一、卷积型小波包变换及其快速算法（论文文献综述）
刘瑶[1]（2021）在《基于时频分析的风机故障智能诊断方法研究》文中研究表明风机在运行过程中发生故障可能引发重大财产损失和人身安全问题。早期,研究人员通过信号处理方法提取风机故障特征,进行故障识别与分类,该方法需要考虑故障与特征提取方法的对应关系,且不同场景下提取到的故障特征不稳定,难以实现在线诊断。深度神经网络可以有效提取风机故障的深层特征,且工程上可以利用迁移学习方法实现高效、稳定的风机运行状态识别和故障诊断。目前,研究人员通常采用旋转机械振动信号的时频图谱作为深度神经网络输入数据,但时频图谱的获取和存储需要更多的计算资源。为降低故障诊断处理器的使用内存、提高计算效率,本文提出利用风机振动时序信号进行故障识别与诊断的方法,为优化故障诊断系统线下部署提供理论基础。本文从保留特征的时间物理意义出发,利用时频信号处理方法对风机的振动信号进行降噪和信号特征频段提取预处理。针对不同场景应用需求,利用两类深度学习方法,分别对预处理后的风机振动时序信号数据进行深度特征提取和故障分类。本文主要结论如下:（1）基于风机故障机理,推导风机故障的振动信号一般形式,结合风机运行过程中的信号的调制作用,构建了风机振动信号模型,为后续振动信号降噪和特征提取方法的研究奠定基础。设计并进行风机模拟故障实验,对获得的风机振动信号进行单域分析,发现仅从时域或频域难以分辨强背景噪声条件下的风机故障类型。（2）对风机振动信号降噪和特征提取预处理方法进行了研究。首先搭建信号降噪性能指标体系:通过信噪比、相关性和信噪比增益进行仿真信号降噪性能评价,通过类可分离度进行实测振动信号降噪性能评价。研究了分解层数对第二代小波分解降噪效果的影响。对基于经验模态分解的清除重复间隔阈值降噪方法（EMD-CIIT）的影响因素进行了研究,EMD-CIIT方法的降噪性能主要受到选用阈值函数和第一个模态分量的修改模式影响。使用硬阈值函数降噪后信号对真实信号逼近程度最高。第一个模态分量的修改模式会影响降噪信号的平滑性。对比研究了多种小波降噪方法和基于经验模态分解（EMD）的其他降噪方法,EMD-CIIT方法降噪处理后得到的信号与真实信号逼近程度最高,且在低信噪比条件下降噪性能突出,由于风机振动信号通常含有大量噪声,因此采用EMD-CIIT降噪方法进行风机振动信号降噪。（3）对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声集合经验模态分解算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象。（4）采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行深层特征提取,实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类,能进行多通道数据输入条件下的离线风机故障分类,样本分类准确率达到100%。本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了研究,构建了直接处理时序振动信号的风机故障诊断框架,以便在低内存条件下部署故障诊断系统,实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设备的故障诊断,为各种工业设备的运行状态识别和故障诊断提供了技术支撑。
