导读:本文包含了早期故障诊断论文开题报告文献综述及选题提纲参考文献，主要关键词:滚动轴承,早期故障,总体局部均值分解,1.5维谱
早期故障诊断论文文献综述
任学平,黄慧杰,李攀[1]（2019）在《基于ELMD和1.5维谱的滚动轴承早期故障诊断方法》一文中研究指出滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。(本文来源于《机械设计与制造》期刊2019年11期）
吴立泉,刘永强,梁兆文[2]（2019）在《一种感应电机转子断条早期故障诊断方法》一文中研究指出针对感应电机转子发生早期断条故障时,定子电流故障特征频率容易被基波频率淹没,导致电机转子断条故障发现不及时的问题,采用多回路方程建立感应电机发生转子断条故障的模型,推导了dq0坐标系下感应电机发生早期断条故障的模型。在该故障模型的基础上,利用参数辨识和滑窗技术得到电机等效参数变化曲线。该方法得到的电机等效参数曲线对转子早期断条故障具有明显的故障特征信号,通过辨识曲线特征可诊断电机转子断条故障,同时给出了转子发生不同程度故障时的差异指标。最后试验验证了该方法的可行性。(本文来源于《电机与控制应用》期刊2019年09期）
王建国,崔玥,张文兴[3]（2019）在《VMD和奇异差分谱在齿轮早期故障诊断中的应用》一文中研究指出针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,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。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,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包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。(本文来源于《机械设计与制造》期刊2019年09期）
袁洪芳,穆坤,马若桐,王华庆[4]（2019）在《基于MOMEDA与双谱分析的滚动轴承早期故障诊断》一文中研究指出滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。(本文来源于《测控技术》期刊2019年08期）
强文渊,韦家富,刘友波,刘俊勇[5]（2019）在《基于滑动时窗K-Means聚类的CVT早期故障诊断》一文中研究指出电容式电压互感器设备故障的产生给电网设备监测工作造成了严重影响。本文提出了一种基于滑动时窗K-Means聚类早期辨识CVT是否发生内部电容单元击穿故障的检测方法。根据CVT内部电容单元击穿会导致二次侧电压变化,在时域上将CVT二次侧电压数据基于滑动时窗分解为若干段,对分段内数据K-Means聚类处理,通过两类类质心数据差值与阈值比较的结果确定CVT是否发生内部电容击穿故障。算例结果表明本方法对于诊断CVT内部电容单元是否被击穿有一定效果,相比于传统的物理检测手段,效率及灵敏度更高。经过进一步的完善后可适用于智能电网系统。(本文来源于《电力电容器与无功补偿》期刊2019年03期）
汪伟,李军,翟旭升,齐晨阳[6]（2019）在《某型航空发动机中介主轴承早期微弱故障诊断研究》一文中研究指出针对基于机匣采集的振动信号难以有效提取出航空发动机中介主轴承早期微弱故障特征的问题,提出了基于巴特沃斯低通滤波器降噪和Hilbert包络解调的中介主轴承早期微弱故障诊断方法。该方法依托带涡轮支承和外机匣的新型航空发动机中介主轴承试验器,首先,开展某型发动机巡航状态下健康中介主轴承试验,获取基准振动频谱特征;然后,进行外圈剥落预置故障的轴承试验,对采集的振动信号通过低通滤波降噪并进行Hilbert包络分析解调出低频故障信号;最后,对比分析健康主轴承试验与轴承故障试验的时域波形、频谱和包络谱。结果表明,包络谱中转差信号与呈现"山"型边带特征,可用于诊断该型航空发动机中介主轴承外圈的早期剥落故障。(本文来源于《机械与电子》期刊2019年06期）
郑煜,王凯[7]（2019）在《基于Duffing-Lyapunov指数的滚动轴承早期故障诊断研究》一文中研究指出利用Duffing振子运动状态在特征信号检测中出色的信噪比特性,同时为说明振子的运动状态,引入Lyapunov指数对振子运动状态进行定量描述。为匹配合适诊断的振子阻尼系数,利用Melnikov过程研究Duffing振子混沌运动的必要条件。在此基础上,将正常与故障状态实测信号输入Duffing振子,正常状态下振子Lyapunov指数为负,故障状态下Lyapunov指数为正,据此实现滚动轴承的早期故障诊断。(本文来源于《机械制造与自动化》期刊2019年03期）
辛李霞,汪建新,苏晓云[8]（2019）在《基于VMD和最小熵反褶积的齿轮早期故障诊断》一文中研究指出针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。(本文来源于《机械设计与制造》期刊2019年06期）
金光,袁照丹,姜冠伊,李浩亮,冯作英[9]（2019）在《变速器总成耐久试验早期故障诊断》一文中研究指出为早期识别变速器总成故障,利用故障专家系统对变速器耐久试验过程进行了振动监测。选取其中两种典型故障模式进行阶次分析。结果表明,通过振动信号采集、数据处理、阶次谱分析、信号能量对比,可以发现初期故障引起的机械结构变化,识别故障发生位置,记录故障发展过程。同时通过及时中止测试,可避免样品过度损坏和保护测试设备,进而提高设备利用率,缩短产品验证周期。(本文来源于《汽车技术》期刊2019年06期）
