一、EMD方法在齿轮故障诊断中的应用（论文文献综述）
曹蔚,苟臻元,韩昭,郭雅泓,杨壮壮,王栋,瞿金秀[1]（2021）在《基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断》文中进行了进一步梳理针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。
李宣[2]（2021）在《基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断》文中认为风能是一种可再生的清洁能源,当代社会发展耗能大且能源短缺,风能的使用能够有效缓解传统能源短缺的问题,解决传统能源带来的环境污染问题。随着风电机组累计装机容量不断增加和风机使用环境恶劣导致风电机组齿轮箱故障频发。齿轮箱一旦发生故障,机组将面临长时间的停机和昂贵的维修费用,经济损失巨大。因此,准确、高效的对机组齿轮箱进行状态监测和故障诊断,对于保障机组安全稳定运行和提高发电效率具有重要意义。本文提出基于EWT（empirical wavelet transform）和最优参数精细复合多尺度散布熵的方法对风电机组齿轮箱故障诊断进行了研究。首先,在实际运行条件下,由于环境噪声干扰严重、振动信号传递路径复杂和机电耦合作用等原因导致风电机组齿轮箱振动信号具有非平稳、非线性并且信噪比低的特点,直接研究原始振动信号难以提取到有效的故障信息。本文引入经验小波变换处理风电机组齿轮箱振动信号,通过相关系数阈值筛选子模态分量进行信号重构,获取更高信噪比的故障振动信号。通过与EMD（empirical mode decomposition）分解方法对比,证明EWT可以在嘈杂的环境中有效地提取信号的主要成分,为后续特征提取环节打下基础。其次,针对特征提取和特征矩阵构建环节,传统时域、频域故障特征提取效果不佳、特征矩阵存在冗余的特点而造成故障诊断效果差的问题。引入新的时频特征精细复合多尺度散布熵（refined composite multiscale dispersive entropy,RCMDE）为特征向量,为提高精细复合多尺度散布熵算法的故障特征提取性能,获取区分度更大的精细复合多尺度散布熵,以其偏度值的平方函数作为适应度函数,通过网格搜索算法同步搜索计算两个关键参数m和C,提取齿轮箱重构故障振动信号的最优参数精细复合多尺度散布熵（optimal parameters refined composite multiscale dispersive entropy,OPRCMDE）构建特征矩阵。通过实验对比,证明EWT重构信号最优参数精细复合多尺度散布熵在提取各类故障特征时区分度更好,诊断结果更稳定准确。最后,针对特征向量冗余和一般分类算法参数多且参数设定影响分类准确率的问题。采用Relief-F算法计算特征向量的分类权重,选择权重大者构成最终的特征向量,剔除了冗余特征。最后再利用运算速度快,参数设置少的极限学习机（extreme learning machine,ELM）进行故障诊断。通过实验分析并与其它方法比较,证明本方法诊断正确率更高且更稳定,可以有效应用在风电机组齿轮箱故障诊断中,在实际工程应用中具有一定的价值,对于风电机组齿轮箱故障诊断的相关研究具有一定的参考性。
陈鹏[3]（2021）在《滚动轴承故障诊断及性能退化评估方法研究》文中指出滚动轴承作为石油化工、风力发电、高速铁路和航空航天等领域大型装备的核心部件,长期连续高速运转,极易发生故障损伤,从而造成整个装备处于安全隐患状态,因此对装备进行及时的故障诊断,确保装备的安全稳定运行具有重要意义。本文以滚动轴承振动信号的分析和处理为主要技术路线,对滚动轴承恒工况、变工况、早期单一、早期复合故障诊断和性能退化评估分别开展研究,其主要研究内容如下:（1）针对滚动轴承在恒工况下故障特征信息难以有效提取,导致故障诊断精度较低的问题,提出基于层次散布熵（HDE）与K最近邻分类器（KNN）相结合的滚动轴承故障诊断方法。该方法首先对振动信号进行层次分解;其次计算层次分解后不同节点的散布熵（DE）,实现振动信号高低频带特征的有效提取,克服了DE无法提取信号多尺度下故障特征和多尺度散布熵（MDE）无法提取高频带下故障特征的不足,并通过分析高斯白噪声的MDE和HDE验证了HDE的可行性和稳定性;最后,将HDE与KNN相结合实现滚动轴承恒工况下的故障诊断。（2）针对滚动轴承在变工况下,传统浅层机器学习故障诊断方法诊断能力降低的问题,提出基于改进一维卷积神经网络（1D-CNN）的滚动轴承变工况故障诊断方法。该方法以1D-CNN为基础,将1D-CNN的全连接层（FC）通过全局均值池化（GAP）代替;然后在改进1D-CNN的GAP层引入域自适应（DA）实现变工况下故障特征的迁移学习;最后,以美国西储大学轴承不同工况下的故障数据作为验证对象,将提出的方法与传统信号处理方法SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱、残差神经网络（Res Net）和未改进1D-CNN融合DA的方法进行对比分析,结果表明提出方法在未加入噪声和加入噪声下的变工况故障诊断能力更优。（3）针对早期故障产生的振动信号微弱且易受噪声污染而导致故障诊断难以实现的问题,提出优化变分模态分解（VMD）与改进阈值降噪的滚动轴承早期单故障诊断方法。该方法建立了L-kurtosis和相关系数的最优模态分量选取准则,以此为准则通过鲸鱼优化算法（WOA）优化VMD实现早期故障振动信号的分解来检测早期故障冲击特征;然后通过改进阈值降噪实现对选取最佳分量信号进一步降噪,再通过包络谱分析实现早期单故障诊断;最后,该方法通过在仿真信号和轴承早期故障试验中进行了有效性验证,同时与基于优化VMD分解与Teager能量算子降噪的方法和基于包络熵准则优化VMD与改进阈值降噪方法进行了对比,表明提出方法能够更好地实现早期故障诊断。（4）针对滚动轴承早期复合故障诊断中复合故障特征难以提取的问题,提出优化群分解（OSWD）的滚动轴承早期复合故障特征提取方法。首先构建基于平方包络谱负熵的优化准则,以此为适应度函数通过改进蝗虫优化算法（IGOA）优化群分解（SWD）对早期复合故障振动信号进行分解,来保留周期性冲击能量较强的分量;然后再对OSWD分解后的分量通过包络谱分析实现复合信号中不同故障冲击特征的提取,从而实现滚动轴承早期复合故障诊断;最后,将提出方法应用在仿真信号和风机轴承上进行验证,并与SWD和VMD方法进行对比分析,验证了OSWD在复合故障诊断方面的优势。（5）滚动轴承的故障诊断属于事后诊断,无法满足轴承的寿命预测和预测性维护问题,因此提出一种考虑全局-局部特征提取与支持向量数据描述（SVDD）的滚动轴承性能退化评估方法。该方法通过在邻域保持嵌入（NPE）算法中引入最大方差函数,建立最大方差保持和最小邻域保持的全局-局部目标函数实现振动信号高维退化特征降维,并结合SVDD实现滚动轴承性能退化评估,为轴承的预测性维护提供理论基础;最后,在全寿命轴承实验中进行方法的测试,并与相关文献、局部、全局特征降维与SVDD相结合的方法相比,表明提出方法的性能更优。
