一、液压泵故障的频谱诊断及排除（论文文献综述）
徐昌玲[1]（2021）在《基于卷积神经网络的轴向柱塞泵故障诊断》文中认为液压系统由于其功率大、精度高、响应快等优点,广泛应用于工程机械领域,然而一旦发生故障,轻则影响企业效益,重则引起人员伤亡。液压泵作为液压系统的核心元件,其性能的好坏将会直接影响整个液压系统的运转。轴向柱塞泵具有结构紧凑、寿命长、容积效率高等优点,在液压系统中广泛应用。随着科技的发展,轴向柱塞泵的结构越来越复杂,故障形式也越来越复杂多样。因此,有必要对轴向柱塞泵进行故障诊断,从而保证液压系统的正常运转。轴向柱塞泵的典型故障包括滑靴磨损、松靴、中心弹簧失效和配流盘磨损。由于柱塞泵的故障具有突发性,成因复杂性,使用提取特征与分类器结合的传统方法对柱塞泵的故障诊断变得十分困难。故障特征提取困难,浅层模型泛化能力差、在复杂工况适用性有限,使得传统方法在柱塞泵故障诊断方面存在一定的局限性。针对以上问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）对轴向柱塞泵进行诊断。本文主要开展以下几个方面的研究:（1）首先分析柱塞泵的结构和工作原理,分析柱塞泵的各个典型故障的机理以及故障带来的严重后果,从理论上分析柱塞泵各个工作状态的特征频率并将振动信号进行快速傅里叶变换,从幅频图上观察信号特征频率。（2）鉴于卷积神经网络有强大的图片分类能力,本文将柱塞泵的振动信号转化为包含信号特征的图片输入到卷积神经网络中进行故障诊断。由于柱塞泵的故障信号为非平稳信号,存在时变特性,从时间-频率二维平面的联合分析是处理非平稳信号的有力手段,因此本文采用时频分析的方法把故障信号转化成时频图。由于不同时频分析方法对柱塞泵故障特征的敏感程度不同,本文使用三种时频分析的方法,从中选出最适合轴向柱塞泵故障诊断的时频分析方法。（3）使用二维卷积神经网络进行故障诊断依然需要人工提取特征,因此本文使用一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）,不需要预先提取数据特征,可以将柱塞泵振动信号直接输入到模型中进行故障诊断。针对传统的1DCNN深度不足、提取特征不完善等问题,本文使用深度一维卷积神经网络（Deep One Dimensional Convolutional Neural Network,D-1DCNN）。D-1DCNN在传统的1DCNN上,增加了卷积层的层数,对信号特征提取更加完整。（4）柱塞泵的故障信号为一维时序信号,针对1DCNN提取故障信号的特征缺乏时间依赖性的问题,本文使用1DCNN与长短时间记忆网络（Long Short-Term Memory,LSTM）相结合的模型,即1DCNN-LSTM。首先由1DCNN提取特征数据,再对提取到的特征数据以序列的形式作为LSTM的输入,进行时序特征的提取,最后由分类器进行分类,完成柱塞泵的故障诊断。轴向柱塞泵的故障诊断是目前工程机械领域故障诊断的重点和难点,本文以轴向柱塞泵为研究对象,采取理论与实验相结合的方法,使用卷积神经网络进行故障诊断。本文将使用的卷积神经网络的几类模型进行分析对比,得出D-1DCNN在轴向柱塞泵的故障诊断中处于优势地位。
张志成[2]（2021）在《面向无标签数据的旋转机械故障诊断方法研究》文中认为旋转机械作为绝大多数机械设备的核心部件,在工业化生产中有着广泛的应用,其一旦发生故障,往往会造成重大的经济损失甚至人员伤亡等严重后果。因此为了提升旋转机械运行期间的安全性和可靠性,避免重大事故的发生,需要对旋转机械故障诊断技术进行大量的研究。针对已有大多数故障诊断算法是基于有监督的思想,需要借助数据先验信息,即面向有标签的数据,且所涉及算法的参数大多需要人为指定,实际可操作性不强的不足,本文提出了一种面向无标签数据的无监督、参数自适应化的旋转机械故障诊断算法（Sm-DLLOF-AFCM）,可以对没有任何先验信息（标签）的样本集自适应的完成故障诊断工作,具有良好的准确性和较强适用性等实际意义。主要工作概括如下:1.对旋转机械故障的典型故障进行一定的分析。对旋转机械状态监测数据的采集和预处理技术开展了一定的研究。最后确定了基于Labview的数据采集方案,和小波阈值降噪的预处理方式。2.对特征提取和特征选择技术进行了研究。在进行旋转机械振动信号的特征提取工作中,采用基于尺度空间理论的改进经验小波变换算法（SEWT）。SEWT算法解决了传统的经验小波变换（EWT）算法需要人为指定频带分割数目的问题,可以自适应的确定频带分割数目并确定保留的模态分量（IMF）。在进行特征选择工作中,采用基于m RMR思想的改进的拉普拉斯分值算法（m RMR-LS）。m RMR-LS算法综合考虑了特征之间的相关性和冗余性,可以自适应的采用无监督的方式完成特征选择工作。3.对模式识别方法进行了研究,采用了异常识别加聚类的无监督模式识别方法。首先在异常识别工作中,采用了二次识别的方式来提升识别的准确性和效率,其中初次识别采用基于核密度估计方法的改进DBSCAN算法（KDBSCAN）,KDBSCAN算法可以自适应的确定传统的DBSCAN算法中的两个参数Eps、Minpts,输出噪声点和少类簇样本作为初次识别的异常样本。二次识别采用基于自然最近邻居搜索方法的改进局部离群因子算法（LLOF）,可以自适应的确定LOF算法中的邻域参数k,输出二次识别的异常样本和其异常得分值（LOF）。然后通过真实数据集验证了两种算法的优越性。最后针对经过异常识别算法得到的异常样本和其得分值,采用了自适应的模糊C均值聚类算法（AFCM）,将异常样本进行分类。4.确定了最终的故障诊断方案并进行验证。首先提出Sm-DLLOF-AFCM旋转机械故障诊断算法,并给出其一般流程。然后利用实验室的电主轴状态监测试验系统和搭建的电主轴综合试验软件平台,通过人工模拟故障的方式得到了转子数据集。最后将Sm-DLLOF-AFCM算法应用到实验室的转子数据集和公开的轴承和齿轮数据集中进行验证,结果表明,Sm-DLLOF-AFCM算法在三个数据集上均取得了良好的效果,在保证效率的同时,能成功的将绝大多数异常（故障）样本找出并进行聚类。
