一、基于支持矢量机的旋转机械滑油金属含量预测（论文文献综述）
郭维诚[1]（2020）在《影响表面质量的磨削特征辨识、工艺优化与监控方法研究》文中进行了进一步梳理航空航天高端装备的快速发展,对高性能零件的要求越来越高。磨削作为一种重要的精密和超精密加工方法,在零件制造中发挥着关键作用,其加工质量及稳定性决定着零件的服役性能与产品的可靠性。磨削加工是一个复杂动态和多变量耦合的过程,加工时会受磨削参数、砂轮特性、工件材料和工艺系统动态稳定性等多种因素影响,导致加工质量出现较大的不确定性。如何准确有效地实现磨削加工过程监控及其工艺参数优化一直是改善磨削质量和效率的重要问题。本课题以高性能惯性导航关键件-整体式双平衡环挠性接头（恒弹性合金钢3J33）的磨削加工过程质量监控及工艺优化为对象,开展了磨削监控基础理论、信号特征提取与辨识、多目标工艺优化、加工过程与表面质量监控等方面研究,主要工作及创新成果如下:（1）构建了基于信息物理系统及加工状态数据驱动（CPS-SDD）的磨削加工过程监控实验平台。根据磨削表面质量目标确定了评价指标与测试方法,掌握了磨削过程中力、温度、振动和声发射等物理信号产生机制,研究了适合磨削表面质量监控的机器学习方法,建立了磨削工艺信息—过程状态—加工质量的映射关系。（2）提出了基于磨削过程中物理信号与表面质量高关联度的磨削特征辨识方法（PSRSQ-FI）。采用小波包分解和集合经验模态分解方法对原始信号进行预处理,提取不同频带中的均值、标准差和峭度,以及基于功率谱密度估计的有效值、偏度和波峰因数等信号特征;根据不同磨削表面质量评价指标,确定时频特征与表面质量指标之间的关联性,将关联度高的特征作为磨削质量的表征。（3）揭示了磨削加工工艺参数和力热载荷对于磨削表面质量的影响规律。以表面粗糙度、表面残余应力和材料去除率为目标,以砂轮速度、工件速度和磨削深度等工艺参数为决策变量,基于非支配排序多目标遗传算法获得了磨削加工的优化工艺参数组合,在确保表面质量前提下,提高加工效率。为表面质量优化提供了新方法,同时奠定了智能化磨削监控的工艺基础。（4）提出了基于高关联度磨削特征融合的表面质量监控方法（HRFF-MSQ）。基于砂轮磨损、表面粗糙度、残余应力和磨削烧伤等监控目标,实现了质量监测的高关联度磨削特征融合,给出了对应的监测方法和控制决策;在CPS-SDD磨削加工过程监控平台支持下,实现高性能整体式双平衡环挠性接头加工的表面质量控制。以上研究成果已在整体式双平衡环挠性接头制造中得到实际应用,为完成国家重大科技工程、提高我国航空航天高端装备的国际竞争力发挥了重要作用。
李文锦[2]（2020）在《海洋钻井平台顶驱状态监测与诊断技术研究》文中指出顶驱装置作为海洋钻井平台的关键设备,其运行状态直接关系到钻井作业的效率与安全性。一直以来,受限于顶驱设备复杂的机械结构和多变的工况环境,参数获取不全面、关键参数不唯一、诊断精度不达标成为顶驱状态监测与故障诊断领域亟待解决的问题。本文就以上问题,对顶驱设备多源异构监测体系构建、多工况下顶驱健康评估以及故障模式辨识展开了研究:（1）针对单一监测手段无法全面获取顶驱设备状态参数的问题,提出以多源异构综合监测为目标,构建海洋平台顶驱设备全面监测体系。首先对海洋平台顶驱设备结构及故障类型进行分析,并基于各故障类型的表征方式确定顶驱的监测参数,提出了基于Modbus的Cyber Base系统数据集成以及多源异构数据整合方法;最后针对陆地端远程监测在带宽及可靠性方面的约束问题,提出了基于数据库同步的远程监测方法。该监测体系包含数据采集、数据集成、数据整合、数据传输为一体,能够有效、可靠地对海洋平台顶驱设备实现全面远程实时监测,为后续顶驱的健康评估及故障诊断提供数据基础。（2）针对顶驱关键状态参数在多变工况下差异较大,导致常规健康评估方法难适用的问题,提出基于GMM-SVM-MD的顶驱健康评估方法。首先通过分析顶驱现场数据以及实际操作场景,确定顶驱设备的常见工况类型,利用高斯混合模型（Gaussian mixture model,GMM）对设备工况进行辨识。在各个工况下利用基于支持向量机（Support Vector Machine,SVM）的顶驱健康状态识别模型对顶驱状态进行分类;再利用马氏距离（Mahalanobis distance,MD）度量方法,得到监测参数提取得到的状态向量与正常运行时的状态向量之间的差异程度,最终计算出顶驱设备健康度指标,用于表征顶驱健康状态并决定是否进一步进行故障诊断流程。（3）针对传统数据驱动的故障诊断模型存在的故障数据难搜集、诊断精度受工况影响大的问题,提出基于模型残差分析的故障诊断方法。该方法利用监测得到的顶驱工况参数,建立基于工况参数的顶驱模型。将实际监测参数与模型计算参数之间的差值作为特征向量,能够抑制变工况的影响。最终利用K-近邻算法（k-Nearest Neighbor,KNN）模型对残差向量进行分类并实现顶驱故障模式的判别。（4）基于上述顶驱综合监测体系、健康评估方法以及故障诊断方法,结合传统的设备智能监测与信号分析技术,开发了海洋钻井平台顶驱综合监测与故障诊断系统。该系统能够实时监测顶驱设备运行状态,及时发现故障状况并分析故障成因,形成综合诊断报告,辅助现场人员对顶驱设备进行维修保养,为海洋平台顶驱设备的健康监测及智能管理提供支持。
马步芳[3]（2020）在《基于VMD与流形学习的齿轮箱故障诊断方法研究》文中研究表明齿轮箱被广泛应用在众多重要领域,一旦齿轮和滚动轴承发生故障损伤,可能会导致整台设备失灵严重会导致经济财产损失及人员伤亡,因此对齿轮箱进行故障诊断具有重要的实际意义。故障诊断主要步骤为:振动信号采集,故障特征提取以及模式识别。为了提高非平稳、非线性振动信号故障特征的可辨识性,本文以齿轮箱故障振动信号为研究对象,提出了基于VMD与流形学习相结合的齿轮故障诊断研究方法。首先针对齿轮箱故障振动信号具有非线性、非平稳特征且用传统方法不易提取出敏感的故障特征效果等问题,选用一种新的自适应信号分解方法变分模态分解（VMD）对故障信号进行特征提取。同时详细介绍了VMD算法的基本原理,针对VMD算法参数选取对故障特征提取影响较大的问题,提出了以最小熵和最大峭度为联合准则的群体智能优化算法对VMD的两个重要参数择优。通过齿轮实测信号的验证和分析,结果表明该方法能够有效、准确的提取到故障特征。接着对含有敏感信息的故障特征进行特征选择并从时域、频域、时频域方面构造多域高维观测样本,针对样本多维复杂的特点,选用流形学习算法对故障数据进行维数约简。同时研究了流形学习算法并分析其优缺点,针对流形学习的本征维数和近邻域值不易确定等问题,提出虚假近邻法同时对两个参数进行估计的方法。通过标准测试数据对多种流形学习的检验和分析,验证了所提方法的正确性和有效性。最后以齿轮箱故障实测实验数据为研究对象,对齿轮特征属性用VMD进行了有效的提取和约简,并用多种流形学习结合各分类器进行故障状态诊断,验证了基于VMD与流形学习算法的故障诊断模型的有效性与可行性。