张一辙[2]（2020）在《煤矿主扇风机故障诊断系统研究》文中进行了进一步梳理煤矿主扇风机是煤矿安全生产中的重要设备之一,具有稀释瓦斯等有害气体和调节井下气候温度的作用。因而为保证煤矿主扇风机可靠工作,对其进行故障诊断具有极其重要的作用,能够为创建良好的井下生产环境,确保人员安全和其他设备的正常运行提供有利的保障。本文重点研究煤矿主扇风机信号特征值提取及故障诊断的新方法,解决传统方法中存在的噪声干扰、识别困难等问题,进而提高特征值的提取准确率和诊断的正确率。主要研究内容如下:首先,以煤矿主扇风机机械故障诊断为研究对象,综述了国内外故障诊断技术的发展现状,重点分析了国内外煤矿主扇风机故障诊断技术的研究现状。基于煤矿主扇风机的结构特点和主要组成部件,对风机的机械故障进行了分析和研究,提炼并总结了不同故障类型的信号特征。其次,以实验中采集的数据为基础,根据信号特征,进行处理方法研究。采用经验模态分解方法（EMD）,能够反映信号的局部特征和物理变化,存在模态混叠的问题。在EMD基础上进一步研究,提出CEEMD的方法,消除了部分模态混叠和残余噪声。为更精准的进行特征提取,引入独立成分分析（ICA）的方法,有效的提升了信号提取和处理的准确性,并将CEEMD与ICA相结合的方法作为故障特征的提取方法。在此基础上,研究并设计了煤矿主扇风机故障诊断系统,并进行系统实现。最后,搭建风机实验台,模拟了风机碰摩、松动与偏心三种故障,利用煤矿主扇风机故障诊断系统对模拟风机进行故障监测与诊断,当出现故障时,系统能够及时、准确的进行报警,同时将故障信息进行实时存储,并通过学习的方式不断完善风机的特征数据库,充分验证了该系统的有效性和可行性。再进行现场实验,将煤矿主扇风机故障诊断系统应用于实际的生产中,通过数据采集、处理和自学习,实现设备故障诊断,该系统具有一定的实际应用价值。该论文有图92幅,表16个,参考文献71篇。
王鹏[3]（2018）在《复杂现场工况下旋转机械故障微弱特征提取与智能评估》文中研究说明机械设备故障诊断是生产安全的重要保障措施。随着生产企业对安全、效率、成本的重视程度提高,对于设备健康管理的需求与日俱增。而长期以来,机械故障诊断技术研究存在着重理论轻应用、重实验轻现场、重技术轻体验的问题,从而导致目前常用的机械故障诊断方法无法满足工业现场复杂工况设备的诊断需求,相关仪器操作复杂且对操作者有较高的理论基础要求。从工业企业设备维护人员的角度讲,机械故障诊断技术在工业现场“不好用”、“不会用”。因此,本文以基于振动信号分析的旋转机械故障诊断方法为基础,结合生产企业实际需求展开研究。一方面从工业现场设备强干扰、变转速的复杂工况出发,研究复杂现场工况下旋转机械振动信号处理方法。另一方面,针对设备维护人员理论基础欠缺的情况,研究复杂现场工况下故障智能评估方法。通过以上两方面的工作,实现以应用为导向的理论研究,并通过工业现场应用对理论研究与实践工作进行验证。为了实现复杂现场工况下旋转机械振动信号中的故障微弱特征提取,本文首先在Hilbert-Huang变换理论架构基础上,通过对端点效应、模态混叠问题进行改进并通过CEEMDAN快速算法实现了振动信号分析方法参数调节简便化。然后,以基于改进CEEMDAN的自适应非参数时频分析为基础,本文提出了一种用于强噪声干扰下故障冲击特征增强与提取的能量权重理论。通过一组仿真振动信号的分析以及列车轴承故障诊断实验,对能量权重法进行了验证,证明了该方法对强噪声干扰下的故障特征成分提取具有良好的效果。此外,本文还对能量权重法的应用范围进行了进一步拓展,提出了变转速工况下的能量权重法。通过对变转速、强干扰下的机械振动信号进行无键相阶次跟踪分析与能量权重法分析,实现了复杂现场工况下的故障特征增强,并以相关理论为基础进行了测试分析系统的开发。通过仿真信号分析和卷扬机轴承故障诊断工作对能量权重法在变转速工况下的应用进行了有效性验证。在研究振动信号特征提取方法,实现故障诊断与定位之外,本文还在设备智能健康评估方面进行了研究,提出了基于深度学习的变转速设备智能故障诊断。通过对振动信号的无键相阶次跟踪与等角度重采样,将变工况下的信号进行预处理,再利用深度卷积模型实现振动信号特征智能提取与分类,从而实现了诊断方法智能化。本文以高炉煤气余压透平发电机组和门座式起重机转车减速箱为诊断对象,通过对长期跟踪测试积累得到振动信号进行分析,相关理论在工业现场获得了应用与验证。
