一、基于Lab VIEW的列车轮对轴承不分解故障诊断系统设计（论文文献综述）
杨可玉[1]（2021）在《旋转机械振动信号分折及故障诊断研究》文中研究说明
梁红燕[2]（2021）在《列车走行部车载诊断仪软件设计及实现》文中研究说明地铁是现代社会最重要的交通工具之一,只有在安全平稳运行的前提下,地铁才能提供高负荷、高频次的乘客出行服务。地铁是由多种零部件组成的复杂系统,任何一个零部件出现故障,都会影响到整车的安全平稳运行,因此,对这些零部件进行有效的监控,是保障地铁安全性的前提。滚动轴承是地铁列车走行部中负责减少摩擦的重要零件,极易发生故障。对工作中的滚动轴承的运行状态进行在线实时监控,诊断工作状态下滚动轴承的健康状态,可以保障列车安全平稳运行。本文通过深入研究过往研究者提出的列车滚动轴承在线故障诊断方法,发现所提方法未能较好地解决其在地铁嵌入式平台上进行布置的问题。基于此,本文提出并设计了一个针对嵌入式平台应用的列车走行部车载诊断仪,以解决这个问题。通过深入分析主机厂客户的实际需要,提出了列车走行部车载诊断仪的软件设计需求,并根据这些需求搭建出列车走行部车载诊断仪的总体软件系统以及各个功能子模块系统,采用经验模态分解和共振解调技术相结合的算法,前期采用MATLAB+LabVIEW的混合编程开发,后期采用LabVIEW嵌入式编程开发,实现高效、快速布置列车走行部车载诊断仪。之后对每个模块的具体实现进行了阐述,包括数据采集模块、时域指标计算模块、自动故障诊断模块、故障特征频率计算模块和波形显示模块。最后搭建模拟测试环境,对列车走行部车载诊断仪软件进行测试。最终实现了列车走行部车载诊断仪软件在复杂环境下的轴承故障诊断报警功能,可以实时监测轴承运行状态,准确度高,性能可靠。
白永亮[3]（2021）在《城轨列车轮对-轴箱故障表征与解耦算法研究》文中研究表明轮对-轴箱系统作为城轨列车关键走行部机构,其健康服役状态对于列车安全高效运营具备重要意义。在轮对-轴箱系统产生故障后,轻则检修维护费用增加,重则引起行车安全事故,而复杂机械耦合结构使得故障特征非线性强,很难直接通过振动信号进行故障表征,在系统故障耦合严重的条件下,故障特征混淆难以提取。因此,对轮对-轴箱系统进行有效地监测表征与解耦诊断研究,是维护城轨列车安全服役状态的重要环节,也是城轨列车避免经济损失及安全事故的重要保障。针对传统算法在城轨列车轮对-轴箱故障表征中存在的非线性表征困难、先验知识依赖程度高等不足,本文基于城轨列车轮对-轴箱故障模式及振动特点,探讨了统计特征级故障表征原理,并在此基础上提出了基于频域特性的频域信号二维表征算法、复合故障解耦算法及仅基于振动信号解耦的城轨列车速度估计算法。针对统计特征级故障表征方法,挑选了敏感统计特征进行振动表征,并利用多状态试验台数据进行验证。首先对多状态轮对-轴箱故障进行机械模式及信号特征的分析,分别对轮对故障、轴承故障以及复合故障的机械振动模式及相应信号特点进行说明;其次,选择多个时域及频域统计特征,综合分析故障模式、速度等级、特征类型等因素在故障状态表征方面的敏感程度,并通过等比例实验台进行多状态故障模拟,将时域、频域统计特征归一化后进行同尺度对比分析,得出结论:对于轮对-轴箱故障状态区分度而言,频域特征普遍优于时域特征,并且进一步分析了敏感频域统计特征对多状态轮对-轴箱故障的表征能力。针对传统振动信号图像表征算法智能化程度不足且依赖于先验知识的问题,提出了基于频域Gram矩阵角度场的二维表征算法。首先,分析传统Gram矩阵表征方法对旋转机械周期性冲击信号表征能力的不足,对时域表征过程进行数学推导;其次,基于频域特征对轮对-轴箱多状态故障表征能力强的特点,提出频域Gram算法,将故障振动频域信号作为输入进行角度场转化,并利用Gram矩阵的相关性提取能力,提取频域冲击相关作为二维图像特征,实现轮对-轴箱多状态故障图像表征;最后,基于迁移学习算法实现频域Gram矩阵角度场表征智能故障诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征诊断有效性。针对经典振动信号表征算法依赖于人工经验的不足,提出了基于频谱Markov转移场的表征算法。首先,分析推导传统时域Markov转移场算法对系统状态动态转移概率的提取能力,说明经典算法对于轮对-轴箱故障表征能力不足的原因;其次,提出针对频谱信号的Markov状态转移场表征算法,统计振动频谱的状态转移概率并进行矩阵化,实现频谱特征的统计场分析及二维图像化表征;最后,基于小样本数据输入的迁移学习网络,实现频谱Markov转移场表征的智能诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征与诊断有效性。针对轮对-轴箱复合故障中故障耦合导致的特征难以提取的问题,提出了基于双轴振动的辛几何模态分解-互近似熵解耦算法。首先,推导了辛几何模态分解的算法原理,证明该算法对于复杂信号具有优秀的解耦能力;其次,分析了垂向与轴向双轴信号在轮对-轴箱状态表征中的重要作用,提出了基于双轴振动信号的辛几何分解-互近似熵重构的复合故障解耦算法;最后,利用双轴辛几何模态解耦算法对垂向及轴向振动信号进行了故障特征提取效果对比。通过等比例试验台数据,验证了所提算法对于轮对-轴箱复合故障的解耦与诊断优越性。针对城轨列车轮对-轴箱故障诊断中车速测量系统复杂且依赖于轮径值的问题,提出了基于解耦处理与相关分析的仅依靠振动信号的车速估计算法,并进行基于速度估计的轴箱轴承故障特征频率计算,实现轴箱轴承故障诊断。首先,进行了针对轴箱振动信号的解耦分析,在基于最大峭度原则实现分量选择后,利用自相关函数提取固定距离周期性冲击,从而实现城轨列车速度估计;其次,进行了国内某地铁线路实车振动信号与车速信息的采集,通过所提车速估计算法与司机室显示车速的对比,验证了该车速估计算法的可靠性;最后,采集了某地铁线路车辆轴箱振动信号,并基于该实测信号进行了车速估计,计算相应的轴承故障特征频率实现轴承故障诊断,以此说明该速度估计算法的实用性与优越性。研究成果能够为城轨列车轮对-轴箱系统故障分析与诊断提供算法依据,对城市轨道交通装备的维保有积极意义。图89幅,表12个,参考文献188篇。
