能故障诊断方法 |
| 1.3 本文主要研究内容 |
| 第2章 机器学习算法基础理论 |
| 2.1 引言 |
| 2.2 机器学习算法 |
| 2.2.1 传统神经网络模型 |
| 2.2.2 极限学习机 |
| 2.2.3 卷积神经网络 |
| 2.2.4 自编码网络 |
| 2.3 性能分析 |
| 2.4 本章小结 |
| 第3章 基于ELM-AE无监督特征学习的智能故障诊断方法 |
| 3.1 引言 |
| 3.2 基础理论 |
| 3.2.1 ELM-AE |
| 3.2.2 一维卷积神经网络的卷积池化结构 |
| 3.3 基于ELM-AE卷积池化结构的故障诊断方法 |
| 3.3.1 信号预处理 |
| 3.3.2 基于ELM-AE的滤波器权值学习 |
| 3.3.3 特征提取与故障识别 |
| 3.4 实验分析 |
| 3.4.1 数据描述 |
| 3.4.2 参数选择 |
| 3.4.3 对比结果分析 |
| 3.5 本章小结 |
| 第4章 基于BPNN的多尺度特征学习智能故障诊断方法 |
| 4.1 引言 |
| 4.2 BPNN理论基础 |
| 4.3 基于小波变换与BPNN的故障诊断方法 |
| 4.3.1 基于小波多尺度变换的数据预处理 |
| 4.3.2 多尺度局部特征提取及故障识别 |
| 4.4 实验分析 |
| 4.4.1 轴承齿轮故障试验台实验分析 |
| 4.4.2 美国凯斯西储大学滚动轴承实验分析 |
| 4.5 本章小结 |
| 第5章 基于Hilbert-全矢谱与SAE的故障诊断方法 |
| 5.1 引言 |
| 5.2 Hilbert-全矢谱理论基础 |
| 5.2.1 全矢谱技术 |
| 5.2.2 Hilbert包络与Hilbert-全矢谱方法 |
| 5.3 基于Hilbert-全矢谱的SAE故障诊断模型搭建 |
| 5.4 实验分析 |
| 5.5 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 |
（8）直升机主减速器行星轮系连续振动分解及状态指数评估优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写词表 |
| 第一章 绪论 |
| 1.1 研究背景及需求分析 |
| 1.1.1 研究背景与意义 |
| 1.1.2 需求分析 |
| 1.2 直升机HUMS系统研究现状综述 |
| 1.2.1 HUMS系统起源与应用 |
| 1.2.2 HUMS系统技术内涵 |
| 1.3 行星轮系故障诊断方法研究现状 |
| 1.3.1 行星轮系监测信号处理方法研究现状 |
| 1.3.2 行星轮系故障诊断方法研究现状 |
| 1.3.3 状态指数评估与优化方法研究现状 |
| 1.4 课题来源与主要研究工作 |
| 1.4.1 问题的提出与课题来源 |
| 1.4.2 研究内容和章节安排 |
| 第二章 时域同步滑动平均方法 |
| 2.1 时域同步平均与滑动平均方法 |
| 2.2 时域同步滑动平均 |
| 2.2.1 噪声相关性的影响 |
| 2.2.2 时域同步滑动平均性质 |
| 2.2.3 时域滑动平均参数优化 |
| 2.3 实验验证 |
| 2.3.1 理论推导正确性验证 |
| 2.3.2 噪声抑制效果验证 |
| 2.3.3 齿轮箱故障诊断实验验证 |
| 2.4 本章小结 |
| 第三章 连续振动分解方法 |
| 3.1 振动分离方法基本理论 |
| 3.1.1 行星轮系信号传递路径与调制效应分析 |
| 3.1.2 传统振动分离方法 |
| 3.1.3 传统振动分离方法的不足 |
| 3.2 行星轮系动部件连续振动分解方法研究 |
| 3.2.1 轮齿啮合时序分析 |
| 3.2.2 连续振动分解方法 |
| 3.2.3 连续振动分解方法在线算法 |
