一、一种机械故障监测的信息融合（论文文献综述）
李红梅[1]（2021）在《基于卷积神经网络的智能故障诊断方法研究》文中研究说明在工业生产中,对机械设备进行状态监测及故障诊断是保障设备安全可靠运行、及时发现安全隐患、避免灾难后果的重要手段。近年来在工业制造智能化和大数据的背景下,故障诊断技术朝着智能化方向发展,基于深度学习的智能故障诊断是当前和今后研究的一个热点。卷积神经网络（Convolutional Neural Networks,CNN）作为深度学习的经典模型之一,具有较强的数据信息挖掘能力与信息融合能力。本文以旋转机械的关键部件齿轮和滚动轴承作为研究对象,基于CNN模型算法,分别从一维CNN模型（1DCNN）的参数设置对模型性能的影响、多传感器信息融合、变转速工况下的特征提取以及域适应性四个方面进行研究,提出3种智能故障诊断模型,通过实验数据验证模型的可行性和优越性。本文主要研究内容如下:目前,在故障诊断领域,关于1DCNN模型参数配置对诊断精度影响没有一个系统的分析,本文在研究CNN模型的核心思想、基本结构、模型训练及优化方法的基础上,建立单层的1DCNN模型,并按照分析参数的维度对其进行扩展,以探索架构组件对模型性能的影响。通过各模型在凯斯西储大学（Case Western Reserve University,CWRU）滚动轴承故障数据集上的诊断结果,较为系统的分析了卷积核的数量（网络宽度）及尺寸、池化操作、批量归一化层、网络深度和样本长度对模型诊断精度的影响。同时通过连续小波变换对第一层卷积层提取的特征进行可解释性分析。针对基于单个传感器的智能故障诊断方法易出现诊断信息不完备问题,本文结合通道注意力机制构建了多通道输入CNN模型（MCFCNN）。将不同测点传感器采集的信号构建成具有多个通道属性的信号集,通道与传感器采集的信号一一对应。MCFCNN模型以构建的信号集作为输入,在输入层中建立多个通道,并加入通道注意力机制自动学习各通道对故障的敏感程度,为通道赋予不同权值,再利用卷积核通道间的特征提取实现多传感器的信息融合。基于实验室行星齿轮箱故障诊断实验平台和CWRU滚动轴承数据集上开展实验,结果表明:MCFCNN模型可以高精准、稳定和快速的诊断故障。针对变转速工况下齿轮箱故障特征提取困难的问题,将Inception模型的多分枝结构思想和多尺度特征提取方法引入变转速故障诊断中,提出了一种基于多尺度核的CNN智能故障诊断模型（MKCNN）,实现变转速工况下的端到端的特征提取和故障诊断。利用样本划分策略解决变转速工况下故障特征信息占比不平衡的问题。通过级联的多卷积核单元提高模型的非线性,使得提取的特征更加抽象和丰富。在行星齿轮箱的升速工况下进行了实验,结果表明:在未知转速变化的升速工况下,MKCNN模型具有较强的特征学习能力,在测试集上的平均诊断精度达到97.95%。目前,基于迁移学习的故障诊断方法大多在相似度较高的设备或同类设备不同工况下进行迁移,本文在MCFCNN模型上,基于模型迁移设计了迁移学习框架TL＿MCFCNN,结合参数调整策略,实现了不同设备间的知识迁移。在行星齿轮箱和CWRU滚动轴承数据集上的18种同一对象不同工况下和7种不同对象不同工况的迁移任务上进行测试,结果表明:提出的框架在跨设备的远域故障诊断情况下具有较强的自适应能力。
葛洪胜[2]（2020）在《基于共振解调法和声发射法的圆锥滚子轴承故障分析研究》文中研究说明近年来,随着我国建设交通强国纲要的提出,高速列车的时空布局在不断的扩大,保证高速列车的安全运行已是十分重要的课题,滚动轴承是高速列车走行部中极其关键且极易损坏的部件,因此对高速列车轴承故障的快速、准确的诊断直接影响高速列车的安全高效的运行。传统对轴承故障的诊断一般使用单一的传感器来识别轴承故障的存在和类型,由于工作环境中噪音和其他旋转机械部件的影响,采集到的信息是比较偏面、冗杂的,尤其轴承中一些微小的故障,一些传感器是很难检测到故障信号,导致对轴承状态的判断出现巨大的误差,从而导致高速列车走行部等旋转机械产生不可挽回的经济损失甚至威胁人身安全。本文首先全面的对国内外滚动轴承的状态监测和故障诊断方面的应用研究进行总结,同时对滚动轴承发生故障的基本类型、影响轴承故障产生的因素以及轴承故障振动机理等进行详细的研究。根据轴承的实际故障建立双列圆锥滚子轴承模型,分别在外圈定义和设置了大、小两种类型的剥落故障,按照高速列车的实际运行状况施加条件,对正常轴承、故障轴承进行模态仿真和显示动力学仿真,分析了正常和不同剥落状态下轴承外圈的各种频率和应力变化。根据实验对象选取了合适的加速度和声发射传感器,搭建适合的小型轴承实验平台,设计加速度和声发射两套数据采集系统,试验中每种状态的轴承都采用高、低两种转速,对采集的实验信号进行处理,通过与故障轴承理论特征频率进行对比得出更加适合故障诊断的方法。经过数据分析得出声发射法比共振解调法对故障的诊断更加灵敏,弥补了微小故障在早期不能及时监测的状况,两种诊断方法互相补充更能提高对故障的诊断及时性和准确性。最后通过信息融合方式并选取合适的融合方法对共振解调法和声发射法采集的数据进行融合,设置了最优单一传感器和算术平均的融合方法与自适应加权融合方法对比验证,证明了自适应加权融合的方法对数据处理有更高的准确性,同时提出应用该方法对轴承状态是否健康进行快速判断,提高了轴承诊断的效率,为轴承等旋转机械的故障诊断提供参考。
张欢[3]（2020）在《基于多源信息融合的轴承复合故障诊断技术研究》文中研究指明随着大数据、互联网、传感器以及人工智能技术的快速发展与日益广泛的应用,传统机械制造业引入人工智能技术是实现行业转型的必然趋势。轴承作为最为常见的机械零部件之一,在机械设备中承载着重要的作用。且随着传感器技术、数据处理技术与智能诊断技术的日新月异,轴承健康状况的智能诊断技术成为了学术研究热点。而实际生产中,某一不影响正常生产或未达到更换标准的初期故障可能继而促使轴承复合故障（Compound fault）的形成,且设备复杂的运行环境也常常导致复合故障发生的状况。因此,对轴承复合故障的检测和诊断存在着较大的困难,正因这些难题使得轴承复合故障检测和诊断技术的研究成为国内外研究的热点。另外随着采集数据量的增加,以数据驱动的方式挖掘有用信息成为可能,智能获取目标数据特征的方法也有了长足的发展。如何充分利用多源信息进行故障特征的智能挖掘和信息融合是本文的研究重点。主要研究工作有以下三点。首先提出了一种面向冲突改进的D-S（Dempster-Shafer）证据理论算法,该算法在针对传统D-S证据理论的缺陷问题上使用皮尔逊相关性系数（Pearson Correlation Coefficient,PCC）和0元素修正进行改进。改进后的方法在很大程度上考虑各个证据体在整体识别框架中的重要程度,使得融合后的结果在排除误差较大的证据体后能够保证融合后目标的一致性,从而提升了融合准确性和克服冲突的能力。随后在改进的D-S证据理论的基础上,结合轴承复合故障数据继续对D-S证据理论的实际应用进行改进。在特征自提取上使用SAE（Sparse Auto-encoder,SAE）,自动提取来自各个传感器各类别的故障特征,得到所有故障类型的压缩特征用于分类模型的训练,实验验证了该方法在轴承单一故障检测（Single Fault Detection,SFD）的结果上表现出较高的识别精度。