韦永健[4]（2018）在《基于SVR-BN的长输管道燃气轮机故障预警方法研究》文中进行了进一步梳理燃气轮机是天然气长输管道的核心动力设备,由于其结构复杂、零部件众多、工作负荷大在运行过程中常发生故障并触发自保护停机,影响主管线输气的稳定性,造成严重的经济损失。目前,数据采集与监控系统（Supervisory Control and Data Acquisition,SCADA）广泛应用于燃气轮机机组的状态监测,其含有大量的工艺参数数据。研究发现,大多数故障尤其是紧急停机故障在发生前,都会在工艺参数上表现出一段时间的异常,并且大部分工艺参数的发展趋势可以预测,所以如果能利用SCADA系统中的工艺参数数据开展故障预警研究,将大大降低燃气轮机机组停机率。因此,本文以燃气轮机机组为研究对象,利用SCADA系统工艺参数数据开展故障预警方法研究,故障预警方法的研究主要包括工艺参数预测方法的研究、故障诊断方法的研究和故障预警模型的建立三部分,具体研究内容如下。（1）为了后期开展工艺参数预测和故障诊断方法研究,对燃气轮机辅助系统的工艺流程进行了分析;采用故障类型及影响分析（Failure Model and Effects Analysis,FMEA）的方法对辅助系统的各零部件可能发生的故障及对系统的影响做了分析;结合FMEA的分析结果,建立了燃气轮机辅助系统故障数据库。（2）选择支持向量回归机（Support Vector Regression Machine,SVR）进行工艺参数的预测方法研究。首先分析SCADA系统中的工艺参数,了解哪种工艺参数可以预测及可以进行何种预测;然后为了提高SVR预测的性能,应用粒子群算法和混沌理论的方法对SVR参数的选择进行了优化;最后应用Chen映射产生的混沌信号为研究对象,对所提优化方法的性能进行测试,最终证明所提优化方法具有较大优越性。（3）选择贝叶斯网络（Bayesian Network,BN）方法进行系统的故障诊断。首先建立恰当的映射规则,以故障树为基础通过映射规则构建BN;然后针对复杂BN条件概率不易获得、易出现组合爆炸的问题,以专家判定知识为基础,把融合理论与模糊理论相结合,提出了一种BN条件概率的计算方法;最后对BN的推理方法做了简单的介绍。（4）故障预警模型的建立及其应用。首先提出了基于偏离度和移动窗口法的触发机制,把上述基于SVR的工艺参数预测方法和基于BN的故障诊断方法相结合,构建了故障预警模型;然后以燃气轮机机组中两个子系统:燃料气子系统和润滑油子系统为例,分别建立这两个子系统的预警模型;最后对故障预警模型的实用性和准确性进行了验证。
郑波[5]（2018）在《基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究》文中认为航空发动机作为保障飞行安全运行的核心部件,由于其运行环境的不确定性、严苛性,本身系统构成的复杂性,使得对航空发动机的故障诊断与预测成为一项复杂而又关键的任务,不仅影响航空公司等运营团体的经济利益,更与人员生命财产安全直接相关。随着现代传感器技术、通信技术的快速发展,使得对航空发动机的状态监控和趋势分析成为现实,基于智能算法的诊断与预测技术被广泛采用,使航空发动机的维修保养思想得到根本改变。针对航发发动机故障诊断、预测、及数据处理等问题,本文提出基于粒子群优化（Particle Swarm optimization,PSO）算法的诊断与预测方法,拓展PSO算法应用范围,利用粒度计算进行相似性数据压缩,降低算法时间开销。将优化领域的PSO算法作为故障诊断与预测工具,对本文是一项挑战。本文主要工作与创新点如下:（1）PSO算法作为经典群体智能算法,在优化领域具有广泛的应用,但因容易陷入局部最优区域而导致早熟收敛。实质上,缺乏种群多样性和有效交互模式,以及搜索过程的不平衡、更新策略的单一化,都是导致早熟收敛的原因。受人类学习行为的启发,围绕导致早熟收敛的原因,对PSO算法进行有效改进,通过将粒子群划分为导师和学生,模拟人类的集体学习行为,私人辅导行为,以及研究行为,提出了多极值学习型PSO（Multiple Extremum Learning PSO,MELPSO）算法,使得PSO算法具备人类学习过程中的适应性、交互性、动态性、多样性等特点,提升了算法获得全局最优解的概率,增强了算法运行的稳定性和鲁棒性,拓展了算法的应用空间。（2）根据航空发动机故障模式分布特点,提出基于距离判断的识别方法,利用MELPSO算法的寻优性能,为各类别寻找满足最大类间距离、最小类内距离、以及最大训练样本识别准确率的单最优分类点,依靠到不同最优分类点的距离进行故障模式识别。但基于单最优分类点的识别原理存在不能够准确识别具有线性不可分数据集的缺陷,因此需要为数据集中各个类别寻优合适的最优分类点,而不是仅确定唯一的最优分类点,进而在单最优分类点识别原理的基础上,提出基于自适应最优分类点的改进识别原理,利用优先度的概念组织多目标优化,确保了优化目标按照重要程度依次被实现,以此提高对线性不可分数据的识别准确率。（3）海量的状态监控数据能够准确清晰地描述机械设备的运行状态特征,但其中大量重复或者相似性的数据在故障识别时起着基本类似的作用,因而变相地增加了样本规模,影响了计算效率。因此,提出基于图形割裂的粒度计算方法,并应用到故障数据压缩当中,粒度通过提取和割裂平凡子图和完整子图生成。同时,考虑到监控数据间各属性不同量纲对相似度的影响,提出无量纲相似度的计算方法,克服了量纲的影响。将满足相似指标的数据进行压缩,减少了数据样本,降低了算法的时间开销,同时,保障了压缩样本对原始样本空间分布的维持,避免了因样本减少,信息损失后,对故障模式识别准确率的影响。（4）航空发动机主要性能参数是判断发动机健康状态的一个主要指标,容易受到如:运行环境、机械因素、飞行状态等因素影响,具有非线性、非封闭性和不确定性等特点。利用MELPSO的全局寻优能力,求解出具有非线性映射功能的函数,构造出基于时间序列的预测方式,利用前序数据预测后续数据。同时为克服时间序列预测方式输出偏差较大的缺陷,根据性能参数的影响因素,结合预测逻辑和主要影响因素,进一步构造出基于影响因素的预测方式,提高了预测准确率和输出的稳定性。
武哲[6]（2016）在《旋转机械故障诊断与预测方法及其应用研究》文中提出研究旋转机械的故障诊断与预测技术,对于保障机械设备运行的安全性和稳定性具有十分重要的意义。旋转机械的振动信号具有非稳定性和非线性,同时,在强背景噪声工作环境下,旋转机械的微弱故障特征很容易被噪声淹没,此外,当机械系统出现故障时,往往会产生位置不同的复合故障,故障之间相互耦合,从而给旋转机械故障精确诊断带来了挑战,因此,强噪下微弱、复合故障诊断是当今机械故障诊断领域的难点。论文将旋转机械作为研究对象,研究形态学滤波、局域均值分解、多元经验模态分解和噪声辅助多元经验模态分解等时频方法及其在旋转机械的微弱、复合故障诊断中的应用,为机械故障诊断、性能退化状态识别和趋势预测提供新的有效手段。主要内容如下：1、提出了一种基于LMD和形态滤波的轴承故障诊断方法。设计并搭建了铁路货车轮对滚动轴承测试系统,并对轴承典型故障振动信号进行分析,仿真实验与轴承故障试验结果验证了该方法的有效性。针对形态滤波器尺度选择缺乏自适应的问题,提出了基于遗传算法的自适应形态滤波方法,仿真和试验的分析结果表明,自适应形态学滤波器对于信号降噪处理和冲击特征提取两方面均有明显的效果。2、针对EMD和LMD等时频分析方法无法处理旋转机械多通道振动信号的缺点和旋转机械早期微弱故障、复合故障的特征提取问题,提出了基于改进的多元经验模态分解的旋转机械早期故障诊断方法。该方法利用多元经验模态分解将多通道振动信号分解得到一系列多元IMF分量,将峭度准则和互信息引入IMF的选取,进一步消除混入的噪声和伪分量的影响。仿真信号和旋转机械故障信号的分析结果表明,改进的MEMD方法在多通道信号分解的精确性和鲁棒性等方面具有明显的优越性和有效性,为旋转机械微弱故障、复合故障诊断和多通道振动信息融合分析提供了新的思路和手段。3、NAMEMD是一种新的非线性信号自适应时频分解方法,该方法克服了MEMD和EEMD的模态混叠等问题,但是经过研究发现,NAMEMD方法并不能完全抑制MEMD的模态混叠现象,得到的IMF仍存在模态混叠,需要后续处理。为了抑制NAMEMD方法分解中的模态混叠现象,提出了改进的NAMEMD方法。