赫修智[4]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中提出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。
葛茂[5]（2021）在《张量分解理论及其在机械故障诊断中的应用》文中研究表明在工程实际中采集的机械设备故障信号通常是不同激励源和多部件耦合振动的结果,具有典型的干扰大、非线性、非平稳等特征,且早期弱故障易被强背景噪声所淹没。此外,单一传感器获取的故障信息有限。因此,强噪声、多组分干扰下的弱故障特征提取以及多传感器联合诊断是当前故障诊断研究的热点问题。信号复杂的动力学特性在重构的高维相空间中可以有效展示,作为矩阵表示的高维扩展,张量是高维数据最自然的表现形式。基于张量分解的信号处理方法能挖掘数据中潜在的特征信息,近年来被广泛的应用于各类信号处理领域。论文以机械设备为研究对象,针对以上几个典型问题,深入研究并改进张量分解理论,为机械故障诊断提供一种新的理论体系。论文的主要工作包括以下几个方面:（1）针对强噪声干扰问题,提出基于张量核范数CP分解的信号降噪方法。将信号的降噪问题转化为信号特征子空间低秩近似求解问题,通过张量核范数最小化实现一维信号在高阶张量空间的低秩表达,并通过凸优化算法求取全局最优的收敛解以实现噪声的鲁棒消除。在此基础上,将提出的方法与多尺度排列熵相结合用于齿轮信号故障诊断中,并选择BP神经网络分类器实现了齿轮不同故障模式的智能识别。（2）针对多组分干扰下的故障特征提取问题,提出基于局部张量鲁棒主成分分析的信号子空间分离方法。在一维信号经重构形成的二阶轨迹张量即轨迹矩阵,在保持降噪性能的基础上,通过平滑核函数和距离函数建立信号的局部低秩模型。该模型认为信号吸引子相空间是代表信号中不同特征成分的多个子空间的线性混合,其对应的局部轨迹矩阵具有典型的低秩特征。并通过求解结合矩阵核范数和罚函数正则项的联合最小化的凸问题可以有效地分离这些低秩特征。然后,利用Teager能量算子计算信号的时频分布并通过故障特征的时频特征识别出故障相关的子空间分量,从而有效地从多组分信号中分离出故障特征。（3）针对多传感器联合分析和早期弱故障特征提取问题,提出基于广义非凸张量鲁棒主成分分析的弱故障特征信号能量保持方法。首先通过相空间重构技术将信号重构到三阶轨迹张量,获得多通道信号的高阶张量表征。然后应用经典的张量奇异值分解模型对其进行非线性滤波以挖掘多通道信号的联合故障特征。通过广义非凸约束对滤波采用的凸优化降噪框架中张量核范数的强凸约束进行非凸放松以避免有用的奇异值管幅值衰减,并利用峭度对于信号冲击特征的敏感的特性,定义一个新的张量奇异值峭度指标来自适应确定奇异值管的重构阶数,最终实现弱故障特征的有效提取和能量保持。（4）针对强噪声和多组分干扰下的弱故障诊断问题,将局部低秩模型扩展到三阶张量空间并对广义非凸张量鲁棒主成分分析进一步优化,提出基于局部广义非凸化张量鲁棒主成分分析的弱故障诊断方法。将实测的多通道信号重构的三阶轨迹张量建模为多个受噪声污染的局部低Tubal秩子空间的线性混合,并通过求解广义非凸优化框架有效分离这些特征子空间。同时定义一个新的多元峭度指标来识别其中与故障相关的子空间分量,从而有效地去除干扰成分并保持提取的故障特征的能量,实现多通道信号早期弱故障的特征提取和准确诊断。
刘跃福[6]（2021）在《齿轮传动系统的复合故障特征提取方法研究》文中进行了进一步梳理齿轮传动系统是机械设备中的重要组成部分,其运行的健康状况至关重要。不仅会受故障零部件的影响,在运行过程中还会受到背景噪声影响,导致信号中故障特征被淹没,对故障特征的提取和识别造成很大的困扰。因此,如何对复合故障信号中的故障特征进行有效的识别和提取是保证齿轮传动系统能够正常工作的关键。首先,对齿轮传动系统故障振动分析和实验装置进行介绍。对齿轮和轴承的故障类型、产生原因和故障特征频率进行介绍,然后对齿轮和轴承的振动机理进行介绍,在此基础上建立了齿轮、轴承和复合故障振动模型。最后对实验装置进行介绍。其次,提出了基于NMD的齿轮传动系统复合故障特征提取方法。分别采用EMD、EEMD和NMD方法对复合故障信号进行处理,然后采用对称差分能量算子解调法对所选分量进行解调。仿真信号和齿轮点蚀-磨损复合故障信号均验证了所提方法的有效性。然后,提出了基于改进CEEMDAN的齿轮传动系统复合故障特征提取方法。因为采集的复合故障实验信号中包含了较多的噪声,对复合故障的特征提取造成了很大的干扰。所以,首先对复合故障信号进行CEEMDAN分解,然后根据相关系数法选取合适的分量,并对所选取的分量进行小波阈值降噪,最后采用对称差分能量算子解调法对所选分量进行解调。仿真信号和齿轮磨损-轴承外圈损伤的复合故障信号均验证了所提改进方法的有效性。最后,提出了基于改进ITD的齿轮传动系统复合故障特征提取方法。针对在信号处理过程中出现的模态混叠现象、噪声会对故障特征提取产生影响等问题。将MCKD作为前置滤波器,对信号进行滤波处理,再对滤波后的信号进行ITD分解,然后采用对称差分能量算子解调法对所选分量进行解调。仿真信号和齿轮断齿-磨损复合故障信号均验证了所提改进方法的有效性。
