一、滚动轴承的状态监测系统（论文文献综述）
刘鑫[1]（2021）在《基于SystematICS平台的地铁空调机组轴承设备状态监控》文中研究指明地铁空调机组在投入运营后使用频繁,易出现空调机组故障,其中因轴承故障引起皮带摩擦冒烟导致现场设备存在消防安全隐患的问题尤为突出,严重影响地铁的平安运营。目前地铁空调机组设备监控信息在地铁综合监控系统平台以及环境与设备监控系统中较为分散和单一,仅对空调机组设备运行状态进行逐站监控。同时,由于线网空调机组设备众多,控制中心调度及专业人员在设备监控及巡检过程中按照固有模式难以覆盖到所有空调机组设备,无法对空调机组轴承故障发展趋势进行提前预警,或者获知空调机组轴承出现了故障。因此,研究地铁空调机组轴承设备状态的实时监控具有重要的意义。论文主要以现有的地铁通风空调系统、综合监控系统、环境与设备监控系统为平台,通过获取实时监测数据判断空调机组轴承设备运行状态,并根据轴承故障状态采取相应控制措施。论文首先对空调机组轴承典型故障进行分析,分析对比了多种轴承性能监测方法,研究确定了轴承运行状态的优劣参数及诊断标准,设计了地铁空调机组轴承设备状态监控系统软硬件方案,利用地铁现有设备及网络平台,通过增加振动传感器、数据监测点等措施,实现了轴承状态检测及振动超限时的报警与停机;同时对综合监控系统工作站各站空调机组设备监控信息进行集中整合,为设备监控及操作人员提供一个方便、直观的监视操作界面。地铁空调机组轴承设备监控系统完成后,通过对现场设备进行测试,验证了系统的有效性。目前该系统已在西安地铁线网中进行安装应用,系统上线后故障预防效果明显。
赵永鑫[2]（2021）在《城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断》文中研究表明城市轨道车辆作为支撑城市居民正常出行的工具,需要其体现快速、高效和便捷的优点。城轨车辆在运行过程中齿轮箱作为不可或缺的一部分,需要时刻保证其正常运转,故在车辆运行过程中需要对滚动轴承进行实时的状态监测。本文选择城轨车辆的齿轮箱滚动轴承为研究对象,对其在运行过程中故障的有效信息采集、特征提取、建立故障诊断模型、传感器信息融合展开研究。通过搭建硬件数据采集系统,采集到的数据通过集合经验模态分解的方法进行故障特征提取,然后利用遗传算法对支持向量机进行优化从而进行故障识别。主要工作内容如下:（1）首先分析了城轨车辆齿轮箱振动机理以及滚动轴承故障成因,在此基础上搭建滚动轴承数据采集在线监测平台,采集城轨车辆在运行途中滚动轴承的振动和温度信号,并分析了监测系统的需求,完成了硬件电路的设计和芯片的选型,对各模块进行了测试,能够在齿轮箱滚动轴承运转过程中准确实时采集状态信息。（2）针对城轨车辆运营途中的多种状况,在对故障信号提取的过程中存在噪声等各种干扰,在故障诊断前通过小波包分析方法对运行故障信号进行了消噪处理,并且做了横向的降噪对比效果,验证了小波包降噪的消噪优点。（3）振动信号分解采用集合经验模态分解的方法,集合经验模态分解在分解过程中也可以对噪声进行有效的消除,还可以将信号分解成不同的IMF分量,将信号能量嫡引入,构建综合评价指标来筛选IMF。（4）在信号分析的基础上,用遗传算法对支持向量机的参数进行优化,建立了遗传算法优化支持向量机的模型,对齿轮箱故障信号进行诊断,准确率为98.44%;并且在滚动轴承故障诊断中加入了轴温的升高时的故障分析,来比较全面的识别轴承故障,这种故障识别方法高于传统的支持向量机对故障的识别。
武向军[3]（2021）在《基于边缘计算的滚动轴承在线监测系统设计》文中认为工业大数据环境下,受云中心计算能力和数据传输带宽的制约,降低了滚动轴承云平台在线检测系统的数据处理效率和实时性。针对这一问题,提出一种基于边缘计算的滚动轴承在线监测系统。该系统采用分层递进模式,将训练测试好的连续隐马尔科夫模型（Continuous Hidden Markov Model,CHMM）布置在边缘层,对滚动轴承的振动信号提取时/频域特征,用随机森林算法进行特征重要性评估,建立敏感特征集并输入模型,在边缘层进行状态监测和初步故障诊断。通过上传故障数据至云层,进行包络谱分析,做出最终判断和维修安排。通过滚动轴承实测信号对该系统进行了分析验证,结果表明该系统具有较高的稳定性和识别准确率,具备满足实时性要求的性能,提高监测效率。本文主要工作为:（1）理论分析基于边缘计算的滚动轴承在线监测系统的可行性通过对滚动轴承的智能故障诊断方法、边缘计算、隐马尔科夫模型等进行理论建模,将它们有机的进行结合,搭建了基于边缘计算的滚动轴承在线监测系统,实现在边缘层进行无效数据剔除、轴承状态的监测和故障状态的分类。（2）研究不同特征评估方法对CHMM模型故障分类效果的影响研究了随机选取、随机森林算法、补偿距离评估技术三种方法提取的敏感特征对CHMM模型故障分类效果的影响。综合分析收敛速度、诊断准确率、分类离散度三方面的影响,最终选择建立基于随机森林的CHMM诊断模型。（3）基于边缘计算的滚动轴承在线监测系统的Lab VIEW实现将基于边缘计算的滚动轴承在线监测系统在Lab VIEW中进行了实现,对终端层、边缘层、云层相对应的各个功能模块进行了搭建,并用滚动轴承的实测信号对各个模块进行了验证,结果表明,该系统能够稳定、高效的实现对滚动轴承的状态监测和故障位置的判断。通过理论分析与研究,建立了基于边缘计算的滚动轴承在线监测系统,该系统不仅可以实现轴承的实时状态监测与故障诊断,且具有高实时性、高稳定性、识别速度快等优点,具有很好的应用前景。
