一、旋转机械设备振动原因及处理方法（论文文献综述）
郭文孝[1]（2021）在《基于张量分解的旋转机械复合故障智能诊断方法研究》文中提出机械工业是国民经济发展的基础性、战略性支柱产业。国家“十四五”规划纲要中更加确定了机械装备的重要性:关键大型机械装备的研发与技术创新占据核心地位。而在机械装备中,旋转机械是构成各机械装备尤其是大型装备（例如:煤矿井下采煤、破碎、输送等装备）的主要动力源和核心。旋转机械的故障类型同样占据着机械装备故障的绝大多数范畴。机械装备能否正常运行主要取决于旋转机械的可靠性以及故障率。因此开展旋转机械故障的智能诊断方法的研究具有重要意义。现有文献中关于旋转机械的状态监测、检测和故障诊断的研究方法很多,例如,神经网络方法、支持向量机方法、遗传算法、Hilbert-Huang变换等方法。虽然这些理论研究方法相对成熟,但由于实际机械设备的工作环境一般都比较恶劣,从而导致其在使用中产生的不同信号相互干扰,且这些信号有着复杂的耦合特征以及很强的非线性,从而使得故障特征提取准确性不足,无法反映故障类型,而且在故障发生的初期无法诊断出故障。旋转机械在实际故障诊断和监测中的这些问题亟待解决。本文针对旋转机械在实际故障诊断、状态监测和检测过程中,信号干扰严重、特征提取准确性不足、初期故障难以检测的问题,以煤矿机械中使用的滚动轴承和齿轮箱为研究对象,基于张量分解方法,分别对现有的智能寻优算法、小波变换和神经网络法进行改进,提出适用于复杂环境下旋转机械信号降噪、特征提取和故障初期诊断方法。论文主要研究内容如下:（1）针对故障诊断中采集的数据异构、混杂、量纲不一的问题开展研究。常用的张量分解方法（CP分解、Tucker分解、HOSVD分解、HT分解、TT分解、TC分解、TTr1分解等）无法有效地剔除掉张量中的无效信息。分解中需要选择一个合适的秩1项的数量,这个数量值如果选择较小会导致原始张量的有用信息丢失,另一方面这个数量值如果选择过大会导致计算效率降低。为了提高TTr1分解的特征提取能力和对噪声的抗干扰能力,挖掘张量中的全局信息,去掉张量的冗余特征,提出了一种自适应滤波截断的张量重构方法。该方法能根据重构参数,计算全局奇异值,综合衡量其对原始张量贡献高低,自适应的设置滤波因子,去除对原始张量贡献较低的全局奇异值,消除其中干扰信息,保留张量的重要结构信息。（2）针对在复杂工况下振动信号的复杂性、非平稳性的问题开展研究。用多通道对数据监测所采集的原始信号主体分量来源于旋转机械中,其余分量多包含环境噪声等无用信息,而所采集的多通道信号在同一振动方向上存在结构和内容的相似性,说明主体分量中蕴含有设备的故障信息。为了有效提取采集信号的主体分量,结合张量分解方法能捕捉高维数据的结构相似性和内容相似性,最大程度的挖掘潜在信息,提出了一个基于TTr1FS的旋转机械特征提取方法。通过连续小波变换方法建立基于时间、频率和通道的三个不同维度表示的张量数据,运用TTr1对数据进行分解,分别获得左奇异值矩阵、奇异值矩阵和右奇异值矩阵。采用基于概率密度函数的正值优化器智能算法,寻找目标函数式重构参数最优值。采用自适应滤波截断的张量重构方法,结合左奇异值矩阵、奇异值矩阵和右奇异值矩阵,获得重构张量。最后,对重构张量采用连续小波逆变换,获得不同通道的时域信号。通过实验与其他方法的对比,验证所提方法的可行性和优势。（3）传统的智能诊断方法主要依赖于先验知识,面对海量的异构数据,所提取振动信号的特征通常包含了无用的噪声和测量误差,难以获得可区分的数据。针对该等问题开展研究,结合张量分解与重构方法在挖掘故障信号的潜在信息对提高故障识别准确度所具有的优势,提出了一种基于同步提取变换的张量低秩分解的智能诊断方法。通过同步提取变换构建三维的高阶张量,运用TTr1对高阶张量进行分解,采用智能优化算法求解最优重构函数。对张量进行重构操作,获得新的张量。最后,利用10折交叉验证的方法,采用Alex Net神经网络进行旋转机械智能诊断的训练和测试,提高了信号特征提取的准确性和效率。公共数据集和实验数据被用于验证所提方法的优势,结果表明所提方法在滚动轴承等旋转机械故障诊断方面具有较大的优势。（4）旋转机械在发生初期故障时会出现复杂的力学行为,在不均衡力学环境中,其它零部件会出现疲劳,进一步发展成微弱故障和显着故障。同时它们的振动信号相互耦合,在强噪环境和复杂的传递路径情况下,导致微弱故障被噪声淹没,进一步出现漏诊断或误诊断的现象。针对该问题开展研究,结合张量分解能挖掘信号的潜在信息并能提取无关噪声的特点,提出了一种复合多尺度样本熵的张量分解故障诊断方法。通过将张量分解与经验模态分解、张量分解与集合经验模态分解、张量分解与互补经验模态分解和张量分解与变分模态分解相结合,利用复合多尺度样本熵,挖掘本征模态函数中表征旋转机械的故障的冲击信号进行实验对比。实验证明了该方法的有效性。
雷鹏沛[2]（2021）在《振动信号的可变结构智能传感器设计》文中研究指明氟化工产品生产过程中大量使用到了易燃易爆、腐蚀性强、毒性大的原料,使得长期运行在氟化工恶劣生产环境中的机械设备故障率高,故障后果严重。氟化工厂设备之间狭小的空间无法安装大体积的振动传感器,传感器有线数据传输的方式不仅受空间的限制又会给氟化工厂引入新的危险因素。本文以氟化工机械设备为对象,研究了氟化工机械设备常见故障的特点,结合设备故障诊断方法,设计了一种可以对设备运行状态进行实时监测的无线智能传感器。为实现所设计的智能传感器,研究了传感器智能化的方法,在传感器上完成对设备振动信号的在线分析;研究了智能传感的组网方法,设计了网路拓扑结构,制订了数据收发规则;研究了智能传感器可变结构的设计方法,在硬件和软件两方面对可变结构进行了实现,给出了相应的设计实例。利用FPGA的并行计算能力,同时提取振动信号的时域和频域特征;在提取时域和频域特征的同时,针对故障信号的非线性和非平稳特性,使用锯齿波插值的方法在FPGA上完成振动信号的经验模态分解,提取振动信号的时频特征;构建反映设备运行状态的特征向量,完成设备故障的现场诊断。为实现传感器组网功能,制定无线通信协议和组网协议,完成设备故障诊断结果或者原始振动数据的上传,并完成上位机指令的接收。最后,在振动实验台上对所设计传感器各项功能进行实验验证。实验结果表明,所设计的智能传感器能够对氟化工机械设备运行状态进行有效的在线监测。