王腾[3]（2021）在《自适应信号分解算法对比研究及在液压泵故障诊断中的应用》文中研究说明自适应信号分解算法是用于信号分析的强大工具,它可以将一个信号分解为多个窄带分量,这有利于定量评估信号特性并对故障诊断的可靠性和准确性有着重要的影响。液压泵是整个液压系统的核心元件,液压泵故障检测大多通过振动信号、压力信号等数据的分析实现。信号处理是故障诊断流程的重要一环,其处理结果的优劣会直接影响后续模式识别过程的正确率,所以将自适应信号分解算法应用于液压泵的故障诊断中具有重要的意义。在本文中,对五种自适应信号分解算法分为基于时域和基于频域两类进行研究,其中五种自适应信号分解算法包括经验模态分解（Empirical Mode Decomposition,EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、自适应局部迭代滤波（Adaptive Local Iterative Filtering,ALIF）、经验小波变换（Empirical Wavelet Transform,EWT）,变分模态分解（Variational Mode Decomposition,VMD）。在第二、三章主要阐述了五种算法分解原理的不同点、算法执行的优缺点以及提供了一些仿真信号和西储大学实际轴承信号的案例来说明算法的分解效果和影响算法效果的主要因素。在第四章,针对实验台采集得到液压泵松靴故障、滑靴故障、中心弹簧失效、斜盘磨损和正常状态的振动信号,首先采用EEMD和EWT算法对振动信号进行消噪处理,随后对重构信号进行包络谱分析。由于EWT存在因频带分割而产生重构不完全的问题,所以最终EEMD重构信号的包络谱包含的信息要优于EWT。在第五章采用EEMD、ALIF和VMD三种方法对五种状态的振动信号进行消噪处理,随后在时域、频域和时频域提取偏斜度、峭度、排列熵、重心频率和小波包归一化能量作为特征组建特征向量,最后通过支持向量机（Support Vector Machines,SVM）故障分类的结果,得出VMD在这三种方法中最适合进行液压泵的消噪工作。
李明骏[4]（2021）在《基于CEEMDAN与支持向量机的液压系统故障诊断研究》文中研究说明捣固车在我国的铁路运输业已经得到了广泛的应用,其对我国铁路轨道的质量安全检测具有非常重要的作用。捣鼓车有很多部件组成,其中液压系统是重要的一环,在对轨道的检测过程中,有着非常重要的作用,且在实际作业过程存在着故障发生的机率,因此对其进行故障诊断有着非常重要的研究价值本文对信号处理技术进行了一定的研究,并且提出改进的方法。对分类器也进行了研究,选取SVM模型进行分类识别,对故障信号进行诊断,同时基于改进的PSO算法对支持向量机的参数进行寻优,以提升模型的准确率。本文介绍了EMD降噪方法,小波包的降噪方法和CEEMDAN降噪方法,并提出了改进的小波包结合CEEMDAN的阈值降噪方法。采用模糊熵算法来表征故障信号反应的特征,并用来进行分析。采集到的信号具有较多的噪声,通过小波包的方法对信号先行去噪,然后进行信号重构,降低噪声含量,对重构的信号通过CEEMDAN方法进行信号的分解,得到固有模态分量IMF。其次,根据连续均方误差对信号主导和噪声主导的IMF分别采用改进的不同阈值法进行去噪,然后,将各自处理后的IMF分量进行组合,重构得到信噪比较高的有用信号。然后对上一步得到的信号,输入CEEMDAN进行处理,得到相应的IMF分量。对模态分量进行分析,获取频率较高的分量,代表主要故障信息。利用模糊熵算法对其进行计算,对计算的结果作为表征信号内在特征的特征向量输入数据样本。设计实验进行验证改进的小波包结合CEEMDAN的阈值降噪信号处理方法,可以更加有效的去除噪声,提高信号的信噪比。本文故障识别采用支持向量机分类器,以二分类SVM为基础,构建多分类模型,对模型的关键参数利用PSO算法进行优化,并进一步,对PSO进行改进优化,提升其全局寻优能力,以便提高分类器的诊断识别能力。然后,选用改进的粒子群优化算法对SVM选择最优参数构建SVM最优故障诊断模型,将该分类模型应用到液压系统的故障诊断中。经过实验验证其分类性能的有效提升。
宣元,何琳,陈宗斌,廖健[5]（2020）在《基于脉动压力信号的液压泵故障诊断方法》文中研究表明针对舰船航行过程中液压泵机组运行环境复杂、泵壳体振动信号易受周围激振源影响的问题,提出一种基于泵出口脉动压力信号的液压泵故障诊断方法。首先,对泵出口脉动压力信号进行小波包分解,滤除背景辐射噪声干扰,提取出包含故障信息的特征频段,进行时域特征分析;然后,利用BP神经网络建立分类器,以泵脉动压力信号时域参数作为输入、泵运行状态作为输出,实现了液压泵磨损故障的自动诊断。实验结果表明:该方法能有效识别液压泵不同运行状态下的内部故障信息,并对故障程度作出评估。
王子超[6]（2020）在《基于虚拟样机的柱塞泵斜盘磨损故障诊断研究》文中指出斜盘式轴向柱塞泵作为液压系统中最为关键的压力源,在许多的机械设备中都有着相关应用。在多数的应用环境下,柱塞泵的工作环境都是较为恶劣的,这导致了柱塞泵容易产生故障情况,威胁财产与人生安全。本文以流固耦合的柱塞泵模型对柱塞泵常见故障之一的斜盘磨损故障展开研究,目的就是为斜盘式轴向柱塞泵的斜盘磨损故障研究拓宽思路及方法。主要的研究工作与成果如下所示:（1）基于ADAMS与AMESim建立柱塞泵虚拟样机模型。通过对某型号的斜盘式轴向柱塞泵进行测绘,借助建模软件完成其的三维模型的建立。分析柱塞泵的动力学特性及运动方程,得到各个部件之间的相对运动关系的表达式,以此在Adams中建立其的多刚体动力学模型,并对约束副的参数进行优化。在符合柱塞泵实际工况的前提下,对模型进行简化与优化。结合柱塞泵动力学特性与流体特性进行分析,分别建立单一柱塞最简运动单元模型,配流盘子模型,以及柱塞腔容积子模型,并以此建立单自由度的单柱塞模型。