弓晓凤[4]（2015）在《基于混沌和小波的采煤机振动故障的研究》文中研究指明采煤机作为煤矿企业的龙头机械,近年来随着机械化的提高、结构的复杂化及其功率的增大,故障率与日俱增,而且直接影响着煤矿的安全生产和经济效益。所以,有效的故障诊断技术不仅可以减少不必要的损失,并且真正做到预知维修。因此,在煤矿企业中对于故障信号的分析、检测及特征提取的研究意义重大。本学位论文以采煤机截割部为研究对象,着重分析了其齿轮和轴承的振动故障。分析对比了常见的弱信号检测方法及故障特征提取理论,并研究了它们各自在实际工程应用中的缺陷,最后提出了将混沌Duffing振子的和卷积型小波包相结合的的采煤机强噪声背景下初期故障微弱幅值变化检测及特征提取的故障诊断技术。本课题开展的研究工作如下:首先,介绍了采煤机的基本组成结构,深入分析了截割部的传动部与电机的构造,并重点研究了其滚动轴承和齿轮的振动机理与故障特性。紧接着便对采煤机振动故障信号的选取、分析及如何检测做了对比分析,分别得出了混沌Duffing振子及小波分析法在采煤机初期故障振动弱信号检测及特征提取中的优势。然后,建立了检测微弱振动信号的混沌Duffing振子模型,分析了其检测原理,并通过Melnikov函数得出了其混沌判据。同时分析了基于混沌Duffing振子的微弱信号检测振动幅值的原理和方法,通过Matlab的Simulink仿真得出了其测量值与真实值之间的误差达到10-7,证实了该理论可以应用于采煤机的故障诊断。为了进一步说明混沌Duffing振子在本文中应用的优势,故在已知Duffing振子模型中加入了噪声信号,通过原理分析及仿真得出了其对于噪声的免役性能。最后,在分析了基本的小波变化、多分辨分析及卷积型离散小波变化的基础上提出了基于卷积型小波包的采煤机振动故障的特征提取法,通过实验仿真分别得出了轴承及齿轮故障频率信息,并对比了正常与故障的能量值分布,进一步验证了故障的存在性及检测的准确性。
罗荣,田福庆,冯昌林,丁庆喜,李万[5]（2014）在《冗余小波包改进及其在齿轮箱故障诊断中应用》文中认为针对小波包分解广泛存在频率折叠、频带重叠与频带错位缺陷,分析了其产生的根源,并以此提出了一种改进的冗余小波包分解算法。该算法通过交换偶数位置子带小波包分解后的两子带顺序来消除频带错位缺陷,通过引入两算子依据傅里叶变换滤波原理分别从频域滤去低、高频子带理论频率范围外的频率成分来避免频带重叠缺陷。分别使用仿真信号与某直升机中减速器疲劳试验的故障数据对该算法进行了仿真验证与试验验证。分析结果表明:相对于Mallat小波包算法和通常的冗余小波包算法,改进的冗余小波包分解算法确实成功消除了频率折叠、频带重叠和频带错位等三类缺陷,因此该算法能更有效地提取淹没在强噪声和其他强干扰背景下微弱故障特征,具有一定的工程应用价值。
田福庆,罗荣,李万,丁庆喜[6]（2014）在《改进的卷积型小波包分解及在故障诊断中的应用》文中研究说明针对卷积型小波包分解存在频带错位与频带重叠缺陷,提出了一种改进的卷积型小波包分解算法。该算法通过交换偶数位置节点小波包分解后的两节点顺序来消除频带错位缺陷,引入两算子分别从频域除去低、高频子带理想通带范围外的频率成分以消除频带重叠缺陷。由构造的故障信号进行仿真实验,并使用某直升机中减速器疲劳实验的故障数据进行了验证。结果表明:由于消除了卷积型小波包和内积型小波包分解算法中广泛存在的频率折叠、频带重叠和频带错位缺陷,改造的卷积型小波包分解算法能更方便、更有效地提取隐藏在强噪声和其他强干扰背景下的故障特征信息,从而为机械故障的诊断提供了一种强有力的分析手段。
徐行雄,吴利民[7]（2011）在《基于卷积型小波包变换的频谱感知方法研究》文中提出频谱感知是认知无线电（CR）系统中的核心技术之一.鉴于对可靠的主用户（PU）信号检测是实现频谱感知的前提,提出一种基于卷积型小波包变换的能量检测算法（CWPTED）用于频谱感知.该算法通过卷积型小波包变换（CWPT）较准确地估计噪声方差,以减小噪声不确定度并实时更新检测门限.仿真结果表明:该算法可有效减小噪声不确定度对能量检测（ED）的影响,较适合应用于噪声信息未知情况下的频谱感知.
