一、齿轮箱故障信息增强技术研究（论文文献综述）
程正阳[1]（2021）在《辛几何模态分解方法在齿轮箱故障诊断中的应用研究》文中指出齿轮箱作为机械设备中的关键运转部位,应用非常广泛,一旦某个零件出现故障,轻则产生经济损失,重则造成生命危险。因此,对齿轮箱的故障诊断技术展开更为深入的研究,对保障机械设备稳定运转及预防事故具有十分重要的意义。目前基于处理振动信号的故障分析方法皆存在某些缺陷,例如缺乏自适应性、模态混淆和鲁棒性差等,因此难以处理实际工程中复杂的含噪信号。作为近些年新兴的自适应信号分解方法,辛几何模态分解方法（Symplectic Geometry Mode Decomposition,SGMD）具有保持时间序列固有特征不变、抑制模态混淆的优点,适合处理机械故障振动信号。然而,SGMD也存在待完善的理论和实际问题,因此论文在对SGMD进行研究和完善的基础上,以齿轮箱作为主要研究对象,采用SGMD方法提取齿轮箱故障特征,对齿轮箱故障诊断方法进行了一系列深入研究。首先,论文针对SGMD方法的分解能力展开深入研究。分别建立了三种不同类型的仿真信号,验证SGMD的分解能力和噪声鲁棒性。通过分析SGMD在不同信噪比下的分解能力,验证SGMD对于含有不同程度噪声的信号的适用性。其次,针对SGMD难以分解强噪声信号以及分解误差的缺陷,采用特征值分解和微积分算子进行改进,获得增强辛特征模态分解（Enhanced symplectic characteristics mode decomposition,ESCMD）方法。实验结果表明 了改进思路的可行性以及ESCMD的噪声鲁棒性和特征增强能力,并应用于齿轮箱故障诊断。随后,针对多源振动信号特征张量的识别问题,对最近邻凸包分类（Nearest Neighbor Convex Hull Classification,NNCHC）进行张量空间的拓展,形成最近邻凸包张量分类（Nearest Neighbor Convex Hull Tensor Classification,NNCHTC）方法;针对单一振信号的特征向量识别问题,结合凸包和深度学习思想,提出深度堆叠l1 范数中心配置凸包（Deep Stacking l1-norm Center Configuration Convex Hull,DSl1C3H）方法。最后,将ESCMD分别与NNCHTC和DSl1C3H结合,形成两种智能故障诊断方法,应用于齿轮箱故障诊断。两者有着不同的应用范围,在通过多传感器采集振动信号时,NNCHTC有着高识别率和卓越的鲁棒性;在采集单一振动信号时,DSl1C3H相较NNCHTC能发挥更大优势,并有着优秀的识别效果和泛化能力。
赫修智[2]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中研究说明齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:（1）结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。（2）研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。（3）针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解（AVMD）方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数（SII）,在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。（4）针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法（LEASgram）。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。（5）针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除（MSANC）的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
辜敏[3]（2021）在《基于流数据的风机齿轮箱故障诊断研究与应用》文中研究说明随着煤、石油、天然气等传统化石能源储量日益减少,加之能源安全、废气污染和全球气候变暖等问题日益严重,风能由于其丰富性、绿色无污染、可持续性和清洁可再生等诸多优势而受到重视,风电行业迅速发展。但风机恶劣的工作环境很容易引起风机故障,其中齿轮箱故障的发生几率相对较高。一旦发生故障,将造成风机停机维护。所以迅速准确地对齿轮箱故障进行诊断,对降低风电场的运维成本、提高经济效益、提高风电机组运行的可靠性具有重大意义。本文将以风机齿轮箱作为研究对象,基于Flink搭建流数据处理平台,并在该平台上设计齿轮箱故障诊断算法,来实现风机齿轮箱运行状态的实时监测。本文主要的研究内容如下:首先,针对齿轮箱的结构分析其故障原因和振动机理,并从故障特征频率与振动信号的调制与解调等方面研究了齿轮箱内常见故障形式及形成原因。针对数据流模型自身的特点,研究了常见的流数据分类方法,将流数据分类方法运用到故障诊断中,给出常见的风机齿轮箱实时故障诊断方法。其次,由于风机齿轮箱的振动信号故障特征微弱,包含信息量少,不易被直接分析处理。本文提出了利用基于滑动窗口的噪声自适应完全集合经验模态分解方法（SW-CEEMDAN）和样本能量熵方法来处理齿轮箱振动信号,可以有效地获取故障特征向量,为后续的实时故障诊断提供有效数据输入。对风机齿轮箱进行故障特征提取,结果表明该方法有较好的效果。接着,针对风机齿轮箱数据流中存在大量噪声数据、存在概念漂移、样本数据分布不均衡和连续值处理等问题,本文在概念自适应快速决策树算法CVFDT的基础上,设计了基于Flink分布式计算的单分类器算法F-CVFDT,来实现对风机齿轮箱故障的实时诊断。该方法在叶节点进行分裂时,基于Flink集群并行计算属性增益,再根据Hoeffding不等式确定最佳分割属性,从而实现树的分裂。实验结果表明:在Flink集群环境下,该方法不仅可以有效解决连续属性处理和概念漂移问题,同时算法的建树效率也有显着提升,改进后的F-CVFDT算法对齿轮箱流数据分析处理具有很好的适应性。最后,基于上述的特征提取方法和故障诊断算法,完成了风机齿轮箱故障诊断系统的平台搭建和部署,并基于流数据对系统进行了功能测试和结果分析,验证了该系统的有效性。这对实际工程应用中风电机组齿轮箱的实时故障诊断提供了很大的参考价值。
