一、冲击脉冲法在电机轴承故障诊断中的应用（论文文献综述）
朱文龙,杨家伟,关照议,曾威嶂[1]（2021）在《牵引电机轴承故障诊断技术综述》文中研究说明牵引电机轴承因长期工作在复杂恶劣的环境中,易出现不同程度的性能退化和疲劳损伤,进而发生故障,影响列车的安全稳定运行。为保证轨道交通列车的正常运营和行车秩序,需动态跟踪轴承健康状态,实现牵引电机状态修。为此,文章对牵引电机轴承故障诊断技术进行研究,在深入分析轴承故障原因及其诊断机理的基础上,归纳总结了基于电信号、振动信号和声音信号的轴承故障诊断技术的最新进展、特点和适用场景,并指出了牵引电机轴承故障诊断技术的发展方向。
柴娜[2]（2021）在《伺服电机系统传动链典型故障诊断技术研究》文中提出伺服电机系统传动链广泛应用于风力发电、数控机床、重型机械等领域,但实际场合中由其故障带来的设备不能正常运转的现象屡见不鲜。近年来,“智能制造工程”的推进对设备的可靠性及安全性提出了更高要求,可以说电机系统传动链健康监测及故障辨识能力已成为下一代高档伺服驱动器的显着标志之一。因此,故障诊断与健康维护技术也迎来了新的发展契机。基于电机驱动系统的诊断方法,利用电机驱动器自身作为智能传感器,通过驱动系统获得的电流、电机转速、辨识得到的机械参数等信号作为故障载体,实现对电机系统传动链运行状态的监测及诊断,是该领域最新的研究热点。该方法无需额外安装传感器,可以有效降低成本;同时,基于电机驱动系统的诊断方法属于无介入式的故障诊断方法,不会损害设备,更不会影响其可靠性及使用寿命。本论文针对电机系统传动链三大典型故障——传动齿轮、电机轴承、电机安装不对中进行系统性研究,旨在充分挖掘基于电机驱动系统的诊断方法潜力。从稳态下最优故障载体选取、故障特征提取优化、不依赖于健康数据的故障判断等关键技术入手,改善基于电机驱动系统诊断方法的性能;并将诊断算法扩展到位域下,实现暂态条件下的电机系统传动链故障诊断,进一步提升其工业应用价值。具体研究内容包括:针对基于电机电流特征分析法（Motor Current Signature Analysis,MCSA）的齿轮局部式故障诊断中故障特征提取这一难点,本论文提出了基于人工蜂群算法的双重参数优化共振稀疏分解（Resonance-Based Sparse Signal Decomposition,RSSD）方法。在建立电机、齿轮一体化机电系统模型的基础上,分析了齿轮局部式故障对电机相电流的影响。针对故障特征分量受电流基波、啮合频率等相关分量的复合调制存在于不同频带范围内这一问题,提出了相电流共振稀疏分解方法来提取故障特征。与此同时,为了避免人为选取RSSD参数的影响,提出了基于人工蜂群算法（Artificial Bee Colony,ABC）的双重参数优化方法,进一步改善MCSA齿轮局部式故障诊断的效果,扩大算法有效的适用范围。在实验室搭建典型的断齿故障诊断平台,验证了算法的有效性。为了提高较为微弱的电机本体轴承局部式故障的诊断效果,开展故障载体选取、故障特征提取、驱动算法预处理方案的研究。从故障载体的角度出发,建模分析MCSA及电机转速特征分析法（Motor Speed Signature Analysis,MSSA）轴承局部式故障诊断的机理。在此基础上,采用谱峭度方法提取轴承局部式故障带来的高频冲击分量,并在实验室搭建的轴承裂纹诊断平台上对二者进行综合对比。实验结果与理论分析一致,即MSSA性能优于MCSA,故选取MSSA进行后续研究。提出了基于集合经验模态分解算法（Ensemble Empirical Mode Decomposition,EEMD）的自适应信号重构方法,对传统谱峭度算法进行了改进,实现了转速降噪,进一步改善MSSA轴承局部式故障诊断的性能。最后,针对电流采样误差等其它故障带来的周期性转速脉动分量降低了MSSA信噪比这一问题,提出了结合驱动算法的预降噪方案,利用改进的驱动算法实现了对噪声分量的主动抑制。针对安装不对中故障往往发生在初始安装环节、无健康数据参照这一问题,提出了基于MSSA的电机初始安装不对中检测方法。首先建模分析平行不对中、角度不对中故障对电机转速信号的影响。在此基础上,采用模型系数辨识方法提取转速信号中由不对中故障带来的周期性脉动分量,避免了由非同步采样引起的FFT结果不准确问题。接着,分析安装不对中故障特征分量随电机转速变化的规律,将该变化规律与故障分量占比等指标相结合,实现了基于MSSA的不依赖于健康数据的初始安装不对中故障检测及类型判断。最后,通过仿真与实验,验证了初始安装不对中故障诊断技术的有效性。针对暂态过程中故障特征分量失去重复性导致常规诊断算法失效的问题,在位域下对三种典型故障的诊断算法进行了研究,并按算法复杂性展开。首先分析了暂态下常规方案失效的机理,并利用故障特征始终是角度周期性函数这一特点,研究位域重采样算法以恢复故障特征的周期性。在此基础上,针对暂态齿轮故障诊断,开展位域运动误差信号同步平均方案的研究;结合转速阶比谱分析,诊断安装不对中故障;并对谱峭度算法进行改进,提出阶谱峭度方法,实现了暂态下的轴承故障诊断。在各故障诊断平台上进行暂态过程实验测试,验证了所提方案的有效性,成功实现了暂态运行条件下的故障特征提取。
杨海坤[3]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中研究说明对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