| 3.3 实验验证 |
| 3.3.1 仿真信号验证 |
| 3.3.2 实验信号验证 |
| 3.4 本章小结 |
| 第四章 限定条件下的连续振动分解方法研究 |
| 4.1 行星架转速信号不可测条件下的连续振动分解方法 |
| 4.1.1 阶比跟踪方法 |
| 4.1.2 计算阶比跟踪方法 |
| 4.1.3 转速信号映射方法 |
| 4.1.4 基于转速映射方法的连续振动分解 |
| 4.2 强背景噪声环境下的连续振动分解方法 |
| 4.2.1 齿轮信号成分分析 |
| 4.2.2 最小熵解卷积方法 |
| 4.2.3 CVS+MED行星轮系故障诊断方法 |
| 4.3 限定条件下的连续振动分解方法验证 |
| 4.3.1 转速信号映射方法验证 |
| 4.3.2 CVS+MED方法验证 |
| 4.4 本章小结 |
| 第五章 状态指数评估与优化方法研究 |
| 5.1 状态指数及其评估、优化方法 |
| 5.1.1 状态指数梳理 |
| 5.1.2 状态指数评估方法 |
| 5.2 信号检测与ROC分析 |
| 5.3 基于ROC理论的状态指数评估与优化方法 |
| 5.3.1 状态指数评估方法 |
| 5.3.2 状态指数优化方法 |
| 5.3.3 基于ROC理论的状态指数评估与优化方法流程 |
| 5.4 状态指数评估与优化方法验证 |
| 5.4.1 状态指数评估方法验证 |
| 5.4.2 状态指数优化方法验证 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 全文总结 |
| 6.1.1 主要研究工作与创新点 |
| 6.1.2 得出的主要结论 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 式(2.11)推导过程 |
（9）基于深度学习的齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题的研究背景及意义 |
| 1.2 齿轮箱失效形式及特点 |
| 1.2.1 齿轮常见失效形式 |
| 1.2.2 齿轮箱振动信号的特点 |
| 1.3 齿轮箱状态监测研究现状 |
| 1.3.1 时频域分析方法 |
| 1.3.2 智能诊断方法 |
| 1.4 本章小结 |
| 2 浅层学习与深度学习 |
| 2.1 浅层学习 |
| 2.2 深度学习 |
| 2.3 黑箱问题 |
| 2.4 深度学习在故障诊断领域的应用 |
| 2.5 本章小结 |
| 3 基于堆叠自动编码机的齿轮箱故障诊断研究 |
| 3.1 堆叠自动编码机 |
| 3.1.1 神经元 |
| 3.1.2 基本深度神经网络 |
| 3.1.3 激活函数 |
| 3.1.4 自动编码机 |
| 3.1.5 堆栈自动编码机 |
| 3.2 齿轮箱信号实验分析 |
| 3.2.1 总体局部均值分解 |
| 3.2.2 粒子群优化算法 |
| 3.2.3 主成分分析 |
| 3.2.4 粒子群优化堆叠自动编码机网络创建 |
| 3.2.5 总体局部均值分解与优化堆叠自动编码机齿轮故障诊断实验方法研究 |
| 3.2.6 主成分分析与堆叠自动编码机的齿轮箱故障诊断方法研究 |
| 3.3 本章小结 |
| 4 基于重构二维数据卷积神经网络的齿轮箱故障诊断研究 |
| 4.1 一维数据重构二维数据 |
| 4.2 卷积神经网络的研究 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.2.4 Softmax回归构建 |
| 4.2.5 损失函数选择 |
| 4.3 实验分析 |
| 4.3.1 实验台及数据简介 |
| 4.3.2 数据重构处理 |
| 4.3.3 卷积神经网络结构设计 |
| 4.3.4 卷积神经网络参数设计 |