代绍铖[4]（2021）在《行星齿轮箱故障监测系统开发》文中研究指明行星齿轮箱广泛应用于在船舶、航空、风电等领域,其工作环境恶劣,导致易发生故障。研究发现,对设备故障进行监测与预警,能有效提高设备运行效率、保障人员安全、降低机械设备效费比,因此,设计开发行星齿轮箱故障监测系统具有极大的工程应用价值。针对优化特征改进包络谱（IESFOgram）存在弱特征提取能力较弱及对频率分辨率要求较高的不足,提出了基于谱相干滤波冲击增强的行星轮轴承故障特征提取方法。首先使用IESFO算法选取优化解调频带并进行带通滤波;然后对滤波后信号使用多点优化最小熵反褶积（MOMEDA）算法增强信号中轴承故障产生的冲击;最后进行包络分析。对行星齿轮箱故障试验台实测信号的研究结果表明:基于谱相干滤波冲击增强方法是有效的行星轮轴承内圈局部故障特征提取方法。该方法的提出为本故障监测系统实现行星轮轴承故障监测提供了算法依据。针对当前多数故障诊断方法结果需人为判断的不足,本文提出一种基于窄带能量比自动判断故障是否存在的方法。首先将频谱的幅值进行归一化处理,再以故障特征频率或故障特征阶次为参考,选择故障特征频带和背景频带,通过计算故障特征频带能量与背景频带能量之比,评价故障特征频率或故障特征阶次的信噪比,进而代替人自动判断故障是否存在。本文使用辛辛那提大学的轴承全寿命周期实验数据验证了窄带能量比方法在自动判断故障是否存在上的正确性并证实了窄带能量比与故障特征频率信噪比之间具有线性关系。窄带能量比的提出为故障监测系统自动识别故障类型提供了理论依据。为实现对行星齿轮箱故障的实时监测,本文基于LabVIEW数据采集技术、数据库访问技术、Active X控件技术、Web远程访问技术、模块化开发技术,以包络加窗同步平均方法作为行星轮、太阳轮故障特征提取算法,以谱相关滤波冲击增强作为行星轮轴承故障特征提取算法,窄带能量比算法为自动判断故障类型核心算法,结合Matlab,设计开发了具备行星轮、太阳轮局部故障与行星轮轴承内圈故障自动识别与预警功能的行星齿轮箱故障监测系统。最后基于工业级行星齿轮箱故障试验台开展对本行星齿轮箱故障监测系统的测试,结果表明本故障监测系统能及时、准确的识别行星齿轮箱故障类型,具有一定的工程应用潜力。
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》文中研究说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。
韩延[6]（2020）在《协同卷积神经网络的风电齿轮箱故障诊断方法研究》文中认为随着我国风电产业的快速发展,高速发展时期安装的大量风电机组开始逐步走出质保期,风电运维工作日益成为行业发展关注的焦点。然而,风电机组分布广泛、地处偏远,传统运维模式运维成本高、运维效率低。目前,为了更加有效监测风电机组健康状态,排布在风电机组的监测传感器越发密集、监测量类别日益丰富,风电监测数据规模呈现井喷式增长,风电运维进入“大数据”时代,为全面掌握风电机组的健康服役状态、提高运维效率、降低运维成本提供有力数据支撑。然而,风电运维大数据包含的监测量类型多、跨度大、数据冗余、价值密度低,导致基于信号处理和传统机器学习的运维方法运算效率低、精度不高,已无法有效挖掘风电运维大数据中的风电机组状态信息。深度学习作为一种极具潜力的大数据智能分析处理方法,通过构建深层模型,可端对端地自适应学习海量数据中的有效特征,挖掘数据中丰富的潜在信息,为风电机组智能运维提供了新的思路。风电齿轮箱作为风电机组关键部件之一,尽管故障频率相对较低,但其每次故障停机维护时间长,严重影响着风力发电的经济效益。卷积神经网络是一种非常具有代表性的深度学习方法,能够从高维数据中自适应地挖掘出风电齿轮箱的判别性故障特征,表征隐藏在数据内部的复杂多变状态信息。然而,风电齿轮箱具有故障特征微弱、多传感器监测和有标签故障样本少等特点,直接利用单一卷积神经网络难以满足风电齿轮箱在不同特点下的故障诊断需要。因此,本文针对风电齿轮箱故障诊断的难题,结合风电齿轮箱不同特点,在研究和拓展卷积神经网络的基础上,充分利用卷积神经网络的特征自适应提取的优势,提出包括视野增强卷积神经网络、动态集成卷积神经网络以及半监督卷积神经网络等故障诊断方法,从不同侧面协同进行风电齿轮箱的故障诊断。论文主要研究工作如下:（1）针对风电齿轮箱因结构复杂、工况多变以及强背景噪声干扰导致故障特征微弱、难以提取的问题,提出了视野增强卷积神经网络的风电齿轮箱故障诊断方法。该方法直接以原始振动数据作为输入,通过在传统卷积神经网络基础上加入一维卷积层和空洞卷积方法增强卷积神经网络的视野范围,使得模型更加容易捕获振动信号中存在长时间依赖关系中的故障信息,增强模型对风电齿轮箱故障特征的提取能力,以提高故障诊断的准确率。（2）针对风电齿轮箱上单个振动传感器采集的监测信号经常难以全面有效地反映其健康状态的问题,提出了动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断方法。该方法将卷积神经网络与集成学习有机结合,考虑不同振动传感器由于安装位置、传递路径以及故障产生位置的影响包含的故障信息不一致的问题,充分地发挥多个子卷积神经网络强大特征学习能力的优势,并动态加权将不同位置的振动传感器所采集的信息进行有效的融合,进一步提高风电齿轮箱故障诊断的准确率和可靠性。（3）针对部分风场难以获取足够多的有标记故障样本,导致卷积神经进行故障诊断容易出现过拟合、分类精度不高的问题,提出了一种半监督卷积神经网络的风电齿轮箱故障诊断方法。该方法在继承传统卷积神经网络强大的自适应地提取故障特征能力的基础上,引入领域自适应方法对有标签样本和无标签样本的分布进行适配,从特征分布空间上综合利用无标签数据中的全局结构分布信息和有标签样本的故障标签信息,促进半监督卷积神经网络提取到更具判别性的故障特征信息,降低传统卷积神经网络对昂贵数据标签的依赖,提升模型的泛化能力。（4）根据不同应用需求,实现了协同卷积神经网络的风电齿轮箱故障诊断方法在课题组前期开发的风电机组传动系统网络化监测诊断系统的集成以及在风电大数据平台的部署,并通过实例应用对系统模块进行验证。文章最后对本文的工作进行了总结,并展望下一步的研究方向。