高愿[4]（2020）在《感应电机轴承故障的磁场特征研究》文中认为感应电机因具有结构简单、运行可靠且价格低廉等巨大优势,被广泛应用于现代交通系统、工业生产以及居民的日常生活当中。而轴承又是感应电机中最重要的组成部分;因此,为确保机械设备的安全性,迫切需要及时、准确、有效的电机轴承故障诊断方法。本文首先针对电机轴承出现故障时,强噪声背景下弱特征信号的识别问题,采用了基于Teager-Kaiser能量算子故障特征提取方法。从理论上分析了 Teager-Kaiser能量算子应用到杂散磁场中不仅能够解调出故障特征频率,还能够使得较弱的故障特征频率的幅值得到强化,从而提高故障检测的能力。在此基础上,本文先后采用了两个卷积神经网络模型,对从杂散磁场信号中提取到的特征进行故障的分类识别。其中第一个是经典的一维卷积神经网络模型,该模型分别利用磁场信号的时域和频域特征进行故障识别,为了增强模型鲁棒性和泛化能力,使用重采样的方法对所采集的磁场数据集进行强化。并将Teager-Kaiser能量算子提取到的时域和频域特征,输入模型中进行训练和故障识别,结果证明应用频域的故障识别率比时域高2%左右,达到了 85%。通过对杂散磁场信号特点的进一步分析,经过多次的调整、及试验,提出了第二个卷积神经网络模型:一维宽卷积核深度卷积神经网络模型。该模型的特点是第一层大卷积核后面连接多层小卷积核,这样做可以让第一卷积层收集到更多的故障特征信息,自助完成择优去劣工作,后面的小卷积核能够更好的加速训练过程。通过加深网络层数不仅减少了模型训练参数,也扩大了每层网络的感受野。利用批量归一化算法,改善网络模型训练效率,增强模型的泛化能力。相较于经典的CNN,一维宽卷积核深度卷积神经网络模型利用Teager-Kaiser能量算子提取到的频域特征,故障分类准确率提高到了 97%。利用卷积神经网络优良的自适应特征学习特点对频域信号实现端到端的故障检测。最终通过试验验证了一维宽卷积深度神经网络在强噪声背景下依然能够完成轴承故障诊断的优势。通过与多种方法的对比试验,验证了本文提出的神经网络模型无论从训练效率方面还是识别准确率方面都展现出优越的性能。
刘星宇[5]（2020）在《基于小波时频变换和可变形卷积神经网络的滚动轴承故障诊断》文中研究表明旋转机械在航天航海,交通运输,制造业等领域起着重要作用,滚动轴承是旋转机械中重要的、广泛应用的部件之一。轴承的运行状态往往决定了旋转机械工作的稳定性,异物进入、装配不适、润滑不足、过载等问题都会导致轴承提前失效,可能对旋转机械造成严重影响。针对滚动轴承进行监测故障诊断可以保障旋转机械运转状态良好,避免发生严重事故。因此,滚动轴承故障诊断已成为国内外的研讨热点问题,对现代工业的发展具备重要意义。传统的故障诊断方法主要为信号分析方法,但随着旋转机械的发展,信号组成成分逐渐复杂,依赖于人工提取特征的方法已不再适用。基于智能算法方法的故障诊断技术得益于大数据技术的发展,在许多方面已超越了信号分析方法,节约了许多资源,在识别率和稳定性方面均优于信号分析方法。因此,本文提出一种基于小波时频分析和可变形卷积神经网络的智能算法方法,运用到滚动轴承故障诊断中,平均准确率达到99.9%,获得了较好的成绩。首先,文章阐述了滚动轴承失效原因和故障类别,对于滚动轴承运转过程中引起的谐波分量进行了说明,分析了谐波分量对冲击分量的影响。根据谐波分量和冲击分量在频率上的区别,使用基于傅里叶字典的OMP算法去除掉谐波分量,减少了对冲击分量的干扰。其次,对于去除掉谐波分量的滚动轴承故障振动信号,采用了时频分析的思想进行信号处理,丰富了信号中蕴含的故障特征信息。对短时傅里叶变换和小波变换进行对比,决定采用小波变换;母小波的选择分别使用Meyer小波和Morlet小波进行对比实验,选择了Morlet小波作为母小波函数。从西储大学公开的滚动轴承实验数据中选取了6类故障信号,对这6类信号的数据进行时频分析,对比了谐波去除对时频分析结果的影响。最后,本文建立了11层的卷积神经网络模型,引入可变形卷积机制,强化了模型提取深层特征的能力。以基于智能算法方法的数据集作为输入,对比了可变形卷积神经网络和传统卷积神经网络在同一数据集下的表现。为了说明本文方法的优越性,在先前选取的7类信号的基础上,提取时域的16种特征,设置基于信号分析方法的数据集,建立了SVM、BP神经网络和随机森林三组模型对数据集进行训练。通过对比实验,证明了本文方法在识别率和稳定性方面的优越。
姚瑞[6]（2019）在《基于改进数学形态谱熵和SVM的电机轴承故障诊断方法研究》文中进行了进一步梳理轴承是电机拖动系统的核心部件之一,同时也是最容易出现故障的部件。由电机轴承故障引发的事故常常会造成重大损失,因此研究电机轴承故障诊断技术对及早发现故障、预防事故的发生,减少经济损失和人员伤亡具有重要意义。故障诊断主要包括对故障机理和故障诊断方法的研究。非线性动力学是研究故障发生、发展及其破坏过程机理的基础。故障诊断方法研究的关键是在探求故障机理的基础上,选择合适的方法来识别故障的类型、数量、位置和严重程度等。本文首先从故障机理研究出发,建立了电机转子—轴承系统碰磨、不对中和碰磨—不对中耦合故障的非线性动力学模型,分析了不同故障程度下的系统动力学特性;建立了基于分数阶微积分的电机转子—轴承系统裂纹故障的非线性动力学模型,并分别分析了时域、频域及轴心轨迹等特性。借助时域波形分岔图,深入探讨了阶次的变化对其动力学特性的影响,并研究了最佳阶次的选择问题。然后,基于数学形态谱熵理论和高阶差分思想,进行了轴承故障损伤程度识别方法的研究。