姚旺[4]（2020）在《机车轴承故障监测系统设计》文中认为机车在行驶过程中的安全问题随着其运行速度的不断提高而备受重视,为了减小甚至消除故障情况对机车运行产生的不良影响,铁科院等科研机构推出了如6A系统监测平台等机车故障诊断装置。而机车轴承作为极易出现故障的部件,其运行状态的好坏直接影响机车运行的稳定性。因此,本文根据6A系统技术规范,设计了一套基于6A平台的机车轴承故障监测系统,对机车运行过程中的轴承状态进行实时监测,保证机车的正常运行。本文根据机车轴承故障产生的原因及特定状态下的振动现象,并结合项目文件要求,从系统结构和故障诊断两个方面对机车轴承监测系统进行了总体设计。在系统结构方面,机车轴承监测系统以嵌入式系统为基础,分为前置处理器和子系统两个模块,通过软硬件系统的相互配合实现对机车轴承信号的采集、存储、分析与显示等功能,并通过CAN总线、以太网等通信方式与6A系统平台进行数据传输。在故障诊断方面,针对现有机车轴承故障信号特征难以获取以及故障诊断精度不高的问题,提出一种基于参数优化变分模态分解法和共振解调技术的机车轴承故障信号诊断方法,通过该方法可以有效提取出机车轴承振动信号中所包含的故障信息,对机车轴承的实时运行状态做出准确判断。在进行故障报警时,根据振动温度复合判断模型对轴承故障等级进行划分,减少了漏报、误报情况的发生。最后,通过系统联调实验以及仿真试验台模拟实验分别验证了此系统在数据通信、外观尺寸以及故障诊断等方面的可行性和实用性。本文设计的机车轴承故障监测系统能够有效的监测机车轴承的运行状态,克服了机车变加速运行状态对故障诊断过程的影响并提高了故障诊断的精确度,有利于排除机车轴承的潜在故障,保证机车的安全稳定运行。
刘申易[5]（2020）在《基于动态故障树分析与传感网络的机车故障诊断系统的设计》文中研究指明随着我国重载铁路货运机车的快速发展,机车的故障率与事故发生率随之上升,机车故障诊断技术的重要性也越来越突出。本文基于动态故障树算法和分布式传感网络,研究并设计了适用于SS4B型机车的故障诊断系统,分析了机车的故障模式,确定了传感器布设位置,对系统的硬件部分进行了电路设计与选型,提出了动态故障树分析算法,并通过C#进行编程实现,最后对设计中的理论以及系统整体进行了建模、仿真,验证了可行性。首先本文根据机车的实际情况,将诊断系统的硬件总体设计为传感器网络、分布式传感节点、数据检测终端以及智能故障诊断终端四个部分;对SS4B型机车的主、辅电路的结构以及工作原理进行了分析,并进一步分析了主、辅电路以及气路制动系统的具体故障模式;针对机车的重要故障模式,确定了9个电压传感器和23个电流传感器的布设位置,并对布设原因进行了分析。其次,对系统硬件方面进行了设计。选择了传感网络的拓扑结构,设计了传感网络的接口;对模拟和数字式传感节点的硬件电路进行了设计;对数据检测终端各个板卡实现的功能进行了介绍;完成智能故障诊断终端的选型。相关的软件方面,对网络的通讯协议、传输数据内容以及拥塞控制算法进行了研究,研究设计了传感节点的滤波算法,并对各个节点和终端的软件流程进行了设计。另外,本文在故障树分析法的基础上,提出了一种基于传感器信息的动态故障树分析法,能够根据故障原因部位传感器采集的数据对故障树分析得到的故障原因进行化简。最后,对网络的拥塞控制算法、数字滤波器进行了建模仿真,通过C#编写了能够实现动态故障树分析算法的诊断软件,进行了验证分析;并在此基础上,对传感器滤波、网络数据传输、故障原因诊断进行了综合建模与仿真,验证了故障诊断系统的可行性。图113幅,表16个,参考文献79篇。
李扬[6]（2018）在《基于混沌理论的滚动轴承故障诊断及故障趋势预测研究》文中研究指明滚动轴承是旋转机械设备中最常用到的零部件之一,几乎所有的旋转机械都不可避免地使用到滚动轴承。随着高速列车的发展,风力发电的兴起,滚动轴承在越来越多的大型旋转机械设备中发挥重要的作用。但同时滚动轴承也是最容易出现故障的零件。如何在滚动轴承发生故障时诊断出故障位置及故障程度等故障信息,对保障机械设备安全可靠运行,避免重大事故发生,降低生产成本等都具有重大意义。针对上述问题,本文开展了滚动轴承故障诊断及故障趋势预测研究工作。首先对滚动轴承的振动信号进行相空间重构,并在相空间内进行局部投影降噪方法研究;接着根据混沌控制原理,采用Duffing混沌振子进行滚动轴承特征频率检测,并提出基于极半径不变矩的振子相图转变识别方法,完成滚动轴承故障类型及故障程度诊断;最后,利用混沌的遍历性对传统粒子群算法进行优化,提出自适应映射的混沌粒子群优化算法（AMCPSO）,将其应用于支持向量回归模型参数优化,并利用支持向量回归模型进行滚动轴承故障趋势预测。本文的主要研究内容如下:（1）阐述了滚动轴承故障机理,分析了基于振动信号诊断滚动轴承故障形式及故障程度的可行性。论述了滚动轴承噪声处理、特征提取方法、故障诊断、故障趋势预测等方面的国内外研究现状,总结和讨论了目前滚动轴承故障诊断及趋势预测领域内存在的问题与发展方向。设计了滚动轴承故障诊断及全寿命加速试验台,进行了不同故障程度的滚动轴承单一故障、复合故障诊断试验及全寿命加速试验,为本文研究提供试验数据支持。