魏禹[10]（2019）在《基于熵值的齿轮箱故障特征提取与早期故障诊断方法研究》一文中研究指出齿轮箱作为机械设备中传递运动和动力的重要部件,其健康状态将直接影响整个机械设备的运行安全。由于齿轮箱结构复杂、工作环境恶劣等原因,齿轮箱在机械设备中容易发生故障,造成较大经济损失甚至人员伤亡。本文以齿轮箱为研究对象,在总结齿轮箱现有故障诊断技术的基础上,采用动力学建模仿真补充故障数据并发现故障特性,同时采用基于熵值的复杂度表征和先进滤波技术对齿轮箱进行特征提取和早期故障诊断研究。其主要研究工作如下:为从理论上分析齿轮箱的故障特性,同时补充齿轮箱点蚀故障类型及程度的实验数据,进行了齿轮箱点蚀故障动力学仿真研究。首先,对一级齿轮箱进行动力学建模,建立扭转和横向振动的6自由度动力学模型。其次,啮合刚度是齿轮动力学系统中最主要的一个内部激励。随着齿轮点蚀程度增大,啮合刚度的值会发生变化,因而齿轮的动力学特性也会改变。本文采用时变啮合刚度来描述齿轮点蚀故障程度的变化,最终求出齿轮不同点蚀故障程度下的故障特征。最后,对动力学仿真模型进行验证,并进一步分析了齿轮箱的早期故障特性以及齿轮箱不同点蚀故障程度下振动信号的特点。针对齿轮在不同故障类型下的振动信号所呈现出的复杂度不同的特点,提出了基于自适应排列熵的齿轮故障类型特征提取方法。自适应排列熵集成了局部均值分解算法自适应的特点及排列熵较高的计算效率,能够从齿轮振动信号有效提取不同故障类型的故障信息。与传统的多尺度排列熵相比,自适应多尺度排列熵采用软阈值分割,能更加全面准确地描述振动信号的故障信息,有效提高了样本之间的可区分性。经齿轮箱仿真数据和实验数据验证,基于自适应多尺度排列熵的特征提取方法具有较高的识别精度和计算效率,实现了齿轮不同故障类型的准确识别。针对多尺度模糊熵对齿轮故障程度特征提取能力不足的问题,提出了广义复合多尺度模糊熵的特征提取方法。针对多尺度模糊熵中粗粒化过程的缺点,提出了广义复合多尺度分解算法,有效提高模糊熵在大尺度下的稳定性,并且同时兼顾振动信号低频分量和高频分量的故障信息。首先采用广义复合多尺度模糊熵提取齿轮箱不同故障程度的故障特征,然后采用拉普拉斯分值对特征进行优选,并结合极限学习机实现齿轮不同故障程度的有效区分。通过仿真和实验,验证了基于广义复合多尺度模糊熵进行故障特征提取的优势,实现了齿轮不同故障程度的有效区分。针对齿轮早期微弱故障特征难以准确提取的问题,提出了基于集合经验模式分解(EEMD)与改进自适应多尺度形态学(IAMMA)的齿轮箱早期故障诊断方法。为了降低噪声的干扰,首先应用EEMD对早期的故障信号进行预处理,优选出包含故障特征较多的内禀模式分量,组成重构信号。其次应用形态学方法对重构信号进行解调分析,本文针对自适应多尺度形态学(AMMA)将结果直接均分的问题,提出IAMMA算法。通过引入特征频率比(CFR),将AMMA的解调结果赋予权重值,依据CFR指标自适应分配权重,提高了AMMA算法的解调能力。仿真与实验结果表明:所提出的EEMD-IAMMA方法能够有效提高故障诊断精度,完成齿轮早期故障的准确定位。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
早期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：
针对感应电机转子发生早期断条故障时,定子电流故障特征频率容易被基波频率淹没,导致电机转子断条故障发现不及时的问题,采用多回路方程建立感应电机发生转子断条故障的模型,推导了dq0坐标系下感应电机发生早期断条故障的模型。在该故障模型的基础上,利用参数辨识和滑窗技术得到电机等效参数变化曲线。该方法得到的电机等效参数曲线对转子早期断条故障具有明显的故障特征信号,通过辨识曲线特征可诊断电机转子断条故障,同时给出了转子发生不同程度故障时的差异指标。最后试验验证了该方法的可行性。
（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。
早期故障诊断论文参考文献
[1].任学平,黄慧杰,李攀.基于ELMD和1.5维谱的滚动轴承早期故障诊断方法[J].机械设计与制造.2019
[2].吴立泉,刘永强,梁兆文.一种感应电机转子断条早期故障诊断方法[J].电机与控制应用.2019
[3].王建国,崔玥,张文兴.VMD和奇异差分谱在齿轮早期故障诊断中的应用[J].机械设计与制造.2019
[4].袁洪芳,穆坤,马若桐,王华庆.基于MOMEDA与双谱分析的滚动轴承早期故障诊断[J].测控技术.2019
[5].强文渊,韦家富,刘友波,刘俊勇.基于滑动时窗K-Means聚类的CVT早期故障诊断[J].电力电容器与无功补偿.2019
[6].汪伟,李军,翟旭升,齐晨阳.某型航空发动机中介主轴承早期微弱故障诊断研究[J].机械与电子.2019
[7].郑煜,王凯.基于Duffing-Lyapunov指数的滚动轴承早期故障诊断研究[J].机械制造与自动化.2019
[8].辛李霞,汪建新,苏晓云.基于VMD和最小熵反褶积的齿轮早期故障诊断[J].机械设计与制造.2019
[9].金光,袁照丹,姜冠伊,李浩亮,冯作英.变速器总成耐久试验早期故障诊断[J].汽车技术.2019
[10].魏禹.基于熵值的齿轮箱故障特征提取与早期故障诊断方法研究[D].哈尔滨工业大学.2019