导读:本文包含了滚动轴承故障诊断论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障诊断,傅立叶,故障,门控,奇异,分解,算法。
滚动轴承故障诊断论文文献综述
聂海燕[1]（2019）在《滚动轴承故障诊断方法综述》一文中研究指出滚动轴承具有非常多的优点,它不仅使用维护十分的方便,而且在工作的过程中具有一定的稳定性,启动性能比较好。尤其是在中等速度下的承载能力比较好。但是,相比于滑动的轴承拉手,滚动的轴承的径向尺寸比较大,减震能力比较差,噪音和声响比较大。同时滚动轴承中还存在着一定的故障,制约着轴承的发展。鉴于此,文章将主要探讨滚动轴承故障的诊断方法进行论述。(本文来源于《内燃机与配件》期刊2019年23期）
赵玮[2]（2019）在《基于VMD和奇异差分谱的滚动轴承早期故障诊断》一文中研究指出针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。(本文来源于《机械设计与制造》期刊2019年12期）
张健,张子阳,起雪梅,刘小英[3]（2019）在《基于EMD和VPMCD的滚动轴承故障诊断》一文中研究指出根据滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种不同类别的振动信号,给出了基于经验模态分解(Empirical Mode Decomposition,EMD)和变量预测模型(Variable Predictive Model Based Class Discriminate,VPMCD)的滚动轴承故障诊断方法。首先,使用EMD方法自适应地将滚动轴承振动信号分解为若干IMF(Intrinsic Mode Function,IMF),对前几个包含滚动轴承主要故障信息的IMF分量求包络谱,并提取故障特征频率处的幅值组成故障特征向量;然后,采用VPMCD分类器进行故障识别和分类。试验仿真分析结果表明,应用该方法对20×4个测试样本进行分析,80个样本均被成功识别,达到了试验研究预期的故障类型识别准确度。(本文来源于《机械设计》期刊2019年S2期）
胡爱军,赵军[4]（2019）在《基于自适应最大相关峭度解卷积的滚动轴承多故障诊断》一文中研究指出滚动轴承存在多个故障时,由于各故障响应之间相互干扰,会使包络谱诊断效果不佳。最大相关峭度解卷积(MCKD)是用于增强周期性脉冲的有效工具,然而,MCKD的滤波器长度参数和移位数需要人工设定,并且在复杂条件下运行的轴承对参数的要求较高。针对此情况,提出了一种自适应最大相关峭度解卷积的滚动轴承多故障诊断方法。该方法以最大相关峭度解卷积信号的包络谱的谱相关峭度值作为目标函数,采用人工鱼群算法,自适应得到MCKD的最优参数,利用参数优化的最大相关峭度解卷积实现滚动轴承多故障分析。滚动轴承多故障仿真及轴承内圈多故障实验分析表明,该方法可以有效提取故障特征,实现滚动轴承多故障的准确诊断。(本文来源于《振动与冲击》期刊2019年22期）
杨平,苏燕辰[5]（2019）在《基于卷积门控循环网络的滚动轴承故障诊断》一文中研究指出针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重迭下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。(本文来源于《航空动力学报》期刊2019年11期）
乔国鼎[6]（2019）在《基于互相关奇异值分解的滚动轴承故障诊断》一文中研究指出滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。(本文来源于《国防交通工程与技术》期刊2019年06期）
冯兆军[7]（2019）在《铁路货车车辆滚动轴承的故障诊断及防范措施分析》一文中研究指出铁路货车中一项重要的组成部分就是滚动轴承,滚动轴承对铁路货车牵引重量和运行速度都有极大的推动作用,它在提升铁路货车运行安全程度的同时也增加了其经济效益,因此车辆滚动轴承质量的好坏对铁路货车运行有着直接的影响。近年来,随着铁路货车不断的提速和增载,车辆滚动轴承故障也越来越多,严重降低了铁路货车的运行安全性和效益性。在此背景下,本文将对铁路货车车辆滚动轴承的故障诊断及防范措施进行研究,希望通过本文的研究能够不断促进铁路货车运输工作的发展。(本文来源于《科学技术创新》期刊2019年32期）