刘东东[3]（2021）在《旋转机械故障信息挖掘及状态评估方法研究》文中研究指明振动信号蕴含丰富的反映设备运行状态的信息,由于系统复杂性及噪声影响,直接分析采集的振动信号对机械状态进行评估,结果的准确性难以保证。挖掘振动信号中的故障信息以消除系统复杂性及噪声的影响,是提高评估结果准确性的有效途径。本文根据旋转机械振动信号调制的特点,研究振动信号中故障信息的挖掘方法,且基于挖掘得到的故障信息对机械状态进行评估。研究内容包括解调后频域中故障信息挖掘方法、故障激发的振动响应挖掘方法、数据稀缺情况下故障特征迁移方法和特征融合的故障程度评估方法四个部分。（1）研究了解调后频域中故障信息的挖掘方法。该方法通过设计相位函数集对振动信号进行解调,实现故障信息的挖掘。为了解决振动信号受转速随机波动影响问题,提出了一种新的相位函数设计方法。该方法可以将不同转速波动下相同物理意义的频率解调为相同频率值。使用这种新的相位函数设计方法,获得解调频谱。定义基频和容许误差,以此为基础实现解调后频域中故障信息搜索。新算法可以从含噪声的解调频谱中挖掘到故障信息,且实验平均识别率高于99%,有效提高了机械状态评估准确性。（2）研究了故障激发的振动响应挖掘方法。该方法通过引入Matrix profile算法,实现轴承故障激发的振动响应的挖掘。振动响应以共振频率为载波频率,且载波频率由机械系统决定,不受工况影响,且振动响应的幅值受到故障冲击及转频调制。针对这一特性,构造了以Z-normalized欧式距离为衡量方法的Matrix profile算法。该算法衡量振动响应的波形,因此挖掘的结果不受信号幅值影响。根据挖掘得到的振动响应,利用卷积神经网络（Convolutional neural network,CNN）实现机械故障程度的评估。实验验证了构造的Matrix profile算法可以从实验台和风力发电机振动信号中挖掘轴承故障激发的振动响应,且使用挖掘得到的数据可以提高机械故障程度评估的准确率。（3）研究了数据稀缺情况下故障特征迁移方法。该方法使用Matrix profile算法分别从实验台和风力发电机的振动信号中挖掘故障激发的振动响应,通过搭建双流CNN迁移模型,将从实验台数据学到的知识迁移到风力发电机数据训练的模型中。机械设备可用数据稀缺导致了网络模型对机械状态评估的准确性不足。为了充分从有限数据中学习特征,搭建了双流CNN模型,同时从挖掘数据的时域波形及其时频谱中学习特征。为了实现在数据有限情况下对网络模型的优化,首先使用实验台数据对双流CNN模型进行预训练,然后使用风力发电机数据对模型进行微调。实验证明了双流CNN迁移模型的识别率可以达到99.87%,较单流CNN模型对机械状态评估的准确率更高,且能够更快、更稳定地收敛。（4）研究了特征融合的故障程度评估方法。该方法首先使用自组织神经网络（Self-organizing map,SOM）对正常状态下的特征进行融合得到U-matrix映射单元,然后通过计算不同运行状态下的特征与U-matrix最佳匹配单元的递推分值定量差指标实现故障程度的量化。为了去除冗余特征,计算每个特征的拉普拉斯分值,依据分值大小对特征进行精化。利用SOM网络良好的拓扑保持性以及可视化性能,使用精化后的特征训练SOM网络得到的U-matrix映射单元对轴承的退化过程进行定性描述。提出了计算递推分值定量差指标量化故障程度。实验证明了使用挖掘的数据得到的U-matrix映射单元能够更准确地反映轴承退化趋势,融合的递推分值定量差指标能够更准确地评估故障程度。
张昊[4]（2021）在《旋转机械故障诊断仪的设计与实现》文中指出旋转机械故障诊断仪是一款集振动信号采集、存储、分析为一体的综合监测诊断仪器。主要用于测量、分析和诊断旋转机械设备,对旋转机械设备（包括轴承齿轮）作大量的分析和故障诊断。是一种借助定期对旋转机械运行时振动信号的监测和分析来评估机器的状态并诊断机器故障的仪器。该文依据设备配置的现状,研究设计出一套旋转机械故障诊断仪,达到预先发现设备隐患的目的。
李妍铭[5]（2021）在《跨座式单轨车辆滚振试验台振动特性分析与隔振方法研究》文中提出作为服务于城市轨道交通系统的新型市域车辆,跨座式单轨车辆与传统双轨车辆相比,有以下独特优势:爬坡能力强、适应性强、噪声低、占地小、建设成本低、建造周期短,因而得到较为广泛应用。跨座式单轨车辆为新型车辆,大量的运行试验在车辆研发制造过程中必不可少,由于国内的单轨车辆运营线路较少,无法进行大量的试验。若为单一车辆修建专门的试验线进行试验,成本高且无法兼容不同类型车辆;若建造单轨车辆滚振试验台,则造价低、建造周期短且可兼容不同类型车辆,优势更为明显。因此,研究设计可兼容不同型号转向架、可模拟多工况运行线路的跨座式单轨车辆滚动振动试验台,对于提高车辆研发效率、节约成本具有重大意义。本文首先围绕试验台功能要求、技术要求进行单轨滚振试验台结构设计,包括:试验台旋转平台、超高调节平台、对滚系统及纵向固定反力架,并采用Creo软件进行三维建模。采用Hypermesh、Optistruct对试验台对滚系统进行有限元建模及模态分析,得到试验台对滚系统固有频率及振型,为对滚系统振动特性分析做铺垫。其次,基于频响分析理论、随机频响分析理论,以走行轮对滚系统与水平轮对滚系统为研究对象,采用Optistruct软件分析两者分别在液压作动器简谐激励与随机激励、电机偏心力激励下的振动特性。结果表明,在受到液压激振器的简谐激励时,走行对滚轮系统第六阶模态易被激发,水平对滚轮系统第五阶频率易被激发。在受到液压激振器的随机激励时,走行轮对滚系统最大应力为30.95MPa,小于材料的屈服强度,功率谱密度响应曲线在x、y、z方向分别在35Hz、86Hz、71Hz处出现极大值,分别靠近系统第四阶、六阶、五阶固有频率;水平轮对滚系统最大应力为48.36MPa,小于材料的屈服强度,功率谱密度曲线x、y、z方向均在在第五阶固有频率处出现最大值。在受到电机偏心力激励时,走行对滚轮系统位移响应并未出现极大值,水平对滚系统第五阶固有频率容易被激发。最后,采用积极隔振方法,对试验台进行隔振系统设计。将隔振系统设计为一级减振系统,选取隔振指标为振动传递率不大于0.05,通过参数设计计算,隔振系统质量定为400t,隔振器总刚度为2304k N/m,经验算,隔振系统振动传递率为0.049,最大振动位移为0.46mm,隔振效果符合要求。结合所求参数,进行隔振台座设计与隔振器布置,隔振台座为混凝土材料,隔振器选取30个弹簧隔振器。为验证隔振效果,在Simulink中建立隔振系统动力学模型,分析隔振器刚度、隔振系统质量对隔振效果影响,结果表明:隔振系统振动位移随弹簧隔振器刚度的增大而减小,随隔振系统质量的增大而减小,隔振系统振动位移小于限值,再次验证设计参数合理,隔振效果达标。