结合数学形态学梯度函数,提出了高阶差分的数学形态梯度谱熵的定义,并将其应用于电机轴承故障损伤程度的识别,仿真和实验结果表明,该方法不仅提高了运算速度,也提高了不同故障熵值的区分度。为提高电机轴承故障分类准确率,提出了基于经验模态分解、模糊熵、改进粒子群算法和支持向量机（CWPSO-SVM）的电机轴承故障诊断模型。采用经验模态分解和模糊熵提取滚动轴承振动信号特征,使用变化的学习因子和惯性权重改进粒子群优化算法,并用于优化支持向量机的模型参数,实验结果表明,该模型提升了故障诊断方法的泛化性和分类准确性。最后,针对CWPSO-SVM模型运算时间较长的缺陷,提出一种基于经验模态分解、模糊信息熵、改进粒子群优化算法和最小二乘支持向量机的电机轴承故障诊断模型。因模糊熵的计算效率较低,使用模糊信息熵取代模糊熵,在不影响模型分类准确率的前提下,提高模型的训练速度。采用经验模态分解和模糊信息熵提取振动信号特征;使用粒子变异策略、变化的学习因子和惯性权重改进粒子群算法,利用改进的粒子群算法对最小二乘支持向量机的参数进行优化。实验结果表明,在诊断准确率相近的情况下,该模型拥有更快的诊断速度。
梁治华[7]（2019）在《基于数据的旋转机械故障诊断和性能评估方法研究》文中研究表明机械设备大多处于恶劣的工作环境中,这些环境是不适合操作人员现场操作的,因此实时采集机械设备的运行数据,远程对机械设备进行故障诊断和性能评估的研究是十分有意义的。作为旋转机械的核心部件,滚动轴承的故障发生率更高,据数据表明,由滚动轴承的损坏所引起机械设备的故障占总故障的30%。因此对滚动轴承进行机理分析,进而诊断轴承的故障,最终评估轴承的性能是旋转机械领域的重点研究问题。针对传统的故障诊断方法在特征提取过程中主要采用少量特征而无法达到最优的故障诊断准确率的问题,提出了一种基于集合经验模态分解和多特征融合的故障诊断方法。该方法可以准确的对滚动轴承内圈和外圈在不同严重程度的损坏下的故障进行分类识别,效果优于提取少量特征的结果。然而,此方法存在提取的特征较多,导致计算速度较慢的问题。针对多特征存在计算复杂且传统的支持向量机分类参数容易陷入局部最优的问题,本文提出一种基于集合经验模态分解和布谷鸟搜索优化支持向量机的故障诊断方法,该方法对本征模态函数只提取均方根作为特征,并且使用布谷鸟搜索算法对支持向量机进行优化,自适应的选取最优参数进行故障分类,该方法不仅可以准确的对轴承内外圈在不同损坏程度下的故障进行诊断,还可以准确的对轴承滚动体的不同故障位置进行诊断。基于变分模态分解的滚动轴承的信号处理方法存在中心频率容易陷入局部最优以及分解层数需人为选择两个问题,此外传统的性能评估方法缺少对时间序列信息的考虑,对信号数据的拟合误差较大。针对以上问题,本文提出了基于改进变分模态分解和长短期记忆网络的滚动轴承性能评估方法。该方法使用布谷鸟搜索优化中心频率迭代,通过瞬时频率理论自适应的选择信号分解层数,彻底解决变分模态分解的中心频率迭代陷入局部最优问题以及分解层数需人为选择问题。提出将长短期记忆网络用于对提取的方差特征时间序列进行拟合,极大地降低了拟合误差,并针对拟合信号进行分析,找出了滚动轴承的性能变化规律,该方法将长短期记忆网络引入滚动轴承的性能评估方法中,为评估滚动轴承的性能提供了一种有效的方法。
杨佳滨[8]（2019）在《谐波法电机轴承故障诊断技术研究》文中认为电机是主要的机电能量转换设备,轴承是设备的重要组成部分,轴承故障更是影响电机正常运转的主要原因。因此,深入对电机轴承故障诊断技术的研究具有极其重要的意义。通过谐波检测法、振动检测法及温度检测法对电机滚动轴承进行信息采集,并针对电机滚动轴承故障信号的非线性及非平稳的特性,对故障信号采用时域、频域及时频域特征的提取及分析,进而构造出故障的特征向量。在电机滚动轴承的故障局部诊断方面上采用了BP人工神经网络,在数据融合方面上采用D-S证据理论。对滚动轴承的故障失效形式及故障检测方法适应性的全面分析的基础上,针对电机滚动轴承的故障诊断将在决策级进行数据融合,并将经验模态分解（EMD）、BP人工神经网络及D-S证据理论三者有效的结合起来,构建了一套多信息源的数据融合电机滚动轴承故障诊断系统。
金余丰[9]（2019）在《基于深度学习的滚动轴承故障诊断方法研究》文中指出随着现代化工业的不断发展,工业设备日趋复杂化和系统化,对工业系统的运行和监测提出了新要求,全时段全方位的监测成为保障工业系统安全稳定运行的关键。然而监测过程产生的海量监测数据使得基于人工分析和专家经验的设备诊断难以胜任;设备的结构复杂性和运行状态的非平稳特性也给设备状态的诊断分析增加了困难。旋转机械是现代工业中的常用设备,论文以旋转机械中的核心器件——滚动轴承为研究对象,对均衡数据集和不均衡数据集下的故障诊断问题进行了研究,通过理论分析与实验验证相结合的方式提出了基于深度学习的轴承故障诊断方法,具体研究内容有以下三个方面。（1）针对均衡数据集下的故障诊断,即故障数据与正常数据类别分布均匀、数量相当的情形,提出了一种基于残差网络和注意力机制的诊断模型。模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络,得到特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,实现滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高。模型诊断准确率优于基于特征工程的诊断模型、稳定性优于其他基于深度学习的诊断模型。