王祎,刘治国[8]（2010）在《卷积小波包变换在多址干扰消除中的应用》文中研究说明为解决扩频通信系统中存在的多址干扰问题,将卷积小波包变换引入了扩频系统的降噪处理过程。探讨了干扰噪声在卷积小波包变换中的传播特性,在此基础上讨论了卷积小波包变换降噪的算法步骤,详细讨论了干扰噪声方差估计和阈值函数处理的方法。对几种常用的信号类型进行了仿真计算,仿真结果表明该方法不但能提高扩频通信系统的降噪精度,还可较好保留信号中的主要细节。
周永勇,周湶,杨柱石,孙才新,李剑,谢国勇[9]（2010）在《采用CWP-EM和IPSO-WNN的配电网单相接地故障定位》文中进行了进一步梳理随着用户对供电质量要求的不断提高,在线解决配电网单相接地故障定位问题成为供电部分的迫切需要。为此提出了一种中性点不接地或经消弧线圈接地的配电网单相接地故障定位的新方法,采用基于卷积型小波包能量矩（CWP-EM）的特征提取方法,对暂态电流信号进行特征向量的提取。相比传统的小波包能量特征提取方法,此方法能更有效地提取信号在各频带上的能量分布特征,并构造特征向量以作为基于免疫粒子群优化算法（IPSO）的3层小波神经网络（WNN）的训练样本集。最后,利用训练好的小波神经网络实现单相接地故障的定位。MATLAB仿真计算结果表明,提出的方法能够充分利用配电网单相接地故障信息,实现更快、更精确的单相接地故障的定位。
刘东东,陈兵,王华明[10]（2010）在《基于卷积型小波包变换的船用水位调节器故障辨识》文中指出以某型蒸汽船的主冷凝器水位调节器为研究对象,应用卷积型小波包变换提取各种故障信号分解后的相对小波包能量,建立水位调节器标准故障库,并引进Euclidean空间距离公式作为判据进行故障识别。实验结果表明,该方法可以对水位调节器的典型故障进行快速、正确分类,降低了其故障定位与维修的盲目性。
二、卷积型小波包变换及其快速算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、卷积型小波包变换及其快速算法（论文提纲范文）
（1）基于时频分析的风机故障智能诊断方法研究（论文提纲范文）
| 致谢 |
| 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 面向旋转机械的信号处理方法及应用现状 |
| 1.2.2 旋转机械故障的智能诊断方法研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第2章 风机模拟故障实验与信号模型研究 |
| 2.1 引言 |
| 2.2 旋转机械故障分析及风机信号模型研究 |
| 2.2.1 转子不平衡故障 |
| 2.2.2 定转子碰磨故障 |
| 2.2.3 基座松动故障 |
| 2.2.4 风机振动信号模型 |
| 2.3 模拟故障装置与测试方法 |
| 2.3.1 实验设备及参数 |
| 2.3.2 故障模拟实验测试方法 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第3章 风机振动监测信号降噪及特征提取技术 |
| 3.1 引言 |
| 3.2 降噪效果评价指标 |
| 3.2.1 信噪比 |
| 3.2.2 相关性 |
| 3.2.3 信噪比增益率 |
| 3.2.4 类可分离度 |
| 3.3 基于第二代小波的风机振动信号降噪 |
| 3.3.1 小波分析理论 |
| 3.3.2 小波降噪理论 |
| 3.3.3 信号模型降噪 |
| 3.3.4 风机振动信号降噪 |
| 3.4 基于EMD-CIIT的风机振动信号降噪 |
| 3.4.1 经验模态分解理论 |
| 3.4.2 经验模态分解降噪理论 |
| 3.4.3 信号模型降噪 |
| 3.4.4 风机振动信号降噪 |
| 3.4.5 降噪效果对比 |