王聪[4]（2021）在《基于压缩感知的机械故障诊断方法研究》文中研究说明旋转机械是现代工业生产中的重要生产设备,利用状态监测技术实时监测机械设备运行状况,及时发现早期故障并采取有效措施解决故障,对于提高生产效率、避免重大停机损失具有重要的工程意义。针对设备持续状态监测产生出的数据量大、数据传输、分析、存储等一系列问题。本文以旋转机械的关键零部件电机及轴承为研究对象,采用基于稀疏表示和压缩感知的方法开展研究。主要进行了以下几个方面的研究:1)阐述本文课题研究的背景及意义,详细描述了压缩感知理论的研究现状,对压缩感知在故障诊断领域的研究成果的综述。2)从信号稀疏表示、压缩采样和信号重构三个方面对压缩感知理论进行介绍,阐述信号稀疏结构保持性质。3)以工业机器人为研究对象,针对伺服控制器的低采样周期无法为高精度的伺服控制系统状态识别提供高频信息的问题,开展信号稀疏表示和稀疏结构保持性质的研究,提出一种基于稀疏结构保持的信号高分辨率重构方法。该方法使用同源信号稀疏结构保持原理建立高分辨率信号重构的目标函数,实现低分辨率信号的高效率重建,并通过实验及仿真验证了重构方法的有效性,为后续开展工业机器人的故障诊断和健康评估提供支撑。4)以滚动轴承为研究对象,开展了声发射信号的轴承压缩特征提取和故障诊断研究。将压缩感知与粒子群优化方法相结合实现压缩特征的微弱信息增强,通过实验验证该方法的准确性和有效性。5)基于LabVIEW开发轴承状态监测系统,将本文研究方法应用于该系统实现数据采集、存储、分析和趋势预测的功能,同时将提出的压缩特征增强方法应用到状态趋势功能中,实现轴承状态的评估。
吕明珠[5]（2021）在《风力机高速轴轴承状态退化评估与剩余寿命预测方法研究》文中研究表明随着全球能源短缺和环境污染的加剧,风能作为一种储量丰富、清洁安全的可再生能源受到了人们的高度关注,风力发电是风能利用的最有效途径,近年来呈迅猛发展的趋势。风力机各部件的状态退化评估与剩余寿命预测是直接影响风电场可用度和经济效益的两个重要因素,逐渐成为风电领域的重要研究课题。传动系统是风力机的核心部分,轴承是传动系统的关键元件,一旦发生故障会导致整个传动系统运行失效,因此,对风力机轴承进行状态监测和故障预测具有重要的工程意义。状态监测的主要目的是判断轴承的健康状况,以便于及时处理已经发生或即将发生的故障,保证运行的可靠性和降低维修成本。风力机轴承运行工况复杂、个体差异明显、维护维修困难,现有的退化评估和故障预测无法满足风电行业对风力机健康状态管理的需求。本文提出了信号处理、特征提取、跨域诊断、状态识别、寿命预测“五位一体”的智能运维模式,研究了风力机轴承的状态退化评估与性能趋势预测方法,构建了跨机器故障诊断深度迁移学习网络,提出了有效的早期退化检测方法,实现了退化过程的跟踪和在线剩余寿命预测,建立了多源信息融合的新型预测模型。本研究围绕风力机高速轴轴承的退化评估与剩余寿命预测的关键理论和方法进行了深入探索,主要内容包括:（1）针对轴承运行状态难以划分和性能趋势预测准确度不高的问题,提出了两种方法,分别为基于变分模态分解-自适应模糊C均值-支持向量机（VMD-AFCM-SVM）的状态退化评估方法和改进的LSTM性能趋势预测方法。其中的VMD-AFCM-SVM算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数,确定轴承在不同状态退化下的时间间隔,实现轴承的健康等级评估。此外,提出的改进LSTM方法是一种基于误差最小化的实时参数更新方法,能够在样本数据较少的情况下在线更新模型,解决了传统的LSTM模型不能合理利用在线数据的问题,以辛辛那提大学IMS提供的全寿命轴承数据集和实际风力机高速轴轴承数据集为例,验证了所提方法的有效性。（2）针对实验室轴承故障诊断技术泛化能力不强和真实轴承故障数据标记困难的问题,提出了一种新型的适用于跨机器故障诊断的方法叫做具有多核动态分布适配的深度迁移网络,所提的深度迁移网络具有宽的第一层卷积核和几个小的卷积层,用于提取不同机器之间的可迁移特征,同时抑制高频噪声。然后,使用多核动态分布适配方法构造一个加权混合核函数,将不同的可转移特征映射到统一的特征空间,并动态评估边缘分布和条件分布的相对重要性。通过三个轴承迁移学习任务验证了该方法的有效性,利用两个不同的实验室轴承的诊断知识来识别真实情况下的风力机轴承的健康状态。结果表明,与其它主流方法相比,即使在不同的噪声环境下该方法仍可以获得较高的诊断精度和较好的迁移性能,所提框架为跨机器故障诊断提供了一种有发展前景的方法。（3）针对轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地获得变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合。其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的分离,使重构后的信号滤除了干扰而保留了故障信息。最后,计算了重构信号的包络谐噪比,利用其对周期性故障冲击的敏感性实现了滚动轴承早期退化起始点的检测。（4）针对传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命预测准确度不高的问题,提出了基于包络谐噪比和无迹粒子滤波相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的包络谐噪比监测轴承的早期退化点并提取其趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,再利用无迹粒子滤波算法更新模型参数,实现对轴承状态退化的跟踪和预测。使用实际风力机轴承监测数据对所提方法进行验证,结果表明该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。（5）针对单一信号源不能全面反映风力机轴承动态退化信息从而影响剩余寿命预测准确性的问题,提出了一种振温信号协同的新型广义对数线性威布尔剩余寿命预测模型。该模型通过构造协变量的形式综合考虑了振动和温度监测信号对轴承劣化的影响,所提预测方法共分两个阶段。在特征提取阶段,从监测的振动信号中提取相对均方根,并从监测的温度信号中提取相对温度趋势值,以消除轴承的个体差异和随机信号波动。然后,引入模糊算子来描述“轴承过热”和“轴承过度振动”的程度,解决了不同故障下两种特征变化不同步的问题。在剩余寿命预测阶段,提取的振动和温度模糊算子均用于建立预测模型,使用最大似然估计方法获得模型的最佳参数。再通过均方根误差和平均绝对百分比误差两个指标来度量模型的预测性能。