采用基于排列熵的随机性检测技术及时地检测异常信号和噪声信号,再对剩余信号进行NAMEMD分解,通过仿真信号验证了所提出方法的有效性,在此基础上,针对强噪下机械故障特征提取的问题,提出了基于改进的NAMEMD形态学与Teager能量算子解调的旋转机械故障诊断方法,并通过仿真信号和旋转机械故障信号将所提出的方法与EEMD和NAMEMD进行了对比,结果表明改进的NAMEMD方法消除了EEMD集成平均过程中因添加白噪声的时频特性差异带来的模态混叠,分解结果相对于EEMD具有较准确的IMF频谱分布和更好的降噪效果,分解结果更为精确。所提方法在抑制模态混叠、增强降噪效果和提高分解精确性上要优于EEMD和NAMEMD方法,结果验证了所提方法的有效性和优越性。4、在分析样本熵和排列熵原理的基础上,针对轴承振动信号的非线性特征,提出了基于NAMEMD和排列熵的轴承故障智能诊断方法。首先对振动信号进行NAMEMD分解,然后对前5个有意义的IMF分量进行排列熵计算,并将其作为特征向量输入训练好的SVM分类器,有效地实现轴承四种典型状态类型的识别,准确率高。5、将NAMEMD自适应分解与基于非线性动力学参数的信号复杂性的排列熵理论相结合,提出了基于改进NAMEMD和排列熵的旋转机械退化状态检测方法,该方法首先将多分量的振动信号自适应地分解得到一系列信噪比较高的IMF分量,利用对突变信号敏感的排列熵算法分别对各IMF进行排列熵分析,进行轴承运行状态及演化过程的准确识别。建立了滚动轴承振动信号和退化状态之间的联系。通过仿真试验和滚动轴承全寿命试验数据,证明了建立的状态指标能够准确、完整地反映滚动轴承的退化状态趋势,实现了滚动轴承全寿命周期状态的有效识别。所提方法具有较强的鲁棒性,为机械设备的性能退化状态检测提供了一种新的有效途径。6、针对滚动轴承退化状态趋势预测问题,提出了基于NAMEMD、PE和SVR的滚动轴承故障演化状态趋势预测模型,实现滚动轴承性能退化趋势的准确预测,评估在未来一段时间内的轴承状态的变化趋势,从而达到加强机械设备运行安全性与稳定性的目的。通过轴承全寿命试验,证明了所提方法的准确性和有效性,具有较高的预测精度和鲁棒性,对工程实践具有重要的指导意义。
吴冠宇[7]（2015）在《风电齿轮箱齿轮故障预警与诊断的研究》文中进行了进一步梳理行星传动结构一般尺寸小、传动比大的特点,逐渐取代传统齿轮箱,广泛的应用于各种大型机械设备中,行星齿轮箱一旦发生故障,将会造成很大的安全事故和经济损失,针对传统传动结构的齿轮箱的故障预警与诊断的研究已经比较成熟,但是对行星齿轮箱故障的研究却是比较少,本文针对风电行星齿轮箱,采用SCADA数据和振动数据进行故障预警与诊断的研究。本文的主要研究内容如下：1.首先,对齿轮的常见故障进行了介绍,从齿轮的振动机理出发,建立齿轮振动模型,分析齿轮典型故障下的振动信号特征,同时对风电齿轮箱的类型以及结构进行介绍,以齿轮磨损这一故障为研究对象,结合FTA和FEMA技术,分析故障原因、影响、征兆以及相应的维修措施,建立完整的故障知识库。2.在平行啮合齿轮振动分析的基础上,对行星轮系振动信号模型进行分析,计算行星轮系各组件的转动频率,分别对行星轮系正常、分布故障、局部故障时的振动信号模型进行分析,得出各故障的特征频率,利用MATLAB软件对行星轮系各状态进行仿真,分析各状态下的频谱特征。3.针对很少利用现有SCADA数据对齿轮箱进行故障预警与诊断的现状,本文对齿轮箱润滑油油温进行研究,针对齿轮箱运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易出现误报的问题,提出了基于运行区间划分的齿轮箱在线故障预警方法。通过划分不同的运行区间,根据高斯模型对不同运行区间分别设定阈值,将实时数据带入相应的运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。4.无量纲指标对于齿轮早期故障敏感,可以作为齿轮早期故障预警,针对新无量纲指标需要在整周期采样的基础上进行计算的要求以及风电机组运行工况不稳定,所测得的振动信号为非平稳信号的现状,采用阶比分析以及EMD分解方法对振动信号进行预处理,进而转化为平稳角域信号,同时齿轮箱不同传感器测点提供故障不同敏感度的信息或者互补的信息,本文以多传感所测振动信号的无量纲指标为预警参数,采用遗传优化神经网络算法对齿轮早期故障进行预警,比一般神经网络算法计算速度快,准确率高。5.在上述第2点的行星轮系故障特征的基础上,提出一种新型的齿轮箱故障部位以及严重程度的在线诊断方法,首先提取可准确表征故障信息的特征量,再计算待测样本和预先设定的各故障模式标准样本之间的J-散度和KL-散度值,利用散度值可表征故障模式以及散度值的变化可追踪故障严重程度变化的特点,来判断故障部位及严重程度,同时,针对行星齿轮箱一般缺乏足够故障样本的问题,对此方法进行改进,通过计算待测样本与正常标准样本之间不同故障特征量的散度值,可以有效判断故障模式以及严重程度。6.在本文的研究基础上,把本文的研究内容应用于实际的风电机组行星齿轮箱的故障预警与诊断,验证了此方法的有效性,同时对风电机组齿轮箱故障预警和故障诊断的系统进行初步开发。
李金华[8]（2014）在《精密数控车若干关键技术的研究》文中指出随着科学技术的快速发展,高档数控机床正朝着高速度、高精度、高效率与复合化方向发展,精密数控车床和车削中心已成为现代数控机床发展的主要方向之一。研究开发一台精密数控车床需要多种方案的反复比较和试验,也需要大量的技术投资和较长的开发周期。如何利用现有技术快速有效地提高其动态特性和加工性能,已成为精密数控车床国产化亟待解决的问题。为了实现精密数控车床高精、高速及高效加工,本文结合国家科技重大专项"HTC3250μn精密数控车和车削中心”,利用理论推导、数值仿真分析和实验等方法和手段对精密数控车切削颤振、主轴单元设计及热补偿等关键技术展开深入研究,主要内容及结论如下：（1）构建了基于再生型切削颤振机理的数控外圆车削颤振理论计算模型,并在模型中引入了瞬态切屑厚度和刀具角度变化等影响因素,通过仿真分析得出极限切宽和主轴转速之间具有明显的非线性关系,且主轴转速对颤振影响最为明显；切削稳定性随主振系统的等效刚度或阻尼比增加而增加,但当方向系数、切削重叠率或切削刚度增加时,稳定性反而降低,同时叶瓣曲线的形状也随之改变；但主振系统固有频率不影响曲线形状,它的增大使曲线整体右移。以上研究实现了切削颤振稳定性极限预测,为后续抑振措施的研究提供了理论依据。在此基础上开发了车削颤振分析专用程序,实现了数控外圆切削颤振稳定区的数值计算。（2）利用有限元分析和模态测试相结合的方法获得了HTC3250μn精密数控车整机和刀具系统的动静态特性,结合切削振动测试得出刀具系统是该数控车切削颤振主体,以上结果为切削颤振主动控制提供了动静态特性数据。此外,在数控车结构设计中,提出了应用高阻尼高刚度结构实现减隔振的方法,设计了液体动静压电主轴、静压导轨、树脂混凝土床身和空气弹簧隔振器,通过切削试验证明了以上结构能够满足机床使用要求。（3）针对再生型切削颤振建立了切削过程衰减系数模型,通过对时变转速切削过程进行仿真获得了系统振动频率和衰减系数的变化规律,结果表明：时变转速切削时再生反馈向系统输入的能量少于恒速切削时其输入的能量。通过切削试验验证了模型和仿真的正确性以及变速切削抑振的可行性。基于时间序列分析方法构建了切削力二阶时序模型,提出了通过在线辨识切削稳定区预报切削颤振的方法；给出了切削过程稳定区搜索控制方法,通过在线调节主轴转速搜索切削稳定区,保证系统在稳定区内工作,避免切削颤振的发生。在此基础上,开发了切削颤振预报和切削稳定区搜索控制程序,实现了颤振的主动控制。（4）提出了高速高精主轴多目标优化设计和临界转速校核的有限元方法和基本流程。采用弹簧阻尼单元模拟动静压轴承支承,建立了主轴三维有限元参数化模型并分析其动静态特性,获得了主轴静刚度、固有频率和振型；通过谐响应分析,比较主轴在共振和设计工况下的振型,找出了该主轴的危险点并进行了分析验算；在此基础上,通过扫描设计变量提取影响因子权重,建立了主轴的多目标结构优化设计数学模型,并利用一阶优化算法对体积和振幅进行优化；基于转子动力学理论对优化后的主轴模型计算了坎贝尔曲线,对高速高精主轴进行临界转速校核。在此基础上开发了数控车主轴单元参数化分析系统用于机床主轴分析设计,实现了主轴的快速可靠分析。（5）给出了基于有限元技术进行主轴系统热特性分析和热结构优化的方法,提出了改变边界条件减小热变形的方法,并以HTC3250μn精密数控车为例展开研究,进行了机床热态特性和主轴热变形测试试验。提出了基于灰色综合关联度的测温敏感点选取方法,构建了基于多元线性回归的热误差-温度补偿模型。提出了嵌入式主轴系统热补偿方法,依据半闭环前馈补偿原理,基于数控机床坐标原点偏移功能,利用嵌入式技术开发了主轴系统热补偿器,实现了精密数控车热补偿,提高了加工精度。