（2）研究了基于相空间重构的滚动轴承振动信号局部投影降噪方法。对采集的滚动轴承振动信号进行相空间重构,并在重构的相空间中选择时间序列的标准差作为邻域半径,在该邻域内进行了局部投影降噪。针对噪声空间的选取问题,通过计算邻域内各相点与质心的距离,求解其协方差矩阵,并选择在该协方差矩阵特征值变化率最大处进行截断,分离信号及噪声。通过对仿真数据的信噪比计算以及对实际轴承监测数据的分形维数及近似熵检验,表明本文方法较传统方法具有更好的降噪能力。（3）研究了基于Duffing混沌振子的滚动轴承故障诊断方法。提出了一种基于混沌振子相图的极半径不变矩判断混沌振子状态的识别方法。根据混沌振子是否发生混沌状态到大尺度周期状态的转变,判断待检信号中是否存在故障特征频率成分,并由此诊断故障形式。采用混沌振子系统策动力变化△γ值作为滚动轴承故障程度指标,诊断故障程度。对于滚动轴承复合故障中存在的信号混叠问题,采用经验小波分解（EWT）方法进行信号分离,并结合Duffing混沌振子及极半径不变矩法,实现滚动轴承复合故障及故障程度诊断。通过对实际采集的滚动轴承单一及复合故障样本进行多样本验证,结果表明本文方法可以较好地解决滚动轴承单一、复合故障的故障形式及程度诊断问题。（4）研究了滚动轴承各故障部位的故障趋势预测方法。将滚动轴承混沌振子策动力变化△γ值作为滚动轴承故障趋势表征指标,开展了滚动轴承各部件故障发展趋势的预测工作。针对传统粒子群算法容易陷入局部最小,收敛速度较慢的问题,提出了一种自适应映射的混沌粒子群（AMCPSO）寻优算法,并采用标准测试函数验证了算法的寻优性能。通过对滚动轴承的全寿命加速试验数据进行多样本验证及与传统方法对比,结果表明经AMCPSO方法优化的支持向量回归模型在预测精度上优于传统方法,可以有效地解决滚动轴承各部位故障趋势预测的难题。论文最后对本文工作进行了总结,并对滚动轴承故障诊断及故障趋势预测技术进行了展望。
胡俊锋[7]（2017）在《滚动轴承冲击类故障特征增强的非局部均值算法研究》文中认为轴承是旋转机械中最重要的零部件之一,常处于高速重载的恶劣环境,是最易出现故障的零部件,成为故障诊断技术的主要研究对象。当前的故障诊断技术尚无法完美解决实际生产中的各类问题,仍存在许多亟待解决的关键性难题。故障特征增强技术是故障诊断的基础,直接决定着后续诊断结果的准确性。当前的故障特征增强技术如最小熵解卷积、谱峭度等方法还不够成熟,尚不能满足实际生产需求,国内外学者在完善这些算法的同时也期待新方法的提出以突破现有的技术瓶颈,这对故障诊断技术的发展有着极其重要的意义。本文在分析国内外故障诊断技术研究现状的基础上,主要针对滚动轴承振动信号的诊断,深入探究了非局部均值算法（Non-local Mean,简称NLM）在轴承故障诊断中的应用可行性问题,旨在为故障诊断技术提供一种抗噪性能好、诊断能力强的故障特征增强新方法和新技术。针对非局部均值算法的一维化问题,本文在应用于二维图像数据处理的非局部均值算法的理论基础上,提出将该算法利用像素与结构自相似性加权平均以消除噪声的原理借鉴至滚动轴承的故障数据处理中,实现非局部均值算法的一维化。同时针对滚动轴承的故障诊断,提出了基于NLM的滚动轴承故障诊断模型,实验室轴承故障数据分析表明,该算法能够较好地消除信号中的背景噪声干扰,挖掘出表征轴承故障信息的异常冲击特征。针对非局部均值算法的数据处理结果受参数影响严重的问题,提出将粒子群算法（Particle Swarm Optimization,简称PSO）引入到NLM的决定性参数λ、M和P的寻优求解。选用NLM滤波后信号峭度的倒数为目标函数,通过设定目标函数阈值及最大迭代次数条件来获取NLM滤波器最优参数,从而构成最优滤波器实现NLM算法的自适应。自适应NLM算法的提出能够解决算法参数随机性的问题,可增强算法的数据处理效果。这为NLM算法的后期应用和推广做出了有效铺垫,拥有十分重要的应用价值。针对非局部均值算法处理低信噪比信号时出现的故障冲击均值化问题,提出权重包络谱诊断方法。该方法以NLM算法为基础,以算法中的加权运算为核心,提出直接以信号NLM加权运算后得到的权值分布曲线作为信号的包络线,从信号样本点权重的角度压制噪声干扰以凸显信号中的异常故障脉冲,最后对权值分布曲线包络谱分析得到最终的诊断结果。以滚动轴承仿真数据和实验室数据为例,衡量了权重包络谱诊断方法的性能。结果表明,权重包络谱诊断方法直接以信号权重为研究对象,比NLM诊断方法省略了滤波、平均化操作及包络计算过程,不仅提高了计算效率,而且能够有效避免NLM诊断方法的均值化问题,适用于处于低信噪比信号的数据处理,能够弥补传统NLM算法的缺陷。针对权重包络谱诊断方法处理早期微弱故障数据效果不佳的问题,提出结合其他优势算法,融合两者算法优势,实现算法之间的“优势互补”。权重包络谱诊断方法依赖于信号点加权运算后的权重相异性,即故障点与噪声点的相异性,两者差异越大则诊断效果越好。因此,提出将最小熵解卷积（Minimum Entropy Deconvolution,简称MED）、谱峭度（Spectral Kurtosis,简称SK）和小波包分解（Wavelet Packet Decomposition,简称WPD）等方法引入到信号的预处理中以初步消除噪声,增大故障点与噪声点的相异性,再通过权重包络谱诊断方法二次消噪,进而增强故障冲击特征的凸显程度。大量数据处理结果表明,该类融合算法可有效解决权重包络谱诊断方法的缺陷,能够提取出早期微弱故障数据中的故障信息,这为滚动轴承的故障特征提取技术提供了一个新的研究方向。最后简要阐述了虚拟仪器的基本概念,并依托Lab View开发平台设计了基于虚拟仪器技术的智能故障诊断系统软件。该软件主要包括数据采集及滤波、时域分析和频域分析三大部分。用户可通过系统中的振动数据特征参数对比、时域及频域分析结果获取振动数据信息,实现滚动轴承运行状态的实时监测及故障诊断。这为滚动轴承故障诊断技术及NLM算法的工程化实现提供了一定的参考思路。