通过超级元件封装,添加动力、辅助元件,完成7柱塞泵的元件级仿真模型的建立。通过ADAMS与AMESim接口进行数据交换,实现柱塞泵虚拟样机的联合仿真。通过仿真与理论计算,验证虚拟样机动态特性符合理论预期。（2）建立故障模型。分析斜盘磨损故障的故障形成机理,以及不同磨损情况下的故障特征,结合实际情况确定虚拟样机斜盘磨损故障的注入方案。建立不同磨损状况的虚拟样机模型,将其分类为正常、轻微故障以及严重故障情况。结合实际选取目标压力与振动信号,通过仿真对比正常与故障状况下的动态响应状况,以信号处理的方式得出斜盘磨损故障的敏感特征。（3）在柱塞泵试验台上设计完成柱塞泵斜盘磨损相关的实验。利用传感器与数据采集仪完成数据采集。对信号进行处理得到正常与故障状况振动信号的时域与频域响应情况,对比不同状况的时域与频域特征参数,探究各个特征对斜盘磨损故障的敏感程度。通过仿真与实验结果的对比,验证了基于虚拟样机的柱塞泵斜盘磨损故障诊断方法具有可行性,以此方法进行柱塞泵故障研究对于柱塞泵故障诊断与监测具有一定的参考价值。
舒捷[7]（2020）在《基于HMM-SVM的捣固车液压系统故障诊断研究》文中认为捣固车在铁路日常维修中起着非常重要的作用,捣固车的正常养护工作,保证了铁路的安全运行,所以保证捣固车处于正常工作状态显得十分必要。而在捣固车的各个构成部分中,液压系统作为捣固车作业的关键一环,为捣固车进行正常的捣固作业提供源动力。液压系统在作业过程中难免发生各种异常状况,如若不及时对液压系统故障进行诊断排除,就会导致液压系统运转异常,甚至会导致捣固车发生故障。因此,对捣固车液压系统进行故障诊断研究是一个十分重要的课题,也是导师自然科学基金研究的一个重要补充。本文根据液压系统故障振动信号多且杂的特点,分析了对后续工作的开展将造成极大阻碍的降噪处理,研究提出一种基于隐马尔科夫模型模型（Hidden Markov Model,HMM）优化支持向量机（Support Vector Machine,SVM）的改进液压系统故障诊断模型。本文首先采取改进EMD阈值降噪方法对振动信号进行降噪处理,在降噪处理的基础上,采用主成分分析法（Principal Component Analysis,PCA）对处理后的振动信号进行特征提取形成特征向量,将提取到的特征向量分别输入到HMM模型中进行训练,得到不同类别的HMM模型和SVM模型。针对SVM模型中的核函数,采用V折交叉验证法对其相关参数进行优化,得到更优的SVM分类器。由于HMM模型在同类样本间不同样本的相似性反映上具有较强的作用,因此在使用HMM优化SVM后,能在小样本的条件下得到更加精确的故障诊断结果。本文采用了维特比算法计算观察序列的概率,为了使得到的结果进一步精确,使其受其他因素的干扰达到最小,本文将观察序列按从大到小进行排列,并将大概率依次相加,当概率之和不小于90%时,将剩余向量序列删除,留下的向量序列则为主成分向量。以前序处理的结果为基础,分别使用串联方式与并联方式连接HMM模型与SVM模型,经SVM诊断识别,得到液压系统故障诊断的仿真结果。仿真实验表明,基于串联HMM-SVM模型以及基于并联HMM-SVM模型在液压系统故障诊断中的准确率比都要比单独运用HMM模型或SVM模型对液压系统故障诊断率要高。而串联HMM-SVM模型相较并联HMM-SVM模型而言,操作更加简单,运算速度快,抗干扰性更强,复杂性低等特点,因此,本文建议在同等效率情况下,使用串联模型HMM-SVM故障诊断模型。
李昊东[8]（2020）在《基于深度学习理论的滚动轴承智能故障诊断算法研究》文中研究表明滚动轴承作为影响机械传动的核心零部件之一,一旦其生故障会给整个机械系统带来无法挽回的损失,因此对其建立故障检测系统显得尤为必要。随着传感器和各种检测设备的蓬勃发展,从传感器上采集到的数据越来越多,传统的信号处理加浅层机器学习的方法由于其在处理高维数据方面的乏力表现,已无法满足“大数据”时代下故障数据的分析与处理。深度学习技术作为人工智能浪潮中的关键角色以其强大的数据挖掘和非线性特征提取能力正在席卷诸如图像处理、计算机视觉、NLP（自然语言处理）等多个研究领域。近年来,基于深度学习理论的故障诊断方法正在逐渐走入学者们的视野,在故障诊断领域,深度学习理论为现代故障诊断方法提供了新思路。本文以滚动轴承为研究对象,基于SDAE网络和改进的CNN网络提出了多种故障诊断方法,可以自动完成滚动轴承故障的特征提取与识别,本文主要工作内容如下:（1）通过对滚动轴承故障机理和特征频率分析,结合故障信号特点,提出了一种基于VMD和小波算法的FVMD信号去噪算法,并将其应用到实际故障数据中,仿真结果表明该方法在原始信号预处理方面表现出色,为后续研究的开展打下了基础。（2）对SDAE网络结构原理开展了研究,对其内部训练机制和数据流动做了详细描述,同时开展了不同超参数组合下SDAE网络的性能,利用滚动轴承故障数据集确定了最佳超参数组合,在此基础上搭建了基于SDAE网络的滚动轴承故障诊断模型,仿真结果表明最佳超参数组合下的SDAE网络能够有效识别出故障类型,对比其他网络模型具有较高的准确率。（3）研究了基于图像特征提取方法在滚动轴承故障诊断中的应用,提出了一种基于GLCM-SDAE模型的故障诊断方法,选择能够对故障时频图像纹理特征进行有效分析的灰度共生矩阵作为特征提取工具,并将提取到的故障特征输入到改进SDAE网络模型中,通过对比不同模型的特征提取能力,发现基于图像特征提取的故障诊断方法对不同类型、不同工况下的故障诊断具有较明显的作用。（4）针对滚动轴承故障位置与故障尺寸的识别,提出了一种基于多通道卷积神经网络与SDAE网络结合的分层智能故障诊断模型,在第一层引入粗粒度特征提取概念增加提取到的故障特征的鲁棒性和丰富性,在第二层为每个故障位置建立了SDAE模型用于识别滚动轴承故障尺寸,仿真结果表明该模型在故障位置识别和故障尺寸识别上都取得了较高的识别精度。本文设计的分层智能故障诊断方法能够有效识别出滚动轴承故障位置与故障尺寸,为指导机械零部件更换和设备剩余寿命预测提供了思路。