| 4.3.5 基于卷积神经网络的齿轮箱故障诊断结果分析 |
| 4.3.6 模型对比 |
| 4.4 本章小结 |
| 5 结论 |
| 6 展望 |
| 参考文献 |
| 附录A |
| 在学研究成果 |
| 致谢 |
（10）齿轮传动系统故障诊断的稀疏表示方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及研究意义 |
| 1.3 国内外现状研究 |
| 1.3.1 机械故障特征提取与降噪方法 |
| 1.3.2 机械故障分类方法 |
| 1.4 本文的主要研究内容 |
| 2 基于改进的峭度指标的自适应冲击特征检测方法 |
| 2.1 改进的Morlet小波 |
| 2.2 基于改进的Morlet小波的冲击特征诊断的稀疏表示算法 |
| 2.2.1 数学基础 |
| 2.2.2 冲击信号的稀疏优化问题 |
| 2.2.3 改进的峭度指标 |
| 2.2.4 基于迭代阈值算法的自适应稀疏求解 |
| 2.3 仿真信号分析 |
| 2.4 实验验证 |
| 2.5 风力发电机行星齿轮箱故障诊断的应用 |
| 2.6 本章小结 |
| 3 改进的OMP算法和基于自适应初始冲击字典的K-SVD算法的冲击特征提取方法 |
| 3.1 基于自适应稀疏度的OMP算法 |
| 3.2 基于自适应冲击字典的改进K-SVD算法 |
| 3.2.1 K-SVD算法 |
| 3.2.2 信号矩阵和初始冲击字典的构造 |
| 3.2.3 信号恢复 |
| 3.3 仿真信号分析 |
| 3.4 实际应用和讨论 |
| 3.5 本章小结 |
| 4 基于标签一致K-SVD的机械故障信号分类方法 |
| 4.1 标签一致K-SVD算法 |
| 4.1.1 用于信号分类的字典学习模型 |
| 4.1.2 标签一致K-SVD(LC-KSVD) |
| 4.1.3 LC-KSVD的初始化 |
| 4.1.4 特征提取与分布分析 |
| 4.2 实验台介绍与振动信号采集 |
| 4.2.1 实验台介绍 |
| 4.2.2 振动信号采集与特征提取 |
| 4.3故障分类识别实验 |
| 4.3.1 同一转速下不同故障类别的分类 |
| 4.3.2 不同转速下不同故障类别的分类 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间发表的论文 |
| B.作者在攻读学位期间参与的科研项目 |
| C.学位论文数据集 |
| 致谢 |
四、时域平均在行星齿轮箱故障诊断的应用（论文参考文献）
- [1]基于扭振信号加窗RMS时域同步平均的行星齿轮箱裂纹故障诊断[J]. 魏伟,李云鹏,梁景源. 机械传动, 2021(12)
- [2]基于振动和电机电流分析的行星轮轴承故障诊断研究[D]. 马浩群. 北京科技大学, 2021
- [3]多级行星齿轮传动系统动力学分析技术研究[D]. 李云鹏. 机械科学研究总院, 2021(01)
- [4]基于自适应混合特征行星齿轮箱的故障诊断方法研究[D]. 陶枝茂. 西安建筑科技大学, 2021(01)
- [5]基于深度学习的行星齿轮箱智能诊断方法研究[D]. 胡少梁. 大连理工大学, 2021(01)
- [6]行星齿轮箱数字孪生体动力学仿真与故障诊断研究[D]. 庞宇. 中北大学, 2020(09)
- [7]旋转机械故障特征自适应提取与智能诊断方法研究[D]. 姚希峰. 燕山大学, 2020(01)
- [8]直升机主减速器行星轮系连续振动分解及状态指数评估优化方法研究[D]. 张伦. 国防科技大学, 2019
- [9]基于深度学习的齿轮箱故障诊断研究[D]. 马芸婷. 内蒙古科技大学, 2019(03)
- [10]齿轮传动系统故障诊断的稀疏表示方法研究[D]. 邹景强. 重庆大学, 2019(01)