接着在单一故障检测研究的基础上,通过对所有实验标签进行重新计算,对融合后的样本单一检测相加的结果作为复合故障类型,与真实的样本标签进行准确率计算。结果展示了从单一故障检测到复合故障诊断研究的意义和准确性,也证明了改进的融合方法的适用性。最后本文考虑复合故障诊断过程以及特征提取方法和融合方法的简化,以减少复杂的人工改进和计算,做到特征提取和融合的自动化。摒弃所有的复杂计算和融合手段,由繁到简的思路设计了两级卷积神经网络（Convolutional Neural Networks,CNN）的轴承复合故障诊断的方法,通过多组实验分析和比较,在轴承复合故障诊断的识别上具有较高的识别效果,由此证明了两级CNN融合的有效性和优势。综上研究内容与实验验证,多源信息融合技术可以在复杂的轴承复合故障诊断问题上综合不同来源信息的优势,实现诊断目标与实际情况的尽可能一致,提升轴承复合故障诊断的精度。另外,前沿的算法技术在轴承复合故障特征自动提取和诊断精度的提升上具有重要的作用。因此,特征自提取和多源信息融合的结合研究在应对轴承复合故障诊断上存在很大的研究潜力和价值。
朱兴统[4]（2020）在《旋转机械智能故障诊断方法的研究》文中提出随着现代工业科技的发展与进步,旋转机械在企业生产中发挥着越来越重要的作用。同时,旋转机械越来越趋于大型化、自动化和智能化,机械结构也越趋于复杂化。虽然旋转机械的这些新发展有助于提高生产效率、降低了生产成本,但是对保障旋转机械的可靠运行和故障维修提出了更高的要求,增加了难度。如何及时、准确地诊断出旋转机械故障成为重要的研究问题。旋转机械的故障诊断在企业生产系统中有广阔的应用前景。旋转机械振动机理复杂,所产生的振动信号具有非线性和非平稳性,故障的特征信号存在着大量的强噪声,造成难以有效提取故障特征,以至影响故障的准确诊断。在旋转机械故障诊断中,故障特征提取和模式识别是关键环节。现代信号处理技术和人工智能技术的迅猛发展,为旋转机械故障诊断提供新的技术途径。本文以现代信号处理技术和人工智能技术为工具,以旋转机械的重要部件轴承和齿轮为具体研究对象,围绕旋转机械的故障特征提取和模式识别展开研究。本文的主要内容如下:1.旋转机械产生的振动信号是非平稳和不规则的,难以直接通过振动信号波形分析进行故障诊断,研究基于信号模态分解的故障诊断方法。首先对振动信号进行模态分解,接着对得到的各个本征模态函数分量提取故障特征,构造成特征向量集;然后进行特征降维处理;最后利用朴素贝叶斯分类器进行故障识别。采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好。2.针对支持向量机的参数值设置不合理影响诊断精度问题,研究基于优化参数的支持向量机的故障诊断方法。首先研究两种方法优化支持向量机参数:（1）利用量子遗传算法优化支持向量机的参数,（2）改进量子粒子群优化算法优化支持向量机的参数;然后将训练数据集训练优化的支持向量机;最后将测试数据集输入到支持向量机模型中进行故障识别。实验结果表明,该方法具有较高的故障诊断准确率。3.针对相关向量机的参数设置问题,研究基于蝙蝠算法（BA）优化相关向量机（RVM）的故障诊断方法。首先利用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量机模型;最后使用训练后的相关向量机进行故障识别。进行仿真实验,将BA-RVM故障诊断方法与SVM方法、RVM方法进行比较。实验结果表明,BA-RVM故障诊断方法的准确率高于SVM方法、RVM方法。4.针对旋转机械故障的征兆复杂,以及从旋转机械测量获得的振动信号受不确定因素影响,进而影响诊断结果的准确率,研究基于改进证据理论的信息融合故障诊断方法。研究两种改进的证据合成方法:（1）基于Tanimoto相似性测度和信息熵的证据合成方法,（2）基于静态折扣因子和权重系数的证据合成方法。将两种改进的证据合成方法应用于旋转机械故障诊断。首先从采集到机械振动信号提取故障特征,构成特征向量集;然后分别利用支持向量机、K最近邻算法得到基本概率分配值;最后利用改进的证据合成方法进行融合,从而形成最终的诊断结果。
陈祝云[5]（2020）在《基于深度迁移学习的机械设备智能诊断方法研究》文中指出旋转机械广泛应用于航空航天、轨道交通、石油化工、汽车制造和风力发电等关乎国计民生的重要工程领域。开展旋转机械及其关键部件的状态监测和故障诊断,对保障设备健康稳定运行、提升运转效率和避免重大事故发生具有重要的意义。深度学习是包含多个隐藏层的深度神经网络,通过模拟人脑的分层结构,构建多层非线性变换,挖掘输入数据内部隐藏的分布式特征表示。迁移学习,作为一种新的学习范式,基于数据或任务的相似性,能将一个或多个领域学到的知识,通过模型自适应调整,迁移和应用到新的场景中,使模型具备举一反三的能力。因此,本文以深度迁移学习为核心,围绕旋转机械智能诊断领域的若干关键问题,在特征提取和增强、小样本学习、变工况诊断和多传感器信息融合方面展开深入研究,主要内容包括以下四个方面:1)针对机械设备核心部件故障发生时,故障信号微弱,特征提取和学习困难的问题,提出一种基于卷积神经网络和子空间迁移的特征增强方法。考虑信号的循环平稳特性,采用循环谱分析技术获取循环谱相干映射图,有效揭示不同健康状况的特征差异。同时,建立卷积神经网络诊断模型,引入子空间迁移学习技术,构造组归一化和关联对齐两个无监督适配层,自适应调整网络的深度特征,提高模型学习的有效性。通过轴承不同故障类型和不同载荷下的诊断试验,验证了所提方法具有很强的特征表示和分类能力。2)针对样本稀缺情况下,深度神经网络训练容易过拟合、网络泛化能力差等问题,提出一种基于模型迁移的小样本故障分类方法。通过构建深度神经网络模型直接端到端从原始数据自动提取特征,提高特征学习的智能性。进一步采用模型迁移方案,将大型标签源域数据的诊断知识迁移到目标域网络上,改进网络在目标域任务小样本条件下的学习和分类能力。在跨工况和跨设备迁移任务上进行算法评估,并与传统深度神经网络诊断模型进行比较,验证了所提方法可有效改进诊断性能和计算效率。3)针对变工况下,源域数据和目标域数据存在的分布差异问题,提出一种域对抗迁移网络的变工况状态识别方法。通过构建两个独立的编码网络,分别对源域数据和目标域数据进行学习,并引入权值迁移策略和对抗训练机制,有效减少源域和目标域的数据分布差异,改进网络诊断能力。同时,考虑标签空间异构的部分域诊断问题,提出一种加权对抗迁移网络部分域诊断方法。在目标域标签空间是源域标签空间的一个子集情况下,考虑源域不相关样本对特征适配的影响,在诊断网络中引入加权学习方案,减少不相关源域样本的干扰,促进源域和目标域共享类别样本的适配。通过轴承和齿轮箱诊断试验,验证了上述方法可有效改进设备在变工况下的诊断精度和抗噪能力。4)为有效利用工业测试系统中多传感器信息,提出一种基于深度迁移网络的多传感器信息融合及诊断方法。利用深度神经网络的强大特征提取能力,对来自多个传感器的信息采用稀疏自编码网络进行特征融合,并利用深度置信网络分类,初步验证信息融合的有效性;进一步考虑测试数据和训练数据可能来自多个不同位置传感器,导致的数据分布差异问题,将深度神经网络和迁移学习相结合,提出一种多传感器决策层融合方法,通过构建深度迁移网络对多个源域传感器数据与目标域传感器数据进行域适配,减少数据分布差异,并在输出层采用决策层融合,改进了诊断模型的故障分类能力。所提方法有效提高了旋转机械在特征提取和增强、小样本学习、变工况诊断和多传感器信息融合等任务上的分类精度和泛化能力,扩展了现有诊断方法的应用范围,为复杂环境下机械设备的智能故障诊断提供了新的手段和思路。