李全[9]（2010）在《基于HMM的轴承故障诊断方法》文中研究表明滚动轴承是旋转机械中最常见也是最易损坏的部件之一。滚动轴承故障会导致机器产生异常振动和噪声,甚至引起机器损坏和人员伤亡等重大事故。因此研究轴承的故障诊断与监测具有十分重要的意义。因此,本文采用一种近些年在语音识别技术中发展较快的模式识别技术——隐马尔可夫模型（Hidden Markov Model, HMM）来对滚动轴承的故障进行检测和诊断。它具有模式分类能力强、训练样本少、计算速度快等特点,比较适合非平稳滚动轴承故障振动信号分析。HMM实现的基本方法通过对振动信号进行特征提取,训练具有相应状态数的隐马尔可夫模型,然后计算待检测信号的相似概率,根据相似概率中的最大值及相应模型判断信号的状态,从而达到信号模式分类目的。本文的主要工作是利用HMM进行滚动轴承的故障诊断,包括四项研究内容：1.在学习和研究HMM理论的基础上,探讨了HMM三种经典算法在故障诊断中的实际功能,并编制了基于MATLAB的实现程序,从而验证了HMM理论在滚动轴承故障诊断中的可行性。2.针对滚动轴承振动信号的非平稳性、调制以及易受背景噪声干扰等特点,采用小波变换对振动信号进行分解,提取一维信号中低频系数作为故障特征值。对提取后的特征值可根据矢量量化（Vector Quantization, VQ）原理对其进行转化,或利用高斯概率密度函数修正HMM参数,最后输入HMM进行判别。实验证明小波分析提取特征值并结合HMM进行判断在实际应用中是可行的。3.使用非平稳信号分析的新方法—希尔伯特黄变换（Hilbert-Huang Transform）提取故障特征值,结合离散隐马尔可夫模型进行轴承状态判别。由于HHT提取的特征值简单,所以加快了HHT的训练和诊断速度,最终较好地提高了诊断精度。4.在学习和研究上述理论的基础上,利用MATLAB GUI设计了滚动轴承故障特征提取与诊断的虚拟系统,并采用仿真和实验信号测试了该系统的有效性和实用性,为滚动轴承故障诊断系统的开发提供了一个范例。
尹晓虎,尹家铜,张忠良,温熙森,杨拥民[10]（2010）在《不完整滑油数据下发动机磨损的预防性维修决策框架》文中研究说明针对不完整滑油监控数据下发动机磨损的预防性维修决策问题,提出了一个完整的建模和分析框架。该框架包括不完整磨粒数据的建模与辨识、基于磨粒数据模型仿真抽样的发动机磨损寿命分布逼近和发动机磨损预防性维修决策的矩阵解析分析三方面内容。通过集成最大熵概率密度估计和迭代递归预测误差算法、动态聚类和有限位相型分布逼近的期望最大化算法、约束优化和粒子群算法,成功解决了上述三个方面的问题;其分析过程提供了视情维修的典型决策流程,可用于基于状态监控数据的装备维修决策。
二、基于支持矢量机的旋转机械滑油金属含量预测（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、基于支持矢量机的旋转机械滑油金属含量预测（论文提纲范文）
（1）影响表面质量的磨削特征辨识、工艺优化与监控方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外相关研究综述 |
| 1.2.1 磨削表面质量相关研究现状 |
| 1.2.2 磨削工艺优化方法研究及其发展现状 |
| 1.2.3 表面质量监控方法研究及其发展现状 |
| 1.2.4 机器学习理论及其应用研究现状 |
| 1.2.5 相关研究存在的问题及分析 |
| 1.3 课题研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文的主要章节安排 |
| 1.5 本章小结 |
| 第二章 磨削质量监控基础理论与CPS-SDD实验平台构建 |
| 2.1 磨削质量的评价指标与测试方法 |
| 2.1.1 实验试件材料性能与砂轮参数 |
| 2.1.2 表面质量的评价指标与测试方法 |
| 2.1.3 砂轮磨损的评价指标与测试方法 |
| 2.2 磨削信号的产生机制与测量方法 |
| 2.2.1 磨削力信号 |
| 2.2.2 磨削温度信号 |
| 2.2.3 磨削振动信号 |
| 2.2.4 声发射信号 |
| 2.3 机器学习基础理论研究 |
| 2.3.1 长短期记忆网络(LSTM) |
| 2.3.2 基于改进粒子群优化的支持向量回归(IPSO-SVR) |
| 2.3.3 堆栈稀疏自编码器(SSAE) |
| 2.4 基于CPS-SDD的磨削加工过程监控实验平台构建 |
| 2.4.1 CPS-SDD在磨削加工中的应用 |
| 2.4.2 磨削加工过程监控实验平台构建 |
| 2.5 本章小结 |
| 第三章 磨削信号特征提取与辨识方法研究 |
| 3.1 磨削信号处理技术 |
| 3.1.1 磨削信号的预处理降噪 |
| 3.1.2 基于小波包分解的磨削信号处理方法 |
| 3.1.3 基于集合经验模态分解的磨削信号处理方法 |
| 3.2 基于时频域分析的磨削信号特征提取方法研究 |
| 3.2.1 信号时域分析及其特征参数的表征 |
| 3.2.2 信号频域分析及其特征参数的表征 |
| 3.2.3 磨削时域与频域信号的特征提取 |
| 3.3 基于物理信号与表面质量高关联度的磨削特征辨识方法研究 |
| 3.3.1 mRMR特征选择方法 |
| 3.3.2 ReliefF特征选择方法 |
| 3.3.3 磨削信号特征辨识结果案例分析 |
| 3.4 本章小结 |
| 第四章 多目标磨削表面质量工艺优化方法研究 |
| 4.1 磨削过程力学行为特性研究 |
| 4.1.1 基于成屑厚度的磨削运动学分析 |
| 4.1.2 考虑磨削三阶段的磨削力解析模型构建 |
| 4.1.3 磨削力随工艺参数的变化规律研究 |
| 4.2 磨削工艺参数与力热载荷对表面质量的影响规律分析 |
| 4.2.1 工艺参数与力载荷对表面粗糙度的影响 |
| 4.2.2 工艺参数与力热载荷对残余应力的影响 |
| 4.2.3 工艺参数与力热载荷对磨削烧伤的影响 |
| 4.3 基于NSGA-II的磨削表面质量优化方法研究 |
| 4.3.1 面向多质量目标的磨削工艺优化方法研究 |
| 4.3.2 基于NSGA-II的磨削工艺参数优化模型构建 |
| 4.3.3 磨削表面质量优化结果与分析 |
| 4.4 本章小结 |
| 第五章 砂轮磨损与磨削表面质量监控方法研究 |
| 5.1 基于LSTM的砂轮磨损监控方法研究 |
| 5.1.1 砂轮磨损时表面形貌的演变过程 |
| 5.1.2 砂轮磨损的高关联度特征辨识结果分析 |
| 5.1.3 砂轮磨损预测结果与控制决策分析 |
| 5.2 基于LSTM的表面粗糙度监控方法研究 |
| 5.2.1 磨削过程中工件表面粗糙度的变化过程 |