段诚成[7]（2020）在《自适应局部迭代滤波及其在滚动轴承故障诊断中的应用》文中提出滚动轴承是旋转机械的重要组成部分之一,对滚动轴承故障诊断技术的研究具有重要的意义。对故障信号进行分析,提取有效的故障特征信息,一直是滚动轴承故障诊断研究的重点之一。由于滚动轴承的振动信号具有典型的非线性、非平稳特性,时频分析方法作为一种有效地非平稳信号处理方法,广泛的应用于滚动轴承故障诊断中。近年来,小波分析、经验模态分解、变分模态分解等多种时频分析方法已经广泛地应用于滚动轴承故障诊断,取得了大量的研究成果。但是,由于不同的时频分析方法都存在着一定的局限性,因此,现有的时频分析方法并不能完全满足滚动轴承故障诊断的实际需求。基于这样的原因,本文引入了一种新的时频分析方法——自适应局部迭代滤波方法（Adaptive Local Iterative Filtering,ALIF）,在对ALIF方法进行理论研究和改进的基础上,将ALIF方法与随机向量函数链接网络（RVFL）、胶囊网络（Capsule network）等方法相结合,应用于滚动轴承故障诊断当中。论文主要的研究内容和创新点如下:1.研究了ALIF方法的基本原理,通过仿真对比,验证了ALIF的分解性能优于经验模态分解、局部均值分解、变分模态分解等方法,将ALIF方法应用于滚动轴承滚动体故障诊断中,证明ALIF方法能够有效地提取滚动体故障的故障特征。2.针对ALIF方法的分解能力进行了进一步的研究,提出基于微分算子的自适应局部迭代滤波方法（Differential Adaptive Local Iterative Filtering,DALIF）,有效地提升了ALIF方法的分解能力。通过建立分解能力模型,研究不同频率比、幅值比下DALIF方法分解的效果。通过仿真和实验信号验证了DALIF方法的有效性。3.针对ALIF方法分解含高频间歇分量的信号时会产生模态混叠现象,采用噪声辅助法对其进行改进。通过研究ALIF分解白噪声的特性,从理论上证明可以通过白噪声改变信号的极值点分布。在此基础上,提出集成自适应局部迭代滤波方法（Ensemble Adaptive Local Iterative Filtering,EALIF）,该方法通过多次向待分解信号中添加一定幅值的白噪声来抑制模态混叠的产生。该方法同时利用ALIF本身的特点,有效地剔除白噪声分量,使得分解结果不会受到人为添加噪声的影响。采用仿真和实验信号进一步验证EALIF方法的有效性和实用性。4.首先提出了集成微分自适应局部迭代滤波方法（Ensemble Differential Adaptive Local Iterative Filtering,EDALIF）并与随机向量函数链接网络相结合,提出一种新的滚动轴承故障诊断方法。该方法利用EDALIF对滚动轴承振动信号进行分解,提取各个分量的特征值,构成运行状态的特征向量,将得到的特征向量输入RVFL网络中进行模式识别。实验证明,该方法能够有效地对不同故障类型的滚动轴承振动信号进行区分。5.提出了基于EDALIF方法和胶囊网络的滚动轴承故障诊断方法。通过EDALIF方法对滚动轴承振动信号进行分解,选择包含故障特征的主要成分进行重构,剔除冗余信息和噪声分量。利用胶囊网络强大的高维输入处理能力和非线性逼近能力,将重构信号直接输入胶囊网络进行模式识别。实验验证了该方法能够对不同故障类型和故障程度的滚动轴承振动信号进行有效地区分。
杨洋[8]（2020）在《基于EMD和小波分析的减速齿轮箱故障诊断研究》文中研究表明高效、高可靠性的齿轮传动系统,广泛应用于轨道交通、航空航天等领域。齿轮箱是齿轮传动系统的核心零部件,其结构复杂,在极端恶劣的服役环境下,经常发生齿轮断齿、齿面点蚀、齿面磨损及传动轴弯曲等故障。服役齿轮箱采集到的振动信号错综复杂,常见的故障分析与诊断方法如傅里叶变换、倒频谱分析等,难以从包含大量噪声的振动信号中提取出各种故障特征。因此本文提出了一种基于小波包分解、EMD方法及奇异值分解联合去噪的齿轮箱故障诊断方法。论文首先从理论上分析了齿轮箱的振动机理、故障形式、发生故障的原因和调制现象;其次详细分析了齿轮的振动机理及振动信号调制规律。接着介绍了EMD的相关基本概念,研究了EMD的原理、性质及不足并针对其存在的端点效应问题提出了一种改进的序列延拓方法,并通过与传统EMD方法进行仿真试验对比验证了该延拓法的有效性。引入了奇异值分解,介绍了奇异值分解的原理,通过将奇异值分解和改进的EMD结合实现了信号特征成分的提取。接着介绍了小波分析的基本理论,研究了小波理论的降噪原理,并结合仿真实验的结果证明小波包分解的去噪性能要优于小波分解,进而将小波包分解与EMD和奇异值分解相结合,实现了信号的去噪以及目标频率成分的精准提取,大大提高了处理频谱的效率。建立了齿轮传动试验平台,来模拟齿轮传动系统的工作环境,并根据平台模拟出齿轮发生齿轮断齿、齿轮点蚀及齿面磨损等单故障时候的振动信号及复合故障的振动信号,然后使用本文所提的小波包分解与EMD、奇异值分解结合的故障诊断方案对这些信号进行降噪处理,处理完毕后通过FFT和倒频谱对故障部位及类型进行判断,并将该方案与直接对原信号进行时频分析的方法进行了对比,结果表明该方案能更为清晰的获得振动信号中的故障特征频率,从而验证了诊断方案的可行性及准确性。
刘奇[9]（2020）在《基于最大重叠离散小波包变换的齿轮箱故障特征提取方法研究》文中认为随着现代化生产的快速发展和科学技术的不断进步,功能多样化和结构复杂化成为了当今机械设备的发展方向,各工业领域中设备的工作强度、自动化程度不断增大和提高,生产效率也日益提高,但同时对设备的性能要求也越来越高,需要其各部件之间紧密配合进行工作。齿轮箱作为机械设备中用于连接和传递动力的关键部件,一旦发生故障将直接影响设备的安全可靠性,还可能造成财产损失甚至人员伤亡。因此,开展齿轮箱故障诊断研究,准确识别故障模式,对保障机械设备安全稳定运行具有重要的意义。故障特征提取是机械设备故障诊断的核心内容之一,如何从强噪声背景下提取出信号中隐含的微弱故障信息是故障诊断领域的热点和难点。本文以齿轮箱为研究对象,以最大重叠离散小波包变换（Maximal overlap discrete wavelet packet transform,MODWPT）、双线性时频分布和谱峭度为分析工具,重点研究了齿轮箱多级齿轮传动低速级齿轮故障的特征提取方法,并通过仿真及实验分析验证了所提出方法的有效性和可行性。主要内容如下:（1）介绍了MODWPT方法的基本理论。在介绍MODWPT算法的基础上,重点研究了MODWPT方法在处理复杂多分量信号时较EMD方法的优越性。通过仿真分析表明,MODWPT方法在抗端点效应和模态混叠,以及Hilbert谱和边际谱中频率表达的准确性方面较EMD方法都有很大的优势。（2）针对多级齿轮传动易受噪声干扰,低频微弱故障特征提取难的问题,结合MODWPT和双线性时频分布各自优点,提出了基于MODWPT和Choi-Williams分布的齿轮故障特征提取方法。首先采用MODWPT方法将复杂振动信号分解为若干具有瞬时频率和瞬时幅值的分量,然后根据峭度准则筛选合适分量,最后对保留的分量进行CWD分析,成功提取出了齿轮故障信息。（3）针对齿轮箱多级齿轮传动中,低频微弱故障特征提取难,以及传统共振解调方法滤波器参数需要预先人为确定等问题,提出了基于MODWPT和谱峭度的齿轮箱低频故障特征提取方法。首先采用MODWPT方法将振动信号分解为若干分量,然后选择合适分量进行快速谱峭度计算并进行带通滤波,最后对滤波后的信号进行包络解调分析,从而有效地提取出低频微弱故障特征。