（2）分析了变工况对均衡数据集下模型诊断性能的影响,提出了一种基于域对抗迁移的变工况故障诊断模型,主要包含特征提取器、故障分类器和领域分类器。特征提取器用于提取振动信号的特征,故障分类器负责振动信号的状态分类,领域分类器负责区分信号来自源域还是目标域。通过在分类器间添加梯度翻转层构建对抗迁移网络来完成领域自适应,借助有标签的定工况源域数据集实现对无标签的变工况目标域数据集的诊断识别,进而完成变工况下的轴承故障诊断。实验表明,模型提取了适用于不同工况间迁移的特征,提升了变工况下各故障的诊断表现,变工况下平均诊断准确率可达97.42%,表现优于直接跨域诊断的模型。（3）针对不均衡数据集下的故障诊断,即轴承故障数据与正常数据类别分布不均衡的情形,将不均衡数据分类中的集成学习方法引入到故障诊断中,提出了一种基于残差网络和极限梯度提升树的不均衡数据集故障诊断模型。该模型仍采用残差网络作为振动信号的特征提取器,将提取的特征输入到经网格搜索优化后的集成极限梯度提升树完成诊断分类。实验表明,该模型保持高诊断准确率的同时,在不同故障以及正常数据比例下均能有效检出少数类的故障样本。
卞皓[10]（2018）在《基于定子电流的无刷直流电机轴承故障诊断研究》文中提出无刷直流电机由于其控制简单、功率密度大等优点,已经广泛应用于工业中各个领域,其安全工作状态也受到了广泛关注。在所有故障形式中,轴承故障是最常发生的故障,当轴承发生故障时,很可能会引起电机转子堵转、扫膛等严重后果,故而在轴承故障早期提取出故障信息有着重大研究意义。本文对无刷直流电机轴承故障在定子电流中的特征进行了研究,并研究了故障信息在定子电流中的提取方法。本文采用冲击脉冲函数建立了无刷直流电机轴承故障的数学模型,分析了无刷直流电机轴承故障在相电流中的表现形式,并给出了故障信号在定子电流中的频率特征。分析中发现无刷直流电机相电流在故障信号的提取中有着很大的劣势,原因在于相电流在每个电周期内仅导通2/3个周期,且波形为不规则的方波。这很可能导致故障信号被湮没,削弱故障诊断的效果。针对这一缺陷,本文提出了利用电机母线电流和三相电流最大值这两种方法进行轴承故障诊断研究。三相电流最大值和母线电流都是连续信号,这表明相比于相电流,这两个信号中包含更多的故障信息。而且从频谱中可以看出,这两个信号所包含的谐波含量比相电流小很多,可知故障信号在这两个信号中不容易被湮没。故而相比于相电流,三相电流最大值和母线电流更适合作为故障分析的对象。无刷直流电机中的轴承故障体现在电流中的信号十分微弱,且故障信号通常是一个非平稳信号,故而本文选择小波包算法将定子电流在频域上分解成一个个小波包节点,当确定故障信息在电流中的频率特征后,可以从分解的众多节点中提取出相应的故障信息,从而进行下一步判断。本文对无刷直流电机在轴承故障状态与健康状态下的相电流、母线电流和三相电流最大值进行分解,提取出故障节点后求取信号的均方根,通过对比均方根情况进行轴承故障情况的判断。本文以一台无刷直流电机和故障轴承以及负载台搭建了实验平台,以DSP为控制器控制无刷直流电机运行,并设计了相应的软件算法,对本文提出的无刷直流电机轴承故障诊断算法进行了实验验证。
二、冲击脉冲法在电机轴承故障诊断中的应用（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、冲击脉冲法在电机轴承故障诊断中的应用（论文提纲范文）
（1）牵引电机轴承故障诊断技术综述（论文提纲范文）
| 0 引言 |
| 1 轴承故障原因及诊断机理 |
| 1.1 故障原因 |
| 1.2 诊断机理 |
| 2 轴承故障诊断技术 |
| 2.1 基于振动信号分析法 |
| 2.2 基于声信号分析法 |
| 2.3 基于电信号分析法 |
| 3 常用轴承故障的诊断方法特点及适用场景比较 |
| 3.1轴承故障特征提取常用方法及适用场景 |
| 3.2 轴承故障模式识别方法及适用场景 |
| 4 结语 |
（2）伺服电机系统传动链典型故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 课题相关国内外研究现状 |
| 1.2.1 电机系统传动链典型故障类型及其机理研究 |
| 1.2.2 基于不同故障载体的电机系统传动链故障诊断 |
| 1.2.3 电机系统传动链故障特征提取方案的研究现状 |
| 1.2.4 电机系统传动链故障状态识别与诊断决策 |
| 1.2.5 研究现状简析 |
| 1.3 本文主要研究内容 |
| 第2章 基于电机电流的齿轮局部式故障诊断技术 |
| 2.1 引言 |
| 2.2 MCSA齿轮故障诊断机理研究 |
| 2.2.1 齿轮传动系统建模 |
| 2.2.2 不同齿轮健康状态下的相电流特性分析 |
| 2.2.3 仿真验证 |
| 2.3 运行条件对齿轮故障诊断效果的影响分析 |
| 2.3.1 齿轮断齿故障诊断实验平台 |
| 2.3.2 不同运行条件下的故障诊断结果及分析 |
| 2.4 基于RSSD的齿轮故障诊断 |
| 2.4.1 信号的振荡属性 |
| 2.4.2 相电流共振稀疏分解算法 |
| 2.4.3 实验验证与分析 |
| 2.5 基于双重参数优化RSSD的齿轮故障诊断 |
| 2.5.1 TQWT参数分析 |
| 2.5.2 基于低共振分量峭度值的RSSD参数优化准则 |
| 2.5.3 实验验证与分析 |
| 2.6 本章小结 |
| 第3章 基于电机转速的电机轴承局部式故障诊断技术 |
| 3.1 引言 |