张树涛[6]（2021）在《旋转机械运行安全在线监测系统的研究与开发》文中指出大型旋转机械,如发电机、汽轮机、冶金机组等,其状态监测与故障诊断技术的有效实施以保证机组运行安全具有重大意义。因此,旋转机械运行安全状态监测是设备维护的主要方式,提取旋转设备的状态特征是前提条件,最终开发一套完整的、具有多方法的旋转机械运行安全在线监测系统。在线监测系统以大型旋转机械为研究对象,针对某热源厂一次风机的运行状态在线监测,根据实际需求研究了旋转机械设备的状态特征参量,结合前人的研究成果,以国内外知名在线监测系统为参考,对现有的旋转机械故障分析方法进行改进,提出了以DSP为核心的一套下位机硬件采集运算系统,在PC端开发一套旋转机械在线监测上位人机交互系统。下位机软件采用Code Composer Studio V6.0（CCS6.0）集成开发环境,融入了时域分析、频域分析、时频域分析以及微弱信号分析等多种算法,将采集的旋转机械振动信号进行分析处理。下位硬件选择TMS320F28335 DSP作为核心处理器,使用Altium Designer10软件设计了相应的数据采集电路、数据处理电路和数据传输电路原理图以及PCB的设计。实现主要算法的分析,提高系统整体的快速性。上位机软件在Visual Studio 2012环境下,选用C#语言进行开发人机交互界面,设计与DSP接口通讯实现上下位软件信息交互,最终将采集到的信号在上位机以图表的形式展示在用户面前,同时上位机还具有数据显示、存储、查询和上传等功能。测试环节主要选取了一种时频分析方法,采用改进后的经验模态分解方法对一次风机振动信号分析诊断,并取得了监测设备的故障特征。本文研发的旋转机械运行安全在线监测系统通过实验实现对算法的验证,在实际应用中接入某热源厂一次风机的振动信号进行测试分析,根据测试结果分析出设备存在的主要问题,通过测试实现了对该系统软件以及硬件可靠性、自动化程度、运行效率的检验,满足了实际的需求。
陈欣安[7]（2021）在《复杂工况下列车轴承故障预警与诊断方法》文中研究表明研究轴承的故障预警与诊断技术,对保障机械设备安全可靠及预防突发事故具有十分重要的意义。本文从工程实际需求出发,以轴承的振动信号为研究对象,研究小波包分解、经验模态分解、谱峭度、可视图变换、谱编码等信号处理方法及其对早期微弱故障、强背景噪声下、变工况下特征提取中的应用,在此基础上,结合增量支持向量数据描述、K最近邻、多标签K最近邻、半监督分类等机器学习算法,实现故障预警及复杂场景下的故障诊断。论文主要研究内容有:（1）综合多种信号处理方法的特征,提出了一种面向旋转机械振动信号特征提取的一般架构,为构建旋转机械振动信号特征提取方法提供了一种新思路。（2）针对滚动轴承早期微弱故障难以提取,提出了基于小波包滤波与谱编码的早期故障特征提取方法。该方法将峭度指标引入小波包分解分量的选取中,以选取分量中包含故障成分的信号,再对多个信号的平方包络谱做平均,进一步抑制随机成分的影响。然后,选取频谱中转频及故障特征频率处的幅值组成特征向量。针对仅有正常样本的故障辨识问题,提出了一种基于增量式支持向量数据描述（increment-Support-Vector-Data-Description,inc-SVDD）在线状态辨识方法。轴承全寿命周期实验结果表明,基于小波包滤波与谱编码特征提取方法能有效提取轴承早期故障特征,基于增量式支持向量数据描述的模型能适应具有不同寿命长度的轴承早期故障预警。（3）针对强噪声引起的故障特提取难的问题,提出了结合经验模态分解滤波方法与tile-coding谱编码的特征提取方法,将峭度与相关系数融合成的指标引入到分量的选取中,达到选取包含故障成分分量的目的。平均若干选取信号的平方包络谱,进一步抑制频谱中的随机成分。然后,利用基于tile-coding的谱编码方法对频谱进行编码,在尽可能保留谱信息的同时达到数据降维的目的。不同信噪比下实验表明,该方法能有效提取强噪声背景下的故障特征。（4）针对变工况引起的特征提取难的问题,提出了一种对变工况不敏感的可视图特征提取方法,将振动信号转化为可视图信号,并提取可视图的相关特征作为振动信号的特征,仿真实验结果表明该方法对变工况具有较好的鲁棒性。针对类别样本不平衡的训练数据造成分类器对少数类样本识别率低的问题,提出了一种改进的半监督分类算法,利用双变量的目标函数与规范化标签变量来平衡类别的影响,提高少数类样本在模型训练中的权重,从而提升少数类样本分类准确率。实验结果验证了所提方法的有效性和优越性。（5）针对轴承故障与转子不平衡并发的故障场景,提出了一种基于谱峭度滤波和对数tile-coding谱编码的特征提取方法,该方法利用谱峭度方法提取包含故障成分的分量,利用对数tile-coding谱编码提高低频段转子不平衡特征的辨识度及将谱信息编码成特征向量。通过分析轴承振动信号的谱信息,说明该特征提取方法能有效提取并发故障特征,并通过K最近邻算法进一步验证了特征提取模型有效性。针对并发故障间存在相关性、耦合性等问题,提出了一种基于多标签分类的并发故障诊断算法,并通过轴承与转子不平衡实验数据与常用算法进行了对比,结果证明了所提方法在并发故障诊断中具有明显的优势。
杨静[8]（2020）在《旋转机械早期故障诊断关键技术研究》文中研究说明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。