庞彬[10]（2020）在《基于奇异谱分解的旋转机械故障诊断研究》文中指出旋转机械是许多工业设备不可或缺的功能单元,其运行状态直接影响生产的质量、效率和安全。开展旋转机械故障诊断技术研究,对于提高设备运行的可靠性和安全性具有重要意义。信号分解技术因其在处理非线性、非平稳信号方面的优良特性,被公认为是旋转机械故障诊断的最有效手段。本文针对奇异谱分解（SSD）这一新的自适应信号分解方法,开展了理论研究及旋转机械故障诊断应用研究。在深入分析SSD的算法特点的基础上,对其理论方法进行丰富和完善,为旋转机械关键元件的故障特征提取及模式识别问题探索有效的解决方案。论文的主要研究内容和创新点如下:（1）对SSD进行了分解特性研究及转子故障特征提取应用研究。分解特性研究方面,分析了 SSD的抗模态混叠性能和双谐波分解能力。分析结果表明:SSD能够有效克服“异常事件”引起的模态混叠问题,其双谐波分解能力优于经验模态分解（EMD）方法。转子故障特征提取方面,研究了基于SSD-HT时频分析的谐波故障检测方法。研究结果表明:SSD能够有效分离转子振动信号的特征分量,SSD-HT时频谱可精确呈现各分解分量的瞬时非平稳特征,为转子故障类型判定提供充分依据。（2）SSD将每次迭代分解的残余信号同原始信号的能量比作为分解迭代停止条件,故障诊断过程中无法预知最佳能量比阈值来确定合理的分解尺度。针对此问题,提出了一种优化奇异谱分解（OSSD）方法。此方法引入互相关系数作为SSD的迭代停止条件的补充判据和分量筛选准则,有效克服了能量比阈值设置不当所造成的过分解和欠分解问题,并减少了虚假分量,提高了分析稳定性。（3）如何克服环境噪声和振动谐波的干扰,以及如何实现复合故障特征的分离是旋转机械冲击故障特征提取的难点问题。为解决此问题,论文提出了一种基于增强奇异谱分解（ESSD）的微弱冲击故障检测方法。该方法通过在SSD分析中融入微分和积分算子,提升了 SSD对在信号中不占主导地位的微弱冲击特征分量的检测能力,以及对复合故障冲击信号的解耦能力。（4）研究了 SSD在变转速工况旋转机械故障特征提取中的应用。采用SSD-HT时频分析方法提取变转速工况的转子故障特征,另一方面将SSD结合转速变换（ST）提取变转速工况的滚动轴承故障特征。研究表明:转速缓变条件下,SSD依然具有良好的谐波故障检测和微弱冲击故障检测功能。（5）针对基于单通道信号的振动分析方法在故障特征提取中容易遗漏关键故障特征信息的问题,提出了复数奇异谱分解（CSSD）方法,实现了 SSD在复数域的拓展,构建出一种基于CSSD的同源信息融合故障诊断方案。实验分析表明:该诊断方案能够综合考虑双通道正交采样信号的故障特征差异,获取更全面的故障判定依据,提高了故障诊断效率。（6）针对旋转机械故障类型判定和故障程度评估问题,提出了一种基于层次瞬时能量密度离散熵（HIEDDE）和动态时间规整（DTW）的故障模式识别方法。HIEDDE同时融合了故障特征增强及信息评价环节,能够有效表征不同状态振动信号的特征差异,利用DTW对特征信息进行相似性度量可自动判定故障模式。实验分析表明:该方法在不依赖过多训练样本的条件下仍可保证较高的分析精度。论文的研究成果为旋转机械故障诊断过程中所涉及的谐波故障检测、微弱冲击故障检测、变转速时变故障特征提取、同源信息融合和故障模式识别等问题的研究提供了新的思路。
二、EMD方法在齿轮故障诊断中的应用（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、EMD方法在齿轮故障诊断中的应用（论文提纲范文）
（1）基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断（论文提纲范文）
| 1 TVF-EMD原理 |
| 2 GWO-TVF-EMD原理 |
| 3 GWO-TVF-EMD方法 |
| 4 剥落故障识别 |
| 5 试验验证 |
| 6 结论 |
（2）基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 风电机组故障诊断研究现状 |
| 1.2.1 信号检测方法 |
| 1.2.2 故障诊断环节 |
| 1.2.3 故障预测方法 |
| 1.2.4 发展趋势及不足 |
| 1.3 选题的目的和意义 |
| 1.4 论文主要研究内容 |
| 2 风电机组基本结构和典型故障分析 |
| 2.1 风电机组基本结构 |
| 2.1.1 双馈异步机组 |
| 2.1.2 直驱永磁机组 |
| 2.2 风电机组典型故障分析 |
| 2.2.1 风电机组常见故障 |
| 2.2.2 风电机组齿轮箱故障分析研究 |
| 2.3 本章小结 |
| 3 基于经验小波变换的信号降噪处理 |
| 3.1 经验小波变换的基本原理 |
| 3.1.1 频谱分割方法的选择 |
| 3.1.2 尺度空间频谱分割阈值确定方法 |
| 3.2 信号重构阈值设定 |
| 3.3 EWT重构降噪仿真对比分析 |
| 3.4 本章小结 |
| 4 基于EWT-OPRCMDE-ELM的故障诊断模型 |
| 4.1 基于OPRCMDE的特征提取 |
| 4.1.1 RCMDE的基本原理 |
| 4.1.2 RCMDE的参数选择与优化 |
| 4.1.2.1 序列长度N |
| 4.1.2.2 时延d |
| 4.1.2.3 嵌入维数m和类别个数C |
| 4.2 基于Relief-F的特征降维和ELM的故障模式识别 |
| 4.2.1 Relief-F算法的特征降维原理 |
| 4.2.2 ELM的基本原理 |
| 4.3 故障诊断方法框架 |
| 4.4 本章小结 |
| 5 实验分析 |
| 5.1 实验数据采集 |
| 5.2 EWT分解与重构 |
| 5.3 OPRCMDE参数寻优及特征矩阵构建 |