吉南阳[7]（2020）在《基于振动信号的齿轮箱故障诊断技术研究》文中研究表明齿轮箱作为机械设备重要构成部分,在实际的机械生产和应用中涉及十分广泛,而其在恶劣复杂的工作环境中性能的发挥将直接对整个机械设施的运转产生重要影响。若是齿轮箱在正常的运转过程中出现问题,不但会影响正常的生产,对经济效益造成影响,甚至会对人身安全产生威胁。所以,在确保机械设施能够维持正常运转且不具备安全隐患的基础上针对其进行有效的安全检查和定期维保有着十分重要的意义。本文实验对象为实验室齿轮箱,分别采用了3种诊断方法对齿轮箱内轴承和齿轮进行故障诊断。理论方面分析了滚动轴承的振动机理和齿轮的振动机理,实验中涉及到的故障类型主要有滚动轴承的内外圈故障与齿轮断齿故障。运用HG8916设备对齿轮箱正常的工作状态下以及多种故障条件下的特征信号进行采集,并将所得到的信号数据按照文本的格式存储。基于振动信号在实验室齿轮箱动力学模拟实验平台上,深入分析了实验室齿轮箱的多种故障情况,通过MATLAB软件系统对各种故障信号进行处理,本文分别对实验室齿轮箱内的轴承和齿轮采用不同的时频域分析方法进行故障诊断研究,其中利用完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）辅助快速谱峭度图（FastKurtogram）和最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution,MCKD）结合相关系数增强奇异值（Singular Value Decomposition,SVD）的方法对轴承信号做了实验分析,利用小波分析联合快速独立分量分析（Fast Independent Component Analysis,Fast ICA）对齿轮信号做了故障诊断分析。CEEMDAN-FastKurtogram利用带通滤波器实现了将实验信号转化为数字信号进行诊断;MCKD-相关系数增强SVD针对滚动轴承微弱故障的提取较为困难,利用MCKD增强了信号的振动特性,再结合相关系数SVD在分解信号的时候可以跟找出原始信号正相关很大的分量来构造特征信号;小波分析-FastICA利用小波阈值降噪和FastICA对降噪信号与原始信号做盲源分离,获取更具特征的分离信号。通过三种方法对实验室齿轮箱内轴承和齿轮做综合的故障分析诊断。
李然[8]（2020）在《基于特征降维技术的行星齿轮箱故障诊断实验研究》文中指出行星齿轮箱是机械传动系统中不可缺少的关键部件,一旦发生故障,就会破坏设备的正常运行,甚至造成更严重的后果。随着对机械设备安全性要求的不断提高,关于行星齿轮箱故障诊断问题的研究具有重要的战略意义。行星齿轮箱的物理运动结构复杂、工作环境恶劣,导致其自身的故障诊断难度增大。本文以行星齿轮箱太阳轮为研究对象,依托实验室风力涡轮动力传动系统故障诊断实验平台设计实验。在基于机器学习的故障诊断方法基础上,针对样本特征集维数不断增高导致分类准确率下降的问题,进行基于特征降维技术的行星齿轮箱故障诊断研究,研究内容如下:（1）在应用支持向量机（SVM）进行故障分类的前提下,针对高维数据导致故障分类准确率低的问题,提出了一种基于多准则特征选择和核主成分分析（KPCA）相结合的混合降维算法。首先,为减轻计算负担和不相关特征对故障诊断的影响,采用多准则融合特征选择算法进行特征筛选。之后,采用KPCA算法再次进行维数约简,获得信息密度大的低维特征子集。最后将低维特征子集输入到SVM分类器中进行故障识别。将该方法应用到本文设计的行星齿轮箱故障诊断实验中,实验结果表明,基于混合降维算法的故障诊断方法提高了行星齿轮箱故障分类的准确率,并且其性能优于单独使用特征选择或核主成分分析进行降维的故障诊断方法的性能。（2）当应用基于稀疏表示的分类方法（SRC）进行故障分类时,为提高故障诊断的实时性和分类准确率,加入了改进核主成分分析（IKPCA）和字典学习算法。考虑到稀疏表示理论要求所用到的字典应满足字典原子的数量要远远大于字典原子的维度这一条件,提出了一种IKPCA的降维算法。首先,将信号段的时域特征和频域特征组合成特征向量来表示一个样本,这减少了计算负担并提高了故障分类的实时性。其次,样本特征集经过IKPCA变换转换成信息密度大的低维样本集,这有助于提高故障分类的准确率。之后,利用训练样本进行字典学习获得高质量的过完备字典,利用基于稀疏表示分类的思想完成测试样本的故障分类。最后,通过本文设计的行星齿轮箱故障诊断实验验证了所提方法的有效性。
赵婧怡[9]（2020）在《基于电流信号稀疏滤波的风电齿轮箱故障诊断》文中研究指明齿轮箱是风电机组传动系统的重要机械部件,其运行状态直接影响着整个机组的工作状态和效率。齿轮箱长期在恶劣的环境工作,极易发生故障。齿轮箱的故障将不可避免地导致不必要的停机和严重的经济损失。因此,对齿轮箱进行及时准确的故障诊断对于确保风电机组的安全可靠运行至关重要。目前,风电齿轮箱的故障诊断主要以振动信号分析为主,但振动信号极易被环境噪声所污染,且传感器的安装增加了系统成本。与振动信号相比,电流信号具有非侵入、监测成本低、稳定性高等优点。然而,电流信号基频分量大,信噪比低,所包含的故障信息极易被基频及谐波分量调制所淹没,给故障特征提取带来了困难。本文以风电齿轮箱为研究对象,基于无监督学习的最新成果——稀疏滤波,研究一系列的方法用于电流信号的特征学习,实现齿轮箱的高精度分类诊断。本文的主要研究内容如下:（1）系统梳理风电齿轮箱常见故障类型及故障原因,对基于电流信号的齿轮箱故障检测基本原理进行详细分析,并总结得出齿轮箱不同健康状况下电流信号的表现特征。（2）为从电流信号中挖掘出具有丰富故障信息的特征,提出了基于稀疏滤波特征融合的故障诊断方法。首先,设计基于稀疏滤波的局部特征学习网络,用于从原始电流信号和包络信号中分别学习不同的特征。然后,通过融合原始信号和包络信号的特征增加故障特征的多样性。最后,将融合的特征输入到支持向量机,实现齿轮箱不同故障类型的智能识别与诊断。通过风电齿轮箱实验台开展齿轮箱故障模拟实验验证提出方法的有效性。（3）为进一步增强稀疏滤波的特征学习能力,将多视角学习和稀疏滤波有机结合,在局部特征学习网络的基础上,提出了一种多视角稀疏滤波（Multi-view Sparse Filtering,MVSF）的无监督特征学习方法。MVSF方法首先从原始电流信号中自动学习不同视角下的有用和互补的特征,然后通过融合并行学习的多视角特征,增加了特征的互补性,从而提高故障诊断性能。通过在风电齿轮箱实验台上进行的实验对所提出的MVSF方法的有效性进行验证,并与传统特征提取方法及深度学习方法进行对比分析。