| 3.2 MCSA与 MSSA机理研究及对比分析 |
| 3.2.1 轴承局部式故障时电机系统轴矩特性建模 |
| 3.2.2 轴承局部式故障对相电流和电机转速信号的影响 |
| 3.2.3 仿真验证 |
| 3.3 基于谱峭度的轴承故障诊断及最优故障载体选取 |
| 3.3.1 轴承裂纹故障诊断实验平台 |
| 3.3.2 谱峭度算法 |
| 3.3.3 实验结果分析与最优信号选取 |
| 3.4 基于优化谱峭度算法的轴承故障诊断 |
| 3.4.1 基于EEMD自适应信号重构的故障特征增强 |
| 3.4.2 实验验证与分析 |
| 3.5 基于电机驱动算法预处理的轴承故障诊断 |
| 3.5.1 电流采样误差对故障诊断的影响 |
| 3.5.2 结合电机驱动算法的转速主动降噪 |
| 3.5.3 实验验证与分析 |
| 3.5.4 早期轴承局部式故障下算法性能 |
| 3.6 本章小结 |
| 第4章 基于电机转速的初始安装不对中故障诊断技术 |
| 4.1 引言 |
| 4.2 安装不对中故障诊断机理研究 |
| 4.2.1 平行不对中故障建模 |
| 4.2.2 角度不对中故障建模 |
| 4.2.3 仿真验证 |
| 4.3 基于转速模型系数辨识的安装不对中故障诊断 |
| 4.3.1 转速模型系数辨识方法 |
| 4.3.2 安装不对中实验平台 |
| 4.3.3 实验验证与分析 |
| 4.4 初始安装不对中故障诊断 |
| 4.4.1 基于多转速下不对中故障特征分量的检测方法 |
| 4.4.2 仿真验证 |
| 4.4.3 实验验证与分析 |
| 4.5 本章小结 |
| 第5章 基于位域法的电机系统传动链暂态下故障诊断技术 |
| 5.1 引言 |
| 5.2 位域重采样方法 |
| 5.2.1 时频域法暂态失效原理分析 |
| 5.2.2 计算位域重采样算法 |
| 5.3 基于位域运动误差信号的暂态齿轮故障诊断 |
| 5.3.1 基于运动误差的齿轮故障诊断机理研究 |
| 5.3.2 位域运动误差同步平均法齿轮故障诊断 |
| 5.4 基于阶比谱分析的暂态不对中故障诊断 |
| 5.4.1 基于阶比谱分析的诊断方法 |
| 5.4.2 实验验证与分析 |
| 5.5 基于位域阶谱峭度分析的暂态轴承故障诊断 |
| 5.5.1 位域阶谱峭度算法 |
| 5.5.2 实验验证与分析 |
| 5.6 本章小结 |
| 结论 |
| 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 |
（3）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（4）感应电机轴承故障的磁场特征研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的来源及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容和章节安排 |
| 2 感应电机滚动轴承的损伤特征 |
| 2.1 轴承的结构 |
| 2.2 轴承的失效机理 |
| 2.3 轴承损伤的振动特征 |
| 2.4 电机轴承损伤的磁动势特征 |
| 2.4.1 气隙长度变化 |
| 2.4.2 转矩波动 |
| 2.5 电机轴承损伤的杂散磁密特征 |
| 2.5.1 电机杂散磁密的理论基础 |
| 2.5.2 杂散磁通密度中的故障特征分析 |
| 2.6 本章小结 |
| 3 基于Teager-Kaiser能量算子的故障特征提取方法研究 |
| 3.1 TKEO能量算子 |
| 3.2 TKEO解调后的磁场特征 |
| 3.3 本章小结 |
| 4 基于WDCNN的轴承故障识别方法研究 |
| 4.1 卷积神经网络CNN |
| 4.1.1 前向传播 |
| 4.1.2 误差反向传播 |
| 4.1.3 优化算法 |
| 4.1.4 强化数据集 |
| 4.1.5 基于一维卷积神经网络的轴承故障诊断 |
| 4.2 深度卷积神经网络WDCNN |
| 4.2.1 宽卷积核深度卷积神经网络算法描述 |
| 4.2.2 批量归一化处理层 |
| 4.2.3 基于一维宽卷积核深度卷积神经网络的轴承故障诊断 |
| 4.3 一维宽卷积核深度卷积神经网络的故障诊断流程 |
| 4.4 本章小结 |
| 5 感应电机轴承故障的试验研究 |
| 5.1 感应电机轴承损伤系统试验平台 |
| 5.2 基于TKEO和WDCNN的故障诊断方法的试验验证 |
| 5.2.1 基于TKEO的故障特征提取 |
| 5.2.2 基于WDCNN的故障识别 |
| 5.3 本章小节 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）基于小波时频变换和可变形卷积神经网络的滚动轴承故障诊断（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 滚动轴承故障诊断研究现状 |
| 1.3 时频分析研究现状 |
| 1.4 卷积神经网络研究现状 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第2章 滚动轴承振动产生的谐波分析和谐波去除 |
| 2.1 滚动轴承基本结构和常见故障 |
| 2.2 滚动轴承转动产生的谐波分析 |
| 2.2.1 谐波产生原因 |
| 2.2.2 谐波对冲击信号的影响 |