| 5.4 故障模式识别 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）滚动轴承故障诊断及性能退化评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略说明 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 滚动轴承结构及振动信号分析 |
| 1.2.1 滚动轴承结构原理 |
| 1.2.2 滚动轴承常见故障形式 |
| 1.2.3 滚动轴承振动信号特性 |
| 1.3 滚动轴承故障诊断及性能退化评估研究现状 |
| 1.3.1 滚动轴承故障诊断研究现状 |
| 1.3.2 滚动轴承性能退化评估研究现状 |
| 1.4 本论文的组织安排与研究内容 |
| 1.4.1 论文的组织安排 |
| 1.4.2 论文的研究内容 |
| 第2章 基于层次散布熵与K最近邻分类器的滚动轴承恒工况故障诊断 |
| 2.1 引言 |
| 2.2 散布熵 |
| 2.2.1 散布熵理论 |
| 2.2.2 多尺度散布熵 |
| 2.3 层次散布熵 |
| 2.3.1 参数选择 |
| 2.3.2 仿真分析 |
| 2.4 基于HDE和 KNN的滚动轴承恒工况故障诊断方法 |
| 2.5 试验验证 |
| 2.5.1 不同位置故障诊断 |
| 2.5.2 不同损伤程度故障诊断 |
| 2.6 本章小结 |
| 第3章 基于改进一维卷积神经网络的滚动轴承变工况故障诊断 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全连接层 |
| 3.2.4 Softmax分类器 |
| 3.3 改进1D-CNN网络 |
| 3.3.1 改进卷积层 |
| 3.3.2 全局均值池化层 |
| 3.3.3 域自适应 |
| 3.3.4 最大平均差异 |
| 3.3.5 参数调整训练 |
| 3.4 基于改进1D-CNN的变工况故障诊断方法 |
| 3.5 试验验证 |
| 3.5.1 参数设置 |
| 3.5.2 变工况诊断分析 |
| 3.6 本章小结 |
| 第4章 基于优化变分模态分解的滚动轴承早期单故障诊断 |
| 4.1 引言 |
| 4.2 变分模态分解 |
| 4.2.1 变分模态分解原理 |
| 4.2.2 变分模态分解实现 |
| 4.2.3 变分模态分解参数影响 |
| 4.3 WOA优化VMD原理 |
| 4.3.1 WOA算法基本原理 |
| 4.3.2 WOA优化VMD实现 |
| 4.4 基于WOA优化VMD与改进阈值降噪的早期单故障诊断方法 |
| 4.4.1 适应度函数构建 |
| 4.4.2 改进阈值降噪 |
| 4.4.3 故障诊断流程 |
| 4.5 仿真与实例验证 |
| 4.5.1 仿真验证 |
| 4.5.2 实例验证 |
| 4.6 本章小结 |
| 第5章 基于优化群分解的滚动轴承早期复合故障诊断 |
| 5.1 引言 |
| 5.2 群分解 |
| 5.2.1 群分解原理 |
| 5.2.2 群分解实现 |
| 5.3 蝗虫优化算法 |
| 5.3.1 蝗虫优化算法基本原理 |
| 5.3.2 蝗虫优化算法步骤 |
| 5.3.3 改进蝗虫优化算法 |
| 5.4 基于优化群分解的早期复合故障诊断方法 |
| 5.4.1 适应度函数构建 |
| 5.4.2 早期复合故障诊断流程 |
| 5.5 仿真与实例验证 |
| 5.5.1 仿真分析 |
| 5.5.2 实例验证 |
| 5.6 本章小结 |
| 第6章 基于全局-局部与支持向量数据描述的滚动轴承性能退化评估 |
| 6.1 引言 |
| 6.2 全局-局部特征提取算法 |
| 6.2.1 局部结构保持算法 |
| 6.2.2 全局结构保持算法 |
| 6.2.3 全局-局部结构保持算法 |
| 6.3 支持向量数据描述 |
| 6.4 基于GLNPE与 SVDD的性能退化评估方法 |
| 6.4.1 特征提取 |
| 6.4.2 性能退化状态评估流程 |
| 6.5 试验验证 |
| 6.5.1 实例验证 |
| 6.5.2 对比分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A攻读学位期间所发表的学术论文目录 |
| 附录 B攻读学位期间主持或参加的科研项目 |
（4）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 |
（5）张量分解理论及其在机械故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 经典信号分析方法的研究现状 |
| 1.3 模式分解方法研究现状 |
| 1.3.1 经验模式分解 |
| 1.3.2 局部均值分解 |
| 1.3.3 奇异值分解 |
| 1.3.4 张量分解 |
| 1.4 论文研究内容与结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 张量理论基础和信号的高阶张量表征 |
| 2.1 引言 |
| 2.2 张量理论基础 |
| 2.2.1 符号的定义 |
| 2.2.2 张量代数的基本运算 |
| 2.3 基于相空间重构的振动信号的高阶张量表征 |
| 2.3.1 相空间重构基本原理 |
| 2.3.2 相空间重构参数的确定原则与仿真验证 |
| 2.3.3 振动信号的高阶张量表征 |
| 2.4 本章小结 |
| 第3章 张量CP分解和张量奇异值分解 |
| 3.1 引言 |
| 3.2 CP分解 |
| 3.2.1 基本定义 |
| 3.2.2 数值仿真分析 |
| 3.2.3 CPD应用于机械故障诊断中存在的问题 |
| 3.3 张量奇异值分解 |
| 3.3.1 基本定义 |
| 3.3.2 基于TSVD模型的信号分解和特征提取 |
| 3.3.3 数值仿真分析 |
| 3.3.4 TSVD在应用于机械故障诊断中存在的问题 |
| 3.4 本章小结 |
| 第4章 张量核范数CP分解及其在信号降噪中的应用 |
| 4.1 引言 |
| 4.2 张量核范数CP分解 |
| 4.2.1 稀疏与低秩 |
| 4.2.2 基于张量核范数和凸优化的改进张量CP分解 |
| 4.3 数值仿真分析 |
| 4.3.1 降噪性能分析 |