杜名喆[9]（2020）在《基于深度学习的柱塞泵故障诊断方法研究》文中研究指明液压泵是液压系统的能量来源和故障源,液压泵中的轴向柱塞泵具有结构紧凑、泄漏少、容积效率高、压力大和易于控制流量等优点。由于轴向柱塞泵的故障十分隐秘难于发现,且故障多样化,因果关系复杂,使其故障难以诊断。因此,对轴向柱塞泵典型故障特征进行提取并进行故障诊断十分必要。首先,对柱塞泵进行结构与工作原理分析,以便了解柱塞泵常见的故障位置及其特性,并应用柱塞泵故障采集系统对相关故障信号进行采集。其次,分别使用一维卷积神经网络与二维卷积神经网络对柱塞泵进行故障诊断。结果表明两种卷积神经网络均可以对柱塞泵故障进行有效诊断,但二维卷积神经网络可以简化卷积层层数,且模型训练时间更短,故障诊断性能优于一维卷积神经网络,平均故障诊断准确率达到98.26%,同时通过滚动轴承故障数据集验证了CNN-2D模型的泛化性与鲁棒性。再次,采用EMD与EWT算法将故障信号分解成有限的内禀模态函数,结合二维卷积神经网络对柱塞泵进行故障诊断。结果表明EWT结合二维卷积神经网络的方法优于EMD结合二维卷积神经网络,且在更加精简神经网络层数的基础上故障诊断准确率仍可达到100%。最后,选取循环神经网络中的LSTM模型对柱塞泵进行故障诊断,并对模型各参数进行分析,结果表明LSTM方法可以有效对柱塞泵进行故障诊断。通过选取多种深度学习的方法对柱塞泵故障进行诊断与分类,对监测柱塞泵的实时工况具有重要意义,同时在工程实际应用中具有重要的理论意义和应用价值。图46幅;表11个;参63篇。
孙少武[10]（2019）在《基于深度学习的液压泵健康状态监测方法研究》文中指出液压传动有运动准确性高、响应速度快、功率质量比大、调速范围广等优点。因此,在塑料机械、工程机械、冶金工业、航空航天、机床以及舰船等重要领域得到广泛应用,液压系统在各类设备中起核心的控制或传动作用。液压泵是液压系统的核心组成部分,是整个液压传动系统的动力源,其工作性能的好坏直接影响着整个液压系统的工作状态和工作效率,因此有必要对液压泵进行实时状态监测以及快速、精准的故障诊断。近年来,对深度学习的研究日益深入,深度学习的的应用领域也不断拓展。卷积神经网络是一种重要的深度学习算法,应用于图像处理领域,对图像有良好的识别和分类能力。因此,本文提出用卷积神经网络对液压泵的振动信号的时频图像进行分类识别,以实现对液压泵的故障诊断及健康状态监测。卷积神经网络的结构参数对图像识别效果有很大影响。因此,本文研究了卷积神经网络中网络层数,迭代次数,批量尺寸,卷积核个数和尺寸等参数对图像识别结果的影响,确定对液压泵的故障诊断及健康状态识别效果最优的神经网络结构参数,以提升液压泵故障诊断及健康状态识别的准确率。通过故障诊断试验台采集了轴向柱塞液压泵不同故障状态下的振动信号,通过加速寿命试验台采集了齿轮泵不同容积效率下的振动信号,然后通过短时傅立叶变换、小波变换、Wigner-Ville分布三种时频方法对上述振动信号进行分析处理,根据对三种时频变化方法所生成图像的识别结果,确定了最优的时频变换方法;将得到的时频图像分为训练集和测试集,输入到卷积神经网络中,通过多次训练,确定最优参数,对轴向柱塞液压泵的故障与齿轮泵的健康状态进行识别,获得了良好的效果。
二、液压泵故障的频谱诊断及排除（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、液压泵故障的频谱诊断及排除（论文提纲范文）
（1）基于卷积神经网络的轴向柱塞泵故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于人工的诊断方法 |
| 1.2.2 基于数学模型的诊断方法 |
| 1.2.3 基于信号处理的诊断方法 |
| 1.2.4 基于人工智能的诊断方法 |
| 1.3 深度学习应用于故障诊断研究现状 |
| 1.4 本文研究的主要内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容与章节安排 |
| 第2章 柱塞泵故障诊断试验系统与故障诊断模型 |
| 2.1 实验对象 |
| 2.2 轴向柱塞泵的故障机理 |
| 2.3 轴向柱塞泵特征频率 |
| 2.4 轴向柱塞泵故障诊断实验系统 |
| 2.4.1 轴向柱塞泵故障试验台介绍 |
| 2.4.2 传感器的布设以及采集参数设置 |
| 2.4.3 实验运行软件与环境配置 |
| 2.5 卷积神经网络 |
| 2.5.1 二维卷积神经网络 |
| 2.5.2 一维卷积神经网络 |
| 2.5.3 卷积神经网络的特性 |
| 2.6 本章小结 |
| 第3章 基于CNN的轴向柱塞泵故障诊断 |
| 3.1 柱塞泵不同工作状态的振动信号 |
| 3.2 信号处理理论 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 小波变换 |
| 3.2.3 维格纳-威尔分布 |
| 3.3 基于CNN的轴向柱塞泵故障诊断 |
| 3.3.1 样本长度的选择 |
| 3.3.2 时频图样本 |
| 3.3.3 卷积神经网络故障诊断流程 |
| 3.3.4 卷积神经网络参数调试 |
| 3.3.5 不同时频图对准确率的影响 |
| 3.4 深度学习中其他算法对斜盘式轴向柱塞泵的故障诊断 |
| 3.4.1 深度置信网络 |
| 3.4.2 堆叠自动编码器 |
| 3.4.3 实验过程与结果 |
| 3.5 本章小结 |
| 第4章 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1.1 D-1DCNN网络构建与参数设置 |
| 4.1.2 D-1DCNN网络参数调节 |
| 4.1.3 实验结果 |
| 4.2 基于1DCNN的轴向柱塞泵故障诊断 |
| 4.2.1 1DCNN的参数设置 |
| 4.2.2 1DCNN网络参数调节 |
| 4.2.3 实验结果 |
| 4.3 实验结果对比 |