庞博[6]（2020）在《基于全矢—经验小波变换的滚动轴承故障诊断研究》文中研究说明轴承的振动问题一直是机械行业的研究热点,近年随着中国制造业的飞速发展,滚动轴承的转速和负荷也在不断提高,利用滚动轴承的振动信号进行故障诊断研究有利于保障机械设备的正常运行。然而滚动轴承故障信号能量微弱,故障特征信息更容易受到工况中噪声的影响,致使很难有效地实现信噪分离。经验小波变换（Empirical Wavelet Transform,EWT）是一种新型的信号分解方法,它能够准确地将故障信号从复杂信号中分解出来。传统单个传感器采集到的振动信号不能全面反映轴承状态的真实情况,会影响故障诊断的精度,全矢谱技术能够对双通道信号进行融合,有效地避免信息遗漏。本文以滚动轴承为研究对象,全面研究了经验小波变换方法和全矢谱技术的优势,对滚动轴承振动信号进行故障特征提取,结合多分类极限学习机（Limit Learning Machine,ELM）进行故障诊断,主要研究内容如下:（1）首先研究了EWT方法的理论和性能,利用仿真信号验证了EWT方法比集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和时间固有尺度分解（Intrinsic Time-scale Decomposition,ITD）具有更强的信号解析能力。针对EWT对微弱故障信号分解不足的问题,结合核独立成分分析技术（Kernel Independent Component Analysis,KICA）的优势,提出了EWT-KICA联合的滚动轴承故障特征提取方法。首先使用EWT对轴承故障信号进行分解,根据相关系数准则对分解获得的分量结果进行筛选并重构,然后使用KICA对重构的信号进行解混,实现信号和噪声的分离。实验结果表明,该方法能够增强EWT对故障特征的提取能力。（2）其次研究发现传统EWT方法由于频谱分割问题会造成信号的过分解或欠分解现象,本文提出了对极大值包络的EWT频谱分割优化方法,同时为了解决单通道信号造成的故障信息遗漏问题,引入全矢谱信息融合技术,提出改进EWT-KICA全矢融合的故障特征提取方法。通过实验验证了该方法不仅达到了信噪分离的目的,而且能够更加全面准确地提取滚动轴承的故障特征。（3）最后介绍了多分类极限学习机方法的原理,并分别计算全矢融合后主振矢和时域信号的特征因子,将其组成特征向量,提出了基于全矢经验小波变换的多分类极限学习机轴承故障诊断方法。该方法首先使用改进EWT-KICA全矢信息融合的方法对滚动轴承进行故障特征提取,然后计算主振矢和时域信号的特征参数并构造用以识别的特征向量,最后将特征向量输入ELM中构造分类器,并对测试样本进行分类。经实验验证,该方法能够准确地识别滚动轴承正常、外圈故障、保持架故障以及保持架滚动体外圈复合故障。
庞彬[7]（2020）在《基于奇异谱分解的旋转机械故障诊断研究》文中研究指明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。
刘诗源[8]（2020）在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中认为矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:（1）研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法（Adaptive Electrical Period Partition,AEPP）,对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）对各电周期信号进行分解,结合Park矢量模（Park’s Vector Modulus,PVM）归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。（2）研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换（Dual-Tree Complex Wavelet Packet Transform,DTCWPT）的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法（Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC）,对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则（Maximum Local Margin Criterion,MLMC）的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机（Support Vector Machine,SVM）分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。（3）研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,（1）多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。（2）由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析（Transfer Component Analysis,TCA）研究的基础上,提出改进TCA（Modified Transfer Component Analysis,MTCA）的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。（4）研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习（Stratified Transfer Learning,STL）研究的基础上,提出一种改进STL（Modified Stratified Transfer Learning,MSTL）的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。（5）研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