杨静[6]（2020）在《旋转机械早期故障诊断关键技术研究》文中提出旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
张超[7]（2020）在《矿井主通风机状态监测与故障预警系统研发》文中进行了进一步梳理煤矿井下环境复杂恶劣,存在各种有毒、易燃、易爆等有害气体,威胁井下工作人员生命安全。矿井主通风机作为煤矿通风系统的核心设备,能够有效排出有害气体、供应新鲜空气,保证井下人员作业环境,是煤矿安全生产的重要保障。矿井主通风机的健康状态关乎井下工作环境状况,一旦主通风机运行过程中出现故障,将严重影响煤矿的安全生产甚至引起重大事故。因此,本文对矿井主通风机的运行状态监测、诊断与预警进行研究。通过分析矿井主通风机常见故障机理及特征,制定矿井主通风机设备运行状态监测方案,提出基于振动信号的故障特征提取、智能故障诊断与趋势预警方法,构建矿井主通风机状态监测、诊断与预警的一体化系统,保障矿井主通风机的安全运行。针对矿井主通风机振动信号的非平稳性导致故障特征准确提取困难的问题,提出一种依据转速变化幅度分工况进行特征提取的思路,将非平稳工况分为转速波动和变转速两种。针对转速波动工况,采用小波包分解提取不同故障下振动信号频带能量作为故障特征;针对变转速工况,采用阶次分析将时域非平稳信号转为角域伪平稳信号,对比不同故障信号角域特征得到故障特征参量。通过两种方法的结合,实现非平稳工况下矿井主通风机的振动故障特征精确提取。针对基于数据的矿井主通风机故障诊断非线性问题,引入BPNN方法,将提取得到的特征值输入BPNN进行分类训练与识别,实验结果表明BPNN存在收敛速度慢、易陷入局部极小值的问题。本文通过引入粒子群算法优化BPNN,研究结果表明本文所提方法在故障识别准确率、算法收敛速度方面均有明显提高。针对矿井主通风机故障预警存在的时间序列非线性拟合求解问题,在研究BPNN的基础上改进输出层激活函数增强网络动态跟踪性能。提出结合动态时间序列的PSO-BPNN故障趋势预警方法,通过实验数据及矿井主通风机现场数据验证了该方法的有效性。最后,开发了矿井主通风机状态监测与故障预警系统,包括硬件平台和软件两部分。硬件平台以普通PC为上位机,由传感器、采集卡、调理电路等模块组成完整信号传输路径;软件部分采用LabVIEW和MATLAB联合编程,实现矿井主通风机的状态监测、振动特征提取、故障诊断与预警、数据管理等功能。系统已在煤矿生产现场完成了各模块功能的验证,结果表明本文提出的特征提取、故障诊断与预警方法均实现预期功能,满足现场应用需求。
姚旺[8]（2020）在《机车轴承故障监测系统设计》文中研究表明机车在行驶过程中的安全问题随着其运行速度的不断提高而备受重视,为了减小甚至消除故障情况对机车运行产生的不良影响,铁科院等科研机构推出了如6A系统监测平台等机车故障诊断装置。而机车轴承作为极易出现故障的部件,其运行状态的好坏直接影响机车运行的稳定性。因此,本文根据6A系统技术规范,设计了一套基于6A平台的机车轴承故障监测系统,对机车运行过程中的轴承状态进行实时监测,保证机车的正常运行。本文根据机车轴承故障产生的原因及特定状态下的振动现象,并结合项目文件要求,从系统结构和故障诊断两个方面对机车轴承监测系统进行了总体设计。在系统结构方面,机车轴承监测系统以嵌入式系统为基础,分为前置处理器和子系统两个模块,通过软硬件系统的相互配合实现对机车轴承信号的采集、存储、分析与显示等功能,并通过CAN总线、以太网等通信方式与6A系统平台进行数据传输。在故障诊断方面,针对现有机车轴承故障信号特征难以获取以及故障诊断精度不高的问题,提出一种基于参数优化变分模态分解法和共振解调技术的机车轴承故障信号诊断方法,通过该方法可以有效提取出机车轴承振动信号中所包含的故障信息,对机车轴承的实时运行状态做出准确判断。在进行故障报警时,根据振动温度复合判断模型对轴承故障等级进行划分,减少了漏报、误报情况的发生。最后,通过系统联调实验以及仿真试验台模拟实验分别验证了此系统在数据通信、外观尺寸以及故障诊断等方面的可行性和实用性。本文设计的机车轴承故障监测系统能够有效的监测机车轴承的运行状态,克服了机车变加速运行状态对故障诊断过程的影响并提高了故障诊断的精确度,有利于排除机车轴承的潜在故障,保证机车的安全稳定运行。
韩越[9]（2020）在《矿用振动筛状态监测与故障诊断分析研究》文中提出矿用振动筛是煤炭洗选行业的关键设备之一,主要应用于对原煤进行分级、脱泥、脱水等。由于矿用振动筛长期在恶劣的环境下高负荷运转,使得筛机的主要部件频繁发生故障,给洗选煤行业造成了较大的经济损失,故障严重时甚至能够造成人员的伤亡。因此研究如何对矿用振动筛进行状态监测以及故障诊断与预警,具有重要的学术价值与实用意义。文章首先应用ANSYS软件对矿用振动筛整体以及激振器大梁进行了模态分析,通过研究各阶振型,找出了侧板与大梁在各阶固有频率下形变较大的位置,并以此为依据设计了对侧板与大梁损伤的监测方案。为了探究筛箱异常振动故障机理,建立了基于支撑弹簧刚度的振动筛动力学模型,并通过ADAMS软件对振动筛的运动过程进行了仿真分析,得出支撑弹簧的振动位移与相位不一致会引起筛箱不同形式的偏摆。应用LabVIEW软件编写了获取支撑弹簧振动位移与相位的算法程序,设计了筛箱异常振动故障监测方案。在激振器轴承故障的研究中,首先对滚动轴承的故障机理进行了分析,采用基于小波降噪的EEMD包络解调算法获取激振器轴承的故障信息,并通过仿真验证了算法的有效性,进而设计了激振器轴承的故障监测方案。基于上述理论研究,本文将LabVIEW软件与MATLAB软件相结合,开发了矿用振动筛状态监测与故障诊断软件系统,用以监测矿用振动筛的运行状态,并对大梁与侧板损伤、筛箱异常振动以及激振器轴承故障进行数据采集与故障诊断。最后在现场对系统进行应用测试,验证了系统的有效性与实用价值。