| 5.2.2 表面粗糙度的高关联度特征辨识结果分析 |
| 5.2.3 表面粗糙度预测结果与控制决策分析 |
| 5.3 基于IPSO-SVR的残余应力监控方法研究 |
| 5.3.1 残余应力随工艺参数的变化规律 |
| 5.3.2 残余应力的高关联度特征辨识结果分析 |
| 5.3.3 残余应力预测结果与控制决策分析 |
| 5.4 基于SSAE的磨削烧伤监控方法研究 |
| 5.4.1 磨削烧伤的变化规律及其判别 |
| 5.4.2 磨削烧伤的高关联度特征辨识结果分析 |
| 5.4.3 磨削烧伤分类预测结果与控制决策分析 |
| 5.5 本章小结 |
| 第六章 挠性接头工程验证及其效果分析 |
| 6.1 挠性接头磨削工程验证方案设计 |
| 6.1.1 工程验证技术基础 |
| 6.1.2 挠性接头加工技术要求与难点 |
| 6.1.3 挠性接头磨削加工实验与监控方案 |
| 6.2 挠性接头磨削工程验证结果与分析 |
| 6.2.1 工艺参数对挠性接头表面残余应力的影响 |
| 6.2.2 挠性接头表面残余应力的高关联度特征辨识 |
| 6.2.3 表面残余应力的监控结果与分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.2 研究创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士期间参与的科研项目及发表的学术论文 |
| 致谢 |
（2）海洋钻井平台顶驱状态监测与诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源与研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 顶驱的发展历史 |
| 1.2.2 顶驱设备状态监测研究现状 |
| 1.2.3 顶驱设备健康评估现状研究 |
| 1.2.4 顶驱设备故障诊断现状研究 |
| 1.3 本文主要研究内容 |
| 1.4 技术路线 |
| 第2章 基于多源异构数据的顶驱综合监测体系构建 |
| 2.1 引言 |
| 2.2 顶驱结构与常见故障模式分析 |
| 2.2.1 顶驱主要部件介绍 |
| 2.2.2 顶驱故障模式分析 |
| 2.2.3 顶驱故障树分析 |
| 2.3 基于多源异构数据的顶驱监测方法研究 |
| 2.3.1 基于多源异构数据的顶驱监测参数确定 |
| 2.3.2 基于modbus通信的第三方数据集成方法研究 |
| 2.3.3 多源异构数据转换与规范化整合技术方法研究 |
| 2.4 基于弱网络的顶驱远程监测方法研究 |
| 2.4.1 基于数据库同步的岸基通信方法研究 |
| 2.4.2 多源异构信息的数据库设计 |
| 2.5 海洋平台顶驱远程监测方案 |
| 第3章 基于GMM-SVM-MD的顶驱健康评估方法研究 |
| 3.1 引言 |
| 3.2 顶驱现场数据分析 |
| 3.3 顶驱健康评估方法研究 |
| 3.3.1 基于GMM的顶驱工况辨识 |
| 3.3.2 基于SVM的顶驱健康状态定性分析 |
| 3.3.3 基于MD的顶驱健康状态定量分析 |
| 3.4 基于GMM-SVM-MD的顶驱健康评估方案研究 |
| 3.5 实验验证与结果分析 |
| 3.5.1 实验描述 |
| 3.5.2 模型健康状态定性分析结果 |
| 3.5.3 模型健康状态定量分析结果 |
| 3.6 本章小结 |
| 第4章 基于模型残差分析的顶驱故障诊断方法研究 |
| 4.1 引言 |
| 4.2 基于模型残差分析的故障诊断原理 |
| 4.3 基于模型残差分析的故障诊断流程 |
| 4.4 实验验证与结果分析 |
| 4.4.1 实验安装与数据采集 |
| 4.4.2 电机实验台多级模型构建 |
| 4.4.3 基于残差分析的特征提取及结果分析 |
| 4.5 本章小结 |
| 第5章 钻井平台顶驱综合监测与故障诊断系统开发 |
| 5.1 引言 |
| 5.2 硬件系统介绍 |
| 5.3 软件功能介绍 |
| 5.3.1 系统登录模块 |
| 5.3.2 软件主界面功能导航图 |
| 5.3.3 软件实时数据监测模块 |
| 5.3.4 顶驱数据分析模块 |
| 5.3.5 辅助功能介绍 |
| 5.4 系统使用效果说明 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（3）基于VMD与流形学习的齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 故障诊断的发展历程及国内外现状 |
| 1.2.1 故障诊断的发展历程 |
| 1.2.2 故障诊断特征提取的研究现状 |
| 1.2.3 流形学习的研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 第2章 齿轮箱故障机理及特征分析 |
| 2.1 齿轮箱的振动机理 |
| 2.2 齿轮的振动机理 |
| 2.2.1 齿轮故障的基本形式 |
| 2.2.2 轮齿啮合振动的物理模型 |
| 2.3 齿轮振动信号及其故障特征分析 |
| 2.3.1 以齿轮啮合频率及其谐波为载波的调制 |
| 2.3.2 以齿轮固有频率为载波的共振调制 |
| 2.3.3 以齿轮箱壳体固有频率为载波的共振调制 |
| 2.4 轴承的振动机理 |
| 2.4.1 轴承故障的基本形式 |
| 2.4.2 轴承的固有振动 |
| 2.4.3 轴承各部件的理论故障频率 |
| 2.5 本章小结 |
| 第3章 基于智能优化参数的变分模态分解(VMD)特征提取方法 |
| 3.1 基本理论 |
| 3.1.1 变分模态分解 |
| 3.1.2 群体智能优化算法 |
| 3.1.3 信息熵与峭度准则 |
| 3.2 基于智能优化参数的VMD特征提取模型 |
| 3.2.1 PSO-VMD模型 |
| 3.2.2 WOA-VMD模型 |
| 3.2.3 相关系数法 |
| 3.3 实验信号分析 |
| 3.4 本章小结 |
| 第4章 流形学习及参数选取方法 |
| 4.1 流形学习原理及方法 |
| 4.1.1 等距映射算法(Isomap) |
| 4.1.2 局部线性嵌入(LLE) |
| 4.1.3 正交局部保持投影(OLPP) |
| 4.2 参数选取优化方法 |
| 4.2.1 本征维数和邻域值对流形学习的影响 |
| 4.2.2 基于虚假近邻法的本征维数估计 |
| 4.2.3 基于LDA的近邻数K值选取 |
| 4.3 流形学习算法的仿真实验及分析 |
| 4.3.1 测试数据仿真实验 |
| 4.3.2 实验分析 |
| 4.4 本章小结 |
| 第5章 基于VMD与流形学习的齿轮箱故障诊断方法 |
| 5.1 齿轮箱故障诊断实验方案 |
| 5.1.1 齿轮箱故障诊断模型 |
| 5.1.2 齿轮箱故障模拟实验数据 |
| 5.2 基于智能优化参数的VMD故障特征提取 |
| 5.3 多域高维特征空间构建及流形学习算法的应用与分析 |
| 5.3.1 多域高维特征空间构建 |
| 5.3.2 流形学习算法应用与分析 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（4）基于SVR-BN的长输管道燃气轮机故障预警方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景、目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂设备故障预警方法研究现状 |
| 1.2.2 工艺参数预测方法研究现状 |