| 4.4 本章小结 |
| 第5章 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1.1 长短时间记忆网络 |
| 5.1.2 1DCNN-LSTM结构 |
| 5.1.3 1DCNN-LSTM具体参数 |
| 5.1.4 dropout参数调节 |
| 5.1.5 实验结果 |
| 5.2 基于LSTM的轴向柱塞泵故障诊断 |
| 5.2.1 LSTM结构与具体参数 |
| 5.2.2 实验结果对比 |
| 5.3 CNN模型性能对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作与结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）面向无标签数据的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 旋转机械故障诊断研究现状 |
| 1.2.2 异常识别算法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 旋转机械典型故障分析及状态监测数据的采集和预处理 |
| 2.1 引言 |
| 2.2 旋转机械典型故障分析 |
| 2.2.1 轴承故障 |
| 2.2.2 转子系统故障 |
| 2.2.3 齿轮故障 |
| 2.3 旋转机械状态监测数据采集 |
| 2.4 旋转机械状态监测数据预处理 |
| 2.5 本章小结 |
| 第3章 旋转机械振动信号特征提取和特征选择方法研究 |
| 3.1 引言 |
| 3.2 基于尺度空间理论的改进EWT算法(SEWT) |
| 3.2.1 EWT理论 |
| 3.2.2 尺度空间理论 |
| 3.2.3 SEWT算法实例验证 |
| 3.3 振动信号特征矩阵的构建 |
| 3.4 基于mRMR算法的改进LS特征选择算法(mRMR-LS)及实例验证 |
| 3.5 本章小结 |
| 第4章 模式识别方法研究 |
| 4.1 引言 |
| 4.2 基于核密度估计的改进DBSCAN算法(KDBSCAN) |
| 4.2.1 DBSCAN算法 |
| 4.2.2 非参数核密度估计方法 |
| 4.2.3 KDBSCAN算法实例验证 |
| 4.3 基于自然最近邻居算法搜索思想的改进LOF算法(LLOF) |
| 4.3.1 局部离群因子(LOF)算法 |
| 4.3.2 自然最近邻居搜索方法 |
| 4.3.3 LLOF算法实例验证 |
| 4.4 自适应模糊C均值聚类算法(AFCM) |
| 4.5 本章小结 |
| 第5章 面向无标签数据的旋转机械故障诊断算法试验验证 |
| 5.1 引言 |
| 5.2 Sm-DLLOF-AFCM算法一般流程 |
| 5.3 转子系统故障诊断-电主轴 |
| 5.3.1 电主轴状态监测试验系统 |
| 5.3.2 电主轴综合试验软件平台开发 |
| 5.3.3 转子系统故障诊断 |
| 5.4 轴承故障诊断 |
| 5.5 齿轮故障诊断 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介及硕士期间取得的研究成果 |
| 致谢 |
（3）自适应信号分解算法对比研究及在液压泵故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 自适应信号分解算法的研究现状 |
| 1.3 论文研究内容 |
| 第2章 时域自适应信号分解算法研究 |
| 2.1 引言 |
| 2.2 经验模态分解的原理与流程 |
| 2.3 集合经验模态分解(EEMD) |
| 2.3.1 集合经验模态分解(EEMD)原理 |
| 2.3.2 同步压缩变换(SST)原理 |
| 2.3.3 EEMD解决模态混叠问题 |
| 2.4 自适应局部迭代滤波(AILF) |
| 2.4.1 迭代滤波(IF)的原理 |
| 2.4.2 自适应局部迭代滤波(ALIF) |
| 2.5 EMD、EEMD和ALIF仿真信号分析 |
| 2.5.1 正弦加噪声信号 |
| 2.5.2 非平稳信号 |
| 2.6 ALIF算法实现轴承故障诊断 |
| 2.7 EMD、EEMD和ALIF算法的对比分析 |
| 2.8 本章小结 |
| 第3章 频域自适应信号分解算法研究 |
| 3.1 引言 |
| 3.2 经验小波变换(EWT) |
| 3.2.1 小波分解和小波包分解 |
| 3.2.2 经验小波变换原理 |
| 3.2.3 经验小波变换的频带划分 |
| 3.2.4 模态合并方法(MCCM) |
| 3.3 变分模态分解(VMD) |
| 3.3.1 变分模态分解的原理 |
| 3.3.2 参数K的设定方法 |
| 3.4 EWT,VMD仿真信号的分析 |
| 3.4.1 正弦加噪声信号 |
| 3.4.2 调幅调频(AM-FM)信号 |
| 3.4.3 EWT和VMD在故障诊断中的应用 |
| 3.5 EWT和VMD的对比 |
| 3.6 本章小结 |
| 第4章 基于EEMD和EWT的液压泵包络谱分析 |
| 4.1 引言 |
| 4.2 实验设备及故障信号采集 |
| 4.2.1 实验设备介绍 |
| 4.2.2 数据采集和存储部分 |
| 4.2.3 基于LabVIEW的数据采集面板 |
| 4.2.4 实验过程 |
| 4.3 基于EEMD和EWT柱塞泵故障信号包络解调分析 |
| 4.3.1 柱塞泵松靴故障分析 |
| 4.3.2 柱塞泵滑靴磨损和斜盘磨损故障分析 |
| 4.3.3 柱塞泵中心弹簧失效故障分析 |
| 4.4 基于EWT柱塞泵故障信号包络解调分析 |
| 4.4.1 EWT松靴故障振动信号包络谱分析 |
| 4.4.2 EWT滑靴磨损故障振动信号包络谱分析 |
| 4.5 本章小结 |
| 第5章 基于EEMD、ALIF和VMD柱塞泵故障分类对比分析 |
| 5.1 引言 |