黄小霞[8]（2017）在《列车轮对轴承故障实时检测系统研究》文中研究说明轮对滚动轴承运行状态直接关系列车运行安全,轮对轴承的故障诊断技术不仅可用于轴承的运行状态的监测,还可进一步预测轴承的运行寿命,使得列车的运行管理水平及维修效能得到大大增强。针对上述情况,本文对列车轮对轴承故障实时检测系统进行了深入的研究。首先,探究轴承声音与振动的关系,研究轴承跑合声音信号特征,探明利用声音信号诊断列车轮对轴承故障的机理、可行性与优势。同时,研究了列车轮对滚动轴承结构及常见失效形式;确定了以声学诊断法为主、温度诊断法为辅的故障信息检测手段。通过比较故障信号常用处理方式,总结选取了列车轮对轴承故障实时检测系统中声音信号的处理方式。然后,针对现场检测条件,搭建列车轮对故障实时检测系统,设计集成声音传感器、温度传感器、工控一体机等硬件的专用臂式检测机柜。以NI公司的LabVIEW为开发平台,进行列车轮对轴承故障实时检测系统的软件开发。最后,为对比不同类型的轴承信号经过不同信号处理方式得到的结果,将正常轴承、内圈故障轴承、滚动体故障轴承分别装配在轮对上,作为测试对象进行跑合试验,验证系统的运行稳定性和功能可靠性。结果表明:系统的EMD降噪功能可有效剔除声音信号的干扰部分,提高声音信号的信噪比;时域特征参数、自相关分析功能可初步诊断出轴承是否存在故障;基于小波包分解的共振解调功能和EEMD-Hilbert谱计算功能能够进一步有效提取轴承的故障频率。本系统将虚拟仪器应用到轴承故障诊断中,具有稳定性强、可靠性高、运行速率高、扩展性强、人机交互界面友好等特点。此外,该系统的进一步研发及推广应用,将为列车轴承质量的数字化管理奠定基础。
李善[9]（2016）在《基于多源信息融合的数控机床进给系统复合故障诊断研究》文中研究表明数控机床是现代工业生产中最常用、最典型的机电一体化设备,进给系统作为数控机床中的重要环节,其性能参数和进给效率直接影响数控机床的加工精度和生产质量。滚动轴承和滚珠丝杠副是进给系统中的两大主要部件,分别起到支撑和传动的作用,若二者发生故障,则会影响整个传动系统的传动效率,进而对数控机床产生巨大影响,甚至损坏。因此,开展关于数控机床进给系统的性能检测和故障诊断研究,对保障数控机床安全、可靠、高效的运行具有十分重要的意义,对实际工程应用也具有很高的实用价值。本文以数控机床进给系统中的滚动轴承和滚珠丝杠副为研究对象,综合分析国内外复合故障的研究现状,针对单一传感器信息量小、信息来源有限的缺陷,提出了基于多源信息融合的复合故障诊断方法。采用振动传感器、噪声传感器和温度传感器采集复合故障的多源信息,并借助MATLAB和LabVIEW平台进行编程,实现对复合故障的模式识别和故障诊断。分析了滚动轴承和滚珠丝杠副的故障机理及常见失效形式,确定了研究的十种复合故障类型,利用NI数据采集卡和五个外置传感器,并设计基于MATLAB的LabVIEW编程对故障信号进行采集和存储。利用时域、频域以及时频域中的EEMD方法对故障信号进行特征提取。引入SLLE降维方法对庞大的特征向量进行简化、筛选,为提高诊断的速度和精度打下了基础。在分析其振动信号特征的基础上,提出了基于EEMD-FastICA的复合故障振动信号分离方法。通过MATLAB平台建立了滚动轴承复合故障的仿真数学模型,并与试验结果进行对比分析。分析了故障数据结构特点,提出了流形聚类分析的复合故障诊断方法,用流形距离来描述数据之间的相互关系,对复合故障进行分类识别和诊断。并与其它方法进行对比,发现该方法诊断过程更加直观、简单,诊断结果准确率较高。建立了BP、RBF和GRNN三种神经网络的智能诊断系统,对复合故障筛选之后的特征值进行特征级融合。通过试验对比研究三种网络的识别性能,结果表明,GRNN神经网络在复合故障诊断中更具有优势,诊断结果更准确。基于复合故障信息具有不确定性的特点,提出了改进D-S证据理论的诊断方法。引入聚类系数的概念,对证据理论进行改进,并应用到滚动轴承和滚珠丝杠副的复合故障诊断中,实现决策级融合。试验表明,该方法降低了各证据体之间的冲突率,可有效提高复合故障诊断的准确率。
宋龙龙[10]（2016）在《基于非规范知识处理的高速列车综合智能故障诊断方法研究》文中进行了进一步梳理高速列车故障诊断是高速铁路系统综合保障工作的重要环节,是保持和提高高速铁路运输能力的重要因素,贯穿于高速列车服役的全过程。我国高速列车运用检修过程中形成了海量的故障诊断领域知识,但是存在严重的非规范性（不完备性、不确定性和不一致性）,难以有效集成融合。另一方面由于高速列车复杂的系统结构、多重复杂故障间动态耦合关联以及高速列车特有的“五级四地”检修作业模式,导致异地多群体专家综合诊断决策时难以避免决策冲突和诊断结论的不确定性。因此,针对我国高速列车检修诊断模式及故障诊断领域知识特点,亟待开展基于非规范知识处理的综合智能故障诊断方法研究。本文研究并提出了一种基于高速列车故障诊断领域知识的异地多群体专家综合智能故障诊断方法。分别针对高速列车复杂故障关系建模过程开展优化方法与动态故障关系推理方法研究,针对高速列车故障诊断领域知识开展非规范性分析与处理方法、多源异构知识融合方法与模糊故障诊断方法研究,针对异地多群体专家协商会诊过程开展综合故障诊断融合策略研究。