张德清[9]（2020）在《基于证据推理规则和粗糙集的分类器设计及其在故障诊断中的应用》文中提出证据推理（Evidence Reasoning,ER）规则是对Dempster-Shafer（DS）证据理论中Dempster组合规则的有效扩展,它解决了Dempster组合规则中证据折扣前后特异性的非正常变化问题,并明确区分了证据的重要性权重和可靠性因子的概念。最近,一些学者将ER规则应用于设备故障诊断中,并且取得了一定的成果。在此基础上,本文通过量化分类属性样本及其证据的不确定性,给出一种获得可靠性因子的方法,并基于此设计了一种新型的广义分类器,然后将该分类器应用于完备和不完备样本条件下的故障诊断中,以便提升ER诊断模型在解决设备故障诊断问题中的适用性和应用效果,主要工作如下:（1）基于证据推理规则和粗糙集的广义分类器设计。首先,基于样本特征参考值投点获取参考证据矩阵,利用证据不确定度进行参考证据矩阵参数的优化。然后,基于粗糙集和证据不确定度获取证据的可靠性因子,使用ER规则进行证据融合与分类决策。最后利用University of California Irvine（UCI）提供的五种典型分类数据集,详细叙述了广义分类器算法的实施过程,并对实验结果进行了详细分析,从而说明所提分类器性能的优势。（2）完备样本条件下的旋转机械设备故障诊断方法。针对训练样本完备的情况,亦即建模所需多维故障特征向量中不存在缺失的情况,基于（1）中广义分类器给出了相应的诊断方法。首先对多传感器采集的机械振动信号进行特征提取;基于k-means算法获取特征样本参考值,构建参考证据矩阵并计算证据可靠性因子;通过证据融合与决策判断待检测样本的故障模式;在融合过程中,利用序列线性规划（SLP）策略实现了证据重要性权重的优化;最后,在电机转子故障诊断实验中,验证了所提方法的有效性。（3）不完备样本条件下的旋转机械设备故障诊断方法。针对故障诊断中样本数据缺失这一典型问题,进一步提出两种基于（1）中广义分类器的诊断方法。方法一在多源证据获取以及融合过程中都忽略缺失的故障特征;方法二把数据缺失看作是故障特征自身所具有的一种自然特性,并在证据获取和融合中都考虑了该特性的影响。最后,在电机转子故障诊断实验中,通过对比其他典型诊断方法,验证了所提两种方法的有效性。
宋圣霖[10]（2020）在《旋转机械故障的全信息融合时频分析技术研究》文中指出旋转机械的结构和功能日趋复杂,对机械系统的安全性和稳定性要求也愈加严格,因此旋转机械故障诊断在过程监控领域成为了研究热点。旋转机械发生故障时会产生动态非平稳信号,时频分析技术可以有效得处理非平稳信号,将复杂的机械数据内在信息进行特征提取,相比于频谱分析采用平稳的正弦波分解信号更为先进。振动信号特征提取的质量决定了在线监测系统中诊断方法和预测方法的有效性,旋转机械早期故障信号较为微弱,容易受环境噪声以及其它结构件的干扰,因此故障特征难以进行提取。本文针对单通道信号振动数据不完整、不精确的局限性,基于全信息融合的全矢谱理论,研究时频分析技术在强背景噪声下微弱故障的特征提取,解决了非平稳多通道信号提取故障敏感特征量和数据融合问题。论文主要工作和研究成果如下:（1）研究了基于改进谐波小波和分形的故障诊断算法,采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数提取微弱故障特征。通过仿真实验验证了算法的有效性,在转子实验台上采集数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性较好,优于传统的关联维数算法以及谐波小波分形算法。（2）研究了全矢频带熵（FV-FBE）的故障诊断算法,采用短时傅里叶变换（STFT）计算频带熵（FBE）,根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明FV-FBE算法可以减少低频离散噪声成分以及全面提取微弱故障特征。（3）研究了全矢AR谱峭度的故障诊断算法,采用自回归模型（AR）进行轴承信号的预白化处理,保留信号的瞬态冲击和稳态噪声,采用改进谐波小波计算的谱峭度自适应设计带通滤波器,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明全矢AR谱峭度算法可以全面有效的提取轴承的微弱故障,优于传统的谱峭度算法。
二、一种机械故障监测的信息融合（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、一种机械故障监测的信息融合（论文提纲范文）
（1）基于卷积神经网络的智能故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于机器学习的智能故障诊断研究现状 |
| 1.2.1 基于浅层学习的智能故障诊断方法 |
| 1.2.2 基于深度学习的智能故障诊断方法 |
| 1.3 CNN模型在机械故障诊断中的研究现状 |
| 1.3.1 恒转速工况下的故障诊断 |
| 1.3.2 变转速工况下的故障诊断 |
| 1.3.3 多传感器信息融合 |
| 1.3.4 域适应性 |
| 1.4 研究内容 |
| 1.5 本文章节组织结构 |
| 2 CNN模型的基本原理及分析 |
| 2.1 引言 |
| 2.2 生物学视觉原理 |
| 2.3 CNN模型的核心思想 |
| 2.4 CNN模型的基本结构 |
| 2.5 CNN模型的训练算法 |
| 2.5.1 前向传播算法 |
| 2.5.2 反向传播算法 |
| 2.6 CNN模型的优化方法 |
| 2.6.1 Droupt技术 |
| 2.6.2 批量标准化 |
| 2.7 CNN模型用于故障诊断的流程 |
| 2.8 本章小结 |
| 3 CNN模型的结构参数变化对故障诊断的影响分析 |
| 3.1 引言 |
| 3.2 CWRU滚动轴承实验 |
| 3.3 实验设计及有关实验结论 |
| 3.3.1 基础模型设置 |
| 3.3.2 卷积核数量和尺寸的影响 |
| 3.3.3 池化操作的影响分析 |
| 3.3.4 批量归一化的影响分析 |
| 3.3.5 网络深度的影响分析 |
| 3.3.6 样本长度的影响 |
| 3.4 本章小结 |
| 4 基于注意力机制和多通道输入的CNN故障诊断模型 |
| 4.1 引言 |
| 4.2 注意力机制 |
| 4.3 多维通道信号集 |
| 4.4 多通道输入的CNN模型(MCFCNN) |
| 4.4.1 多通道输入 |
| 4.4.2 通道注意力机制 |
| 4.4.3 诊断流程 |
| 4.5 行星齿轮箱实验验证及分析 |
| 4.5.1 实验描述 |
| 4.5.2 实验数据集 |
| 4.5.3 输入层参数设置 |
| 4.5.4 MCFCNN模型与单通道CNN性能比较分析 |
| 4.5.5 通道数量的影响分析 |
| 4.5.6 MCFCNN 模型与其它基于CNN 模型的融合方法的比较 |
| 4.5.7 域适应性分析 |
| 4.6 滚动轴承实验验证及分析 |
| 4.6.1 实验数据 |
| 4.6.2 输入层参数设置 |
| 4.6.3 MCFCNN 模型与单通道CNN 模型的分析比较 |
| 4.6.4 MCFCNN与其它基于CNN的融合方法的比较 |
| 4.6.5 域适应性分析 |
| 4.7 本章小结 |
| 5 变工况下多尺度核的CNN故障诊断模型 |
| 5.1 引言 |
| 5.2 变转速工况下行星齿轮箱振动信号特性分析 |
| 5.2.1 变转速工况实验 |
| 5.2.2 变转速工况对振动信号影响分析 |
| 5.3 Inception模型 |
| 5.4 基于多尺度核的CNN模型故障诊断方法 |
| 5.4.1 多尺度核卷积单元 |