| 5.2 基于EEMD、ALIF、VMD故障信号消噪处理 |
| 5.3 特征向量的构造 |
| 5.3.1 时域特征提取 |
| 5.3.2 频域特征提取 |
| 5.3.3 时频域特征提取 |
| 5.4 支持向量机的基本原理 |
| 5.4.1 线性可分问题 |
| 5.4.2 线性不可分问题 |
| 5.4.3 非线性问题 |
| 5.4.4 多分类支持向量机 |
| 5.4.5 交叉验证与网格搜索 |
| 5.5 故障分类过程及结果 |
| 5.6 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 |
（4）基于CEEMDAN与支持向量机的液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.1.1 论文研究背景 |
| 1.1.2 论文研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号降噪与特征提取技术的研究现状 |
| 1.2.2 支持向量机技术的研究现状 |
| 1.2.3 液压系统故障诊断技术的研究现状 |
| 1.3 研究方法 |
| 1.4 论文的研究内容及结构安排 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 SVM相关理论 |
| 2.1 统计学习理论基础 |
| 2.1.1 VC维理论 |
| 2.1.2 推广性的界 |
| 2.1.3 结构风险最小化原则 |
| 2.2 最优分类超平面 |
| 2.3 支持向量机分类原理 |
| 2.3.1 线性支持向量分类机 |
| 2.3.2 非线性支持向量分类机 |
| 2.4 多类分类支持向量机 |
| 2.5 本章小结 |
| 第三章 捣固车液压系统故障状态振动信号处理技术 |
| 3.1 CEEMDAN阈值降噪方法 |
| 3.1.1 CEEMDAN分解原理 |
| 3.1.2 CEEMDAN阈值降噪原理 |
| 3.2 小波包降噪方法 |
| 3.2.1 小波包原理 |
| 3.2.2 小波包阈值降噪原理 |
| 3.3 改进小波包结合CEEMDAN阈值降噪方法 |
| 3.4 信号降噪仿真实验及分析 |
| 3.5 本章小结 |
| 第四章 捣固车液压系统故障特征提取 |
| 4.1 时频信号振动特征 |
| 4.1.1 时域振动信号特征 |
| 4.1.2 频域振动信号特征 |
| 4.1.3 构建特征向量 |
| 4.2 能量熵 |
| 4.2.1 能量熵原理 |
| 4.2.2 构建特征向量 |
| 4.3 基于模糊熵的故障特征提取 |
| 4.3.1 模糊熵理论的基本原理 |
| 4.3.2 模糊熵在捣固车液压系统故障特征提取中的应用 |
| 4.4 本章小结 |
| 第五章 改进PSO算法优化SVM的捣固车液压系统故障诊断研究 |
| 5.1 粒子群优化算法及其改进 |
| 5.1.1 基本粒子群优化算法 |
| 5.1.2 改进的粒子群优化算法 |
| 5.2 支持向量机模型的参数优化 |
| 5.3 改进粒子群优化算法优化支持向量机的流程与步骤 |
| 5.4 仿真实验分析 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 结论 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读学位期间发表论文与专利目录 |
| 附录 B 攻读学位期间参与的研究工作 |
（5）基于脉动压力信号的液压泵故障诊断方法（论文提纲范文）
| 1 小波包分解 |
| 1.1 小波包分解原理 |
| 1.2 小波包函数选取 |
| 2 信号时域特征提取与分析 |
| 3 液压泵故障诊断试验 |
| 3.1 试验台搭建 |
| 3.2 脉动压力信号分析 |
| 3.3 神经网络故障诊断 |
| 4 结束语 |
（6）基于虚拟样机的柱塞泵斜盘磨损故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 柱塞泵故障诊断技术国内外现状 |
| 1.2.1 基于信号处理的诊断方法 |
| 1.2.2 基于人工智能的诊断方法 |
| 1.3 柱塞泵动力学建模及分析国内外研究现状 |
| 1.4 主要研究内容 |
| 第二章 柱塞泵虚拟样机模型构建及仿真分析 |
| 2.1 多刚体动力学建模 |
| 2.1.1 柱塞泵几何建模 |
| 2.1.2 虚拟样机动力学建模 |
| 2.1.3 载荷与交换变量设置 |
| 2.2 液压模型建立 |
| 2.2.1 柱塞机械公式 |
| 2.2.2 柱塞运动单元模型 |
| 2.2.3 配流副模型 |
| 2.2.4 单柱塞腔容积模型 |
| 2.2.5 七柱塞液压模型 |
| 2.3 联合仿真模型 |
| 2.4 联合仿真分析 |
| 2.5 本章小结 |
| 第三章 柱塞泵斜盘磨损故障模拟及仿真分析 |
| 3.1 故障模拟 |
| 3.1.1 斜盘磨损故障机理分析 |
| 3.1.2 故障模拟方案 |
| 3.2 故障仿真分析 |
| 3.3 故障特征提取 |
| 3.3.1 时域特征提取 |
| 3.3.2 频域特征提取 |
| 3.4 本章小结 |
| 第四章 柱塞泵试验测试 |
| 4.1 柱塞泵斜盘磨损故障试验方案 |
| 4.2 试验数据分析 |
| 4.3 试验信号故障特征提取 |
| 4.3.1 时域特征提取 |
| 4.3.2 频域特征提取 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间取得研究成果) |
| 附录B (攻读学位期间参与的课题项目) |
（7）基于HMM-SVM的捣固车液压系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 液压系统诊断技术研究现状 |