| 2.3 谐波去除方法及实验 |
| 2.3.1 谐波去除方法 |
| 2.3.2 实验与结果分析 |
| 2.4 本章小结 |
| 第3章 滚动轴承故障信号的时频分析 |
| 3.1 基于短时傅里叶的时频分析 |
| 3.1.1 短时傅里叶变换的基础理论 |
| 3.1.2 参数选择原则 |
| 3.2 基于小波变换的时频分析 |
| 3.2.1 小波变换的基础理论 |
| 3.2.2 母小波函数理论与实验选取 |
| 3.3 谐波去除对时频分析结果的影响 |
| 3.4 本章小结 |
| 第4章 卷积神经网络及改进方法 |
| 4.1 卷积神经网络结构 |
| 4.1.1 卷积层 |
| 4.1.2 池化层 |
| 4.1.3 全连接层 |
| 4.2 卷积神经网络训练方法 |
| 4.2.1 反向传播算法 |
| 4.2.2 网络优化方法 |
| 4.2.2.1 Dropout随机失活技术 |
| 4.2.2.2 Adam参数优化算法 |
| 4.3 可变形卷积神经网络 |
| 4.4 本章小结 |
| 第5章 滚动轴承故障诊断实验与结果分析 |
| 5.1 滚动轴承故障诊断实验流程 |
| 5.2 数据集介绍、处理与分割 |
| 5.2.1 数据集介绍 |
| 5.2.2 时频图像数据集处理与分割 |
| 5.2.3 时域特征数据集处理与分割 |
| 5.3 卷积神经网络模型搭建 |
| 5.3.1 传统卷积神经网络模型搭建 |
| 5.3.2 可变形卷积神经网络模型搭建 |
| 5.4 基于智能算法方法实验结果 |
| 5.5 基于信号分析方法实验 |
| 5.5.1 三种实验模型基础理论及搭建 |
| 5.5.1.1 随机森林 |
| 5.5.1.2 SVM支持向量机 |
| 5.5.1.3 BP神经网络 |
| 5.5.2 信号分析方法实验结果 |
| 5.6 实验结果分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 今后工作展望 |
| 参考文献 |
| 致谢 |
（6）基于改进数学形态谱熵和SVM的电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 转子—轴承系统动力学建模研究现状 |
| 1.2.2 数学形态学研究现状 |
| 1.2.3 故障诊断研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 1.3.1 主要工作 |
| 1.3.2 章节安排 |
| 本章小结 |
| 第二章 电机转子—轴承系统的动力学建模及特性分析 |
| 2.1 转子—轴承系统典型故障的动力学建模 |
| 2.1.1 基本动力学方程的建立 |
| 2.1.2 轴承力的动力学建模 |
| 2.1.3 碰磨故障的动力学建模 |
| 2.1.4 不对中故障的动力学建模 |
| 2.1.5 碰磨—不对中耦合故障动力学建模 |
| 2.2 转子—轴承系统动力学特性分析 |
| 2.2.1 正常状态动力学特性分析 |
| 2.2.2 碰磨故障动力学特性分析 |
| 2.2.3 不对中故障动力学特性分析 |
| 2.2.4 碰磨—不对中耦合故障动力学特性分析 |
| 2.3 基于分数阶微积分的转子裂纹动力学建模及数值计算 |
| 2.3.1 分数阶Laplace变换 |
| 2.3.2 分数阶控制系统模型 |
| 2.3.3 Simulink中的Oustaloup分数阶滤波器实现 |
| 2.3.4 分数阶的裂纹转子动力学模型 |
| 2.3.5 分数阶裂纹转子Simulink建模求解及动力学特性分析 |
| 本章小结 |
| 第三章 基于高阶差分数学形态谱熵的轴承故障损伤程度识别方法 |
| 3.1 基本理论 |
| 3.1.1 数学形态学 |
| 3.1.2 数学形态谱 |
| 3.1.3 数学形态谱熵 |
| 3.2 尺度变化对轴承故障损伤程度识别的影响分析 |
| 3.2.1 实验数据 |
| 3.2.2 空载分析 |
| 3.2.3 负载分析 |
| 3.2.4 尺度自适应的数学形态谱熵算法 |
| 3.3 高阶差分数学形态谱熵的定义 |
| 3.4 高阶差分数学形态谱熵在电机轴承故障损伤程度识别中的应用 |
| 3.4.1 仿真数据分析 |
| 3.4.2 实际数据分析 |
| 本章小结 |
| 第四章 基于改进PSO和SVM的电机轴承故障分类模型研究 |
| 4.1 基本方法 |
| 4.1.1 经验模态分解 |
| 4.1.2 模糊熵 |
| 4.1.3 粒子群优化算法 |
| 4.1.4 支持向量机 |
| 4.2 PSO中学习因子和惯性权重的改进 |
| 4.2.1 反正切变化的学习因子 |
| 4.2.2 S形惯性权重调整法 |
| 4.3 电机轴承故障分类模型 |
| 4.3.1 分类模型构建的思想 |
| 4.3.2 故障诊断模型的流程 |
| 4.3.3 故障诊断模型的步骤 |
| 4.4 实验与分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验数据 |
| 4.4.3 实验参数设置 |
| 4.4.4 基于EMD的故障信号分解 |
| 4.4.5 模糊熵特征提取 |
| 4.4.6 CWPSO-SVM模型的故障诊断结果 |
| 4.4.7 故障诊断结果的对比分析 |
| 本章小结 |
| 第五章 基于改进PSO和LS-SVM的电机轴承故障分类模型研究 |