薛璇怡[10]（2020）在《基于深度学习和迁移学习的行星齿轮箱故障诊断》文中研究表明随着工业物联网的发展,传统的机械故障诊断方法已不能适应大数据时代对于故障诊断及时准确的要求。行星齿轮箱因其独特的结构和运行状态,信号具有复杂性,时变性,非线性等特点,对故障诊断技术提出了更高的要求。深度学习有强大的特征提取能力,能处理大量数据,在图像识别、语音处理等方面有广泛的应用,但是在行星齿轮箱故障诊断上的研究还处于初步阶段,在选取深度学习模型方面没有可借鉴性,还需要不断地探索。本文分别从多维特征、二维图像、一维信号三个角度,针对性地应用了双向长短时记忆网络、二维卷积神经网络、一维卷积神经网络对行星轮进行故障诊断,最后以行星轮数据训练好的卷积神经网络为预训练网络,使用迁移学习迁移知识来学习太阳轮故障。（1）提出了基于MEEMD和双向长短时记忆网络的行星齿轮箱故障诊断方法,使用行星轮单工况数据对所提方法进行了验证。首先使用MEEMD将信号分解为6个分量,然后提取每个分量的时域和频域特征构成多维特征,用双向长短时记忆网络对故障进行识别,取得了95.25%的验证精度,最后分析了参数优化方法、双向长短时记忆层的节点数和层数对模型性能的影响。（2）提出了基于卷积神经网络的行星齿轮箱故障诊断方法,分别使用二维和一维卷积神经网络对行星轮多工况数据进行分类识别。对于二维卷积神经网络的识别,首先需要将一维信号转换为二维图像,分别将一维信号进行短时傅立叶变换、小波变换、双谱分析,比较三者的特征提取能力,最后选用双谱分析得到的双谱图像作为模型的输入,取得了97.36%的诊断精度,并验证了双谱分析作为信号预处理的优越性,分析了不同池化方法、参数优化方法对模型性能的影响。对于一维卷积神经网络的的识别,直接将原始信号输入到模型中进行训练和验证,取得了99.72%的诊断精度,最后分析了卷积核数量、卷积核大小、池化方法、学习率、dropout失活比例以及训练数据比例对模型性能的影响。（3）提出了基于迁移学习的行星齿轮箱故障诊断方法。以行星轮故障训练好的卷积神经网络为预训练网络,使用微调迁移和特征迁移两种迁移学习方法来对太阳轮故障进行诊断,均取得了很高的验证精度,证明迁移学习在行星齿轮箱故障诊断上的可行性。最后将迁移学习与卷积神经网络、支持向量机进行对比,结果表明迁移学习有着更高的诊断精度和诊断效率。
二、齿轮箱故障信息增强技术研究（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、齿轮箱故障信息增强技术研究（论文提纲范文）
（1）辛几何模态分解方法在齿轮箱故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 故障诊断技术的发展 |
| 1.3 国内外研究现状 |
| 1.3.1 信号处理方法研究现状 |
| 1.3.2 模式识别方法研究现状 |
| 1.4 研究目的与主要内容 |
| 1.4.1 研究目的 |
| 1.4.2 论文主要内容 |
| 2 辛几何模态分解方法及其分解能力研究 |
| 2.1 引言 |
| 2.2 辛几何模态分解方法(SGMD) |
| 2.2.1 辛几何 |
| 2.2.2 方法原理 |
| 2.3 仿真信号分析 |
| 2.3.1 多谐波信号分析 |
| 2.3.2 调频调幅信号分析 |
| 2.3.3 含噪信号分析 |
| 2.4 噪声鲁棒性研究 |
| 2.4.1 分解能力评价指标 |
| 2.4.2 分解能力分析 |
| 2.5 本章小结 |
| 3 增强辛特征模态分解方法 |
| 3.1 引言 |
| 3.2 特征增强原理 |
| 3.2.1 信号微分 |
| 3.2.2 信号积分 |
| 3.2.3 微积分算子 |
| 3.3 增强辛特征模态分解(ESCMD)原理 |
| 3.4 噪声鲁棒性研究 |
| 3.5 实验对比与分析 |
| 3.5.1 仿真信号分析 |
| 3.5.2 实验信号分析 |
| 3.6 本章小结 |
| 4 基于ESCMD和NNCHTC的齿轮箱智能故障诊断 |
| 4.1 引言 |
| 4.2 最近邻凸包张量分类(NNCHTC) |
| 4.2.1 最近邻凸包分类(NNCHC) |
| 4.2.2 NNCHTC原理 |
| 4.3 基于ESCMD的多源信号特征张量提取与降维 |
| 4.3.1 多源信号特征张量提取 |
| 4.3.2 基于MPCA的特征张量降维 |
| 4.4 基于ESCMD和NNCHTC的智能故障诊断流程 |
| 4.5 齿轮箱故障实例分析 |
| 4.5.1 实验及数据预处理 |
| 4.5.2 整体对比分析 |
| 4.5.3 含异常点的对比分析 |
| 4.6 本章小结 |
| 5 基于ESCMD和DSl_1C~3H的齿轮箱智能故障诊断 |
| 5.1 引言 |
| 5.2 l_1范数中心配置凸包(l_1C~3H) |
| 5.3 深度堆叠l_1范数中心配置凸包(DSl_1C~3H) |
| 5.4 基于ESCMD和DSliC~3H的齿轮箱故障诊断流程 |
| 5.5 齿轮箱故障实例分析 |
| 5.5.1 整体对比分析 |
| 5.5.2 含异常点的对比分析 |
| 5.6 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A (攻读学位期间的主要学术成果) |
| 致谢 |
（2）齿轮箱关键部件故障振动特征提取与分析（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 国内外研究现状 |
| 1.2.1 基于振动信号处理技术的故障特征提取方法概述 |
| 1.2.2 自适应信号分解在故障特征提取中的研究现状 |
| 1.2.3 信号解调分析在故障特征提取中的研究现状 |
| 1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容及章节安排 |
| 第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮啮合振动的产生机理 |
| 2.3 齿轮故障振动建模与特征分析 |
| 2.3.1 齿轮的典型故障形式 |
| 2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
| 2.4 滚动轴承的振动产生机理 |