| 1.2.3 故障诊断方法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 燃气轮机辅助系统介绍及故障数据库建立 |
| 2.1 燃气轮机机组辅助系统介绍 |
| 2.1.1 合成润滑油系统 |
| 2.1.2 燃料气系统 |
| 2.1.3 其他系统 |
| 2.2 故障类型及影响分析 |
| 2.2.1 FMEA方法介绍和步骤 |
| 2.2.2 燃气轮机辅助系统FMEA分析 |
| 2.3 故障数据库的构建 |
| 2.3.1 数据库系统概述 |
| 2.3.2 故障数据库系统的设计与功能介绍 |
| 2.4 本章小结 |
| 第3章 基于支持向量回归机的工艺参数预测方法研究 |
| 3.1 SCADA系统工艺参数数据分析 |
| 3.2 参数优化的SVR预测方法研究 |
| 3.2.1 SVR预测方法介绍及参数分析 |
| 3.2.2 混沌粒子群算法对SVR参数优化 |
| 3.2.3 基于CPSO参数优化的SVR预测模型研究 |
| 3.2.4 预测模型的仿真实验 |
| 3.3 典型SCADA系统工艺参数预测 |
| 3.4 本章小结 |
| 第4章 基于贝叶斯网络的故障诊断方法研究 |
| 4.1 贝叶斯网络基本理论介绍 |
| 4.2 贝叶斯网络结构的构建方法研究 |
| 4.2.1 故障树分析法介绍 |
| 4.2.2 故障树模型到贝叶斯网络结构的映射 |
| 4.3 贝叶斯网络参数的学习 |
| 4.3.1 贝叶斯网络先验概率计算 |
| 4.3.2 贝叶斯网络条件概率计算 |
| 4.3.3 权重加权算法 |
| 4.3.4 模糊理论 |
| 4.3.5 贝叶斯网络条件概率求解算法的应用 |
| 4.4 贝叶斯网络的推理 |
| 4.5 本章小结 |
| 第5章 在线故障预警模型的建立方法研究 |
| 5.1 故障预警模型的触发机制研究 |
| 5.1.1 工艺参数偏离度的计算 |
| 5.1.2 基于移动窗口法的预警触发机制的设置 |
| 5.2 在线故障预警模型实施流程图 |
| 5.3 本章小结 |
| 第6章 故障预警模型在燃气轮机中的应用 |
| 6.1 燃气轮机机组故障预警模型的建立 |
| 6.1.1 燃料气系统故障预警模型的建立 |
| 6.1.2 润滑油系统故障预警模型的建立 |
| 6.2 故障预警模型在燃气轮机机组事故案例中应用 |
| 6.2.1 故障预警模型在燃料气系统中的应用 |
| 6.2.2 故障预警模型在润滑油系统中的应用 |
| 6.3 本章结论 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（5）基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 航空发动机故障诊断与预测技术研究历史与现状 |
| 1.3 粒子群优化算法研究历史与现状 |
| 1.4 粒度计算研究历史与现状 |
| 1.5 本文的结构安排 |
| 第二章 基于人类学习行为的粒子群优化算法 |
| 2.1 多极值学习型PSO算法原理 |
| 2.1.1 集体学习策略原理 |
| 2.1.2 私人辅导策略原理 |
| 2.1.3 研究行为策略原理 |
| 2.2 MELPSO算法流程及性能改进分析 |
| 2.2.1 MELPSO算法实施流程 |
| 2.2.2 MELPSO算法性能改进分析 |
| 2.3 算法寻优性能验证及比较 |
| 2.3.1 各优化算法性能比较及分析 |
| 2.3.2 算法参数对优化性能影响及分析 |
| 2.4 本章小结 |
| 第三章 基于MELPSO算法的故障模式识别方法 |
| 3.1 基于距离的故障模式识别方法 |
| 3.2 基于单最优分类点的故障模式识别原理 |
| 3.2.1 基于分类的适应度函数设计 |
| 3.2.2 算法性能验证及分析 |
| 3.3 基于自适应最优分类点的故障模式识别原理 |
| 3.3.1 单最优分类点的缺陷分析 |
| 3.3.2 自适应最优分类点的识别原理 |
| 3.4 故障模式识别应用及分析 |
| 3.4.1 在轴承故障识别中的应用 |
| 3.4.2 在航空发动机小样本故障状态识别中的应用 |
| 3.4.3 在航空发动机气路状态识别中的应用 |
| 3.5 本章小结 |
| 第四章 基于图形割裂的粒度计算及其应用 |
| 4.1 相似度的定义及图形的生成 |
| 4.1.1 无量纲相似度的定义 |
| 4.1.2 图形的生成 |
| 4.2 基于无量纲相似度的图形割裂 |
| 4.2.1 平凡子图集和完全子图集的提取 |
| 4.2.2 图形割裂的原则和粒度的生成 |
| 4.3 粒度的应用及样本空间分布变化的评价 |
| 4.3.1 粒度在故障诊断中的应用 |
| 4.3.2 空间分布变化的评价 |
| 4.4 算法应用及其性能评价 |
| 4.4.1 相似度阈值s、空间变化评价指标EI和样本数量|X|间关系 |
| 4.4.2 基于图形割裂的粒度计算对分类性能的影响 |
| 4.5 本章小结 |
| 第五章 基于MELPSO算法的航空发动机性能参数预测 |
| 5.1 基于预测的适应度函数设计 |
| 5.2 历史数据的组织结构形式 |
| 5.3 航空发动机性能参数预测 |
| 5.3.1 基于MELPSO算法的预测性能验证 |
| 5.3.2 预测性能比较 |
| 5.4 基于影响因素的EGTM预测 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（6）旋转机械故障诊断与预测方法及其应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 旋转机械故障诊断监测基本方法 |
| 1.2.2 时域信号处理技术 |
| 1.2.3 频域信号处理技术 |
| 1.2.4 时频联合分析方法 |
| 1.3 数学形态学在旋转机械故障诊断中的研究现状 |
| 1.4 旋转机械退化状态识别和趋势预测方法研究现状 |
| 1.4.1 信号特征提取方法研究 |
| 1.4.2 旋转机械故障识别方法研究现状 |
| 1.4.3 旋转机械退化趋势预测模型研究现状 |
| 1.5 主要研究思路与研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 论文研究内容和章节安排 |
| 2 基于LMD自适应形态学滤波的滚动轴承故障诊断方法 |
| 2.1 引言 |
| 2.2 形态学滤波 |
| 2.2.1 数学形态学基本理论 |
| 2.2.2 数学形态学滤波器 |
| 2.2.3 数学形态学结构元素 |
| 2.3 基于遗传算法和峭度准则的结构元素自适应算法 |
| 2.3.1 遗传算法 |
| 2.3.2 形态学结构元素自适应算法 |
| 2.4 LMD理论 |
| 2.5 基于LMD形态学滤波在轴承故障诊断中的应用 |
| 2.6 数值仿真分析 |
| 2.7 试验信号分析 |
| 2.7.1 试验平台介绍 |
| 2.7.2 滚动轴承故障诊断分析 |
| 2.8 本章小结 |
| 3 基于多元经验模态分解的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 经验模态分解 |
| 3.3 MEMD的基本理论 |
| 3.3.1 Hammersley序列采样法 |
| 3.3.2 MEMD算法 |
| 3.3.3 MEMD的滤波特性 |
| 3.3.4 互信息 |
| 3.3.5 相关系数 |
| 3.4 基于改进的MEMD方法在旋转机械故障诊断中的应用 |
| 3.4.1 基于改进的MEMD旋转机械故障诊断方法 |