许继秀[10]（2020）在《矿用主风机安全运转保障系统分析研究》文中指出矿用主风机（简称通风机）是煤矿井下通风系统的核心设备,必须24小时连续不断地向井下输送新鲜空气,冲淡有害气体的浓度并把有害气体排到井外,保障井下工作人员的安全和煤矿生产的顺利进行。一旦通风机发生故障,引起煤矿事故的发生,将会造成巨大的经济和人力的损失。因此,进行矿用主风机安全运转保障系统的研究对实现煤矿的安全生产具有重要的意义。本课题以轴流式通风机为研究对象,通过分析通风机的结构和工作原理,指出通风机常见的故障类型及故障机理,对通风机关键参数进行分析计算,选取合适的传感器进行监测,分析矿用主风机安全运转保障系统的结构和功能,为后续研究提供基础。以通风机轴承的振动信号为研究对象,针对现有特征提取方法的优缺点,提出了基于小波包降噪的EMD特征提取方法。对采集到的轴承振动信号采用小波包默认阈值降噪方法降噪,利用经验模态分解（EMD）方法进行振动信号的分解,并计算得到信号分解后的本征模态函数（IMF）分量的能量值,将其输入神经网络作为轴承故障诊断的依据;针对BP神经网络在故障诊断过程中出现收敛速度慢的问题,提出利用粒子群（PSO）算法对BP神经网络的连接权值和阈值进行优化的方法,通过MATLAB软件实现了 BP神经网络和PSO-BP神经网络故障诊断模型的对比,验证了 PSO-BP神经网络故障诊断模型在收敛速度上的快速性和预测的准确性;进而利用PSO-BP神经网络故障诊断模型对采集到的测试样本进行测试,结果表明该模型能够准确而迅速地识别轴承的四种状态信号。分析设计了矿用主风机安全运转保障系统的硬件组成和软件组成,硬件方面重点对PLC控制系统进行了分析设计,包括PLC型号的选择、模拟量I/O点数的确定、数字量I/O点数的确定;软件设计主要为PLC控制程序和上位机界面的设计,利用LabVIEW对上位机人机交互界面进行设计。本课题设计的矿用主风机安全运转保障系统集智能化、信息化于一体,能够实现信号的在线监测与故障诊断,具有性能可靠、组建简单、界面优好、易于拓展等优点,对减少矿井安全事故的发生具有实际意义。
二、滚动轴承的状态监测系统（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、滚动轴承的状态监测系统（论文提纲范文）
（1）基于SystematICS平台的地铁空调机组轴承设备状态监控（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 空调机组轴承故障分析 |
| 2.1 空调机组主要技术参数 |
| 2.2 空调机组轴承结构及原理 |
| 2.3 轴承常见故障以及产生原因 |
| 2.4 空调机组轴承故障典型事件分析 |
| 2.5 空调机组轴承故障危害 |
| 2.6 本章小结 |
| 3 空调机组轴承设备状态监控系统架构与理论分析 |
| 3.1 空调机组轴承设备状态监控系统架构组成部分 |
| 3.2 状态信号采集的理论分析 |
| 3.2.1 空调机组轴承状态监测方法选择 |
| 3.2.2 振动测量方式 |
| 3.2.3 空调机组轴承振动传感器的选择与固定方式 |
| 3.2.4 空调机组轴承振动测点的选择 |
| 3.2.5 被测空调机组的运行条件 |
| 3.2.6 空调机组轴承的控制 |
| 3.3 状态信号特征值的理论分析 |
| 3.3.1 振动信号的特征值 |
| 3.3.2 时域振动振幅特征的描述 |
| 3.4 状态识别与决策理论分析 |
| 3.4.1 空调机组轴承故障的诊断方法 |
| 3.4.2 轴承故障的简易标准 |
| 3.4.3 振动烈度的分级 |
| 3.4.4 轴承通用振动评价标准 |
| 3.4.5 运行限值 |
| 3.5 本章小结 |
| 4 空调机组轴承设备状态监控系统的设计方案 |
| 4.1 空调机组轴承设备状态监控系统总体设计思路 |
| 4.1.1 系统设计思路 |
| 4.1.2 站内机电设备监控系统的接入 |
| 4.1.3 空调机组轴承状态监控系统硬件组成 |
| 4.2 Systemat ICS平台 |
| 4.3 BAS(环境与设备监控系统) |
| 4.3.1 中心ISCS-BAS监控功能 |
| 4.3.2 车站ISCS-BAS监控功能 |
| 4.3.3 BAS子系统设备现场布置原则 |
| 4.3.4 BAS子系统设备监控功能 |
| 4.3.5 BAS与通风空调专业的接口 |
| 4.4 本章小结 |
| 5 空调机组设备监控系统功能实现 |
| 5.1 数据采集及通信模块功能硬件部分实现 |
| 5.1.1 振动传感器选型 |
| 5.1.2 传感器安装位置与数量的选择 |
| 5.1.3 传感器安装方式的确定 |
| 5.1.4 数据采集及通信模块功能硬件部分实现小结 |
| 5.2 数据采集及通信模块功能软件部分实现 |
| 5.2.1 BAS系统部分PLC软件编程 |
| 5.2.2 综合监控系统软件编程 |
| 5.2.3 数据采集及通信模块功能软件部分实现小结 |
| 5.3 本章小结 |
| 6 监控系统现场安装与测试 |
| 6.1 测试整体情况 |
| 6.2 测试图谱分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（2）城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 城轨车辆状态监测研究现状 |
| 1.2.2 齿轮箱滚动轴承信号分析方法研究现状 |
| 1.2.3 齿轮箱滚动轴承信号模式识别方法研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.3.3 技术路线 |
| 2 齿轮箱滚动轴承振动机理研究 |
| 2.1 齿轮箱的结构和组成 |
| 2.2 滚动轴承的故障成因及振动机理分析 |
| 2.2.1 滚动轴承基本结构 |
| 2.2.2 滚动轴承振动来源 |
| 2.2.3 滚动轴承故障主要表现形式及特征 |
| 2.3 本章小结 |
| 3 城轨车辆齿轮箱滚动轴承在线监测系统设计 |
| 3.1 系统整体方案设计 |
| 3.2 监测系统各模块硬件设计 |
| 3.2.1 中央处理器选型及端口分配 |