| 2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
| 2.5.1 滚动轴承的典型故障形式 |
| 2.5.2 滚动轴承的典型故障振动信号特征 |
| 2.5.3 滚动轴承局部冲击故障振动的数学模型 |
| 2.6 本章小结 |
| 第3章 齿轮箱故障试验系统设计及试验条件 |
| 3.1 引言 |
| 3.2 齿轮箱故障试验系统设计 |
| 3.2.1 试验台架搭建 |
| 3.2.2 振动数据采集系统 |
| 3.3 齿轮箱故障试验条件 |
| 3.3.1 齿轮故障设置 |
| 3.3.2 测点布置与试验工况 |
| 3.4 现有齿轮与滚动轴承故障试验台 |
| 3.4.1 CWRU滚动轴承故障模拟试验台 |
| 3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
| 3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
| 3.5 本章小结 |
| 第4章 滚动轴承故障振动信号自适应分解与特征提取 |
| 4.1 引言 |
| 4.2 变分模态分解的基本原理 |
| 4.2.1 模态的定义 |
| 4.2.2 变分模态分解的实现过程 |
| 4.2.3 变分模态分解的主要影响参数及局限性 |
| 4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
| 4.3.1 人工蜂群优化算法概述 |
| 4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
| 4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
| 4.4 滚动轴承故障仿真验证 |
| 4.4.1 滚动轴承局部冲击故障振动信号模型 |
| 4.4.2 AVMD与现有方法的对比分析 |
| 4.5 滚动轴承故障试验验证 |
| 4.5.1 滚动轴承故障模拟试验验证 |
| 4.5.2 滚动轴承加速寿命试验验证 |
| 4.6 本章小结 |
| 第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
| 5.1 引言 |
| 5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
| 5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
| 5.2.2 盲识别谱图类解调频带选取方法的局限性 |
| 5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
| 5.3.1 LEASgram的基本原理 |
| 5.3.2 LEASgram的实现步骤 |
| 5.4 齿轮故障仿真验证 |
| 5.4.1 齿轮故障振动信号模型 |
| 5.4.2 相同共振频率激励的齿轮故障仿真验证 |
| 5.4.3 不同共振频率激励的齿轮故障仿真验证 |
| 5.5 齿轮箱齿轮故障试验验证 |
| 5.5.1 单级齿轮箱齿轮故障试验验证 |
| 5.5.2 二级齿轮箱齿轮故障试验验证 |
| 5.6 本章小结 |
| 第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
| 6.1 引言 |
| 6.2 自参考自适应噪声消除 |
| 6.2.1 自参考自适应噪声消除原理概述 |
| 6.2.2 最小均方算法 |
| 6.2.3 归一化最小均方算法 |
| 6.3 改进自参考自适应噪声消除(MSANC) |
| 6.3.1 收敛因子的选取 |
| 6.3.2 滤波器长度和时延长度的选取 |
| 6.3.3 MSANC的实现步骤小结 |
| 6.3.4 MSANC与现有方法的有效性对比 |
| 6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
| 6.4.1 快速谱相关 |
| 6.4.2 多点最优最小熵解卷积 |
| 6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
| 6.5 齿根裂纹故障仿真验证 |
| 6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
| 6.5.2 仿真验证结果分析 |
| 6.6 二级齿轮箱齿轮故障试验验证 |
| 6.6.1 齿轮齿根裂纹故障试验验证 |
| 6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结与结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（3）基于流数据的风机齿轮箱故障诊断研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究与发展现状 |
| 1.2.1 基于电气指标的风机齿轮箱故障诊断 |
| 1.2.2 基于振动信号的风机齿轮箱故障诊断 |
| 1.2.3 基于机器学习的风机齿轮箱故障诊断 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构安排 |
| 第二章 风机齿轮箱故障诊断系统总体设计 |
| 2.1 系统相关基础知识 |
| 2.1.1 齿轮箱故障相关理论知识 |
| 2.1.2 流数据概念及难点 |
| 2.1.3 流数据分类算法简述 |
| 2.1.4 基于Kafka和 Flink流式计算引擎 |
| 2.2 系统需求分析 |
| 2.2.1 功能需求 |
| 2.2.2 性能需求 |
| 2.3 系统架构设计 |
| 2.3.1 数据层面架构 |
| 2.3.2 物理层面架构 |
| 2.4 整体流程分析 |
| 2.5 本章小结 |
| 第三章 基于时频域的风机齿轮箱故障特征提取 |
| 3.1 传统时频域特征提取方法 |
| 3.1.1 经验模态分解 |
| 3.1.2 变分模态分解 |
| 3.1.3 经验小波变换 |
| 3.2 自适应白噪声完备集合经验模态分解 |
| 3.3 改进的CEEMDAN特征提取方法 |
| 3.4 实验与结果分析 |
| 3.4.1 仿真验证实验 |