蒋政[9]（2020）在《动力旋转设备故障诊断技术在钢铁冶金行业的应用》文中认为动力旋转设备是现代钢铁企业不可或缺的,它在烧结、高炉、炼钢和轧钢等扮演着重要角色。比如送风系统,如果动力旋转设备突然停机,将会导致整个工序的瘫痪。将故障诊断技术应用到动力旋转设备中,可以有效的进行设备监测和故障诊断,及时找出故障的原因,做出决策;也能预测设备故障,做出计划性维修,提高设备的使用效率,保证设备的安全运行。因此,动力旋转设备的故障诊断技术研究有着重要意义。本文主要研究内容:1、机械振动信号理论研究,以及转子单、双面动平衡理论研究;2、转子动力学理论研究,同时,基于Workbench仿真平台,建立转子系统的有限元分析模型,分别确定了单盘、双盘转子系统的固有频率、临界转速及对应的振型等动态特性。最后利用谐响应分析方法对转子系统不平衡这一故障进行了研究;3、利用转子试验台,研究转子不同状态的振动特征和现场动平衡技术;4、旋转设备典型故障机理分析,结合时域波形、频谱图、轴心轨迹、波德图等,研究故障的特征;5、利用故障诊断技术对现场生产设备进行故障判断、故障解决。通过对旋转设备典型故障机理进行分析,结合故障振动特征,实现快速辨识故障的能力。同时,针对转子不平衡的故障,开展了现场动平衡的实验,找出一种有效解决柔性转子不平衡的诊断方法并加以应用。
刘家赫[10]（2020）在《旋转机械早期预警及故障模式识别方法研究》文中研究说明旋转机械是石油化工等现代企业中关键的生产设备,针对这些设备进行状态监测和故障诊断,能够保障设备的安全可靠运行,并取的巨大的经济和社会效益。旋转机械设备状态监测与故障诊断对开展预测性维修十分重要,能够延长机械设备的使用寿命,减少设备维护费用,并且保证设备的安全运行。本文主要针对旋转机械早期故障预警与故障模式识别方法进行研究。基于旋转机械设备运行可靠度函数和趋势滤波技术,根据滤波后振动特征信号曲线斜率绝对值的变化,构建了基于可靠度函数趋势滤波技术的早期故障预警模型;基于聚类分析方法,构建了 K-means聚类故障模式识别模型,基于监测数据训练得到不同故障的聚类中心,探索了数据驱动的基于聚类中心欧式距离判据的旋转机械故障模式识别方法;针对以可靠性为中心的维修（RCM）和健康度评价展开研究,构建了动态风险评价模型,结合智能预警方法与模式识别方法,设计了旋转机械动态风险评价及维修决策系统。论文主要研究内容如下:（1）旋转机械早期故障预警方法研究。基于旋转机械设备运行可靠度函数提取设备振动特征信号,也就是时域互相关函数、频域凝聚函数和谱距离指标函数提取特征信号,利用l1趋势滤波技术对振动特征信号进行滤波处理,根据滤波后振动特征信号曲线斜率绝对值的变化,构建基于可靠度函数趋势滤波技术的早期故障预警模型;利用NSFI/UCR滚动轴承No.2全生命周期实验训练了该模型,最后利用离心压缩机转子碰摩、不对中和不平衡故障案例数据验证了早期故障预警方法的工程有效性。（2）旋转机械故障模式识别模型构建研究。基于K-means聚类分析,构建了 K-means聚类故障模式识别模型,筛选故障识别灵敏度高的故障特征参数作为模型输入参数,基于离心式压缩机监测数据和轴承实验数据训练得到不同故障的聚类中心,探索数据驱动的基于聚类中心距离判据的旋转机械故障诊断方法,并利用工程案例对该方法进行了验证。（3）动态风险评价及维修决策系统设计研究。基于旋转机械传统RCM风险评价方法与健康度评价方法,构建了动态风险评价模型,根据风险等级高低,采用决策树模型确定具有针对性的维修方式和维修内容。结合早期故障智能预警方法及故障模式识别方法,建立了动态风险及维修决策系统,设计了系统的异构数据采集模块、时序性数据存储模块、时序性数据预处理模块、模型训练及优化模块、知识库模块和维修决策模块,最终完成了整个软件系统的设计开发。
二、旋转机械设备振动原因及处理方法（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、旋转机械设备振动原因及处理方法（论文提纲范文）
（1）基于张量分解的旋转机械复合故障智能诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 旋转机械故障智能诊断方法国内外研究现状及分析 |
| 1.3.1 基于先验知识传统机械故障诊断方法 |
| 1.3.2 基于机器学习的机械故障诊断方法 |
| 1.3.3 基于深度学习的机械故障诊断方法 |
| 1.4 张量分解研究现状及分析 |
| 1.5 本文主要内容及章节结构 |
| 1.5.1 本文主要内容 |
| 1.5.2 章节安排 |
| 2 张量分解与自适应滤波截断的张量重构方法研究 |
| 2.1 张量的定义 |
| 2.2 张量分解方法 |
| 2.2.1 CP分解方法 |
| 2.2.2 Tucker分解方法 |
| 2.2.3 HOSVD分解 |
| 2.2.4 HT分解 |
| 2.2.5 TT分解和TC分解 |
| 2.2.6 TTr1分解方法 |
| 2.3 自适应滤波截断的张量重构方法 |
| 2.3.1 张量重构方法 |
| 2.3.2 自适应滤波截断的张量重构方法流程 |
| 2.3.3 自适应滤波截断的张量重构算法 |
| 2.4 本章小结 |
| 3 基于TTr1FS的旋转机械特征提取方法研究 |
| 3.1 问题描述 |
| 3.2 张量数据构建 |
| 3.3 连续小波变换 |
| 3.4 连续小波逆变换 |
| 3.5 基于TTr1FS的旋转机械特征提取方法 |
| 3.5.1 TTr1分解与重构 |
| 3.5.2 低秩目标函数 |
| 3.5.3 初始种群的联合概率密度函数 |
| 3.5.4 基于TTr1FS的旋转机械特征提取方法 |
| 3.6 基于TTr1FS的仿真分析 |
| 3.7 基于TTr1FS的实验分析 |
| 3.8 本章小结 |
| 4 基于同步提取变换的张量低秩分解智能诊断方法研究 |
| 4.1 问题描述 |
| 4.2 同步提取变换 |
| 4.3 基于同步提取变换的张量低秩分解(SLID)智能诊断方法 |
| 4.3.1 基于Alex Net卷积神经网络的智能诊断方法 |
| 4.3.2 数据训练和测试方法 |
| 4.3.3 SLID智能诊断方法流程 |
| 4.4 基于SLID的实验分析 |
| 4.4.1 基于凯斯西储大学数据的SLID方法实验分析 |
| 4.4.2 基于煤矿机械数据的SLID方法实验分析 |
| 4.5 本章小结 |
| 5 基于复合多尺度样本熵的张量分解故障诊断方法研究 |
| 5.1 问题描述 |
| 5.2 变分模态分解方法 |
| 5.3 不同信号处理方法的仿真分析和比较 |
| 5.4 特征提取方法 |
| 5.4.1 样本熵 |