| 3.2.2 电源转换电路 |
| 3.2.3 振动监测模块设计 |
| 3.2.4 电流电压转换电路 |
| 3.2.5 温度监测模块设计 |
| 3.2.6 数据存储电路 |
| 3.3 人机交互模块选型及其电路 |
| 3.4 通信电路 |
| 3.5 监测系统软件程序设计 |
| 3.6 监测系统基本功能测试 |
| 3.7 数据级传感器融合 |
| 3.8 本章小结 |
| 4 齿轮箱滚动轴承故障信号特征提取 |
| 4.1 小波包分析(WPA) |
| 4.1.1 小波包分析定义 |
| 4.1.2 WPA消噪 |
| 4.1.3 仿真信号的消噪分析 |
| 4.2 齿轮箱滚动轴承故障特征参量 |
| 4.2.1 时域特征量 |
| 4.2.2 WPA能量特征量 |
| 4.2.3 IMF能量特征量 |
| 4.3 数据融合效果验证 |
| 4.4 本章小结 |
| 5 基于EEMD的 GA-SVM滚动轴承故障诊断算法 |
| 5.1 集合经验模态分解(EEMD) |
| 5.1.1 集合经验模态分解概述 |
| 5.1.2 集合经验模态分解原理 |
| 5.1.3 EEMD和 EMD性能对比 |
| 5.2 支持向量机(SVM) |
| 5.2.1 SVM原理 |
| 5.2.2 核函数 |
| 5.2.3 遗传算法优化支持向量机 |
| 5.3 故障诊断模型的建立 |
| 5.4 本章小结 |
| 6 城轨车辆齿轮箱滚动轴承故障诊断的实现 |
| 6.1 齿轮箱故障实验 |
| 6.2 故障类型选择 |
| 6.3 数据处理 |
| 6.3.1 数据融合及频谱分析 |
| 6.3.2 WPA消噪处理 |
| 6.4 故障特征提取 |
| 6.4.1 时域特征提取 |
| 6.4.2 IMF能量特征提取 |
| 6.5 基于GA-SVM的齿轮箱故障诊断 |
| 6.5.1 故障诊断结果 |
| 6.6 滚动轴承温升结果分析 |
| 6.6.1 正常状态轴承温升分析 |
| 6.6.2 缺油状态下轴承故障特征分析 |
| 6.7 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（3）基于边缘计算的滚动轴承在线监测系统设计（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 滚动轴承智能故障诊断发展现状 |
| 1.2.2 边缘计算发展现状 |
| 1.2.3 隐马尔可夫模型发展现状 |
| 1.3 研究内容及组成 |
| 第二章 滚动轴承在线监测系统相关理论建模 |
| 2.1 滚动轴承结构分析 |
| 2.1.1 滚动轴承基本参数 |
| 2.1.2 判断滚动轴承故障指标的选择 |
| 2.2 边缘计算架构设计 |
| 2.2.1 引入边缘计算的必要性分析 |
| 2.2.2 边缘计算的特点 |
| 2.2.3 边缘计算的架构 |
| 2.3 随机森林算法建模 |
| 2.3.1 建立决策树 |
| 2.3.2 建立随机森林算法模型 |
| 2.3.3 特征重要性评估 |
| 2.4 补偿距离评估建模 |
| 2.5 连续隐马尔可夫模型 |
| 2.5.1 马尔科夫链 |
| 2.5.2 隐马尔可夫模型 |
| 2.5.3 连续HMM模型 |
| 2.5.4 基于HMM的故障诊断流程 |
| 2.6 包络谱分析 |
| 2.7 本章小结 |
| 第三章 建立滚动轴承在线监测系统 |
| 3.1 在线监测系统流程 |
| 3.2 实验平台介绍 |
| 3.3 实验数据敏感特征集建立 |
| 3.3.1 基于μ+3σ原则的故障时间判断 |
| 3.3.2 故障振动信号分帧处理 |
| 3.3.3 故障振动信号特征提取 |
| 3.3.4 基于随机森林的特征重要性选择 |
| 3.3.5 基于补偿距离评估技术的特征重要性选择 |
| 3.4 CHMM模型训练和测试 |
| 3.4.1 基于随机特征集的CHMM模型训练和测试 |
| 3.4.2 基于随机森林的CHMM模型训练和测试 |
| 3.4.3 基于补偿距离评估技术的CHMM模型训练和测试 |
| 3.4.4 对比分析 |
| 3.5 云平台监测分析 |
| 3.6 本章小结 |
| 第四章 基于LabVIEW的滚动轴承在线监测系统 |
| 4.1 在线监测系统的总体设计 |
| 4.2 终端层系统模块设计 |
| 4.3 边缘层系统模块设计 |
| 4.3.1 数据预处理模块 |
| 4.3.2 故障时间判断模块 |
| 4.3.3 特征值提取模块 |
| 4.3.4 CHMM模型诊断模块 |
| 4.4 云层系统模块设计 |
| 4.4.1 时域分析模块 |
| 4.4.2 频域分析模块 |
| 4.4.3 用户系统界面 |
| 4.5 实例分析验证 |
| 4.5.1 NI数据采集设备 |
| 4.5.2 终端层数据采集与存储 |
| 4.5.3 边缘层CHMM模型诊断 |
| 4.5.4 云层故障分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于压缩感知的机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 压缩感知理论的研究现状 |
| 1.2.2 压缩感知理论在故障诊断的应用 |
| 1.3 本文的主要研究内容与组织结构 |
| 第二章 压缩感知理论基础 |
| 2.1 压缩感知理论概述 |
| 2.2 信号稀疏结构 |
| 2.2.1 稀疏信号 |
| 2.2.2 字典表示 |
| 2.3 压缩采样 |
| 2.4 信号重构 |
| 2.4.1 凸优化算法 |
| 2.4.2 贪婪算法 |
| 2.5 本章小结 |
| 第三章 基于稀疏结构保持的信号高分辨率重构 |
| 3.1 引言 |
| 3.2 稀疏结构保持性质 |
| 3.3 伺服控制信号稀疏性 |
| 3.4 EMD分解原理 |
| 3.5 过完备字典方法 |
| 3.5.1 MOD算法 |
| 3.5.2 K-SVD算法 |