| 3.4.2 能量熵特征提取实验 |
| 3.5 本章小结 |
| 第四章 基于CVFDT的风机齿轮箱故障诊断方法 |
| 4.1 流数据处理 |
| 4.2 流数据分类算法原理 |
| 4.2.1 增量式朴素贝叶斯算法 |
| 4.2.2 CVFDT算法 |
| 4.3 CVFDT算法优化 |
| 4.3.1 CVFDT算法改进 |
| 4.3.2 F-CVFDT模块设计 |
| 4.3.3 基于Flink的 CVFDT算法拓扑框架设计 |
| 4.4 实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 实验过程 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第五章 故障实时诊断系统的实现 |
| 5.1 系统环境部署 |
| 5.1.1 实验环境 |
| 5.1.2 集群配置 |
| 5.2 系统实现 |
| 5.2.1 数据获取模块实现 |
| 5.2.2 基于Kafka和 Flink的流数据处理引擎实现 |
| 5.2.3 基于Vue和 Echarts的可视化实现 |
| 5.3 系统测试 |
| 5.3.1 功能测试 |
| 5.3.2 性能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）行星齿轮箱故障监测系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源、研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景及意义 |
| 1.2 齿轮箱故障监测系统国内外研究现状 |
| 1.3 行星齿轮箱故障诊断方法国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 主要研究内容与结构安排 |
| 第二章 行星齿轮箱故障相关理论 |
| 2.1 行星齿轮箱故障类型及成因 |
| 2.1.1 齿轮故障 |
| 2.1.2 轴承故障 |
| 2.2 行星齿轮箱振动信号传递路径 |
| 2.3 行星齿轮箱常见故障特征频率 |
| 2.3.1 齿轮故障特征频率 |
| 2.3.2 轴承故障特征频率 |
| 2.4 本章小结 |
| 第三章 行星齿轮箱故障监测系统信号处理方法 |
| 3.1 基于包络加窗同步平均的行星齿轮箱故障诊断方法介绍 |
| 3.1.1 基于谱峭度的包络提取 |
| 3.1.2 同步平均 |
| 3.1.3 加窗振动分离 |
| 3.1.4 包络加窗同步平均 |
| 3.2 基于谱相干滤波冲击增强的行星轮轴承故障诊断方法研究 |
| 3.2.1 优化特征改进包络谱 |
| 3.2.2 MOMEDA |
| 3.2.3 谱相干滤波冲击增强 |
| 3.3 基于窄带能量比的故障自动判断方法研究 |
| 3.4 本章小结 |
| 第四章 行星齿轮箱故障监测系统的实现 |
| 4.1 系统设计要求 |
| 4.2 行星齿轮箱故障监测系统硬件介绍 |
| 4.3 系统软件设计框架 |
| 4.4 LabVIEW与数据库 |
| 4.5 LabVIEW与 Matlab联合编程 |
| 4.6 用户登录模块 |
| 4.7 在线监测模块 |
| 4.7.1 参数设置 |
| 4.7.2 数据采集、保存 |
| 4.7.3 数据分析 |
| 4.8 离线分析模块 |
| 4.9 历史数据查询模块 |
| 4.10 Web远程面板 |
| 4.11 本章小结 |
| 第五章 试验研究及结果分析 |
| 5.1 试验台介绍 |
| 5.1.1 行星齿轮箱故障试验台 |
| 5.1.2 轴承全寿命周期试验台 |
| 5.2 谱相干滤波冲击增强方法试验研究 |
| 5.3 窄带能量比方法试验研究 |
| 5.4 行星齿轮箱故障监测系统软件测试 |
| 5.4.1 离线分析功能测试 |
| 5.4.2 在线监测功能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 本文的主要创新点 |
| 6.3 不足与展望 |
| 6.3.1 研究中存在的主要不足 |
| 6.3.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间科研成果与参加的科研项目 |
| 科研成果 |
| 参加的科研项目 |
（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）协同卷积神经网络的风电齿轮箱故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状与分析 |
| 1.3.1 风电齿轮箱故障诊断方法研究现状 |
| 1.3.2 深度学习故障诊断方法研究现状 |
| 1.3.3 深度学习融合多传感器故障诊断方法研究现状 |
| 1.3.4 少标签样本条件下深度学习故障诊断方法研究现状 |
| 1.4 基于卷积神经网络的风电齿轮箱故障诊断存在的关键难题 |
| 1.5 本文研究内容及结构安排 |
| 2 视野增强卷积神经网络的风电齿轮箱故障诊断 |
| 2.1 引言 |
| 2.2 风电齿轮箱故障信号特点分析 |
| 2.3 卷积神经网络基本原理 |
| 2.4 视野增强卷积神经网络的风电齿轮箱故障诊断方法 |
| 2.4.1 一维卷积层 |
| 2.4.2 多尺度空洞卷积层 |
| 2.4.3 RFECNN整体框架 |
| 2.4.4 基于RFECNN模型的风电齿轮箱故障诊断流程 |
| 2.5 实验验证与实例分析 |
| 2.5.1 台架实验数据验证 |
| 2.5.2 风电齿轮箱故障诊断实例分析 |
| 2.6 本章小结 |
| 3 动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断 |
| 3.1 引言 |
| 3.2 集成学习 |
| 3.3 动态集成卷积神经网络融合多传感器的风电齿轮箱故障诊断方法 |
| 3.3.1 DECNN融合多传感器故障诊断模型整体框架 |
| 3.3.2 动态集成原理 |
| 3.3.3 基于DECNN模型融合多传感器的风电齿轮箱故障诊断流程 |
| 3.4 实验验证与实例分析 |
| 3.4.1 台架实验数据验证 |
| 3.4.2 风电齿轮箱故障诊断实例分析 |