| 5.1 基本方法 |
| 5.1.1 模糊信息熵 |
| 5.1.2 最小二乘支持向量机 |
| 5.2 改进的PSO算法 |
| 5.2.1 反余弦变化的学习因子 |
| 5.2.2 二次型调整惯性权重方法 |
| 5.2.3 粒子邻域变异策略 |
| 5.3 基于改进PSO和LS-SVM的电机轴承故障分类模型 |
| 5.3.1 故障诊断模型的思想 |
| 5.3.2 故障诊断模型及其流程 |
| 5.4 实验与分析 |
| 5.4.1 实验环境与实验数据 |
| 5.4.2 实验参数设置 |
| 5.4.3 特征提取 |
| 5.4.4 故障诊断结果 |
| 5.4.5 结果比较与分析 |
| 本章小结 |
| 结论 |
| 本文的主要工作 |
| 存在的问题及展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 攻读硕士学位期间参与的科研项目 |
| 致谢 |
（7）基于数据的旋转机械故障诊断和性能评估方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 目前轴承的信号处理算法 |
| 1.2.2 目前轴承的特征提取方法 |
| 1.2.3 目前轴承的模式识别算法 |
| 1.2.4 目前轴承的性能评估算法 |
| 1.3 目前存在的问题 |
| 1.4 本文主要研究内容及创新点 |
| 1.5 本文的组织结构 |
| 2 滚动轴承故障机理分析与数据监测方法 |
| 2.1 滚动轴承故障机理分析 |
| 2.1.1 滚动轴承以及常见故障 |
| 2.1.2 滚动轴承特征频率机理分析 |
| 2.2 滚动轴承监测方法 |
| 2.3 本章小结 |
| 3 基于EEMD和多特征融合的滚动轴承故障诊断算法研究 |
| 3.1 引言 |
| 3.2 特征提取 |
| 3.2.1 集合经验模态分解 |
| 3.2.2 特征选择 |
| 3.3 识别方法 |
| 3.4 实验及实验结果 |
| 3.4.1 实验准备 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 4 基于EEMD和 CS-SVM的滚动轴承故障诊断算法研究 |
| 4.1 引言 |
| 4.2 故障信号处理及特征提取 |
| 4.2.1 集合经验模态分解 |
| 4.2.2 特征提取 |
| 4.3 故障特征分类 |
| 4.3.1 支持向量机 |
| 4.3.2 布谷鸟搜索算法 |
| 4.3.3 布谷鸟算法优化支持向量机参数 |
| 4.4 实验及实验结果 |
| 4.4.1 实验准备 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 5 基于改进VMD和 LSTM的滚动轴承性能评估算法研究 |
| 5.1 引言 |
| 5.2 轴承振动信号处理及特征提取 |
| 5.2.1 变分模态分解 |
| 5.2.2 基于布谷鸟搜索算法优化的变分模态分解 |
| 5.2.3 特征提取 |
| 5.3 滚动轴承寿命预测方法 |
| 5.3.1 循环神经网络 |
| 5.3.2 长短期记忆网络 |
| 5.3.3 激活函数 |
| 5.3.4 LSTM前向传递算法 |
| 5.3.5 LSTM反向传播算法 |
| 5.4 实验及实验结果 |
| 5.4.1 实验准备 |
| 5.4.2 实验结果 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
（8）谐波法电机轴承故障诊断技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 概述 |
| 1.2 滚动轴承故障诊断的研究与发展 |
| 1.3 研究内容 |
| 2 电机滚动轴承及其故障机理分析 |
| 2.1 滚动轴承简介 |
| 2.2 滚动轴承的谐波机理分析 |
| 2.3 滚动轴承的振动特征分析 |
| 2.4 滚动轴承故障诊断方法的适用性 |
| 2.5 本章小结 |
| 3 滚动轴承故障信号分析与特征提取 |
| 3.1 滚动轴承故障信号分析 |
| 3.2 滚动轴承故障信号特征提取 |
| 3.3 经验模态分解法 |
| 3.4 信号的故障特征向量构造 |
| 3.5 本章小结 |
| 4 滚动轴承故障模式的识别 |
| 4.1 人工神经网络的概述 |
| 4.2 人工神经网络 |
| 4.3 BP人工神经网络的结构 |
| 4.4 BP神经网络基本思想 |
| 4.5 BP人工神经网络的实现过程 |
| 4.6 BP人工神经网络结构设计 |
| 4.7 本章小结 |
| 5 滚动轴承故障信息的融合 |
| 5.1 滚动轴承故障诊断中的不确定性 |
| 5.2 D-S证据理论 |
| 5.3 D-S证据理论故障诊断的融合过程 |
| 5.4 D-S证据理论的故障诊断实例分析 |
| 5.5 本章小结 |
| 6 滚动轴承的多信息源的数据融合故障诊断 |
| 6.1 多信息源的数据融合故障诊断概述 |
| 6.2 多信息源的数据融合故障诊断系统 |
| 6.3 实验仪器设备 |
| 6.4 故障诊断的步骤 |