| 5.4.2 多尺度样本熵 |
| 5.4.3 复合多尺度样本熵 |
| 5.5 复合多尺度样本熵的张量分解故障诊断方法 |
| 5.6 基于煤矿机械数据的VMDCMSE方法实验分析 |
| 5.7 本章小结 |
| 6 总结及展望 |
| 6.1 论文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 附录 Ⅰ 缩略词表 |
| 附录 Ⅱ 张量的运算及性质 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）振动信号的可变结构智能传感器设计（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 氟化工机械设备故障诊断研究现状 |
| 1.3.1 振动信号故障诊断技术概述 |
| 1.3.2 振动信号的智能传感器研究现状 |
| 1.3.3 氟化工机械设备故障诊断存在的问题 |
| 1.4 本文研究内容 |
| 1.5 论文结构安排 |
| 第二章 智能传感器设计 |
| 2.1 氟化工机械设备故障诊断特点 |
| 2.2 氟化工机械设备常见故障及其特征 |
| 2.3 氟化工机械设备故障诊断方法与技术 |
| 2.4 氟化工机械设备的智能传感器研究与设计 |
| 2.4.1 传感器智能化研究与设计 |
| 2.4.2 智能传感器组网研究与设计 |
| 2.4.3 智能传感器的可变结构研究与设计 |
| 2.5 本章小结 |
| 第三章 智能传感器的实现 |
| 3.1 传感器硬件实现 |
| 3.1.1 振动信号采集模块 |
| 3.1.2 振动信号处理模块 |
| 3.1.3 无线通信模块 |
| 3.1.4 电源模块 |
| 3.2 智能传感器基础功能实现 |
| 3.3 可变结构硬件实现 |
| 3.4 智能传感器硬件实现结果 |
| 3.5 本章小结 |
| 第四章 传感器智能化的实现 |
| 4.1 振动信号处理 |
| 4.1.1 振动信号降噪滤波 |
| 4.1.2 振动信号解调 |
| 4.2 振动信号特征提取 |
| 4.2.1 时域特征提取 |
| 4.2.2 频域特征提取 |
| 4.2.3 时频特征提取 |
| 4.3 氟化工机械设备故障诊断 |
| 4.4 算法可变结构的实现 |
| 4.5 智能传感器组网实现 |
| 4.6 本章小结 |
| 第五章 智能传感器功能测试及结果分析 |
| 5.1 智能传感器功能测试 |
| 5.1.1 振动信号采集功能测试 |
| 5.1.2 振动信号滤波及包络提取功能测试 |
| 5.1.3 振动信号特征提取功能测试 |
| 5.1.4 故障诊断功能测试 |
| 5.1.5 故障诊断结果发送测试 |
| 5.2 测试结果分析 |
| 5.3 本章小结 |
| 第六章 总结展望 |
| 6.1 文章总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附录 |
（3）旋转机械故障信息挖掘及状态评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题来源 |
| 1.1.2 选题意义 |
| 1.2 旋转机械故障诊断研究现状 |
| 1.2.1 振动信号分析方法 |
| 1.2.2 非平稳振动信号分析方法 |
| 1.2.3 旋转机械故障智能识别方法 |
| 1.2.4 机械故障程度定量表达方法 |
| 1.3 拟解决的问题 |
| 1.4 研究内容及章节安排 |
| 2 解调后频域中故障信息挖掘方法研究 |
| 2.1 引言 |
| 2.2 轴承振动信号调制特点 |
| 2.3 解调后频域中故障信息挖掘算法 |
| 2.3.1 广义解调算法 |
| 2.3.2 解调后频域中故障信息挖掘算法 |
| 2.4 基于解调后频域中信息挖掘的识别方法 |
| 2.5 仿真验证 |
| 2.6 实验验证 |
| 2.6.1 实验台及数据采集 |
| 2.6.2 识别结果对比 |
| 2.7 本章小结 |
| 3 机械故障激发的振动响应挖掘方法 |
| 3.1 引言 |
| 3.2 振动响应挖掘方法 |
| 3.2.1 Matrix profile算法 |
| 3.2.2 振动响应挖掘参数设置 |
| 3.3 基于振动响应挖掘的识别算法 |
| 3.3.1 卷积神经网络 |
| 3.3.2 基于振动响应挖掘识别方法 |
| 3.4 实验验证 |
| 3.4.1 实验数据 |
| 3.4.2 实验结果 |
| 3.5 风力发电机振动信号验证 |
| 3.5.1 实验装置 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 数据稀缺情况下故障特征迁移方法 |
| 4.1 引言 |
| 4.2 双流CNN迁移模型 |
| 4.2.1 双流CNN输入信号 |
| 4.2.2 双流CNN模型搭建 |
| 4.3 基于振动响应挖掘及迁移模型识别算法 |
| 4.4 实验验证 |
| 4.4.1 数据介绍 |
| 4.4.2 识别结果对比 |
| 4.5 本章小结 |
| 5 特征融合的故障程度评估方法 |
| 5.1 引言 |
| 5.2 振动信号特征提取与精炼 |
| 5.2.1 振动信号特征提取 |
| 5.2.2 拉普拉斯分值算法 |
| 5.2.3 改进特征融合算法 |
| 5.3 基于改进特征融合故障程度定量表达方法 |
| 5.4 实验验证 |
| 5.5 风力发电机振动信号验证 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）旋转机械故障诊断仪的设计与实现（论文提纲范文）
| 1 振动监测理论 |
| 2 背景技术 |
| 3 旋转机械故障诊断仪设计 |
| 3.1 数据采集仪 |
| 3.2 监测与故障诊断软件设计 |
| 4 结语 |
（5）跨座式单轨车辆滚振试验台振动特性分析与隔振方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚振试验台研究现状和发展动态 |
| 1.2.2 机械结构振动特性分析方法研究 |
| 1.2.3 试验台隔振方法研究 |