| 3.4.2 数值仿真分析 |
| 3.4.3 试验平台介绍 |
| 3.4.4 齿轮故障实验 |
| 3.4.5 齿轮箱齿轮复合故障诊断实验 |
| 3.4.6 轴承微弱故障诊断实验 |
| 3.5 本章小结 |
| 4 基于改进的噪声辅助多元经验模态分解的旋转机械故障诊断方法 |
| 4.1 引言 |
| 4.2 EEMD原理 |
| 4.3 NAMEMD原理 |
| 4.4 改进的NAMEMD算法 |
| 4.5 抗混分析 |
| 4.6 瞬时频率估计方法 |
| 4.6.1 Hilbert变换 |
| 4.6.2 Teager能量算子 |
| 4.7 基于改进的NAMEMD自适应形态学方法在旋转机械故障诊断中的应用 |
| 4.7.1 基于改进的NAMEMD适应形态学旋转机械故障诊断方法 |
| 4.7.2 仿真信号分析 |
| 4.7.3 旋转机械故障试验 |
| 4.8 本章小结 |
| 5 基于NAMEMD和熵理论的旋转机械故障智能诊断方法 |
| 5.1 引言 |
| 5.2 熵的基本理论 |
| 5.2.1 样本熵理论及参数选取 |
| 5.2.2 排列熵理论及参数选取 |
| 5.3 支持向量机及参数优化 |
| 5.3.1 SVM原理 |
| 5.3.2 基于遗传算法的SVM参数优化方法 |
| 5.4 基于NAMEMD排列熵和SVM的智能诊断方法在滚动轴承故障诊断中的应用 |
| 5.4.1 基于NAMEMD排列熵的滚动轴承故障诊断方法 |
| 5.4.2 试验数据分析 |
| 5.4.3 比较分析 |
| 5.5 本章小结 |
| 6 滚动轴承故障退化状态检测与趋势预测方法 |
| 6.1 引言 |
| 6.2 基于时域统计特征参量的滚动轴承状态检测 |
| 6.2.1 轴承全寿命试验 |
| 6.2.2 试验数据分析 |
| 6.3 基于改进的NAMEMD排列熵的滚动轴承故障演化状态检测方法 |
| 6.3.1 方法介绍 |
| 6.3.2 仿真数据分析 |
| 6.3.3 试验数据分析 |
| 6.4 滚动轴承退化状态趋势预测方法 |
| 6.4.1 研究背景 |
| 6.4.2 预测模型建立 |
| 6.5 基于NAMEMD,PE和SVR的滚动轴承退化状态趋势预测方法 |
| 6.5.1 仿真数据分析 |
| 6.5.2 试验数据分析 |
| 6.5.3 预测结果分析 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历及其攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）风电齿轮箱齿轮故障预警与诊断的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 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 本文的研究内容 |
| 第2章 齿轮故障与振动机理分析 |
| 2.1 齿轮故障 |
| 2.1.1 齿轮故障分类 |
| 2.1.2 齿轮故障成因 |
| 2.2 齿轮的振动模型与机理分析 |
| 2.3 齿轮典型故障的振动信号特征 |
| 2.3.1 断齿振动特征分析 |
| 2.3.2 齿面点蚀振动特征分析 |
| 2.3.3 齿面磨损振动特征分析 |
| 2.3.4 齿根裂纹振动特征分析 |
| 2.4 行星齿轮箱类型及结构 |
| 2.5 齿轮故障知识库的建立 |
| 2.6 本章小结 |
| 第3章 行星齿轮系的振动信号模型及分析 |
| 3.1 行星齿轮的计算频率 |
| 3.2 行星轮系故障振动分析及特征频率的计算 |
| 3.2.1 行星轮系分布式故障 |
| 3.2.2 行星轮系局部故障 |
| 3.3 仿真信号模型及特征分析 |
| 3.3.1 正常状态 |
| 3.3.2 行星轮系分布故障 |
| 3.3.3 行星轮系局部故障 |
| 3.4 本章小结 |
| 第4章 基于多参数融合的行星齿轮箱故障预警与诊断 |
| 4.1 基于区间划分的SCADA数据故障预警 |
| 4.1.1 在线故障预警方法框架 |
| 4.1.2 数据筛选 |
| 4.1.3 运行区间划分 |
| 4.1.4 预警限和预警指标设定 |
| 4.2 基于遗传神经网络的无量纲故障预警 |
| 4.2.1 无量纲指标 |
| 4.2.2 振动信号预处理 |
| 4.2.3 遗传神经网络学习算法 |
| 4.2.4 实验验证 |
| 4.3 基于散度指标的故障诊断 |
| 4.3.1 故障特征量的提取 |
| 4.3.2 故障部位及程度诊断方法 |
| 4.3.3 仿真数据及结果分析 |
| 4.3.4 实际应用中的改进 |
| 4.4 多参数融合的故障预警与诊断流程 |
| 4.5 本章小结 |
| 第5章 预警与诊断系统的开发与应用 |
| 5.1 故障预警与诊断方法的应用 |
| 5.1.1 SCADA数据分析 |
| 5.1.2 振动数据分析 |
| 5.2 预警与诊断系统平台开发 |
| 5.2.1 总体设计 |
| 5.2.2 传感器测点布置 |
| 5.2.3 系统功能 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）精密数控车若干关键技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 精密数控车床及其加工技术 |
| 1.2.1 精密数控车床发展状况 |
| 1.2.2 精密加工技术发展状况 |
| 1.3 精密车床关键技术研究现状 |
| 1.3.1 切削颤振研究现状 |
| 1.3.2 减隔振技术研究现状 |
| 1.3.3 主轴单元研究现状 |
| 1.3.4 主轴热特性研究现状 |
| 1.4 课题的来源及研究意义 |
| 1.4.1 课题的来源 |
| 1.4.2 课题的研究意义 |
| 1.5 论文的结构框架和主要研究内容 |
| 1.6 本章小结 |
| 第2章 车削颤振稳定性建模与仿真分析 |
| 2.1 再生型切削颤振稳定性极限分析 |
| 2.1.1 再生型车削颤振系统动力学模型 |
| 2.1.2 再生型车削颤振系统稳定性分析 |
| 2.1.3 其他参数推导 |
| 2.2 再生型切削颤振稳定性极限预测 |
| 2.2.1 再生型车削颤振系统稳定性极限预测 |
| 2.2.2 再生型车削颤振系统稳定性极限预测软件实现 |
| 2.2.3 再生型车削颤振系统稳定性仿真与分析 |
| 2.3 本章小结 |
| 第3章 精密数控车动态特性与减隔振研究 |
| 3.1 精密数控车整机动态特性研究 |
| 3.1.1 整机动态特性有限元分析 |
| 3.1.2 整机动态特性试验 |
| 3.2 精密数控车切削试验与分析 |
| 3.2.1 切削振动试验 |
| 3.2.2 颤振主体分析 |
| 3.3 精密数控车减隔振结构设计 |
| 3.3.1 液体动静压电主轴 |
| 3.3.2 机床液体静压导轨 |
| 3.3.3 空气弹簧隔振器和树脂混凝土床身 |
| 3.4 本章小结 |
| 第4章 时变转速车削颤振分析与控制研究 |
| 4.1 时变转速切削系统衰减系数和振动频率的变化规律 |
| 4.2 时变转速切削系统能量的变化规律 |
| 4.3 变速参数对切削抑振的影响及分析 |
| 4.3.1 变速参数对切削抑振的影响 |
| 4.3.2 时变转速切削的计算机仿真与分析 |
| 4.3.3 时变转速切削试验 |
| 4.4 切削过程稳定性控制 |
| 4.4.1 切削过程的时间序列模型 |
| 4.4.2 切削稳定区搜索 |
| 4.4.3 切削过程控制策略 |