| 3.5 基于CEEMDAN的风机故障特征提取 |
| 3.5.1 CEEMDAN理论 |
| 3.5.2 信号模型验证 |
| 3.5.3 风机振动信号验证 |
| 3.6 本章小结 |
| 第4章 基于信号特征提取的风机故障智能诊断试验 |
| 4.1 引言 |
| 4.2 长短时记忆模型诊断 |
| 4.2.1 长短时记忆模型理论 |
| 4.2.2 风机故障试验验证 |
| 4.3 残差神经网络诊断 |
| 4.3.1 残差神经网络理论 |
| 4.3.2 风机故障试验验证 |
| 4.4 分类效果对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的工作内容总结 |
| 5.2 本文创新点 |
| 5.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（2）煤矿主扇风机故障诊断系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外故障诊断技术发展及现状 |
| 1.3 煤矿主扇风机故障诊断技术研究现状 |
| 1.4 本文主要研究内容 |
| 2 煤矿主扇风机故障机理研究 |
| 2.1 煤矿主扇风机基本结构及工作原理 |
| 2.2 旋转机械振动表征分析 |
| 2.3 煤矿主扇风机故障机理分析 |
| 2.4 本章小结 |
| 3 煤矿主扇风机信号分析与处理方法研究 |
| 3.1 故障诊断分析方法 |
| 3.2 基于小波包变换的信号预处理研究 |
| 3.3 基于经验模态分解方法的信号处理研究 |
| 3.4 基于互补总体平均经验模态分解方法的信号处理研究 |
| 3.5 基于独立成分分析方法的信号处理研究 |
| 3.6 基于CEEMD-ICA方法的信号处理研究 |
| 3.7 本章小结 |
| 4 煤矿主扇风机故障诊断系统研究 |
| 4.1 系统功能需求分析 |
| 4.2 故障诊断系统设计总体方案 |
| 4.3 本章小结 |
| 5 故障诊断系统实验研究 |
| 5.1 风机模拟实验研究 |
| 5.2 煤矿主扇风机实验研究 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 I |
| 作者简历 |
| 学位论文数据集 |
（3）复杂现场工况下旋转机械故障微弱特征提取与智能评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于振动测试的旋转机械故障诊断方法及应用 |
| 1.2.2 复杂现场工况下旋转机械振动信号特性 |
| 1.2.3 故障微弱特征提取与增强 |
| 1.2.4 变转速工况下振动信号分析方法 |
| 1.2.5 基于机器学习的旋转机械故障诊断 |
| 1.3 问题的提出及本文拟研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容 |
| 第二章 基于改进CEEMDAN的时频分析 |
| 2.1 前言 |
| 2.2 Hilbert-Huang变换 |
| 2.2.1 经验模式分解与本征模态函数 |
| 2.2.2 Hilbert变换与瞬时频率 |
| 2.3 基于包络线直接延拓的端点效应处理 |
| 2.4 CEEMDAN快速算法 |
| 2.4.1 CEEMDAN快速算法 |
| 2.4.2 CEEMDAN参数选择 |
| 2.4.3 仿真信号分析 |
| 2.5 基于直接正交法的瞬时频率计算 |
| 2.5.1 经验调幅-调频分解 |
| 2.5.2 直接正交法 |
| 2.6 本章小结 |
| 第三章 基于能量权重法的强噪声背景下振动信号特征提取 |
| 3.1 前言 |
| 3.2 能量权重法 |
| 3.2.1 能量时间序列 |
| 3.2.2 多尺度二进制谱 |