| 1.3 本文的主要研究内容和技术方案 |
| 第二章 振动特性分析基本理论基础 |
| 2.1 模态分析 |
| 2.1.1 模态分析理论 |
| 2.1.2 模态分析步骤 |
| 2.2 频率响应分析 |
| 2.2.1 频率响应分析理论 |
| 2.2.2 频率响应分析步骤 |
| 2.3 随机频响分析 |
| 2.3.1 随机频响分析基本理论 |
| 2.3.2 随机频响分析步骤 |
| 2.4 本章小结 |
| 第三章 滚振试验台结构设计及对滚系统模态分析 |
| 3.1 滚振试验台功能及技术要求 |
| 3.1.1 试验台主要功能 |
| 3.1.2 试验台技术要求 |
| 3.2 滚振试验台总体结构设计 |
| 3.2.1 试验台总体组成介绍 |
| 3.2.2 试验台总体结构设计 |
| 3.2.3 旋转平台及超高调节平台结构介绍 |
| 3.2.4 试验台走行轮对滚系统介绍 |
| 3.2.5 试验台导向轮、稳定轮对滚系统介绍 |
| 3.2.6 纵向固定反力架介绍 |
| 3.2.7 电机选型 |
| 3.2.8 试验台与车辆系统配型 |
| 3.3 试验台对滚系统有限元模型建立 |
| 3.3.1 模型简化 |
| 3.3.2 滚振试验台对滚系统结构材料属性 |
| 3.3.3 边界条件和边界约束 |
| 3.3.4 网格划分 |
| 3.4 模态分析 |
| 3.4.1 试验台走行轮对滚系统模态分析 |
| 3.4.2 试验台水平轮对滚系统模态分析 |
| 3.5 本章小结 |
| 第四章 滚振试验台对滚轮系统振动特性分析 |
| 4.1 液压激振器激励分析 |
| 4.2 激振器作用下对滚系统频率响应分析 |
| 4.2.1 液压激振器对走行轮对滚系统频率响应分析 |
| 4.2.2 液压激振器对水平轮对滚系统频率响应分析 |
| 4.3 激振器作用下对滚系统随机频率响应分析 |
| 4.3.1 液压激振器随机激励确定 |
| 4.3.2 液压激振器对走行轮对滚系统随机频率响应分析 |
| 4.3.3 液压激振器对水平轮对滚系统随机频率响应分析 |
| 4.4 电机转子离心力对试验台对滚轮系统振动特性的影响 |
| 4.4.1 电机振动原因分析 |
| 4.4.2 电机不平衡振动理论 |
| 4.4.3 电机转子离心力作用下走行对滚轮系统频率响应分析 |
| 4.4.4 电机转子离心力作用下水平轮对滚系统频率响应分析 |
| 4.5 本章小结 |
| 第五章 跨座式单轨车辆滚振试验台隔振系统设计 |
| 5.1 试验台振动源分析与振动控制方法介绍 |
| 5.2 试验台隔振技术原理与隔振效果评估指标 |
| 5.2.1 隔振技术原理 |
| 5.2.2 隔振效果评估指标 |
| 5.3 隔振系统设计 |
| 5.3.1 滚振试验台外部载荷分析计算 |
| 5.3.2 隔振系统力学模型 |
| 5.3.3 隔振系统参数计算 |
| 5.3.4 隔振效果校核计算 |
| 5.3.5 隔振台座设计及隔振器布置 |
| 5.4 试验台隔振系统仿真分析 |
| 5.4.1 试验台弹簧隔振器刚度与隔振系统质量对隔振效果影响 |
| 5.4.2 隔振系统隔振效果仿真分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.1.1 试验台对滚系统振动特性分析结论 |
| 6.1.2 试验台隔振系统设计 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）旋转机械运行安全在线监测系统的研究与开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题研究内容及目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 文章组织结构安排 |
| 1.5 本章小结 |
| 第2章 旋转机械运行安全的特征分析及算法研究 |
| 2.1 旋转机械的状态特征参量 |
| 2.1.1 振幅 |
| 2.1.2 振动频率 |
| 2.1.3 相位 |
| 2.1.4 转速 |
| 2.1.5 电量参数 |
| 2.1.6 温度 |
| 2.2 时频分析方法研究 |
| 2.2.1 傅里叶变换 |
| 2.2.2 小波变换及小波包变换 |
| 2.2.3 经验模态分解方法 |
| 2.2.4 希尔伯特变换 |
| 2.2.5 变分模态分解方法 |
| 2.2.6 局域均值分解方法 |
| 2.3 微弱信号处理方法研究 |
| 2.4 本章小结 |
| 第3章 旋转机械运行安全在线监测系统硬件设计 |
| 3.1 系统硬件整体设计描述 |
| 3.1.1 硬件设计性能指标 |
| 3.1.2 系统硬件构成 |
| 3.2 DSP简介 |
| 3.2.1 DSP选型 |
| 3.2.2 TMS320F28335 简介 |
| 3.3 振动信号处理电路设计 |
| 3.3.1 振动传感器的选择 |
| 3.3.2 振动传感器的安装 |
| 3.3.3 振动信号采样电路设计 |
| 3.3.4 振动信号调理电路设计 |
| 3.4 温度信号处理电路设计 |
| 3.4.1 温度传感器的选择 |
| 3.4.2 温度传感器的安装 |
| 3.4.3 温度采集电路设计 |
| 3.5 其他模块电路设计 |
| 3.5.1 电源模块电路设计 |
| 3.5.2 程序调试电路设计 |
| 3.5.3 数据存储电路设计 |
| 3.5.4 显示模块电路设计 |
| 3.5.5 通讯模块电路设计 |
| 3.6 PCB电路设计 |
| 3.7 本章小结 |
| 第4章 旋转机械运行安全在线监测系统下位机软件开发 |
| 4.1 下位机软件整体框架设计 |
| 4.2 下位机软件初始化程序设计 |
| 4.3 下位机软件数据采集程序设计 |
| 4.4 下位机软件数据处理程序设计 |
| 4.4.1 时域算法处理程序设计 |
| 4.4.2 幅值域算法处理程序设计 |
| 4.4.3 频域算法处理程序设计 |
| 4.5 下位机软件通讯模块设计 |
| 4.6 本章小结 |
| 第5章 旋转机械运行安全在线监测系统上位机软件开发 |
| 5.1 上位软件开发分析 |