| 1.2.2 HMM/SVM研究现状 |
| 1.3 捣固车液压系统相关理论 |
| 1.3.1 捣固车液压系统简介 |
| 1.3.2 液压系统常见故障 |
| 1.4 本文研究内容与结构安排 |
| 第二章 信号预处理与特征提取 |
| 2.1 信号处理方法综述 |
| 2.1.1 频域分析法 |
| 2.1.2 时域分析法 |
| 2.1.3 时频分析法 |
| 2.2 信号降噪方法 |
| 2.2.1 经验模态分解法 |
| 2.2.2 基于改进EMD阈值处理的信号降噪 |
| 2.2.3 信号降噪仿真实验 |
| 2.3 特征提取 |
| 2.3.1 特征提取方法概述 |
| 2.3.2 特征向量初步提取 |
| 2.3.3 基于PCA的主特征向量提取 |
| 2.4 本章小结 |
| 第三章 基于支持向量机的液压系统故障诊断 |
| 3.1 支持向量机理论 |
| 3.1.1 最优分类超平面 |
| 3.1.2 线性可分支持向量机 |
| 3.1.3 非线性可分支持向量机 |
| 3.1.4 核函数 |
| 3.1.5 核函数的选择与优化 |
| 3.2 多分类支持向量机 |
| 3.2.1 一对一多分类方法 |
| 3.2.2 一对多多分类方法 |
| 3.3 基于SVM的捣固车液压系统故障诊断实验 |
| 3.3.1 模型训练流程及故障诊断 |
| 3.3.2 仿真实验结果 |
| 3.4 本章小结 |
| 第四章 基于HMM-SVM的捣固车液压系统故障诊断 |
| 4.1 HMM相关理论 |
| 4.1.1 隐马尔科夫模型 |
| 4.1.2 隐马尔科夫模型的三大基本问题及解决方法 |
| 4.2 基于HMM模型的捣固车液压系统故障诊断实验 |
| 4.2.1 HMM模型的训练流程及故障诊断 |
| 4.2.2 仿真实验结果 |
| 4.3 基于HMM-SVM模型的捣固车液压系统故障诊断 |
| 4.3.1 基于HMM-SM模型的故障诊断方法 |
| 4.3.2 基于串联HMM-SVM模型的故障诊断方法与实验 |
| 4.3.3 基于并联HMM-SVM模型的故障诊断方法与实验 |
| 4.4 仿真实验结果对比与分析 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 结论 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读学位其间发表论文目录 |
| 附录 B 攻读学位期间参与的研究工作 |
（8）基于深度学习理论的滚动轴承智能故障诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 滚动轴承故障诊断研究现状 |
| 1.2.1 故障诊断技术发展概况 |
| 1.2.2 国内外研究现状 |
| 1.3 深度学习研究现状 |
| 1.3.1 深度学习发展概况 |
| 1.3.2 深度学习在故障诊断中的应用现状 |
| 1.4 本文主要研究内容和结构安排 |
| 第二章 滚动轴承数据分析与预处理 |
| 2.1 引言 |
| 2.2 滚动轴承故障数据集 |
| 2.3 滚动轴承故障形式与频率分析 |
| 2.3.1 滚动轴承故障形式 |
| 2.3.2 滚动轴承故障频率分析 |
| 2.4 基于FVMD的滚动轴承去噪算法 |
| 2.4.1 VMD方法原理 |
| 2.4.2 平滑变分模态分解去噪算法 |
| 2.4.3 仿真实验分析 |
| 2.5 本章小结 |
| 第三章 基于SDAE网络的滚动轴承故障诊断方法 |
| 3.1 引言 |
| 3.2 SDAE模型网络结构原理 |
| 3.2.1 反向传播算法 |
| 3.2.2 自编码器 |
| 3.2.3 SDAE模型 |
| 3.3 SDAE网络结构参数分析 |
| 3.4 基于SDAE网络的滚动轴承故障诊断方法 |
| 3.4.1 基于SDAE的滚动轴承故障诊断方法流程 |
| 3.4.2 实验结果分析与评价 |
| 3.5 本章小结 |
| 第四章 基于改进GLCM-SDAE的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 灰度共生矩阵 |
| 4.2.1 灰度共生矩阵分析方法 |
| 4.2.2 灰度共生矩阵参数改进方法 |
| 4.3 改进堆叠降噪自编码器 |
| 4.4 基于改进GLCM-SDAE的滚动轴承故障诊断方法 |
| 4.4.1 GLCM-SDAE故障诊断方法流程 |
| 4.4.2 实验结果分析与评价 |
| 4.5 本章小结 |
| 第五章 基于MCNN-SDAE的滚动轴承分层故障诊断方法 |
| 5.1 引言 |
| 5.2 卷积神经网络算法原理 |
| 5.2.1 卷积层 |
| 5.2.2 激活层 |
| 5.2.3 池化层 |
| 5.2.4 目标函数 |
| 5.3 多通道卷积神经网络 |
| 5.4 基于MCNN-SDAE的滚动轴承分层故障诊断方法 |
| 5.4.1 MCNN-SDAE故障诊断方法流程 |
| 5.4.2 实验结果分析与评价 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间发表的学术论文 |
| 致谢 |
（9）基于深度学习的柱塞泵故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 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 故障诊断方法研究现状 |
| 1.2.2 柱塞泵故障诊断研究现状 |
| 1.2.3 深度学习在机械故障诊断领域研究现状 |
| 1.3 深度学习基本模型简介 |
| 1.4 本文主要研究内容 |
| 第2章 柱塞泵结构与故障机理分析 |
| 2.1 斜盘式轴向柱塞泵工作原理 |
| 2.2 柱塞泵常见故障及特性分析 |
| 2.2.1 常见故障 |