| 3.5 本章小结 |
| 4 少标签样本下半监督卷积神经网络的风电齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 半监督学习 |
| 4.3 少标签样本下半监督卷积神经网络的故障诊断方法 |
| 4.3.1 小波包分解 |
| 4.3.2 领域自适应 |
| 4.3.3 SSCNN整体框架 |
| 4.3.4 基于SSCNN模型的故障诊断流程 |
| 4.4 实验验证与实例分析 |
| 4.4.1 台架实验数据验证 |
| 4.4.2 风电齿轮箱故障诊断实例分析 |
| 4.5 本章小结 |
| 5 协同卷积神经网络的风电齿轮箱故障诊断模型集成与应用 |
| 5.1 引言 |
| 5.2 协同卷积神经网络模型在风电机组传动系统网络化监测诊断系统的集成与应用 |
| 5.2.1 风电机组传动系统网络化监测诊断系统整体架构 |
| 5.2.2 协同卷积神经网络的风电齿轮箱故障诊断模块设计与应用 |
| 5.3 协同卷积神经网络模型在风电大数据平台集成与应用 |
| 5.3.1 风电大数据平台整体架构 |
| 5.3.2 数据库设计 |
| 5.3.3 协同卷积神经网络故障诊断模型在大数据平台的部署与应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.1.1 全文总结 |
| 6.1.2 论文创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读博士学位期间发表的论文目录 |
| B.作者在攻读博士学位期间参加的科研项目 |
| C.学位论文数据集 |
| 致谢 |
（7）基于振动信号的齿轮箱故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外齿轮箱智能故障诊断技术研究现状 |
| 1.3 设备振动信号分析方法 |
| 1.3.1 时域分析 |
| 1.3.2 频域分析 |
| 1.3.3 时频分析 |
| 1.3.4 非线性方法 |
| 1.4 主要的研究内容 |
| 2 齿轮箱的故障特性和振动机理 |
| 2.1 齿轮箱结构分析 |
| 2.2 齿轮箱的故障类型 |
| 2.2.1 齿轮的故障类型 |
| 2.2.2 滚动轴承的故障类型 |
| 2.2.3 其余部件的故障特性 |
| 2.3 齿轮及轴承振动机理分析 |
| 2.3.1 齿轮振动机理分析 |
| 2.3.2 滚动轴承振动机理 |
| 3 CEEMDAN辅助快速谱峭度图算法的轴承故障诊断应用 |
| 3.1 引言 |
| 3.2 EEMD算法与CEEMDAN算法 |
| 3.2.1 EEMD算法 |
| 3.2.2 CEEMDAN算法 |
| 3.3 快速峭度图(FAST KURTOGRAM) |
| 3.4 CEEMDAN辅助快速谱峭度图算法的轴承故障诊断方法 |
| 3.5 实验分析 |
| 3.5.1 实验装置及数据采集 |
| 3.5.2 分析轴承内圈故障 |
| 3.6 本章小结 |
| 4 MCKD结合相关系数增强SVD的滚动轴承故障诊断应用 |
| 4.1 引言 |
| 4.2 MCKD降噪 |
| 4.3 基于相关系数增强SVD的振动信号故障特征提取 |
| 4.3.1 基于Hankel矩阵的奇异值分解 |
| 4.3.2 相关系数增强 |
| 4.4 基于MCKD和相关系数SVD的故障特征提取方法 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 5 小波分析联合FASTICA降噪方法在齿轮箱故障诊断中的应用 |
| 5.1 故障数据测取及传感器布置 |
| 5.1.1 实验平台及故障齿轮 |
| 5.1.2 传感器分布及数据采集 |
| 5.2 振动信号预处理 |
| 5.2.1 基于小波包的振动信号降噪 |
| 5.2.2 小波阈值降噪 |
| 5.3 FASTICA算法 |
| 5.4 FASTICA仿真分析 |
| 5.5 小波降噪联合FASTICA算法的齿轮故障提取方法 |
| 5.6 实验分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 攻读学位期间参加的科研项目及发表的学术论文 |
| 致谢 |
| 参考文献 |
（8）基于特征降维技术的行星齿轮箱故障诊断实验研究（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 行星齿轮箱故障诊断的研究现状、发展动态 |
| 1.3 特征降维技术概述 |
| 1.4 特征降维技术在故障诊断中的应用 |
| 1.5 本文主要工作及结构安排 |
| 2 行星齿轮箱故障实验和基本算法介绍 |
| 2.1 行星齿轮箱故障实验 |
| 2.2 特征提取 |
| 2.3 特征降维技术 |
| 2.4 本章小结 |
| 3 基于混合降维算法的行星齿轮箱故障诊断研究 |
| 3.1 引言 |
| 3.2 混合降维算法设计 |
| 3.3 基于混合降维算法的故障诊断步骤 |
| 3.4 基于混合降维的方法在行星齿轮箱故障诊断中的应用 |
| 3.5 本章小结 |
| 4 基于IKPCA和稀疏表示分类方法的行星齿轮箱故障诊断研究 |
| 4.1 引言 |
| 4.2 基于IKPCA特征降维算法的设计理念 |
| 4.3 基于K-SVD字典学习的稀疏表示分类算法 |
| 4.4 基于IKPCA和字典学习的稀疏表示分类算法步骤 |
| 4.5 行星齿轮箱实验验证 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（9）基于电流信号稀疏滤波的风电齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 风电齿轮箱故障诊断研究现状 |
| 1.3 基于电流信号的齿轮箱故障诊断方法研究现状 |
| 1.3.1 特征提取方法研究现状 |
| 1.3.2 无监督学习研究现状 |
| 1.3.3 研究现状小结 |
| 1.4 本文的主要研究内容 |
| 第2章 基于电流信号的齿轮箱故障检测原理及特征分析 |
| 2.1 引言 |
| 2.2 风电齿轮箱故障机理 |
| 2.2.1 齿轮常见故障类型 |
| 2.2.2 齿轮故障的产生原因 |
| 2.3 齿轮故障的电流信号检测原理 |