| 4.4.4 切削搜索控制试验 |
| 4.5 本章小结 |
| 第5章 精密动静压主轴多目标优化及分析系统研究 |
| 5.1 精密液体动静压主轴多目标优化设计 |
| 5.1.1 主轴多目标优化的数学模型 |
| 5.1.2 主轴有限元多目标优化建模 |
| 5.1.3 精密主轴临界转速校验 |
| 5.2 精密主轴有限元分析系统 |
| 5.2.1 主轴有限元分析系统开发的关键技术 |
| 5.2.2 主轴有限元分析系统的结构设计 |
| 5.2.3 主轴有限元分析系统的开发 |
| 5.2.4 主轴有限元分析系统的应用 |
| 5.3 本章小结 |
| 第6章 精密数控车主轴系统热特性及热补偿研究 |
| 6.1 机床热特性基本理论 |
| 6.1.1 机床热变形机理 |
| 6.1.2 机床传热的基本理论 |
| 6.1.3 机床主轴系统温度场的数学建模和有限元解法 |
| 6.1.4 机床热变形有限元理论 |
| 6.2 主轴系统的热特性建模与分析 |
| 6.2.1 主轴系统热特性分析 |
| 6.2.2 主轴系统的热源分析计算 |
| 6.2.3 主轴系统的温度场分析 |
| 6.2.4 主轴系统热变形分析结果 |
| 6.3 改善边界条件减小热变形 |
| 6.3.1 电机后置式主轴单元 |
| 6.3.2 提高主轴箱表面的空气流动速度 |
| 6.3.3 主轴箱前部加冷却装置 |
| 6.4 热误差与热补偿建模和实验 |
| 6.4.1 机床热态特性测试实验 |
| 6.4.2 主轴热变形测试实验 |
| 6.4.3 基于灰色综合关联度的测温敏感点选取 |
| 6.4.4 基于多元回归的热误差数学模型 |
| 6.4.5 主轴热变形误差补偿 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 本文的主要创新点 |
| 7.3 后续工作展望 |
| 致谢 |
| 攻读学位期间发表论文和参加项目情况 |
| 参考文献 |
（9）基于HMM的轴承故障诊断方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 故障诊断技术的发展 |
| 1.2.1 旋转机械故障诊断技术的发展 |
| 1.2.2 滚动轴承故障诊断技术的发展 |
| 1.3 轴承故障分析 |
| 1.3.1 轴承故障的主要形式 |
| 1.3.2 轴承故障诊断常用方法 |
| 1.3.3 轴承故障机理及振动特性 |
| 1.3.4 轴承故障特征提取方法 |
| 1.3.5 轴承故障模式识别方法 |
| 1.3.6 轴承故障诊断发展的最新动态 |
| 1.4 隐马尔可夫故障诊断方法 |
| 1.4.1 隐马尔可夫在语音识别领域中的应用 |
| 1.4.2 隐马尔可夫在其他领域中的应用 |
| 1.4.3 隐马尔可夫在轴承故障诊断中的可行性 |
| 1.4.4 隐马尔可夫应用的实际意义和发展 |
| 1.5 本文工作及结构 |
| 1.5.1 主要工作 |
| 1.5.2 内容结构 |
| 第二章 HMM基本理论、算法和分类 |
| 2.1 引言 |
| 2.2 Markov模型基本概念 |
| 2.3 HMM基本原理 |
| 2.3.1 HMM基本概念 |
| 2.3.2 HMM定义 |
| 2.4 HMM基本算法 |
| 2.4.1 前向-后向算法 |
| 2.4.2 Viterbi算法 |
| 2.4.3 Baum-Welch算法 |
| 2.5 HMM分类 |
| 2.5.1 按照观测变量分类 |
| 2.5.2 按照Markov链分类 |
| 2.5.3 HMM的拓扑结构 |
| 2.6 HMM在现实应用中的改进 |
| 2.6.1 初始模型选取 |
| 2.6.2 算法下溢问题的处理 |
| 2.7 本章小结 |
| 第三章 基于Wavelet-HMM的故障诊断方法 |
| 3.1 引言 |
| 3.2 小波分析方法 |
| 3.2.1 小波分析方法的发展与现状 |
| 3.2.2 经典的小波分析方法 |
| 3.3 基于小波分析的滚动轴承故障特征提取方法 |
| 3.3.1 小波基的选择 |
| 3.3.2 尺度-小波能量谱比较法 |
| 3.3.3 时间-小波能量谱自相关分析法 |
| 3.3.4 使用小波分析时应注意的问题 |
| 3.4 Wavelet-HMM在滚动轴承故障诊断中的实现 |
| 3.4.1 实验装置及软硬件设备 |
| 3.4.2 实验方案及步骤 |
| 3.4.3 实验数据分析 |
| 3.5 本章小结 |
| 第四章 基于HHT-HMM的故障诊断方法 |
| 4.1 引言 |
| 4.2 Hilbert-Huang变换 |
| 4.2.1 HHT简介 |
| 4.2.2 HHT变换的基本原理 |
| 4.3 HHT-HMM在滚动轴承故障诊断中的实现 |
| 4.3.1 HMM的实现步骤 |
| 4.3.2 HMM特征提取与训练 |
| 4.3.3 实验识别结果分析和比较 |
| 4.4 本章小结 |
| 第五章 基于MATLAB GUI的故障诊断系统 |
| 5.1 引言 |
| 5.2 MATLAB GUI |
| 5.2.1 MATLAB GUI简介 |
| 5.2.2 MATLAB GUIDE介绍和分析 |
| 5.2.3 MATLAB GUIDE的实现过程 |
| 5.3 滚动轴承故障特征提取与诊断系统设计和实现 |
| 5.3.1 基本功能设计 |
| 5.3.2 系统实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间发表的学术论文 |
| 附录B 主要符号说明 |
（10）不完整滑油数据下发动机磨损的预防性维修决策框架（论文提纲范文）
| 引言 |
| 1 磨粒浓度数据的生灭模型 |
| 1.1 基于随机生灭过程的磨粒浓度数据建模 |
| 1.2 生灭过程中驱动过程性质的确定 |
| 1.3 参数估计的迭代递归预测误差方法 |
| 2 发动机磨损的寿命分布估计 |
| 2.1 基于高斯核指标的发动机磨损状态聚类 |
| 2.2 基于期望最大化的发动机磨损寿命分布的PH分布逼近 |
| 3 发动机预防性维修的矩阵解析方法 |
| 4 结 论 |
四、基于支持矢量机的旋转机械滑油金属含量预测（论文参考文献）
- [1]影响表面质量的磨削特征辨识、工艺优化与监控方法研究[D]. 郭维诚. 东华大学, 2020(01)
- [2]海洋钻井平台顶驱状态监测与诊断技术研究[D]. 李文锦. 中国石油大学(北京), 2020
- [3]基于VMD与流形学习的齿轮箱故障诊断方法研究[D]. 马步芳. 沈阳理工大学, 2020(08)
- [4]基于SVR-BN的长输管道燃气轮机故障预警方法研究[D]. 韦永健. 中国石油大学(华东), 2018(07)
- [5]基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究[D]. 郑波. 电子科技大学, 2018(09)
- [6]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲. 北京交通大学, 2016(02)
- [7]风电齿轮箱齿轮故障预警与诊断的研究[D]. 吴冠宇. 华北电力大学, 2015(02)
- [8]精密数控车若干关键技术的研究[D]. 李金华. 东北大学, 2014(03)
- [9]基于HMM的轴承故障诊断方法[D]. 李全. 昆明理工大学, 2010(03)
- [10]不完整滑油数据下发动机磨损的预防性维修决策框架[J]. 尹晓虎,尹家铜,张忠良,温熙森,杨拥民. 内燃机学报, 2010(02)