| 3.2.3 能量权重分析 |
| 3.3 仿真信号分析 |
| 3.4 实验验证 |
| 3.4.1 外圈故障轴承实验 |
| 3.4.2 内圈故障轴承实验 |
| 3.5 本章小结 |
| 第四章 变工况下基于能量权重法的故障诊断 |
| 4.1 前言 |
| 4.2 基于Gabor变换的无键相阶次跟踪 |
| 4.2.1 Gabor变换 |
| 4.2.2 基于Gabor变换的信号阶次提取 |
| 4.2.3 瞬时频率估计与信号重采样 |
| 4.3 变工况下的能量权重法 |
| 4.4 仿真信号分析 |
| 4.5 工业现场试验与应用 |
| 4.5.1 测试分析系统开发 |
| 4.5.2 试验与应用 |
| 4.6 本章小结 |
| 第五章 变工况下基于深度卷积模型的智能故障诊断 |
| 5.1 前言 |
| 5.2 基于深度卷积模型的振动信号自适应特征提取 |
| 5.2.1 卷积神经网络 |
| 5.2.2 深度卷积模型 |
| 5.2.3 深度卷积模型用于振动信号特征提取的问题 |
| 5.3 变工况下基于深度卷积模型的智能故障诊断 |
| 5.3.1 信号预处理 |
| 5.3.2 子信号抽取 |
| 5.3.3 基于一维滤波器的卷积层 |
| 5.3.4 Dropout池化算法 |
| 5.3.5 Softmax全连接层 |
| 5.4 试验与应用一 |
| 5.4.1 诊断对象 |
| 5.4.2 试验方法 |
| 5.4.3 样本分配 |
| 5.4.4 模型参数选择 |
| 5.4.5 对比实验及结果 |
| 5.4.6 诊断案例 |
| 5.5 试验与应用二 |
| 5.5.1 诊断对象 |
| 5.5.2 试验方法 |
| 5.5.3 信号预处理与样本分配 |
| 5.5.4 模型参数选择 |
| 5.5.5 对比实验及结果 |
| 5.5.6 诊断案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（4）基于混沌和小波的采煤机振动故障的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 研究意义 |
| 1.3 采煤机故障诊断技术研究概况 |
| 1.3.1 国外研究概况 |
| 1.3.2 国内研究概况 |
| 1.4 本文总体设计思路 |
| 1.5 本课题的来源及内容安排 |
| 1.6 本章小结 |
| 2 采煤机结构及其故障分析 |
| 2.1 采煤机总体结构 |
| 2.1.1 截割部的传动系统 |
| 2.1.2 截割电动机 |
| 2.2 截割部轴承振动机理与故障特性分析 |
| 2.2.1 滚动轴承结构及相关频率计算 |
| 2.2.2 滚动轴承振动机理分析 |
| 2.2.3 滚动轴承故障振动信号特性分析 |
| 2.2.4 滚动轴承损伤故障的包络谱特征 |
| 2.3 截割部齿轮振动机理与故障特性分析 |
| 2.3.1 齿轮振动机理分析 |
| 2.3.2 齿轮振动主要参数 |
| 2.3.3 齿轮故障振动模型 |
| 2.3.4 齿轮故障的包络特征谱 |
| 2.4 本章小结 |
| 3 振动信号分析方法研究 |
| 3.1 采煤机故障信号的选取 |
| 3.2 振动信号的分析方法 |
| 3.2.1 幅值域分析法 |
| 3.2.2 频域分析法 |
| 3.2.3 时频分析 |
| 3.3 振动信号的小波奇异性理论 |
| 3.3.1 信号奇异性的定义及性质 |
| 3.3.2 小波变换奇异点识别 |
| 3.3.3 奇异性的小波基与分析尺度的选择 |
| 3.4 微弱振动信号的检测方法 |
| 3.4.1 取样积分 |
| 3.4.2 相关检测 |
| 3.4.3 双谱估计 |
| 3.5 本章小结 |