| 4.3.2 特征提取性能分析 |
| 4.4 TNNCPD结合MSPE用于实验台齿轮故障诊断 |
| 4.4.1 实验台简介 |
| 4.4.2 信号分析 |
| 4.5 本章小结 |
| 第5章 局部张量鲁棒主成分分析及其在信号多组分分离中的应用 |
| 5.1 引言 |
| 5.2 局部张量鲁棒主成分分析 |
| 5.2.1 鲁棒主成分分析 |
| 5.2.2 基于局部低秩矩阵逼近的改进鲁棒主成分分析 |
| 5.3 数值仿真分析 |
| 5.3.1 降噪性能分析 |
| 5.3.2 信号分解和特征提取性能分析 |
| 5.4 实测故障数据分析 |
| 5.4.1 实验台简介 |
| 5.4.2 信号分析 |
| 5.5 本章小结 |
| 第6章 广义非凸张量鲁棒主成分分析及其在早期弱故障特征能量保持中的应用 |
| 6.1 引言 |
| 6.2 广义非凸张量鲁棒主成分分析 |
| 6.2.1 基于张量鲁棒主成分分析的信号轨迹张量降噪 |
| 6.2.2 基于广义非凸优化的改进张量鲁棒主成分分析 |
| 6.2.3 GNCTRPCA结合奇异值峭度用于弱故障特征的准确提取 |
| 6.3 数值仿真分析 |
| 6.3.1 降噪性能分析 |
| 6.3.2 TSVK确定最优重构阶数的分析 |
| 6.3.3 弱故障特征提取和幅值能量保持性能分析 |
| 6.4 实验台故障数据分析 |
| 6.4.1 实验台简介 |
| 6.4.2 信号分析 |
| 6.5 本章小结 |
| 第7章 局部广义非凸张量鲁棒主成分分析及其在早期弱故障诊断中的应用 |
| 7.1 引言 |
| 7.2 局部广义非凸张量鲁棒主成分分析 |
| 7.2.1 局部模型构建 |
| 7.2.2 基于广义非凸优化的局部模型分解 |
| 7.2.3 基于多元峭度的故障特征分量识别及全局近似 |
| 7.3 数值仿真分析 |
| 7.4 实验台故障数据分析 |
| 7.4.1 实验台简介 |
| 7.4.2 信号分析 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（6）齿轮传动系统的复合故障特征提取方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景和意义 |
| 1.3 齿轮传动系统常用故障特征提取方法 |
| 1.4 国内外故障诊断研究现状 |
| 1.5 本文主要结构安排 |
| 第2章 齿轮传动系统故障振动分析及实验装置介绍 |
| 2.1 引言 |
| 2.2 齿轮传动系统中故障类型及故障特征频率 |
| 2.2.1 齿轮传动系统中故障类型 |
| 2.2.2 齿轮传动系统中齿轮故障产生原因 |
| 2.2.3 齿轮传动系统中轴承故障产生原因 |
| 2.2.4 齿轮故障特征频率 |
| 2.2.5 滚动轴承故障特征频率 |
| 2.3 齿轮传动系统故障振动机理 |
| 2.3.1 齿轮啮合故障振动机理 |
| 2.3.2 滚动轴承故障振动机理 |
| 2.4 齿轮传动系统故障振动模型 |
| 2.4.1 齿轮故障振动模型 |
| 2.4.2 轴承故障振动模型 |
| 2.4.3 复合故障振动模型 |
| 2.5 实验装置介绍 |
| 2.5.1 实验平台的主要功能及组成 |
| 2.5.2 实验平台主要参数及动态数据采集分析系统 |
| 2.6 本章小结 |
| 第3章 基于NMD的齿轮传动系统复合故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基本方法理论 |
| 3.2.1 NMD方法基本理论 |
| 3.2.2 EMD方法基本理论 |
| 3.2.3 EEMD方法基本理论 |
| 3.2.4 对称差分能量算子基本理论 |
| 3.3 复合故障诊断流程 |
| 3.4 仿真信号对比分析 |
| 3.5 齿轮点蚀-磨损复合故障实验分析 |
| 3.6 本章小结 |
| 第4章 基于改进CEEMDAN的齿轮传动系统复合故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基本方法理论 |
| 4.2.1 CEEMDAN方法基本理论 |
| 4.2.2 小波阈值降噪基本理论 |
| 4.3 仿真信号对比分析 |
| 4.4 齿轮磨损-轴承外圈损伤复合故障实验分析 |
| 4.4.1 复合故障诊断流程 |
| 4.4.2 小波阈值降噪前后对比分析 |
| 4.5 本章小结 |
| 第5章 基于改进ITD的齿轮传动系统复合故障特征提取方法研究 |
| 5.1 引言 |
| 5.2 固有时间尺度分解 |
| 5.2.1 固有时间尺度分解基本理论 |
| 5.2.2 仿真信号分析 |
| 5.3 相关峭度 |
| 5.4 最大相关峭度反褶积 |
| 5.4.1 MCKD方法基本理论 |
| 5.4.2 仿真信号分析 |
| 5.4.3 与MED的仿真信号对比分析 |
| 5.4.4 MCKD方法的参数选择 |
| 5.5 改进的固有时间尺度分解 |
| 5.5.1 改进的意义 |
| 5.5.2 复合故障诊断流程 |
| 5.5.3 仿真信号分析 |
| 5.6 齿轮断齿-磨损复合故障实验分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）自适应局部迭代滤波及其在滚动轴承故障诊断中的应用（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 滚动轴承故障诊断研究现状 |
| 1.2.1 信号处理方法研究现状 |
| 1.2.2 故障特征提取方法研究现状 |
| 1.2.3 模式识别方法研究现状 |
| 1.3 滚动轴承故障诊断方法存在的问题 |
| 1.4 论文研究思路及内容安排 |
| 1.4.1 论文研究思路 |
| 1.4.2 论文的内容安排 |
| 第2章 自适应局部迭代滤波 |
| 2.1 引言 |
| 2.2 自适应局部迭代滤波原理 |
| 2.2.1 迭代滤波方法 |
| 2.2.2 福克普朗克滤波器 |
| 2.2.3 自适应迭代滤波算法 |
| 2.3 ALIF方法与其他信号分解方法比较 |
| 2.3.1 ALIF方法与EMD、LCD方法的对比分析 |
| 2.3.2 ALIF方法与VMD方法的对比分析 |
| 2.3.3 ALIF方法存在的主要缺陷 |