| 5.4.2 模型设计 |
| 5.5 升速工况下的故障诊断 |
| 5.5.1 样本划分 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 6 基于CNN模型的远域跨设备故障诊断方法 |
| 6.1 引言 |
| 6.2 迁移学习概念 |
| 6.3 最大均值差异 |
| 6.4 基于TL和 MCFCNN模型的故障诊断方法 |
| 6.5 行星齿轮箱不同工况下迁移 |
| 6.5.1 设计迁移任务 |
| 6.5.2 实验结果 |
| 6.6 滚动轴承不同工况下迁移 |
| 6.6.1 设计迁移任务 |
| 6.6.2 迁移学习的诊断结果 |
| 6.7 不同设备不同工况下的迁移任务 |
| 6.7.1 设计迁移任务 |
| 6.7.2 实验结果分析 |
| 6.8 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 |
| 参考文献 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）基于共振解调法和声发射法的圆锥滚子轴承故障分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外铁路轴承研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 本章小结 |
| 第二章 滚动轴承故障类型及诊断方法 |
| 2.1 轴承的基本结构 |
| 2.2 轴承主要故障类型 |
| 2.3 影响滚动轴承状态的因素 |
| 2.3.1 影响轴承状态的内因 |
| 2.3.2 影响轴承状态的外因 |
| 2.4 滚动轴承故障机理分析 |
| 2.4.1 滚动轴承振动机理分析 |
| 2.4.2 滚动轴承故障特征提取方法 |
| 本章小结 |
| 第三章 双列圆锥滚子轴承仿真分析 |
| 3.1 轴承模型建立 |
| 3.1.1 研究对象模型的建立 |
| 3.1.2 轴承模型故障划分 |
| 3.2 双列圆锥滚子轴承模态特性分析 |
| 3.2.1 轴承模态基本理论 |
| 3.2.2 轴承模型条件设置 |
| 3.2.3 无故障轴承模态分析 |
| 3.2.4 故障5×5×5mm剥落的模态分析 |
| 3.2.5 故障5×8×5mm剥落的模态分析 |
| 3.3 双列圆锥滚子轴承显示动力学分析 |
| 3.3.1 显示动力学的基本理论与算法 |
| 3.3.2 轴承网格的划分 |
| 3.3.3 轴承的边界条件和载荷设置 |
| 3.3.4 轴承模型的显示动力学分析 |
| 本章小结 |
| 第四章 双列圆锥滚子轴承故障实验测试和信号分析 |
| 4.1 实验平台的搭建 |
| 4.1.1 试验台的主体 |
| 4.1.2 试验台中电机的选择 |
| 4.1.3 变频系统的选择 |
| 4.2 双列圆锥滚子轴承共振解调技术研究 |
| 4.2.1 共振解调技术的基本原理 |
| 4.2.2 信号采集系统设置 |
| 4.2.3 实验数据分析 |
| 4.3 双列圆锥滚子轴承声发射技术研究 |
| 4.3.1 声发射的基本原理 |
| 4.3.2 声发射技术的特点 |
| 4.3.3 信号采集系统的设置 |
| 4.3.4 实验数据分析 |
| 4.4 实验结论 |
| 本章小结 |
| 第五章 双列圆锥滚子轴承的信息融合故障诊断 |
| 5.1 信息融合技术的发展和含义 |
| 5.2 信息融合层次划分 |
| 5.2.1 数据层融合 |
| 5.2.2 特征层融合 |
| 5.2.3 决策层融合 |
| 5.3 融合诊断常用方法 |
| 5.4 自适应加权融合算法 |
| 5.4.1 自适应加权融合算法理论 |
| 5.4.2 融合结果分析 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）基于多源信息融合的轴承复合故障诊断技术研究（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 多源信息融合与轴承复合故障诊断研究现状及分析 |
| 1.2.1 多源信息融合技术的研究现状 |
| 1.2.2 轴承复合故障诊断的研究现状 |
| 1.3 论文主要内容、结构及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 主要创新点 |
| 第2章 多源信息融合轴承复合故障诊断理论基础与框架 |
| 2.1 引言 |
| 2.2 多源信息融合技术 |
| 2.3 数据驱动的特征提取方法 |
| 2.4 轴承复合故障诊断实验平台 |
| 2.5 基于多源信息融合的轴承复合故障诊断框架 |
| 2.6 本章小结 |
| 第3章 面向冲突证据的改进D-S证据理论算法研究 |
| 3.1 引言 |
| 3.2 经典D-S证据理论及其存在的缺陷 |
| 3.2.1 D-S证据理论 |
| 3.2.2 经典D-S证据理论存在的缺陷 |
| 3.3 基于皮尔逊相关性系数的改进D-S证据理论算法 |
| 3.4 实验仿真分析 |
| 3.4.1 四种常见证据冲突分析 |
| 3.4.2 多证据融合比较 |
| 3.4.3 皮尔逊相关性系数改进D-S证据理论比较 |
| 3.5 本章小结 |
| 第4章 基于SAE与 IDS的轴承单一故障检测与复合故障诊断模型 |
| 4.1 引言 |
| 4.2 稀疏自编码(SAE) |
| 4.3 基于SAE与改进D-S的轴承单一故障检测与复合故障诊断 |
| 4.3.1 单一故障检测框架 |
| 4.3.2 单一故障检测规则 |
| 4.3.3 改进的D-S证据理论 |
| 4.3.4 基于单一故障检测的复合故障诊断 |
| 4.4 数据准备与实验分析 |
| 4.4.1 数据准备 |
| 4.4.2 基于SAE与 IDS的单一故障检测实验分析 |
| 4.4.3 基于单一故障检测的复合故障诊断实验分析 |
| 4.5 本章小结 |
| 第5章 集成两级CNN融合的轴承复合故障诊断模型 |
| 5.1 引言 |
| 5.2 卷积神经网络(CNN) |
| 5.3 复合故障诊断框架 |
| 5.3.1 基于一级CNN的多传感器特征提取模型 |
| 5.3.2 基于二级CNN的多传感器融合模型 |
| 5.4 实验与分析 |
| 5.4.1 数据描述 |
| 5.4.2 一级CNN模型分析 |
| 5.4.3 二级CNN融合模型分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 主要符号对照表 |
| 附录B 在学期间发表的学术论文与研究成果 |
（4）旋转机械智能故障诊断方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 旋转机械故障诊断方法的研究现状 |
| 1.2.1 旋转机械故障特征提取方法的研究现状 |
| 1.2.2 旋转机械故障识别方法的研究现状 |
| 1.3 存在的主要问题和挑战 |
| 1.4 本文主要内容及章节安排 |
| 第二章 旋转机械故障诊断基本原理 |
| 2.1 旋转机械典型部件及故障 |