首先,分析我国高速列车的故障发生特点,针对不同高速列车故障诊断策略开展对比分析,定义了我国高速列车“五级四地”检修运用模式并分析了其局限性;对高速列车典型关键系统开展层次化组织结构分析和功能原理分析,以此为基础开展系统故障模式与效应（FMEA）分析,得到各系统潜在的主要故障模式及其对应的故障现象和故障原因事件,建立了各个典型关键系统内部故障模式与故障原因事件之间的关联映射关系。其次,针对故障树分析建模过程复杂和组合爆炸问题,结合Perti网分析法建立了一种故障关系优化建模方法,通过模型转换减少了系统故障关系建模过程中的元素种类和节点事件数目,简化了故障关系建模过程,降低了顶事件概率求解的复杂度；基于Token动态传递和转移使能算法,建立了系统不同类型故障模式的初始标识集和动态传递矩阵,推导建立系统故障树中底事件故障动态传播过程的数学模型,采用数学推理的方式实现了系统故障的动态诊断推理。再次,研究了高速列车非规范故障诊断领域知识不确定性、不完备性和不一致性的主要表现形式、产生原因和对故障诊断的影响,建立了一种非规范知识环境下的高速列车模糊故障诊断方法。针对故障诊断领域知识的不一致性与多源异构性,采用本体建模的方法构建了领域知识的概念层次模型和概念属性模型,并与RDF（S）框架相结合建立了三层异构数据融合框架,引入霍尔逻辑“时-空-模式”三元组进行故障模式的一致性约束以实现概念术语统一：针对领域知识的不确定性和不完备性,将全局RDF（S）本体库与模糊故障树分析相结合建立了典型关键系统的T-S模糊规则与梯形模糊隶属度,分别用以描述故障事件发生程度的模糊性和故障事件传递关系的模糊性,推导计算了顶事件故障失效模糊子集以判断不同工况下系统失效的模糊可能性,实现了非规范知识环境下的模糊故障诊断。最后,针对多群体专家决策结论及其传递过程的模糊性,基于模糊集建立不同类型模糊关系合成的数学矩阵表达,将模糊影响图与故障树建模相结合,构建系统故障模糊影响图的决策节点、价值节点与模糊频率矩阵,根据专家经验和真实历史数据给出了系统各级故障事件之间的模糊关系矩阵,建立了故障状态的动态传递过程的模糊影像图模型；针对异地专家群体诊断意见综合集结过程,将D-S证据理论及其Dempster合成规则与模糊影响图算法相结合,引进DSmT算法和随机集理论建立Dempster合成规则的随机集解释,克服了证据理论中证据规则的独立性要求,构建高速列车不同诊断专家的群决策证据体和系统状态模糊识别框架,推导得到群决策结论,提高多群体专家综合诊断决策结论有效性,减少诊断结论不确定性。为了验证本文建立算法的准确性和有效性,分别基于高速列车典型关键系统高压牵引系统的受电弓系统、供风及制动控制系统和转向架系统实际诊断维修资料开展算例分析和验证。建立了三个典型关键系统共27种故障失效模式与86种故障原因事件之间的关联映射关系,在各个章节分别利用上述领域知识及其历史统计数据针对对应章节构造提出的算法进行算例验证。最后,总结了全文的研究工作,并对后续研究工作给出了建议。
二、基于Lab VIEW的列车轮对轴承不分解故障诊断系统设计（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、基于Lab VIEW的列车轮对轴承不分解故障诊断系统设计（论文提纲范文）
（2）列车走行部车载诊断仪软件设计及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滚动轴承故障诊断方法 |
| 1.2.2 振动诊断技术研究现状 |
| 1.3 本文主要工作 |
| 2 列车轴承振动特性分析与故障诊断方法 |
| 2.1 列车轴承振动特性分析 |
| 2.1.1 列车轴承结构 |
| 2.1.2 列车轴承的振动机理 |
| 2.1.3 列车轴承常见故障类型 |
| 2.1.4 列车轴承故障特征频率 |
| 2.2 列车轴承故障诊断方法 |
| 2.2.1 基于时域指标的故障分析 |
| 2.2.2 基于EMD分解的故障分析 |
| 2.2.3 基于共振解调的故障分析 |
| 2.3 本章小结 |
| 3 列车走行部车载诊断仪需求分析与总体设计 |
| 3.1 需求分析 |
| 3.2 软件系统设计 |
| 3.3 软件开发工具选择 |
| 3.3.1 软件开发平台 |
| 3.3.2 混合编程技术 |
| 3.3.3 LabVIEW嵌入式编程技术 |
| 3.4 本章小结 |
| 4 列车走行部车载诊断仪软件实现 |
| 4.1 基于MATLAB+LabVIEW的混合编程实现 |
| 4.2 基于LabVIEW的嵌入式编程实现 |
| 4.3 本章小结 |
| 5 列车走行部车载诊断仪软件测试和结果分析 |
| 5.1 测试数据 |
| 5.2 基于MATLAB+LabVIEW的混合编程方法测试 |
| 5.3 基于LabVIEW的嵌入式编程方法测试 |
| 5.3.1 实际测试环境 |
| 5.3.2 轴承故障测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）城轨列车轮对-轴箱故障表征与解耦算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 城轨列车轮对-轴箱故障特征提取及诊断研究 |
| 1.2.2 机械系统故障信号图像化表征研究 |
| 1.2.3 复合故障解耦及速度估计研究 |
| 1.3 本文主要研究工作 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究框架与技术路线 |
| 1.4 本章小结 |