| 5.1.1 系统开发思路 |
| 5.1.2 系统开发环境及工具 |
| 5.1.3 上位系统开发原则 |
| 5.1.4 系统整体框架结构 |
| 5.2 上位系统功能模块开发 |
| 5.2.1 开机界面 |
| 5.2.2 用户管理模块 |
| 5.2.3 参数配置模块 |
| 5.2.4 通讯模块 |
| 5.2.5 数据采集模块 |
| 5.2.6 数据查询模块 |
| 5.2.7 时域分析模块 |
| 5.2.8 频域分析模块 |
| 5.2.9 时频分析模块 |
| 5.2.10 微弱信号分析模块 |
| 5.2.11 故障诊断模块 |
| 5.3 本章小结 |
| 第6章 旋转机械运行安全在线监测系统的测试 |
| 6.1 下位机功能测试 |
| 6.2 上位机功能测试 |
| 6.2.1 时域分析测试 |
| 6.2.2 频域分析测试 |
| 6.2.3 时频分析测试 |
| 6.2.4 微弱信号分析测试 |
| 6.3 本章小结 |
| 总结与展望 |
| 总结 |
| 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 |
（7）复杂工况下列车轴承故障预警与诊断方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 旋转机械故障预警与诊断研究现状 |
| 1.2.1 旋转机械振动信号特征提取方法研究现状 |
| 1.2.2 旋转机械振动信号模式识别方法研究现状 |
| 1.3 论文主要研究内容及总体框架 |
| 2 旋转机械故障机理及特征提取方法一般架构 |
| 2.1 滚动轴承故障机理及典型故障特征 |
| 2.1.1 滚动轴承失效机理与形式 |
| 2.1.2 滚动轴承振动信号的特征频率分析 |
| 2.1.3 滚动轴承典型故障振动特征 |
| 2.2 转子不平衡振动机理及典型故障特征 |
| 2.2.1 转子不平衡故障机理介绍 |
| 2.2.2 转子不平衡故障特征 |
| 2.3 特征提取方法一般框架 |
| 2.4 小结 |
| 3 基于incSVDD的轴承早期故障预警方法 |
| 3.1 故障预警问题定义 |
| 3.2 故障预警的一般方法 |
| 3.3 基于incSVDD的故障预警方法 |
| 3.3.1 基于小波包的滤波方法 |
| 3.3.2 基于小波包分量的谱编码 |
| 3.3.3 基于incSVDD的故障预警 |
| 3.4 实例分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果分析 |
| 3.5 小结 |
| 4 强噪声工况下轴承故障诊断方法 |
| 4.1 轴承振动信号消噪问题定义 |
| 4.2 轴承振动信号消噪的一般方法 |
| 4.2.1 自参考自适应滤波 |
| 4.2.2 离散随机分离 |
| 4.2.3 小波去噪 |
| 4.2.4 自适应信号分解去噪方法 |
| 4.3 基于信号自适应分解与谱编码的故障诊断方法 |
| 4.3.1 基于EMD的滤波方法 |
| 4.3.2 基于EMD分量的tile-coding谱编码方法 |
| 4.4 实例分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 模型降噪性能分析 |
| 4.4.3 不同信噪比下模型分类结果 |
| 4.5 小结 |
| 5 变工况与样本不平衡条件下轴承故障诊断方法 |
| 5.1 问题描述 |
| 5.2 处理变工况与类别样本不平衡的一般方法 |
| 5.3 基于半监督的类别样本不平衡故障诊断方法 |
| 5.3.1 基于可视图的特征提取方法 |
| 5.3.2 半监督学习的图模型构建 |
| 5.3.3 半监督学习的标签传播 |
| 5.4 实例分析 |
| 5.4.1 数据集设置 |
| 5.4.2 可视图特征仿真验证 |
| 5.4.3 基于VGF-GRSSL的故障诊断 |
| 5.5 小结 |
| 6 基于谱峭度与谱编码的并发故障诊断方法 |
| 6.1 并发故障问题定义 |
| 6.2 并发故障诊断的一般方法 |
| 6.2.1 特征提取方法 |
| 6.2.2 模式识别方法 |
| 6.3 基于谱峭度的并发故障诊断方法 |
| 6.3.1 基于谱峭度的滤波方法 |
| 6.3.2 基于谱峭度的谱编码 |
| 6.3.3 多分类与多标签分类 |
| 6.4 滚动轴承与转子不平衡故障分析 |
| 6.4.1 滚动轴承故障 |
| 6.4.2 转子不平衡故障 |
| 6.4.3 轴承内圈故障及并发故障 |
| 6.4.4 轴承外圈故障及其并发故障 |
| 6.4.5 轴承滚动体故障及其并发故障 |
| 6.5 实例分析 |
| 6.5.1 多分类结果 |
| 6.5.2 多标签分类结果 |
| 6.6 小结 |
| 7 总结与展望 |
| 7.1 主要研究结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）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 |
（9）动力旋转设备故障诊断技术在钢铁冶金行业的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 振动信号分析方法的现状研究 |
| 1.2.2 转子动平衡技术的现状研究 |
| 1.2.3 发展趋势 |
| 1.3 本文主要研究内容 |
| 第二章 机械振动信号分析与转子平衡技术 |
| 2.1 振动信号基础理论 |
| 2.1.1 振动信号的分类 |
| 2.1.2 信号处理技术的数学基础理论 |
| 2.2 机械振动信号分析 |
| 2.2.1 时域分析 |
| 2.2.2 频域分析 |
| 2.2.3 其他图形分析 |
| 2.3 转子平衡技术 |
| 2.3.1 单面动平衡技术 |
| 2.3.2 双面动平衡技术 |
| 2.4 振动诊断标准 |
| 2.5 本章小结 |
| 第三章 转子系统动力学特性分析 |
| 3.1 转子动力学主要研究内容 |
| 3.2 转子的涡动 |
| 3.3 转子运动微分方程及不平衡响应 |
| 3.4 转子系统有限元分析模型 |