| 3.6 基于稀疏结构保持的信号高分辨率重构 |
| 3.7 模拟伺服控制信号验证 |
| 3.7.1 字典训练 |
| 3.7.2 信号测试 |
| 3.7.3 算法比较 |
| 3.8 实验验证与分析 |
| 3.9 本章小结 |
| 第四章 基于压缩感知的轴承微弱故障特征增强诊断方法 |
| 4.1 引言 |
| 4.2 压缩域特征增强 |
| 4.2.1 基于随机投影保距性的压缩域变换矩阵 |
| 4.2.2 特征增强模型 |
| 4.3 轴承声发射信号故障诊断方法 |
| 4.4 实验验证与分析 |
| 4.4.1 基于压缩感知的特征增强 |
| 4.4.2 基于SVM的压缩域特征增强的轴承故障诊断 |
| 4.4.3 与现有方法进行比较 |
| 4.5 本章小结 |
| 第五章 基于LabVIEW的轴承状态监测系统 |
| 5.1 引言 |
| 5.2 LabVIEW与 MATLAB混合编程 |
| 5.3 状态监测系统总体设计 |
| 5.3.1 硬件部分 |
| 5.3.2 软件部分 |
| 5.4 基于LabVIEW的轴承状态监测系统程序设计 |
| 5.4.1 监测系统前面板设计 |
| 5.4.2 数据采集、存储模块设计 |
| 5.4.3 时域、压缩域分析模块设计 |
| 5.5 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 攻读硕士学位期间成果 |
（5）风力机高速轴轴承状态退化评估与剩余寿命预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 风力机的主要故障模式 |
| 1.1.2 风力机轴承 |
| 1.2 状态退化评估与剩余寿命预测国内外研究现状 |
| 1.2.1 风力机状态退化评估国内外研究现状 |
| 1.2.2 轴承状态退化评估国内外研究现状 |
| 1.2.3 轴承剩余寿命预测国内外研究现状 |
| 1.3 风力机轴承状态退化评估与剩余寿命预测存在的问题 |
| 1.4 本文研究意义 |
| 1.5 本文研究内容 |
| 第2章 风力机轴承的状态退化评估与性能趋势预测 |
| 2.1 引言 |
| 2.2 基于VMD-SVM的滚动轴承状态退化识别 |
| 2.2.1 相关理论简介 |
| 2.2.2 VMD的最优分解层数和敏感分量确定 |
| 2.2.3 状态退化特征选择 |
| 2.2.4 基于VMD-SVM的状态退化识别模型 |
| 2.2.5 实验验证与结果分析 |
| 2.3 基于AFCM-SVM的滚动轴承状态退化评估 |
| 2.3.1 基于SVM的滚动轴承渐进退化过程描述 |
| 2.3.2 敏感特征提取 |
| 2.3.3 最佳状态数的确定 |
| 2.3.4 退化评估框架构建 |
| 2.3.5 实验验证与结果分析 |
| 2.4 基于改进LSTM的滚动轴承性能趋势预测 |
| 2.4.1 LSTM理论与预测方法 |
| 2.4.2 参数实时更新的LSTM预测模型 |
| 2.4.3 滚动轴承性能趋势预测流程 |
| 2.4.4 实验验证与结果分析 |
| 2.5 风力机高速轴轴承状态退化评估与预测 |
| 2.5.1 数据描述 |
| 2.5.2 状态退化评估 |
| 2.5.3 性能趋势预测 |
| 2.6 本章小结 |
| 第3章 基于可迁移特征的智能故障诊断方法 |
| 3.1 引言 |
| 3.2 跨机器故障诊断问题描述 |
| 3.2.1 迁移学习诊断思想 |
| 3.2.2 最大均值差异 |
| 3.3 领域自适应方法研究 |
| 3.3.1 动态领域适配 |
| 3.3.2 多核动态领域适配 |
| 3.4 基于可迁移特征的智能诊断模型构建 |
| 3.4.1 基于特征的迁移学习方法概述 |
| 3.4.2 深度迁移学习的网络体系结构 |
| 3.4.3 全连接层领域适配 |
| 3.4.4 网络训练策略 |
| 3.5 从实验室轴承到风力机轴承的迁移学习故障诊断实例 |
| 3.5.1 数据获取及描述 |
| 3.5.2 案例1:迁移任务CWRU轴承数据集→风力机轴承数据集 |
| 3.5.3 案例2:迁移任务QPZZ-Ⅱ轴承数据集→风力机轴承数据集 |
| 3.5.4 噪声环境下的迁移性能 |
| 3.6 分析与讨论 |
| 3.7 本章小结 |
| 第4章 风力机轴承早期退化检测方法 |
| 4.1 引言 |
| 4.2 变分模态分解及优化 |
| 4.2.1 VMD理论基础 |
| 4.2.2 灰狼优化算法 |
| 4.3 基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测 |
| 4.3.1 自适应变分模态分解 |
| 4.3.2 有效加权稀疏峭度指标 |
| 4.3.3 包络谐噪比 |
| 4.3.4 AVMD-EHNR方法的实现过程 |
| 4.3.5 仿真验证 |
| 4.4 基于AVMD-EHNR的滚动轴承早期退化检测方法案例分析 |
| 4.4.1 滚动轴承全寿命实验数据 |
| 4.4.2 振动信号预处理 |
| 4.4.3 早期退化异常点检测 |
| 4.5 风力机高速轴轴承早期退化检测 |
| 4.5.1 风力机高速轴轴承信号采集实验 |
| 4.5.2 早期退化检测 |
| 4.6 本章小结 |
| 第5章 单源振动信号下的风力机轴承剩余寿命预测 |
| 5.1 引言 |
| 5.2 实时非线性状态跟踪方法探究 |
| 5.2.1 粒子滤波 |
| 5.2.2 无迹粒子滤波 |
| 5.3 基于包络谐噪比和无迹粒子滤波的剩余寿命预测方法 |
| 5.3.1 预测流程概述 |
| 5.3.2 早期退化检测 |
| 5.3.3 退化指标提取 |
| 5.3.4 退化模型选取 |
| 5.3.5 剩余寿命预测 |
| 5.4 风力机发电机前轴承剩余寿命预测实例 |
| 5.4.1 信号采集实验 |
| 5.4.2 剩余寿命预测与对比分析 |
| 5.5 本章小结 |
| 第6章 多源信息融合的风力机轴承剩余寿命预测 |