| 2 城轨列车轮对-轴箱故障振动信号统计特征级表征 |
| 2.1 引言 |
| 2.2 轮对-轴箱故障表现形式及其特点 |
| 2.2.1 城轨列车轮对故障形式及特点 |
| 2.2.2 城轨列车轴箱故障形式及特点 |
| 2.2.3 城轨列车轮对-轴箱复合故障形式及特点 |
| 2.3 轮对-轴箱复合故障振动特征表征 |
| 2.3.1 基于机械系统的复合故障特性分析 |
| 2.3.2 基于信号耦合的复合故障特性分析 |
| 2.4 故障振动统计特征分析 |
| 2.4.1 故障振动时域统计特征 |
| 2.4.2 故障振动频域统计特征 |
| 2.5 试验台故障振动特性分析 |
| 2.5.1 相似模拟轮对-轴箱故障模拟试验台 |
| 2.5.2 试验台多状态故障振动信号波形对比 |
| 2.5.3 试验台轮对-轴箱故障时域统计特征 |
| 2.5.4 试验台轮对-轴箱复合故障频域特征 |
| 2.6 本章小结 |
| 3 基于频域Gram角度场的轮对-轴箱故障信号表征算法 |
| 3.1 引言 |
| 3.2 频域Gram角度场二维图像表征 |
| 3.2.1 时间序列Gram矩阵表征方法 |
| 3.2.2 频域Gram角度场二维图像表征算法 |
| 3.2.3 基于FDGAF表征的迁移学习智能诊断方法 |
| 3.3 等比例试验台故障表征与诊断验证 |
| 3.3.1 试验台信号算法验证技术路线 |
| 3.3.2 试验台轮对故障表征与诊断验证 |
| 3.3.4 试验台轴箱轴承故障表征与诊断验证 |
| 3.3.5 试验台轮对-轴箱复合故障表征与诊断验证 |
| 3.3.6 智能表征与诊断结果对比分析 |
| 3.4 本章小结 |
| 4 基于频谱Markov转移场的轮对-轴箱故障信号表征算法 |
| 4.1 引言 |
| 4.2 频谱Markov转移场二维表征算法 |
| 4.2.1 时序Markov转移场理论 |
| 4.2.2 频谱Markov转移场二维图像表征算法 |
| 4.2.3 基于SMTF表征的迁移学习智能诊断方法 |
| 4.3 等比例试验台数据验证 |
| 4.3.1 试验台信号算法验证技术路线 |
| 4.3.2 等比例轮对-轴箱故障模拟试验台 |
| 4.3.3 试验台轮对故障表征与诊断验证 |
| 4.3.4 试验台轴箱轴承故障表征与诊断验证 |
| 4.3.5 试验台轮对-轴箱复合故障表征与诊断验证 |
| 4.3.6 智能表征与诊断结果对比分析 |
| 4.4 本章小结 |
| 5 基于双轴SGMD-CAE的轮对-轴箱复合故障解耦算法 |
| 5.1 引言 |
| 5.2 SGMD多轴振动信号分解算法 |
| 5.2.1 辛几何模态分解概念 |
| 5.2.2 SGMD信号分解理论 |
| 5.2.3 基于SGMD的多轴振动信号解耦算法 |
| 5.3 SGMD-CAE多轴振动分解重构算法 |
| 5.3.1 CAE互近似熵信息准则 |
| 5.3.2 SGMD-CAE信号解耦算法 |
| 5.3.3 针对轮对-轴箱的双轴振动信号解耦算法 |
| 5.4 轮对-轴箱双轴加速度复合故障解耦算法验证 |
| 5.4.1 试验台轮对-轴箱双轴加速度采集 |
| 5.4.2 试验台轮对-轴箱复合故障双轴SGMD-CAE解耦验证 |
| 5.4.3 复合故障解耦结果谱对比分析 |
| 5.5 本章小结 |
| 6 基于解耦-相关分析的车速估计及轴箱故障诊断算法 |
| 6.1 引言 |
| 6.2 经典城轨列车速度获取方法 |
| 6.2.1 城轨列车轮对转速测量系统 |
| 6.2.2 城轨列车车轴测速传感器 |
| 6.3 基于振动信号解耦-自相关分析的速度估计算法 |
| 6.3.1 基于Pearson系数的自相关函数分析 |
| 6.3.2 城轨列车ABA信号SGMD-ACF车速估计算法 |
| 6.3.3 实车线路ABA信号SGMD-ACF速度估计验证 |
| 6.4 SGMD-ACF速度估计算法在轴箱轴承故障诊断中的应用 |
| 6.4.1 城轨列车轴箱轴承故障工况说明 |
| 6.4.2 基于SGMD-ACF算法的轴箱轴承故障诊断 |
| 6.4.3 SGMD-ACF算法结果对比分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.1.1 本文主要研究内容 |
| 7.1.2 本文创新点 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 A |
| 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）机车轴承故障监测系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 国内机车轴承检测技术发展及现状 |
| 1.2.2 国外机车轴承检测技术发展及现状 |
| 1.3 论文的主要内容 |
| 第二章 机车轴承故障分析及系统设计方案 |
| 2.1 机车轴承故障分析 |
| 2.1.1 机车轴承常见的失效形式 |
| 2.1.2 机车轴承故障产生原因 |
| 2.1.3 机车轴承的结构特征及振动机理 |
| 2.1.4 滚动轴承故障特征频率 |
| 2.2 系统整体设计方案 |
| 2.2.1 系统设计要求 |
| 2.2.2 系统功能实现过程 |
| 本章小结 |
| 第三章 机车轴承故障诊断方法 |
| 3.1 经验模态分解 |
| 3.1.1 经验模态分解法分解步骤 |
| 3.1.2 经验模态分解算法的缺点 |