| 2.4 ALIF包络谱在滚动轴承滚动体故障诊断中的应用 |
| 2.5 本章小结 |
| 第3章 微分算子改进的自适应迭代滤波方法 |
| 3.1 引言 |
| 3.2 DALIF方法 |
| 3.2.1 ALIF分解能力的影响机理 |
| 3.2.2 DALIF方法流程 |
| 3.2.3 DALIF分解能力研究 |
| 3.3 实验验证 |
| 3.3.1 仿真信号分析 |
| 3.3.2 实验信号分析 |
| 3.4 本章小结 |
| 第4章 集成平均自适应局部迭代滤波方法 |
| 4.1 引言 |
| 4.2 ALIF模态混叠产生的原因 |
| 4.3 噪声辅助自适应局部迭代滤波方法 |
| 4.3.1 ALIF方法分解白噪声 |
| 4.3.2 EALIF方法分解流程 |
| 4.4 仿真分析 |
| 4.5 实验信号分析 |
| 4.6 本章小结 |
| 第5章 基于EDALIF和 RVFL网络的滚动轴承故障诊断方法 |
| 5.1 引言 |
| 5.2 基于EDALIF方法的滚动轴承特征提取 |
| 5.2.1 EDALIF方法流程 |
| 5.2.2 基于EDALIF的特征提取 |
| 5.3 RVFL网络 |
| 5.4 基于EDALIF方法和RVFL网络的滚动轴承故障诊断 |
| 5.4.1 故障诊断流程 |
| 5.4.2 实验验证 |
| 5.5 本章小结 |
| 第6章 基于EDALIF与胶囊网络的滚动轴承故障诊断 |
| 6.1 引言 |
| 6.2 胶囊网络 |
| 6.3 基于改进ALIF方法和胶囊网络的滚动轴承故障诊断流程 |
| 6.4 实验验证 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间参与的科研项目 |
（8）基于EMD和小波分析的减速齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本文研究背景及意义 |
| 1.2 国内外研究进展及现状 |
| 1.2.1 齿轮箱故障诊断方法及研究现状 |
| 1.2.2 基于EMD的故障诊断方法及研究现状 |
| 1.2.3 基于小波分析的故障诊断方法及研究现状 |
| 1.3 本文研究内容 |
| 第2章 齿轮箱主要故障及失效机理 |
| 2.1 齿轮振动机理及信号调制 |
| 2.1.1 齿轮振动机理 |
| 2.1.2 齿轮振动信号调制分析 |
| 2.2 齿轮振动信号中的其它成分 |
| 2.3 齿轮典型故障形式及其信号特征 |
| 2.3.1 齿轮磨损 |
| 2.3.2 齿轮点蚀 |
| 2.3.3 齿轮断齿 |
| 2.3.4 齿形误差 |
| 2.4 本章小结 |
| 第3章 EMD的基本理论及其改进算法分析 |
| 3.1 引言 |
| 3.2 基本概念 |
| 3.2.1 瞬时频率 |
| 3.2.2 本征模态函数 |
| 3.3 EMD分解 |
| 3.3.1 EMD的基本原理 |
| 3.3.2 EMD的性质 |
| 3.3.3 EMD的不足 |
| 3.4 EMD的改进算法 |
| 3.4.1 端点效应的抑制 |
| 3.4.2 模态混叠的处理 |
| 3.4.3 CEEMDAN方法简述 |
| 3.5 基于EMD和奇异值差分谱的信号特征提取方法 |
| 3.5.1 奇异值差分谱 |
| 3.5.2 EMD-SVD方法在信号特征提取中的应用 |
| 3.6 本章小结 |
| 第4章 基于小波分析-EMD-SVD的信号处理方法 |
| 4.1 引言 |
| 4.2 小波理论 |
| 4.2.1 小波变换 |
| 4.2.2 多分辨率分析 |
| 4.2.3 Mallet算法 |
| 4.2.4 小波包分析 |
| 4.3 小波理论在去噪方面的应用 |
| 4.3.1 小波分解去噪法 |
| 4.3.2 小波包分解去噪法 |
| 4.4 小波分析在齿轮信号特征提取中的应用 |
| 4.5 基于小波分析-EMD-SVD的信号特征提取方法 |
| 4.6 本章小结 |
| 第5章 基于改进EMD和小波变换的齿轮箱故障诊断 |
| 5.1 引言 |
| 5.2 齿轮传动试验平台的建立 |
| 5.2.1 齿轮传动系统试验平台的介绍 |
| 5.2.2 基于Labview的数据采集系统 |
| 5.3 齿轮故障诊断实验分析 |
| 5.3.1 齿轮断齿故障诊断 |
| 5.3.2 齿轮点蚀故障诊断 |
| 5.3.3 齿轮磨损故障诊断 |
| 5.3.4 齿轮复合故障诊断 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 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 |
（9）基于最大重叠离散小波包变换的齿轮箱故障特征提取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮箱故障诊断技术研究现状 |
| 1.2.2 最大重叠离散小波包变换研究现状 |
| 1.2.3 时频分析与谱峭度方法研究现状 |
| 1.3 本文研究内容 |
| 2 齿轮箱振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮振动机理分析 |
| 2.3 齿轮的主要失效形式与原因 |
| 2.4 齿轮振动特征频率的计算 |
| 2.5 齿轮故障振动模型 |
| 2.6 齿轮故障的包络谱特征 |
| 2.7 本章小结 |
| 3 最大重叠离散小波包变换理论 |
| 3.1 引言 |
| 3.2 小波变换原理 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.3 最大重叠离散小波包变换 |
| 3.4 EMD算法原理 |
| 3.5 仿真信号对比分析 |
| 3.6 本章小结 |
| 4 基于MODWPT-CWD的齿轮箱故障特征提取 |
| 4.1 引言 |
| 4.2 Choi-Williams分布 |
| 4.2.1 Cohen类时频分布 |
| 4.2.2 Choi-Williams分布 |
| 4.3 基于MODWPT-CWD的低频故障特征提取方法 |
| 4.4 基于MODWPT-CWD的齿轮故障仿真分析 |
| 4.4.1 齿轮仿真信号的建立 |
| 4.4.2 仿真信号分析 |