李众,王海瑞,朱建府,燕志星,李卓漫[8]（2019）在《基于蜻蜓算法优化支持向量机的滚动轴承故障诊断》一文中研究指出针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。(本文来源于《化工自动化及仪表》期刊2019年11期）
潘浩,周凯波,刘颉[9]（2019）在《基于傅立叶变换多滤波器分解和排列熵的滚动轴承故障诊断方法》一文中研究指出滚动轴承是机械传动机构的重要部件之一,其状态直接影响着系统性能,因此,开展滚动轴承故障诊断研究十分重要。基于数据驱动的故障诊断方法的性能取决于故障特征的质量。为了获取高质量的特征,首先需要进行监测振动信号分解。常用信号分解方法计算得到的子信号在频谱中存在重迭现象,而高质量的故障特征很大程度反应在频率成分及其幅值的变化上。考虑到傅立叶变换具有优异的频率分辨能力且不丢失信息,本文利用傅立叶变换进行多滤波器信号分解。在此基础上,采用排列熵提取子信号中的故障信息,不仅保留了熵测度的作用,还具有较好的计算效率。综上所述,本文提出一种基于傅立叶变换多滤波器分解和排列熵的滚动轴承故障诊断方法,并利用公开和实验测试数据集验证方法有效性。实验结果表明所提方法具有一定的实际工程应用价值。(本文来源于《第十叁届全国振动理论及应用学术会议论文集》期刊2019-11-09）
李长伟,雷文平,孙浩,陈耀,庞博[10]（2019）在《基于全矢EEMD和相关系数的滚动轴承故障诊断》一文中研究指出针对滚动轴承振动信号具有非线性、非平稳的特点,以及在传统的单源信息滚动轴承故障诊断中存在的信噪比和诊断可信度低的问题,本文提出了一种基于全矢集合经验模态分解和相关系数的滚动轴承故障诊断方法。首先该方法利用全矢谱信息融合技术处理双通道信息,提高信号的诊断可信度;其次运用集合经验模态分解将融合信息分解为多个本证模函数;最后利用相关系数法筛选出有效本征模函数,再结合时频域分析方法和解调技术进行故障诊断。(本文来源于《第十叁届全国振动理论及应用学术会议论文集》期刊2019-11-09）
滚动轴承故障诊断论文开题报告
（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：
针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。
（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。
滚动轴承故障诊断论文参考文献
[1].聂海燕.滚动轴承故障诊断方法综述[J].内燃机与配件.2019
[2].赵玮.基于VMD和奇异差分谱的滚动轴承早期故障诊断[J].机械设计与制造.2019
[3].张健,张子阳,起雪梅,刘小英.基于EMD和VPMCD的滚动轴承故障诊断[J].机械设计.2019
[4].胡爱军,赵军.基于自适应最大相关峭度解卷积的滚动轴承多故障诊断[J].振动与冲击.2019
[5].杨平,苏燕辰.基于卷积门控循环网络的滚动轴承故障诊断[J].航空动力学报.2019
[6].乔国鼎.基于互相关奇异值分解的滚动轴承故障诊断[J].国防交通工程与技术.2019
[7].冯兆军.铁路货车车辆滚动轴承的故障诊断及防范措施分析[J].科学技术创新.2019
[8].李众,王海瑞,朱建府,燕志星,李卓漫.基于蜻蜓算法优化支持向量机的滚动轴承故障诊断[J].化工自动化及仪表.2019
[9].潘浩,周凯波,刘颉.基于傅立叶变换多滤波器分解和排列熵的滚动轴承故障诊断方法[C].第十叁届全国振动理论及应用学术会议论文集.2019
[10].李长伟,雷文平,孙浩,陈耀,庞博.基于全矢EEMD和相关系数的滚动轴承故障诊断[C].第十叁届全国振动理论及应用学术会议论文集.2019
论文知识图