| 2.4 电流信号的包络解调 |
| 2.5 本章小结 |
| 第3章 基于稀疏滤波特征融合的齿轮箱故障诊断方法 |
| 3.1 引言 |
| 3.2 稀疏滤波 |
| 3.2.1 特征学习 |
| 3.2.2 稀疏滤波的特征分布 |
| 3.2.3 算法流程 |
| 3.2.4 稀疏滤波在故障诊断中的应用 |
| 3.3 基于稀疏滤波特征融合的故障诊断方法 |
| 3.3.1 样本获取 |
| 3.3.2 局部特征学习 |
| 3.3.3 特征融合和故障分类 |
| 3.4 实验分析 |
| 3.4.1 实验装置及实验数据 |
| 3.4.2 故障诊断结果 |
| 3.4.3 局部特征学习的作用 |
| 3.4.4 输入小样本段大小的影响 |
| 3.4.5 样本重叠划分的作用 |
| 3.4.6 与传统特征提取方法的比较 |
| 3.5 本章小结 |
| 第4章 基于多视角稀疏滤波的齿轮箱故障诊断方法 |
| 4.1 引言 |
| 4.2 多视角学习 |
| 4.3 MVSF特征学习方法 |
| 4.3.1 基于稀疏滤波的多视角特征学习策略 |
| 4.3.2 MVSF方法的优势 |
| 4.4 实验分析 |
| 4.4.1 MVSF方法的参数选择 |
| 4.4.2 故障诊断结果分析 |
| 4.4.3 局部特征学习的作用 |
| 4.4.4 与其他方法的比较 |
| 4.4.5 不同工况的齿轮箱故障诊断 |
| 4.5 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 |
（10）基于深度学习和迁移学习的行星齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 故障信号处理研究现状 |
| 1.2.2 机器学习应用于故障诊断的研究现状 |
| 1.2.3 深度学习应用于故障诊断的研究现状 |
| 1.2.4 迁移学习应用于故障诊断的研究现状 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第二章 基于深度学习的行星齿轮箱故障诊断理论基础 |
| 2.1 引言 |
| 2.2 行星齿轮箱故障分析 |
| 2.2.1 齿轮的主要失效形式 |
| 2.2.2 引发齿轮故障的原因 |
| 2.3 试验台简介 |
| 2.3.1 驱动系统模块 |
| 2.3.2 动力传动系统模块 |
| 2.3.3 信号采集系统模块 |
| 2.4 深度学习基础理论 |
| 2.4.1 批量归一化 |
| 2.4.2 激活函数 |
| 2.4.3 全连接层 |
| 2.4.4 Softmax分类函数 |
| 2.4.5 反向传播算法 |
| 2.4.6 正则化技术 |
| 2.4.7 参数优化算法 |
| 2.5 本章小结 |
| 第三章 基于MEEMD和双向长短时记忆网络的行星齿轮箱故障诊断 |
| 3.1 引言 |
| 3.2 MEEMD理论 |
| 3.3 特征提取 |
| 3.4 双向长短时记忆网络 |
| 3.4.1 循环神经网络 |
| 3.4.2 长短时记忆网络 |
| 3.4.3 双向长短时记忆网络 |
| 3.5 数据集描述 |
| 3.6 MEEMD分解 |
| 3.7 Bi-LTSM模型构建和超参数设置 |
| 3.8 实验结果及对比分析 |
| 3.8.1 实验结果 |
| 3.8.2 对比分析 |
| 3.9 本章小结 |
| 第四章 基于卷积神经网络的行星齿轮箱故障诊断 |
| 4.1 引言 |
| 4.2 信号处理理论 |
| 4.2.1 短时傅立叶变换 |
| 4.2.2 小波变换 |
| 4.2.3 双谱分析 |
| 4.3 卷积神经网络理论 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.4 数据集描述 |
| 4.5 基于二维卷积神经网络的行星齿轮箱故障诊断 |
| 4.5.1 时频分析 |
| 4.5.2 二维卷积神经网络构建及超参数设置 |
| 4.5.3 实验结果及对比分析 |
| 4.6 基于一维卷积神经网络的行星齿轮箱故障诊断 |
| 4.6.1 一维卷积神经网络构建及超参数设置 |
| 4.6.2 实验结果及对比分析 |
| 4.7 本章小结 |
| 第五章 基于迁移学习的行星齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 迁移学习原理和实现方法 |
| 5.2.1 基于微调的迁移学习 |
| 5.2.2 基于特征的迁移学习 |
| 5.3 数据集描述 |
| 5.4 迁移二维卷积神经网络 |
| 5.4.1 微调迁移 |
| 5.4.2 特征迁移 |
| 5.5 迁移一维卷积神经网络 |
| 5.5.1 微调迁移 |
| 5.5.2 特征迁移 |
| 5.6 分析讨论 |
| 5.7 本章小结 |
| 第六章 结论 |
| 6.1 工作总结 |
| 6.2 主要结论 |
| 6.3 进一步工作展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文目录 |
| 致谢 |
四、齿轮箱故障信息增强技术研究（论文参考文献）
- [1]辛几何模态分解方法在齿轮箱故障诊断中的应用研究[D]. 程正阳. 中南林业科技大学, 2021(01)
- [2]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [3]基于流数据的风机齿轮箱故障诊断研究与应用[D]. 辜敏. 电子科技大学, 2021(01)
- [4]行星齿轮箱故障监测系统开发[D]. 代绍铖. 昆明理工大学, 2021
- [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]协同卷积神经网络的风电齿轮箱故障诊断方法研究[D]. 韩延. 重庆大学, 2020
- [7]基于振动信号的齿轮箱故障诊断技术研究[D]. 吉南阳. 华北水利水电大学, 2020(01)
- [8]基于特征降维技术的行星齿轮箱故障诊断实验研究[D]. 李然. 山东科技大学, 2020(06)
- [9]基于电流信号稀疏滤波的风电齿轮箱故障诊断[D]. 赵婧怡. 燕山大学, 2020(01)
- [10]基于深度学习和迁移学习的行星齿轮箱故障诊断[D]. 薛璇怡. 太原理工大学, 2020(07)