| 6.1 引言 |
| 6.2 风力机可靠性分析方法 |
| 6.2.1 风力机可靠性监测系统 |
| 6.2.2 威布尔比例风险模型 |
| 6.3 广义对数线性威布尔预测模型 |
| 6.3.1 基本理论 |
| 6.3.2 性能评价指标 |
| 6.4 振动信号与温度信号的特征提取方法 |
| 6.4.1 振动特征提取方法 |
| 6.4.2 温度趋势分析 |
| 6.4.3 振温信号的模糊化处理 |
| 6.5 振温信号协同的GLL-WEIBULL模型剩余寿命预测方法 |
| 6.5.1 预测流程 |
| 6.5.2 实例验证 |
| 6.6 风力机轴承剩余寿命预测实例 |
| 6.6.1 测试数据描述 |
| 6.6.2 结果分析与讨论 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（6）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（7）矿井主通风机状态监测与故障预警系统研发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 故障特征提取技术 |
| 1.2.2 故障诊断与预警技术 |
| 1.2.3 矿井主通风机状态监测系统 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 矿井主通风机故障分析与状态监测方案设计 |
| 2.1 矿井主通风机结构及运行工况 |
| 2.1.1 结构及工作原理 |
| 2.1.2 运行工况分析 |
| 2.2 矿井主通风机常见故障类型及机理分析 |
| 2.2.1 常见故障类型 |
| 2.2.2 故障机理及征兆分析 |
| 2.3 矿井主通风机主要测试参数及测点确定 |
| 2.4 运行状态监测方案 |
| 2.4.1 硬件方案 |
| 2.4.2 软件方案 |
| 2.5 本章小结 |
| 3 小波包联合阶次分析的故障特征提取方法 |
| 3.1 小波包分析方法 |
| 3.2 阶次分析方法 |
| 3.2.1 基于计算的阶次分析算法 |
| 3.2.2 阶次谱与FFT频谱仿真对比 |
| 3.3 小波包联合阶次分析故障特征提取 |
| 3.4 特征提取算法实验验证 |
| 3.4.1 实验方案设计 |
| 3.4.2 实验信号分析 |
| 3.5 故障特征参量选取 |
| 3.6 本章小结 |
| 4 改进BP神经网络的故障诊断方法 |
| 4.1 BPNN故障诊断方法 |
| 4.1.1 BPNN网络结构 |
| 4.1.2 BPNN学习算法 |
| 4.1.3 BPNN故障诊断原理 |
| 4.2 基于BPNN的故障诊断实验及性能分析 |
| 4.2.1 样本数据集 |
| 4.2.2 特征参量归一化处理 |
| 4.2.3 BPNN初始参数设置 |
| 4.2.4 网络实验与性能分析 |
| 4.3 PSO优化BPNN的故障诊断方法 |
| 4.3.1 粒子群优化算法 |
| 4.3.2 改进的BPNN故障诊断模型 |
| 4.4 PSO优化BPNN故障实验及性能分析 |
| 4.4.1 粒子群初始参数设置 |
| 4.4.2 网络性能分析 |
| 4.4.3 BPNN与 PSO-BPNN网络性能对比分析 |
| 4.5 本章小结 |
| 5 结合动态时间序列的PSO-BPNN故障预警方法 |
| 5.1 矿井主通风机预警可行性分析 |
| 5.2 结合时间序列的BPNN预测模型 |
| 5.2.1 单步预测 |
| 5.2.2 多步预测 |
| 5.2.3 动态时间序列预测 |
| 5.3 BPNN预测模型问题分析及改进 |
| 5.3.1 初始权值阈值选取问题 |
| 5.3.2 BPNN预测模型的饱和性问题 |
| 5.4 改进的BPNN故障预警模型 |
| 5.5 仿真数据验证及网络性能分析 |
| 5.6 实验验证及网络性能分析 |
| 5.6.1 实验室数据验证 |
| 5.6.2 矿井现场数据应用 |
| 5.7 本章小结 |
| 6 矿井主通风机状态监测与故障预警系统 |
| 6.1 系统硬件架构设计与器件选型 |
| 6.1.1 系统硬件架构 |
| 6.1.2 硬件平台选型 |
| 6.2 系统软件架构与功能设计 |
| 6.2.1 系统软件架构 |
| 6.2.2 系统软件功能模块 |
| 6.3 系统功能测试 |
| 6.3.1 参数配置模块 |
| 6.3.2 常规信号分析模块 |
| 6.3.3 特征提取模块 |
| 6.3.4 故障诊断与预警模块 |
| 6.3.5 数据管理模块 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）机车轴承故障监测系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 国内机车轴承检测技术发展及现状 |
| 1.2.2 国外机车轴承检测技术发展及现状 |
| 1.3 论文的主要内容 |
| 第二章 机车轴承故障分析及系统设计方案 |
| 2.1 机车轴承故障分析 |
| 2.1.1 机车轴承常见的失效形式 |
| 2.1.2 机车轴承故障产生原因 |
| 2.1.3 机车轴承的结构特征及振动机理 |
| 2.1.4 滚动轴承故障特征频率 |
| 2.2 系统整体设计方案 |
| 2.2.1 系统设计要求 |
| 2.2.2 系统功能实现过程 |
| 本章小结 |
| 第三章 机车轴承故障诊断方法 |
| 3.1 经验模态分解 |
| 3.1.1 经验模态分解法分解步骤 |
| 3.1.2 经验模态分解算法的缺点 |
| 3.2 变分模态分解 |
| 3.2.1 变分模态分解模型的建立 |
| 3.2.2 变分模态分解模型求解 |
| 3.2.3 VMD算法仿真分析 |
| 3.3 VMD参数优化 |
| 3.3.1 遗传算法 |
| 3.3.2 非线性规划 |
| 3.3.3 算法结合思想 |