| 3.2 变分模态分解 |
| 3.2.1 变分模态分解模型的建立 |
| 3.2.2 变分模态分解模型求解 |
| 3.2.3 VMD算法仿真分析 |
| 3.3 VMD参数优化 |
| 3.3.1 遗传算法 |
| 3.3.2 非线性规划 |
| 3.3.3 算法结合思想 |
| 3.3.4 信息熵函数 |
| 3.4 共振解调原理 |
| 3.5 机车轴承故障诊断方法 |
| 3.5.1 故障诊断方法原理 |
| 3.5.2 故障诊断方法实施步骤 |
| 本章小结 |
| 第四章 机车轴承故障监测系统硬件设计 |
| 4.1 嵌入式系统 |
| 4.1.1 嵌入式系统介绍 |
| 4.1.2 控制芯片选型 |
| 4.2 传感器模块 |
| 4.2.1 传感器的选型 |
| 4.2.2 传感器的安装 |
| 4.3 前置处理器模块 |
| 4.3.1 多路选择电路 |
| 4.3.2 信号调理电路 |
| 4.3.3 CAN总线传输电路 |
| 4.3.4 数据存储模块 |
| 4.3.5 微处理器 |
| 4.4 子系统主机模块 |
| 4.4.1 微处理器 |
| 4.4.2 显示模块 |
| 4.4.3 通信模块 |
| 4.4.4 时间模块 |
| 4.4.5 车速检测模块 |
| 4.4.6 存储模块 |
| 4.5 6A中央处理平台 |
| 本章小结 |
| 第五章 机车轴承故障监测系统软件设计 |
| 5.1 前置处理器 |
| 5.1.1 初始化程序 |
| 5.1.2 信号采集程序 |
| 5.1.3 A/D转换程序 |
| 5.1.4 CAN总线通信程序 |
| 5.2 子系统 |
| 5.2.1 数据通信功能 |
| 5.2.2 数据存储功能 |
| 5.2.3 故障诊断功能 |
| 5.2.4 复合报警故障诊断模型 |
| 本章小结 |
| 第六章 机车轴承故障监测系统的测试与仿真 |
| 6.1 6A系统联合调试 |
| 6.1.1 实验步骤及现象 |
| 6.1.2 实验结论 |
| 6.2 轴承振动故障诊断实验 |
| 6.2.1 试验台仿真实验 |
| 6.2.2 诊断方法对比实验 |
| 6.2.3 实验结论 |
| 本章小结 |
| 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）基于动态故障树分析与传感网络的机车故障诊断系统的设计（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 项目背景 |
| 1.2 机车故障诊断方法的研究与应用现状 |
| 1.3 机车在线故障诊断系统的研究与应用现状 |
| 1.4 本文所做的主要工作 |
| 2 重载货运电力机车的故障诊断系统方案 |
| 2.1 SS4B型电力机车故障诊断系统设计的总体方案 |
| 2.2 机车主电路的故障模式及相关传感器布设方案 |
| 2.2.1 机车主电路的主要构成 |
| 2.2.2 机车主电路的主要故障模式 |
| 2.2.3 机车主电路的相关传感器布设 |
| 2.3 辅助电路的故障模式及相关传感器布设方案 |
| 2.3.1 辅助电路的主要构成 |
| 2.3.2 辅助电路的主要故障模式 |
| 2.3.3 辅助电路的相关传感器布设 |
| 2.4 气路与制动系统的故障模式及相关传感器引入方案 |
| 2.4.1 气路与制动系统的主要故障模式 |
| 2.4.2 气路与制动系统的相关传感器引入 |
| 2.5 分布式传感节点布设方案 |
| 2.6 本章小结 |
| 3 重载货运电力机车的车载分布式传感网络的软硬件设计 |
| 3.1 传感器网络通讯协议的设计 |
| 3.1.1 传感器网络的拓扑结构设计 |
| 3.1.2 传感器网络的接口选型 |
| 3.1.3 以太网的网络传输协议 |
| 3.1.4 网络的传输数据内容 |
| 3.1.5 网络拥塞控制机制 |
| 3.2 分布式传感节点的软硬件设计 |
| 3.2.1 模拟式传感节点软硬件设计 |
| 3.2.2 数字式传感节点硬件设计 |
| 3.2.3 节点滤波功能的设计 |
| 3.3 数据检测终端方案 |
| 3.4 智能故障诊断终端方案 |
| 3.5 本章小结 |
| 4 基于DFTA的重载货运电力机车故障诊断算法 |
| 4.1 FTA与 DFTA算法 |
| 4.1.1 FTA算法的概述 |
| 4.1.2 DFTA算法 |
| 4.2 机车故障树模型的建立 |
| 4.3 本章小结 |
| 5 实验及仿真分析 |
| 5.1 数字滤波器的仿真及分析 |
| 5.2 基于OPNET的网络拥塞控制仿真及分析 |
| 5.3 DFTA的实现测试和分析 |
| 5.4 传感器滤波及网络状态下的诊断系统模型仿真 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于混沌理论的滚动轴承故障诊断及故障趋势预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.2 滚动轴承故障形式及监测方法 |
| 1.2.1 滚动轴承及其常见故障形式 |
| 1.2.2 滚动轴承常用监测方法 |
| 1.3 滚动轴承信号分析处理方法研究现状 |
| 1.3.1 滚动轴承信号噪声处理 |
| 1.3.2 滚动轴承信号分析及特征提取 |
| 1.4 滚动轴承故障诊断技术研究现状 |
| 1.4.1 滚动轴承单一故障诊断 |
| 1.4.2 滚动轴承复合故障诊断 |
| 1.5 滚动轴承故障趋势预测研究现状 |