| 3.4.1 有限元软件及分析流程 |
| 3.4.2 转子结构三维模型的建立 |
| 3.4.3 转子结构网格划分 |
| 3.4.4 约束施加 |
| 3.5 单盘转子系统固有特性研究 |
| 3.5.1 单盘转子系统模态提取 |
| 3.5.2 单盘转子临界转速分析 |
| 3.6 双盘转子系统固有特性研究 |
| 3.6.1 双盘转子系统临界转速分析 |
| 3.7 转子系统不平衡故障谐响应分析 |
| 3.8 本章小结 |
| 第四章 基于转子试验台的故障诊断实验 |
| 4.1 转子试验台介绍 |
| 4.2 振动监测设备 |
| 4.2.1 振动监测原理概况 |
| 4.2.2 振动监测设备介绍 |
| 4.3 实验验证 |
| 4.3.1 转子不平衡实验 |
| 4.3.2 转子不对中实验 |
| 4.3.3 传感器安装位置实验 |
| 4.3.4 双面动平衡方法验证 |
| 4.4 本章小结 |
| 第五章 钢铁冶金旋转设备典型故障机理分析 |
| 5.1 转子不平衡 |
| 5.1.1 转子不平衡故障原因和类型 |
| 5.1.2 转子不平衡故障机理 |
| 5.1.3 转子不平衡故障特征 |
| 5.1.4 转子不平衡实例 |
| 5.2 转子不对中 |
| 5.2.1 转子不对中的类型 |
| 5.2.2 转子不对中故障机理 |
| 5.2.3 转子不对中振动故障主要特征 |
| 5.2.4 转子不对中实例 |
| 5.3 转子与静止件的摩擦 |
| 5.3.1 转子与静止件摩擦的故障机理 |
| 5.3.2 转子与静止件径向摩擦的故障特征 |
| 5.3.3 转子与静止件摩擦实例 |
| 5.4 转子部件松动 |
| 5.4.1 基座松动 |
| 5.4.2 弹性套柱销型联轴器松动 |
| 5.5 本章小结 |
| 第六章 故障诊断技术在旋转设备中的应用 |
| 6.1 现场动平衡工艺流程图 |
| 6.2 旋转设备故障处理案例 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读在职研究生期间参与的科研项目 |
（10）旋转机械早期预警及故障模式识别方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 旋转机械早期故障预警方法研究现状 |
| 1.3.2 旋转机械故障诊断模式识别研究现状 |
| 1.3.3 旋转机械RCM与健康评估研究现状 |
| 1.4 研究内容及技术路线 |
| 第二章 旋转机械早期故障预警方法研究 |
| 2.1 设备运行可靠度函数提取特征信号 |
| 2.2 l_1趋势滤波技术 |
| 2.3 基于可靠度函数趋势滤波的早期故障预警模型构建 |
| 2.3.1 早期故障预警方法参数选取原则 |
| 2.3.2 早期故障预警方法模型训练 |
| 2.3.3 早期故障预警方法模型中可靠度函数筛选 |
| 2.4 早期故障预警对比分析 |
| 2.4.1 早期故障预警特征信号对比 |
| 2.4.2 早期故障智能预警方法对比 |
| 2.5 工程案例验证 |
| 2.5.1 不平衡故障案例验证 |
| 2.5.2 碰摩故障案例验证 |
| 2.5.3 不对中故障案例验证 |
| 2.6 本章小结 |
| 第三章 旋转机械故障模式识别模型构建研究 |
| 3.1 聚类算法 |
| 3.2 故障模式识别模型建立 |
| 3.2.1 机械设备故障敏感特征参数筛选 |
| 3.2.2 剔除假数 |
| 3.2.3 数据归一化 |
| 3.2.4 K-means聚类分析 |
| 3.3 聚类分析故障模式识别模型验证 |
| 3.3.1 基于离心式压缩机监测数据的模型训练 |
| 3.3.2 离心式压缩机工程案例模型验证 |
| 3.3.3 基于轴承实验数据的模型训练 |
| 3.3.4 离心泵工程案例模型验证 |
| 3.4 本章小结 |
| 第四章 旋转机械动态风险评价及维修决策系统设计研究 |
| 4.1 智能预警和模式识别功能设计 |
| 4.1.1 异构数据采集、存储与预处理 |
| 4.1.2 设备早期故障预警和故障模式识别功能设计 |
| 4.2 旋转机械动态风险评价及维修决策方法研究 |
| 4.2.1 传统RCM设备故障模式风险评估 |
| 4.2.2 基于故障模式风险等级和实时健康度评价的动态风险评价 |
| 4.2.3 动态维修决策方法 |
| 4.3 旋转机械动态风险评价及维修决策系统功能模块设计 |
| 4.3.1 异构数据采集模块 |
| 4.3.2 时序性数据存储模块 |
| 4.3.3 时序性数据预处理模块 |
| 4.3.4 模型训练及优化模块 |
| 4.3.5 知识库模块 |
| 4.3.6 维修决策模块 |
| 4.4 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 |
| 研究成果及发表学术论文 |
| 作者和导师简介 |
| 附件 |
四、旋转机械设备振动原因及处理方法（论文参考文献）
- [1]基于张量分解的旋转机械复合故障智能诊断方法研究[D]. 郭文孝. 中北大学, 2021
- [2]振动信号的可变结构智能传感器设计[D]. 雷鹏沛. 北京化工大学, 2021
- [3]旋转机械故障信息挖掘及状态评估方法研究[D]. 刘东东. 北京交通大学, 2021
- [4]旋转机械故障诊断仪的设计与实现[J]. 张昊. 自动化与仪表, 2021(07)
- [5]跨座式单轨车辆滚振试验台振动特性分析与隔振方法研究[D]. 李妍铭. 华东交通大学, 2021(01)
- [6]旋转机械运行安全在线监测系统的研究与开发[D]. 张树涛. 兰州理工大学, 2021(01)
- [7]复杂工况下列车轴承故障预警与诊断方法[D]. 陈欣安. 北京交通大学, 2021(02)
- [8]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
- [9]动力旋转设备故障诊断技术在钢铁冶金行业的应用[D]. 蒋政. 昆明理工大学, 2020(05)
- [10]旋转机械早期预警及故障模式识别方法研究[D]. 刘家赫. 北京化工大学, 2020(02)