| 4.5 实验设备与实验过程介绍 |
| 4.5.1 动力传动故障综合试验台 |
| 4.5.2 传感器布置及数据采集设备 |
| 4.5.3 实验齿轮箱结构介绍 |
| 4.5.4 实验方案与实验过程介绍 |
| 4.6 实验数据分析 |
| 4.6.1 断齿数据分析 |
| 4.6.2 局部断齿数据分析 |
| 4.7 本章小结 |
| 5 基于MODWPT和谱峭度的齿轮箱故障特征提取 |
| 5.1 引言 |
| 5.2 谱峭度方法介绍 |
| 5.3 基于MODWPT和谱峭度的低频故障特征提取方法 |
| 5.4 基于MODWPT和谱峭度的齿轮故障仿真分析 |
| 5.5 实验数据分析 |
| 5.5.1 断齿数据分析 |
| 5.5.2 局部断齿数据分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）基于奇异谱分解的旋转机械故障诊断研究（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 旋转机械故障诊断概述 |
| 1.2.1 故障诊断流程 |
| 1.2.2 故障特征描述 |
| 1.3 旋转机械故障诊断几个关键问题的研究现状 |
| 1.3.1 故障特征检测的研究现状 |
| 1.3.2 变转速故障分析的研究现状 |
| 1.3.3 同源振动信息融合的研究现状 |
| 1.3.4 故障模式识别的研究现状 |
| 1.4 论文主要研究对象 |
| 1.5 论文主要研究内容 |
| 第2章 奇异谱分解及其在转子谐波故障检测中的应用 |
| 2.1 引言 |
| 2.2 奇异谱分解的原理 |
| 2.2.1 SSA方法 |
| 2.2.2 SSD方法 |
| 2.3 SSD的分解特性研究 |
| 2.3.1 抗模态混叠性能分析 |
| 2.3.2 双谐波分解能力研究 |
| 2.4 SSD在转子故障谐波检测中的应用研究 |
| 2.4.1 SSD-HT时频分析方法 |
| 2.4.2 转子故障仿真信号分析 |
| 2.4.3 转子故障实验信号分析 |
| 2.4.4 汽轮机碰摩故障分析 |
| 2.5 本章小结 |
| 第3章 优化奇异谱分解方法 |
| 3.1 引言 |
| 3.2 基于能量比迭代停止条件的局限性分析 |
| 3.3 OSSD方法 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 第4章 ESSD及其在微弱冲击故障检测中的应用 |
| 4.1 引言 |
| 4.2 微分算子及其在信号处理中的作用 |
| 4.2.1 微分算子 |
| 4.2.2 微分算子对双谐波信号分析模型的影响 |
| 4.2.3 微分算子对于SIR的增强性能分析 |
| 4.3 积分算子及其在信号处理中的作用 |
| 4.4 ESSD方法 |
| 4.5 ESSD分解能力研究 |
| 4.6 仿真分析 |
| 4.7 实验分析 |
| 4.7.1 实验台介绍 |
| 4.7.2 圆柱滚子轴承内圈故障诊断 |
| 4.7.3 深沟球轴承复合故障诊断 |
| 4.8 工程应用 |
| 4.9 本章小结 |
| 第5章 SSD在变转速故障特征提取中的应用 |
| 5.1 引言 |
| 5.2 多分量时变非平稳仿真信号分析 |
| 5.3 基于SSD-HT时频分析的变转速转子故障诊断 |
| 5.4 转速变换 |
| 5.5 滚动轴承变转速故障诊断 |
| 5.5.1 故障诊断流程 |
| 5.5.2 仿真分析 |
| 5.5.3 实验分析 |
| 5.6 本章小结 |
| 第6章 CSSD及其在旋转机械故障诊断中的应用 |
| 6.1 引言 |
| 6.2 CSSD方法 |
| 6.2.1 CSSD的原理 |
| 6.2.2 CSSD的等效滤波特性 |
| 6.2.3 CSSD-HT时频分析 |
| 6.2.4 CSSD-HT包络解调分析 |
| 6.3 基于CSSD的旋转机械故障诊断方法 |
| 6.4 实验分析 |
| 6.4.1 转子碰摩故障分析 |
| 6.4.2 滚动轴承复合故障分析 |
| 6.5 本章小结 |
| 第7章 基于HIEDDE和DTW的故障模式识别 |
| 7.1 引言 |
| 7.2 基于SSD的IED分析 |
| 7.3 HIEDDE的原理 |
| 7.3.1 DE算法 |
| 7.3.2 HDE算法 |
| 7.3.3 HDE同MDE的性能对比 |
| 7.3.4 HIEDDE算法 |
| 7.4 DTW的原理 |
| 7.5 基于HIEDDE和DTW的故障模式识别 |
| 7.6 实验验证 |
| 7.6.1 齿轮箱故障实验分析1 |
| 7.6.2 齿轮箱故障实验分析2 |
| 7.7 本章小结 |
| 第8章 结论与展望 |
| 8.1 全文总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、EMD方法在齿轮故障诊断中的应用（论文参考文献）
- [1]基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断[J]. 曹蔚,苟臻元,韩昭,郭雅泓,杨壮壮,王栋,瞿金秀. 航空动力学报, 2021(11)
- [2]基于EWT和最优参数精细复合多尺度散布熵的风电机组齿轮箱故障诊断[D]. 李宣. 西安理工大学, 2021(01)
- [3]滚动轴承故障诊断及性能退化评估方法研究[D]. 陈鹏. 兰州理工大学, 2021(01)
- [4]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)
- [5]张量分解理论及其在机械故障诊断中的应用[D]. 葛茂. 武汉科技大学, 2021(01)
- [6]齿轮传动系统的复合故障特征提取方法研究[D]. 刘跃福. 沈阳理工大学, 2021(01)
- [7]自适应局部迭代滤波及其在滚动轴承故障诊断中的应用[D]. 段诚成. 湖南大学, 2020(12)
- [8]基于EMD和小波分析的减速齿轮箱故障诊断研究[D]. 杨洋. 西南交通大学, 2020(07)
- [9]基于最大重叠离散小波包变换的齿轮箱故障特征提取方法研究[D]. 刘奇. 河南理工大学, 2020
- [10]基于奇异谱分解的旋转机械故障诊断研究[D]. 庞彬. 华北电力大学(北京), 2020