| 2.2 旋转机械故障诊断的一般流程 |
| 2.3 信号处理与特征提取 |
| 2.3.1 时域特征提取 |
| 2.3.2 频域特征提取 |
| 2.3.3 时频域特征提取 |
| 2.3.4 其它特征提取方法 |
| 2.4 本章小结 |
| 第三章 基于信号模态分解的故障诊断方法 |
| 3.1 引言 |
| 3.2 经验模态分解 |
| 3.3 变分模态分解及参数优化 |
| 3.3.1 变分模态分解 |
| 3.3.2 人工蜂群算法及其优化变分模态分解参数 |
| 3.4 核主成分分析 |
| 3.5 朴素贝叶斯 |
| 3.6 实验 |
| 3.6.1 实验数据来源 |
| 3.6.2 基于经验模态分解的故障诊断实验 |
| 3.6.3 基于变分模态分解的故障诊断实验 |
| 3.7 本章小结 |
| 第四章 基于支持向量机的故障诊断方法 |
| 4.1 引言 |
| 4.2 支持向量机原理 |
| 4.3 量子遗传算法及其优化支持向量机 |
| 4.3.1 遗传算法 |
| 4.3.2 量子遗传算法 |
| 4.3.3 量子遗传算法优化SVM参数 |
| 4.4 改进粒子群优化算法及其优化支持向量机 |
| 4.4.1 粒子群优化算法 |
| 4.4.2 量子粒子群优化算法 |
| 4.4.3 改进量子粒子群优化算法 |
| 4.4.4 改进量子粒子群优化算法优化SVM参数 |
| 4.5 故障诊断模型 |
| 4.6 实验 |
| 4.7 本章小结 |
| 第五章 基于相关向量机的故障诊断方法 |
| 5.1 引言 |
| 5.2 相关向量机原理 |
| 5.2.1 相关向量机模型 |
| 5.2.2 相关向量机分类 |
| 5.3 蝙蝠算法及其优化相关向量机 |
| 5.3.1 蝙蝠算法基本原理 |
| 5.3.2 蝙蝠算法优化相关向量机参数 |
| 5.4 实验 |
| 5.5 本章小结 |
| 第六章 基于证据理论的信息融合故障诊断方法 |
| 6.1 引言 |
| 6.2 D-S证据理论 |
| 6.2.1 基本定义 |
| 6.2.2 Dempster合成规则 |
| 6.3 基于支持向量机和改进证据理论的故障诊断方法 |
| 6.3.1 支持向量机概率输出 |
| 6.3.2 基于Tanimoto相似性测度和信息熵的证据合成方法 |
| 6.3.3 基于支持向量机和改进证据理论的故障诊断流程 |
| 6.3.4 实验 |
| 6.4 基于K最近邻算法和改进证据理论的故障诊断方法 |
| 6.4.1 K最近邻算法 |
| 6.4.2 基于静态折扣因子和权重系数的证据合成方法 |
| 6.4.3 基于KNN算法和改进证据理论的故障诊断流程 |
| 6.4.4 实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 本文的主要工作 |
| 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
（5）基于深度迁移学习的机械设备智能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于传统机器学习的智能故障诊断方法 |
| 1.3.2 基于深度学习的智能故障诊断方法 |
| 1.3.3 基于深度迁移学习的智能故障诊断方法 |
| 1.4 问题提出 |
| 1.5 主要研究内容和结构安排 |
| 第二章 基于卷积神经网络和子空间迁移的特征增强方法 |
| 2.1 循环谱分析理论 |
| 2.1.1 平稳和非平稳信号 |
| 2.1.2 循环谱相干 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.3 子空间迁移学习技术 |
| 2.4 CNN和子空间迁移的层适配特征增强模型 |
| 2.4.1 基于统计特征对齐的无监督层适配技术 |
| 2.4.2 联合GN和 CORAL适配层的CNN故障诊断 |
| 2.5 试验验证 |
| 2.5.1 电机轴承不平衡数据集诊断试验 |
| 2.5.2 电机轴承不同载荷下诊断试验 |
| 2.5.3 MFPT轴承不同载荷下诊断试验 |
| 2.6 结论 |
| 第三章 基于模型迁移的小样本故障分类 |
| 3.1 深度神经网络的模型迁移 |
| 3.2 模型迁移问题描述 |
| 3.3 小样本下迁移卷积神经网络诊断模型 |
| 3.3.1 深度神经网络诊断模型构建 |
| 3.3.2 所提模型迁移方案 |
| 3.4 源域数据集构建 |
| 3.4.1 电机轴承数据集 |
| 3.4.2 齿轮箱数据集 |
| 3.5 试验验证 |
| 3.5.1 跨工况模型迁移诊断试验 |
| 3.5.2 跨设备模型迁移诊断试验 |
| 3.6 结论 |
| 第四章 基于域对抗迁移网络的变工况状态识别 |
| 4.1 生成对抗网络 |
| 4.2 域适配问题描述 |
| 4.3 域对抗迁移网络状态识别模型 |
| 4.3.1 编码网络构建 |
| 4.3.2 权值迁移策略 |
| 4.3.3 对抗训练优化 |
| 4.4 试验验证 |
| 4.4.1 变工况下滚动轴承诊断试验 |
| 4.4.2 变工况下齿轮箱诊断试验 |
| 4.5 结论 |
| 第五章 基于加权对抗迁移网络的部分域故障诊断 |
| 5.1 基于对抗训练的域适配方法 |
| 5.2 部分域适配问题描述 |
| 5.3 加权对抗迁移网络部分域诊断模型 |
| 5.3.1 对抗迁移网络构建 |
| 5.3.2 加权学习策略 |
| 5.3.3 目标函数优化 |
| 5.4 试验验证 |
| 5.4.1 滚动轴承部分域诊断试验 |
| 5.4.2 齿轮箱部分域诊断试验 |
| 5.5 结论 |
| 第六章 基于深度迁移网络的多传感器信息融合及诊断 |
| 6.1 自编码网络 |
| 6.2 深度置信网络 |
| 6.3 基于SAE-DBN的多传感器特征融合方法 |
| 6.3.1 SAE模型构建 |
| 6.3.2 SAE-DBN特征融合和诊断 |
| 6.4 基于深度迁移网络的多传感器决策融合方法 |
| 6.4.1 多传感器融合网络构建 |
| 6.4.2 特征层分布适配算法 |
| 6.4.3 分类器输出适配算法 |
| 6.4.4 目标函数优化 |
| 6.5 试验验证 |
| 6.5.1 滚动轴承特征融合诊断试验 |
| 6.5.2 行星齿轮箱决策融合诊断试验 |
| 6.6 结论 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）基于全矢—经验小波变换的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.1.1 课题的来源 |
| 1.1.2 课题研究目的及意义 |
| 1.2 滚动轴承故障诊断国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 振动分析方法 |
| 1.3.1 时域分析法 |
| 1.3.2 频域分析法 |
| 1.3.3 时频域分析方法 |
| 1.4 经验小波变换 |
| 1.4.1 经验小波变换概述 |
| 1.4.2 经验小波变换的研究现状 |