| 6.5 实验的数据分析 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 研究的工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）基于深度学习的滚动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 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚动轴承故障诊断方法的研究现状 |
| 1.2.2 深度学习方法的研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文结构安排 |
| 第2章 基于残差网络和注意力机制的故障诊断模型 |
| 2.1 残差网络 |
| 2.2 注意力机制 |
| 2.3 基于残差网络和注意力机制的故障诊断模型 |
| 2.4 实验和结果分析——以电机轴承为例 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 结果分析 |
| 2.5 本章小结 |
| 第3章 基于域对抗迁移的变工况故障诊断模型 |
| 3.1 领域自适应 |
| 3.2 域对抗迁移方法 |
| 3.2.1 生成对抗网络的对抗思想 |
| 3.2.2 基于域对抗迁移的领域自适应模型 |
| 3.3 基于域对抗迁移方法的变工况轴承故障诊断模型 |
| 3.4 实验和结果分析——以电机轴承为例 |
| 3.4.1 实验数据及设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于残差网络和XGBoost的不均衡故障诊断模型 |
| 4.1 不均衡数据集的分类研究 |
| 4.2 XGBoost集成算法 |
| 4.2.1 XGBoost简述 |
| 4.2.2 基于网格搜索的XGBoost超参数寻优 |
| 4.3 基于残差网络和XGBoost的不均衡数据故障诊断模型 |
| 4.4 实验和结果分析——以电机轴承为例 |
| 4.4.1 实验数据及设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 在读期间发表的学术论文及参与的科研项目 |
| 致谢 |
（10）基于定子电流的无刷直流电机轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 轴承故障形式及特征 |
| 1.3 轴承故障诊断的发展历程 |
| 1.4 国内外发展现状 |
| 1.4.1 故障诊断技术的发展历程 |
| 1.4.2 基于定子电流的轴承故障诊断研究 |
| 1.5 本文内容 |
| 第二章 BLDCM轴承故障特征 |
| 2.1 轴承故障频率特征 |
| 2.2 轴承故障在BLDCM电流中的表现形式 |
| 2.2.1 从气隙变化分析BLDCM故障电流 |
| 2.2.2 从转矩变化分析BLDCM故障电流 |
| 2.3 本章小结 |
| 第三章 无刷直流电机轴承故障诊断算法研究 |
| 3.1 无刷直流电机工作原理 |
| 3.2 无刷直流电机轴承故障电流检测法 |
| 3.2.1 三相电流最大值检测 |
| 3.2.2 母线电流检测 |
| 3.3 轴承故障信号提取方法 |
| 3.3.1 母小波 |
| 3.3.2 小波变换 |
| 3.3.3 小波包变换 |
| 3.3.4 定子电流的频域分解 |
| 3.4 无刷直流电机轴承故障诊断算法 |
| 3.4.1 点蚀故障诊断 |
| 3.4.2 磨损故障诊断 |
| 3.5 基于小波包算法的三种轴承故障检测方法的仿真分析研究 |
| 3.5.1 点蚀故障仿真分析 |
| 3.5.2 磨损故障仿真分析 |
| 3.6 本章小结 |
| 第四章 实验验证 |
| 4.1 轴承点蚀故障实验验证 |
| 4.1.1 相电流实验验证 |
| 4.1.2 三相电流最大值实验验证 |
| 4.1.3 母线电流实验验证 |
| 4.2 磨损故障实验验证 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 后续工作及展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表论文及专利情况 |
四、冲击脉冲法在电机轴承故障诊断中的应用（论文参考文献）
- [1]牵引电机轴承故障诊断技术综述[J]. 朱文龙,杨家伟,关照议,曾威嶂. 控制与信息技术, 2021(05)
- [2]伺服电机系统传动链典型故障诊断技术研究[D]. 柴娜. 哈尔滨工业大学, 2021
- [3]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [4]感应电机轴承故障的磁场特征研究[D]. 高愿. 大连海事大学, 2020(01)
- [5]基于小波时频变换和可变形卷积神经网络的滚动轴承故障诊断[D]. 刘星宇. 兰州理工大学, 2020(12)
- [6]基于改进数学形态谱熵和SVM的电机轴承故障诊断方法研究[D]. 姚瑞. 大连交通大学, 2019(08)
- [7]基于数据的旋转机械故障诊断和性能评估方法研究[D]. 梁治华. 辽宁石油化工大学, 2019(01)
- [8]谐波法电机轴承故障诊断技术研究[D]. 杨佳滨. 华北科技学院, 2019(01)
- [9]基于深度学习的滚动轴承故障诊断方法研究[D]. 金余丰. 南京师范大学, 2019(02)
- [10]基于定子电流的无刷直流电机轴承故障诊断研究[D]. 卞皓. 南京航空航天大学, 2018(02)