| 3.3.4 信息熵函数 |
| 3.4 共振解调原理 |
| 3.5 机车轴承故障诊断方法 |
| 3.5.1 故障诊断方法原理 |
| 3.5.2 故障诊断方法实施步骤 |
| 本章小结 |
| 第四章 机车轴承故障监测系统硬件设计 |
| 4.1 嵌入式系统 |
| 4.1.1 嵌入式系统介绍 |
| 4.1.2 控制芯片选型 |
| 4.2 传感器模块 |
| 4.2.1 传感器的选型 |
| 4.2.2 传感器的安装 |
| 4.3 前置处理器模块 |
| 4.3.1 多路选择电路 |
| 4.3.2 信号调理电路 |
| 4.3.3 CAN总线传输电路 |
| 4.3.4 数据存储模块 |
| 4.3.5 微处理器 |
| 4.4 子系统主机模块 |
| 4.4.1 微处理器 |
| 4.4.2 显示模块 |
| 4.4.3 通信模块 |
| 4.4.4 时间模块 |
| 4.4.5 车速检测模块 |
| 4.4.6 存储模块 |
| 4.5 6A中央处理平台 |
| 本章小结 |
| 第五章 机车轴承故障监测系统软件设计 |
| 5.1 前置处理器 |
| 5.1.1 初始化程序 |
| 5.1.2 信号采集程序 |
| 5.1.3 A/D转换程序 |
| 5.1.4 CAN总线通信程序 |
| 5.2 子系统 |
| 5.2.1 数据通信功能 |
| 5.2.2 数据存储功能 |
| 5.2.3 故障诊断功能 |
| 5.2.4 复合报警故障诊断模型 |
| 本章小结 |
| 第六章 机车轴承故障监测系统的测试与仿真 |
| 6.1 6A系统联合调试 |
| 6.1.1 实验步骤及现象 |
| 6.1.2 实验结论 |
| 6.2 轴承振动故障诊断实验 |
| 6.2.1 试验台仿真实验 |
| 6.2.2 诊断方法对比实验 |
| 6.2.3 实验结论 |
| 本章小结 |
| 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（9）矿用振动筛状态监测与故障诊断分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与课题来源 |
| 1.2 振动筛故障监测在国内外的研究现状 |
| 1.3 目的与意义 |
| 1.4 主要研究工作 |
| 2 振动筛工作原理及模态分析 |
| 2.1 振动筛结构组成与工作原理 |
| 2.2 振动筛的故障类型 |
| 2.3 振动筛模态分析 |
| 2.4 大梁与侧板损伤监测方案设计 |
| 2.5 本章小结 |
| 3 矿用振动筛筛箱异常振动机理分析与监测 |
| 3.1 筛箱异常振动故障机理 |
| 3.2 支撑弹簧振动位移与相位的获取 |
| 3.3 筛箱异常振动故障监测方案设计 |
| 3.4 本章小结 |
| 4 矿用振动筛激振器轴承故障监测与分析 |
| 4.1 激振器轴承故障机理分析 |
| 4.2 基于小波降噪的EEMD包络解调算法 |
| 4.3 旋转机械滚动轴承故障信号分析 |
| 4.4 激振器轴承故障监测方案设计 |
| 4.5 本章小结 |
| 5 矿用振动筛状态监诊断系统的开发 |
| 5.1 系统硬件部分设计 |
| 5.2 系统软件部分设计 |
| 5.3 现场测试 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究内容展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（10）矿用主风机安全运转保障系统分析研究（论文提纲范文）
| 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 国内外研究现状及存在的问题 |
| 1.3 课题主要研究内容 |
| 2 矿用主风机保障系统方案研究 |
| 2.1 轴流式通风机的结构及工作原理 |
| 2.2 通风机常见故障分析 |
| 2.3 通风机关键参数及测量 |
| 2.4 保障系统总体结构 |
| 2.5 保障系统的功能 |
| 2.6 本章小结 |
| 3 通风机振动信号特征提取研究 |
| 3.1 小波包降噪 |
| 3.2 经验模态分解理论 |
| 3.3 基于IMF的能量特征提取 |
| 3.4 本章小结 |
| 4 通风机故障诊断研究 |
| 4.1 人工神经网络 |
| 4.2 BP神经网络 |
| 4.3 粒子群算法 |
| 4.4 基于PSO-BP神经网络的通风机故障诊断 |
| 4.5 本章小结 |
| 5 矿用主风机安全运转保障系统研究 |
| 5.1 保障系统硬件研究 |
| 5.2 保障系统软件研究 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
四、滚动轴承的状态监测系统（论文参考文献）
- [1]基于SystematICS平台的地铁空调机组轴承设备状态监控[D]. 刘鑫. 西安理工大学, 2021(01)
- [2]城轨车辆齿轮箱滚动轴承在线状态监测与故障诊断[D]. 赵永鑫. 兰州交通大学, 2021(02)
- [3]基于边缘计算的滚动轴承在线监测系统设计[D]. 武向军. 太原科技大学, 2021
- [4]基于压缩感知的机械故障诊断方法研究[D]. 王聪. 昆明理工大学, 2021(01)
- [5]风力机高速轴轴承状态退化评估与剩余寿命预测方法研究[D]. 吕明珠. 沈阳工业大学, 2021(02)
- [6]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [7]矿井主通风机状态监测与故障预警系统研发[D]. 张超. 西安科技大学, 2020(01)
- [8]机车轴承故障监测系统设计[D]. 姚旺. 大连交通大学, 2020(06)
- [9]矿用振动筛状态监测与故障诊断分析研究[D]. 韩越. 山东科技大学, 2020(06)
- [10]矿用主风机安全运转保障系统分析研究[D]. 许继秀. 山东科技大学, 2020(06)