| 1.5 本文主要的内容与结构安排 |
| 1.6 本章小结 |
| 2 滚动轴承常见故障和全矢经验小波变换方法研究 |
| 2.1 引言 |
| 2.2 滚动轴承常见故障 |
| 2.2.1 滚动轴承故障类型 |
| 2.2.2 滚动轴承故障特征频率 |
| 2.3 全矢谱算法 |
| 2.3.1 基本理论 |
| 2.3.2 公式推导 |
| 2.4 经验小波变换 |
| 2.4.1 频谱分割 |
| 2.4.2 经验小波变换公式推导 |
| 2.5 EWT与 EEMD、ITD方法的对比研究 |
| 2.5.1 仿真实验 |
| 2.5.2 经验小波变换优势与不足 |
| 2.6 本章小结 |
| 3 基于EWT-KICA联合的滚动轴承故障特征提取方法 |
| 3.1 引言 |
| 3.2 EWT-KICA特征提取方法 |
| 3.2.1 核独立分量分析 |
| 3.2.2 互相关系数 |
| 3.2.3 EWT-KICA特征提取方法 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 4 改进EWT-KICA全矢信息融合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 经验小波变换的改进方法 |
| 4.2.1 方法实现过程 |
| 4.2.2 实例模型验证 |
| 4.3 改进EWT-KICA全矢故障信息融合的特征提取方法 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 5 基于全矢经验小波变换的极限学习机轴承故障分类 |
| 5.1 引言 |
| 5.2 多分类极限学习机 |
| 5.3 基于改进 EWT-KICA 全矢信息融合的 ELM 故障分类方法 |
| 5.3.1 特征向量选取 |
| 5.3.2 方法流程 |
| 5.4 滚动轴承故障实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 本文总结 |
| 6.2 课题研究的创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简历、在校期间发表的学术论文及研究成果 |
| 1 个人简历 |
| 2 攻读硕士期间发表的学术成果 |
| 致谢 |
（7）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 |
（8）矿井提升机传动系统故障诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 机械设备故障诊断方法分类 |
| 1.2.1 基于分析模型的故障诊断方法 |
| 1.2.2 基于定性经验知识的故障诊断方法 |
| 1.2.3 基于数据驱动的故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与创新之处 |
| 1.4.1 研究内容安排 |
| 1.4.2 创新之处 |
| 2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
| 2.1 引言 |
| 2.2 三电平逆变器的电路及故障分析 |
| 2.2.1 矿井提升机变频器的结构 |
| 2.2.2 三电平逆变器的故障分析 |
| 2.3 逆变器故障信号预处理与自适应电周期划分 |
| 2.4 基于MODWT的信号处理与特征提取 |
| 2.4.1 帕克矢量模 |
| 2.4.2 小波变换 |
| 2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
| 2.4.4 特征提取 |
| 2.5 随机森林分类器 |
| 2.5.1 随机森林原理 |
| 2.5.2 随机森林算法 |
| 2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
| 2.7 实验验证 |
| 2.7.1 实验设置 |
| 2.7.2 实验分析 |
| 2.8 本章小结 |
| 3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
| 3.1 引言 |
| 3.2 轴承故障诊断机理 |
| 3.3 基于DTCWPT的轴承故障信号处理 |
| 3.3.1 DTCWPT |
| 3.3.2 Hilbert包络谱与边际谱 |
| 3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
| 3.4.1 k-means聚类算法 |
| 3.4.2 皮尔逊相关系数 |
| 3.4.3 敏感特征选取方法 |
| 3.5 最大局部边界准则的特征降维方法 |
| 3.5.1 LDA |
| 3.5.2 LFDA |
| 3.5.3 MMC |
| 3.5.4 最大局部边界准则 |
| 3.6 支持向量机 |
| 3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
| 3.8 实验验证 |
| 3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
| 3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
| 3.8.3 基于SQI-MFS轴承数据实验设置 |
| 3.8.4 基于SQI-MFS轴承数据实验分析 |
| 3.9 本章小结 |
| 4 基于敏感特征迁移学习的提升机轴承故障诊断 |
| 4.1 引言 |
| 4.2 迁移成分分析 |
| 4.3 改进迁移成分分析的特征迁移学习 |
| 4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
| 4.5 实验分析 |
| 4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
| 4.5.2 基于SQI-MFS轴承数据实验分析 |
| 4.6 本章小结 |
| 5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
| 5.1 引言 |
| 5.2 电机故障类型与信号特性分析 |
| 5.2.1 异步电机常见故障类型分析 |
| 5.2.2 异步电机常见故障信号特性分析 |
| 5.3 基于EEMD的电机故障信号处理 |
| 5.3.1 EMD |
| 5.3.2 EEMD |
| 5.4 改进分层迁移学习的类内特征迁移学习 |
| 5.4.1 分层迁移学习 |
| 5.4.2 改进分层迁移学习 |
| 5.5 基于类内特征迁移学习的驱动电机故障诊断 |
| 5.5.1 故障诊断框架 |
| 5.5.2 实验设置 |
| 5.5.3 实验分析 |
| 5.6 基于D-S证据融合理论的驱动电机故障诊断 |
| 5.6.1 D-S证据理论基本概念 |
| 5.6.2 D-S证据理论基本过程 |
| 5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