| 4 混沌Duffing振子在早期故障振动信号检测中的应用 |
| 4.1 混沌的基本理论及特征 |
| 4.2 Duffing振子检测原理分析 |
| 4.2.1 Duffing振子的数学模型 |
| 4.2.2 基于Melnikov的Duffing振子混沌判据 |
| 4.2.3 Duffing振子的噪声分析 |
| 4.3 振动信号的幅值检测 |
| 4.4 带有噪声的振动信号幅值检测 |
| 4.5 本章小结 |
| 5 卷积型小波变换在故障特征提取中的应用 |
| 5.1 连续小波变换基本理论 |
| 5.2 多分辨分析与二尺度方程 |
| 5.3 卷积型离散小波变换理论 |
| 5.3.1 离散型小波变换 |
| 5.3.2 卷积型离散小波变换及其快速算法 |
| 5.4 卷积型小波包变换及应用 |
| 5.4.1 小波包基本概念 |
| 5.4.2 卷积型小波包变换分解算法 |
| 5.4.3 卷积型小波包变换重构算法 |
| 5.4.4 卷积型小波包能量包络法 |
| 5.4.5 基于卷积型小波包的故障特征提取 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）改进的卷积型小波包分解及在故障诊断中的应用（论文提纲范文）
| 1 卷积型小波包分解算法 |
| 2 改进的卷积型小波包分解算法 |
| 2.1 频带错位及其消除算法分析 |
| 2.2 频带重叠及消除算法分析 |
| 3 仿真实验 |
| 4 应用实例 |
| 5 结论 |
（9）采用CWP-EM和IPSO-WNN的配电网单相接地故障定位（论文提纲范文）
| 0 引言 |
| 1 配电网单相接地故障特征信息的提取 |
| 1.1 卷积型小波包变换 |
| 1.2 基于卷积型小波包能量矩的特征提取方法 |
| 2 免疫粒子群优化算法在小波神经网络学习中的应用 |
| 2.1 免疫粒子群算法 |
| 2.2 免疫粒子群优化算法优化小波神经网络 |
| 3 仿真与分析 |
| 4 结语 |
（10）基于卷积型小波包变换的船用水位调节器故障辨识（论文提纲范文）
| 1 引言 |
| 2 卷积型小波包理论及能量特征向量构造 |
| 2.1 卷积型小波包的特点及快速算法 |
| 2.2 相对小波包能量向量 |
| 3 相对小波包能量与故障诊断 |
| 3 实验及数据分析 |
| 3.1 实验及数据分析 |
| 3.2 数据分析 |
| 4 结束语 |
四、卷积型小波包变换及其快速算法（论文参考文献）
- [1]基于时频分析的风机故障智能诊断方法研究[D]. 刘瑶. 浙江大学, 2021(09)
- [2]煤矿主扇风机故障诊断系统研究[D]. 张一辙. 辽宁工程技术大学, 2020(02)
- [3]复杂现场工况下旋转机械故障微弱特征提取与智能评估[D]. 王鹏. 天津大学, 2018(06)
- [4]基于混沌和小波的采煤机振动故障的研究[D]. 弓晓凤. 西安科技大学, 2015(02)
- [5]冗余小波包改进及其在齿轮箱故障诊断中应用[J]. 罗荣,田福庆,冯昌林,丁庆喜,李万. 机械工程学报, 2014(15)
- [6]改进的卷积型小波包分解及在故障诊断中的应用[J]. 田福庆,罗荣,李万,丁庆喜. 西安交通大学学报, 2014(03)
- [7]基于卷积型小波包变换的频谱感知方法研究[J]. 徐行雄,吴利民. 空军雷达学院学报, 2011(04)
- [8]卷积小波包变换在多址干扰消除中的应用[J]. 王祎,刘治国. 舰船电子工程, 2010(08)
- [9]采用CWP-EM和IPSO-WNN的配电网单相接地故障定位[J]. 周永勇,周湶,杨柱石,孙才新,李剑,谢国勇. 高电压技术, 2010(04)
- [10]基于卷积型小波包变换的船用水位调节器故障辨识[J]. 刘东东,陈兵,王华明. 中国舰船研究, 2010(01)