| 2.2.2 轴向柱塞泵不同状态振动的特征频率 |
| 2.3 柱塞泵故障模拟实验系统设计 |
| 2.4 轴向柱塞泵Hilbert包络谱分析 |
| 2.5 本章小结 |
| 第3章 基于卷积神经网络的柱塞泵故障诊断 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络结构 |
| 3.1.2 卷积神经网络中常见的激活函数 |
| 3.1.3 卷积神经网络中的反向传播算法 |
| 3.1.4 卷积神经网络中的Dropout优化方法 |
| 3.2 基于卷积神经网络的柱塞泵故障诊断 |
| 3.2.1 基于CNN-1D的柱塞泵故障诊断方法 |
| 3.2.2 基于CNN-2D的柱塞泵故障诊断方法 |
| 3.2.3 模型参数优化 |
| 3.2.4 主成分分析法 |
| 3.3 网络泛化能力验证 |
| 3.4 本章小结 |
| 第4章 基于经验小波变换与卷积神经网络的柱塞泵故障诊断 |
| 4.1 经验模态分解 |
| 4.1.1 内禀模态函数 |
| 4.1.2 经验模态分解 |
| 4.2 经验小波变换 |
| 4.3 峭度值 |
| 4.4 基于经验小波变换与CNN-2D的柱塞泵故障诊断 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 第5章 基于LSTM网络的柱塞泵故障诊断 |
| 5.1 循环神经网络的概念和结构 |
| 5.2 LSTM网络结构和算法分析 |
| 5.3 基于LSTM的柱塞泵故障诊断 |
| 5.4 模型参数优化 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 企业导师简介 |
| 作者简介 |
| 学位论文数据集 |
（10）基于深度学习的液压泵健康状态监测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 健康状态监测研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.3 论文研究内容 |
| 第2章 深度学习 |
| 2.1 神经网络基本结构 |
| 2.2 卷积神经网络基本结构 |
| 2.2.1 卷积层 |
| 2.2.2 降采样层 |
| 2.2.3 全连接层和输出层 |
| 2.3 卷积神经网络特性 |
| 2.4 卷积神经网络训练过程 |
| 2.4.1 前向传播 |
| 2.4.2 反向传播 |
| 2.5 卷积神经网络工作过程 |
| 2.6 基于卷积神经网络的轴承健康状态的监测 |
| 2.6.1 信号处理与分析 |
| 2.6.2 图像识别 |
| 2.7 本章小结 |
| 第3章 基于CNN液压泵故障诊断及实验研究 |
| 3.1 基于虚拟仪器的液压泵健康诊断实验系统 |
| 3.1.1 实验系统的组成 |
| 3.1.2 虚拟仪器数据采集系统 |
| 3.2 故障诊断流程 |
| 3.3 轴向柱塞泵的故障分析 |
| 3.4 柱塞泵信号时域和时频域分析 |
| 3.5 基于卷积神经网络柱塞泵时频图故障识别 |
| 3.5.1 迭代次数对识别结果的影响 |
| 3.5.2 批处理量对识别结果的影响 |
| 3.5.3 卷积核个数对识别结果的影响 |
| 3.5.4 卷积核尺寸对识别结果的影响 |
| 3.6 不同时频变换方法的识别结果分析 |
| 3.6.1 时频变换方法分析 |
| 3.6.2 识别结果比较 |
| 3.7 深度学习中其他算法对柱塞泵故障的识别 |
| 3.7.1 深度自编码网络(SAE)对柱塞泵故障的识别 |
| 3.7.2 深度置信网络对柱塞泵故障的识别 |
| 3.7.3 几种算法识别结果比较 |
| 3.8 本章小结 |
| 第4章 基于CNN液压泵健康状态监测及实验研究 |
| 4.1 引言 |
| 4.2 基于虚拟仪器的液压泵健康监测实验系统 |
| 4.2.1 实验系统的组成 |
| 4.2.2 实验原理与实验方案 |
| 4.2.3 虚拟仪器健康状态监测系统 |
| 4.3 实验结果的分析 |
| 4.4 齿轮泵信号时域和时频域分析 |
| 4.5 基于卷积神经网络齿轮泵时频图故障识别 |
| 4.5.1 迭代次数对识别结果的影响 |
| 4.5.2 批处理量对识别结果的影响 |
| 4.5.3 卷积核个数对识别结果的影响 |
| 4.5.4 卷积核尺寸对识别结果的影响 |
| 4.6 不同时频变换图像识别结果比较 |
| 4.7 齿轮泵健康状态监测结果对比 |
| 4.8 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、液压泵故障的频谱诊断及排除（论文参考文献）
- [1]基于卷积神经网络的轴向柱塞泵故障诊断[D]. 徐昌玲. 太原理工大学, 2021(01)
- [2]面向无标签数据的旋转机械故障诊断方法研究[D]. 张志成. 吉林大学, 2021(01)
- [3]自适应信号分解算法对比研究及在液压泵故障诊断中的应用[D]. 王腾. 燕山大学, 2021
- [4]基于CEEMDAN与支持向量机的液压系统故障诊断研究[D]. 李明骏. 昆明理工大学, 2021(01)
- [5]基于脉动压力信号的液压泵故障诊断方法[J]. 宣元,何琳,陈宗斌,廖健. 海军工程大学学报, 2020(06)
- [6]基于虚拟样机的柱塞泵斜盘磨损故障诊断研究[D]. 王子超. 长沙理工大学, 2020(07)
- [7]基于HMM-SVM的捣固车液压系统故障诊断研究[D]. 舒捷. 昆明理工大学, 2020(05)
- [8]基于深度学习理论的滚动轴承智能故障诊断算法研究[D]. 李昊东. 沈阳建筑大学, 2020(04)
- [9]基于深度学习的柱塞泵故障诊断方法研究[D]. 杜名喆. 华北理工大学, 2020(02)
- [10]基于深度学习的液压泵健康状态监测方法研究[D]. 孙少武. 燕山大学, 2019