| 5.6.4 实验分析 |
| 5.7 本章小结 |
| 6 矿井提升机传动系统故障诊断与健康管理系统 |
| 6.1 引言 |
| 6.2 提升机传动系统故障知识表示 |
| 6.2.1 本体概述 |
| 6.2.2 提升机传动系统故障知识分析 |
| 6.3 基于本体和故障信号分析的语义映射方法 |
| 6.3.1 概念模型 |
| 6.3.2 数学模型 |
| 6.3.3 语义映射方法 |
| 6.4 提升机传动系统故障本体知识库的创建 |
| 6.4.1 知识图谱与图数据库 |
| 6.4.2 提升机传动系统故障本体知识库构建 |
| 6.5 系统总体设计与应用 |
| 6.5.1 系统功能模块 |
| 6.5.2 软件开发与系统应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于证据推理规则和粗糙集的分类器设计及其在故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 工业设备故障诊断方法综述 |
| 1.2.1 故障诊断方法的分类 |
| 1.2.2 定性分析的方法 |
| 1.2.3 基于解析模型的方法 |
| 1.2.4 数据驱动的方法 |
| 1.3 本文研究内容及其结构安排 |
| 第2章 不确定信息融合理论基础 |
| 2.1 引言 |
| 2.2 Dempster-Shafer证据理论 |
| 2.3 证据推理(ER)规则 |
| 2.4 粗糙集理论 |
| 2.5 本章小结 |
| 第3章 基于证据推理规则和粗糙集的广义分类器设计方法 |
| 3.1 引言 |
| 3.2 基于样本特征参考值投点的参考证据矩阵获取方法 |
| 3.3 基于证据不确定度的参考证据矩阵参数优化方法 |
| 3.4 基于粗糙集和证据不确定度的证据可靠性因子获取方法 |
| 3.5 基于ER规则的证据融合与分类决策 |
| 3.6 分类器算法的实施流程 |
| 3.7 UCI数据集下的分类实验及分类效果对比分析 |
| 3.7.1 Seeds数据集的分类实例分析 |
| 3.7.2 基于五种基准数据集的分类对比实验 |
| 3.7.3 分类实验效果的统计分析 |
| 3.8 本章小结 |
| 第4章 完备样本条件下的旋转机械故障诊断方法 |
| 4.1 引言 |
| 4.2 旋转机械故障诊断案例分析 |
| 4.3 基于广义分类器的旋转机械故障诊断方法 |
| 4.3.1 完备样本条件下的参考证据矩阵获取方法 |
| 4.3.2 基于ER规则的融合决策与参数优化 |
| 4.4 实验及对比分析 |
| 4.5 本章小结 |
| 第5章 不完备样本条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 不完备样本处理方法介绍 |
| 5.3 不完备样本条件下的旋转机械故障诊断模型构建 |
| 5.3.1 不完备样本条件下的参考证据矩阵获取方法 |
| 5.3.2 不完备样本条件下的可靠性因子获取方法 |
| 5.3.3 基于ER规则的不完备样本条件下的融合决策 |
| 5.4 实验及对比分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）旋转机械故障的全信息融合时频分析技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 旋转机械故障诊断的研究意义 |
| 1.3 时频分析技术研究现状 |
| 1.4 同源信息融合研究现状 |
| 1.4.1 全息谱技术 |
| 1.4.2 全频谱技术 |
| 1.4.3 全矢谱技术 |
| 1.5 本文的研究目的和意义 |
| 1.6 主要研究内容和结构安排 |
| 1.6.1 主要研究内容 |
| 1.6.2 结构框架 |
| 2 改进谐波小波和分形及其在故障诊断中的应用 |
| 2.1 引言 |
| 2.2 小波变换 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 小波包变换 |
| 2.3 谐波小波 |
| 2.3.1 谐波小波变换 |
| 2.3.2 改进谐波小波变换 |
| 2.4 分形理论 |
| 2.4.1 G-P关联维数算法 |
| 2.4.2 关联维数参数的选择 |
| 2.5 实验验证 |
| 2.5.1 仿真实验 |
| 2.5.2 测试实验 |
| 2.6 本章小结 |
| 3 全矢谱理论在故障诊断中的应用 |
| 3.1 引言 |
| 3.2 全矢谱理论 |
| 3.2.1 转子动力学涡动分析 |
| 3.2.2 全矢谱参数分析 |
| 3.2.3 全矢谱数值计算方法 |
| 3.3 全矢谱在故障诊断中的应用 |
| 3.4 本章小结 |
| 4 全矢频带熵算法及其在故障诊断中的应用 |
| 4.1 引言 |
| 4.2 滚动轴承故障诊断模型 |
| 4.2.1 滚动轴承故障特征 |
| 4.2.2 滚动轴承不同部位故障特征 |
| 4.3 谱峭度 |
| 4.4 频带熵 |
| 4.5 全矢频带熵算法 |
| 4.6 实验验证 |
| 4.7 本章小结 |
| 5 全矢AR谱峭度算法及其在故障诊断中的应用 |
| 5.1 引言 |
| 5.2 滚动轴承故障模型与随机滑动 |
| 5.3 AR模型和预白化处理 |
| 5.3.1 AR模型结构 |
| 5.3.2 AR模型阶数选择 |
| 5.3.3 AR模型参数估计 |
| 5.3.4 预白化处理 |
| 5.4 全矢AR谱峭度算法 |
| 5.5 实验验证 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 关键技术和创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间发表的学术论文与研究成果 |
四、一种机械故障监测的信息融合（论文参考文献）
- [1]基于卷积神经网络的智能故障诊断方法研究[D]. 李红梅. 中北大学, 2021(01)
- [2]基于共振解调法和声发射法的圆锥滚子轴承故障分析研究[D]. 葛洪胜. 大连交通大学, 2020(06)
- [3]基于多源信息融合的轴承复合故障诊断技术研究[D]. 张欢. 贵州大学, 2020(04)
- [4]旋转机械智能故障诊断方法的研究[D]. 朱兴统. 广东工业大学, 2020(02)
- [5]基于深度迁移学习的机械设备智能诊断方法研究[D]. 陈祝云. 华南理工大学, 2020
- [6]基于全矢—经验小波变换的滚动轴承故障诊断研究[D]. 庞博. 郑州大学, 2020(02)
- [7]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
- [8]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [9]基于证据推理规则和粗糙集的分类器设计及其在故障诊断中的应用[D]. 张德清. 杭州电子科技大学, 2020
- [10]旋转机械故障的全信息融合时频分析技术研究[D]. 宋圣霖. 郑州大学, 2020