| 1.5.1 滚动轴承故障趋势表征 |
| 1.5.2 滚动轴承故障趋势预测方法 |
| 1.6 论文的主要研究内容 |
| 第2章 滚动轴承故障诊断及全寿命试验 |
| 2.1 滚动轴承故障诊断试验 |
| 2.1.1 试验平台 |
| 2.1.2 数据采集系统 |
| 2.1.3 单一故障诊断试验 |
| 2.1.4 复合故障诊断试验 |
| 2.2 滚动轴承全寿命试验 |
| 2.2.1 试验平台 |
| 2.2.2 试验过程 |
| 2.3 小结 |
| 第3章 基于相空间重构的振动信号局部投影降噪 |
| 3.1 滚动轴承振动信号相空间重构方法 |
| 3.1.1 相空间重构方法简介 |
| 3.1.2 延迟时间及嵌入维数求解 |
| 3.2 改进的局部投影降噪算法 |
| 3.2.1 局部投影降噪原理 |
| 3.2.2 局部投影降噪算法改进 |
| 3.2.3 降噪效果评价 |
| 3.3 降噪仿真 |
| 3.3.1 Lorenz混沌时间序列降噪仿真 |
| 3.3.2 传统时间序列降噪仿真 |
| 3.4 滚动轴承实际振动信号降噪 |
| 3.4.1 滚动轴承单一故障振动信号降噪应用 |
| 3.4.2 滚动轴承复合故障振动信号降噪应用 |
| 3.5 小结 |
| 第4章 基于混沌振子的滚动轴承故障诊断 |
| 4.1 混沌振子检测基本原理 |
| 4.1.1 Duffing混沌振子的行为特性 |
| 4.1.2 Duffing混沌振子的检测原理 |
| 4.2 混沌振子检测结果的定量识别 |
| 4.2.1 极半径不变矩定义 |
| 4.2.2 极半径不变矩识别振子相态转变 |
| 4.2.3 混沌振子相态识别方法对比 |
| 4.3 基于经验小波分解的混沌振子极半径不变矩检测方法 |
| 4.3.1 经验小波分解理论 |
| 4.3.2 经验小波分解-混沌振子滚动轴承故障诊断过程 |
| 4.3.3 经验小波分解-混沌振子方法仿真分析 |
| 4.4 滚动轴承故障诊断 |
| 4.4.1 滚动轴承单一故障诊断实例 |
| 4.4.2 滚动轴承单一故障形式诊断多样本验证 |
| 4.4.3 滚动轴承单一故障程度诊断多样本验证 |
| 4.4.4 滚动轴承复合故障诊断实例 |
| 4.4.5 滚动轴承复合故障形式诊断多样本验证 |
| 4.4.6 滚动轴承复合故障程度诊断多样本验证 |
| 4.5 小结 |
| 第5章 滚动轴承故障趋势预测 |
| 5.1 支持向量回归机预测方法 |
| 5.2 支持向量机参数优化 |
| 5.2.1 传统粒子群算法(PSO) |
| 5.2.2 混沌粒子群算法(CPSO) |
| 5.2.3 改进的混沌粒子群算法(AMCPSO) |
| 5.2.4 自适应映射混沌粒子群算法(AMCPSO)寻优性能测试 |
| 5.3 基于AMCPSO-SVM方法的滚动轴承故障趋势预测 |
| 5.3.1 滚动轴承故障趋势表征 |
| 5.3.2 AMCPSO-SVM故障趋势预测 |
| 5.3.3 多样本滚动轴承故障趋势预测 |
| 5.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
（7）滚动轴承冲击类故障特征增强的非局部均值算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景 |
| 1.1.3 目的意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 研究现状 |
| 1.2.2 发展趋势 |
| 1.3 本文的主要工作及内容安排 |
| 1.3.1 研究内容及其思路 |
| 1.3.2 章节安排及内容概述 |
| 第二章 轴承故障诊断理论基础 |
| 2.1 滚动轴承故障机理 |
| 2.1.1 滚动轴承的失效形式 |
| 2.1.2 滚动轴承的结构及振动机理 |
| 2.2 滚动轴承的故障特征分析 |
| 2.2.1 低频诊断的故障特征频率 |
| 2.2.2 高频诊断的固有振动频率 |
| 2.2.3 轴承故障引起的振动特性 |
| 2.3 共振解调原理与技术实现 |
| 2.3.1 共振解调技术原理 |
| 2.3.2 共振解调技术实现 |
| 2.4 最小熵解卷积 |
| 2.4.1 最小熵解卷积理论 |
| 2.4.2 实验数据来源 |
| 2.4.3 基于MED的故障诊断实现 |
| 2.5 谱峭度 |
| 2.5.1 谱峭度理论 |
| 2.5.2 工程数据来源 |
| 2.5.3 基于SK的故障诊断实现 |
| 2.6 小波包分解 |
| 2.6.1 小波包分解理论 |
| 2.6.2 基于小波包分解的故障诊断实现 |
| 2.7 本章小结 |
| 第三章 非局部均值算法及其参数优化 |
| 3.1 非局部均值算法在图形处理中的应用 |
| 3.1.1 NLM算法研究背景 |
| 3.1.2 NLM图像去噪算法 |
| 3.2 非局部均值算法在滚动轴承故障诊断中的应用 |
| 3.2.1 非局部均值算法的一维实现 |
| 3.2.2 基于NLM的滚动轴承故障诊断 |
| 3.3 数据验证与结果分析 |
| 3.3.1 高信噪比信号分析 |
| 3.3.2 低信噪比信号分析 |
| 3.4 非局部均值算法的缺陷与不足 |
| 3.5 基于PSO参数优化的自适应NLM算法 |
| 3.5.1 标准粒子群优化算法 |
| 3.5.2 基于粒子群优化NLM的滚动轴承故障诊断模型 |
| 3.5.3 实验数据来源 |
| 3.5.4 模型验证与结果对比 |
| 3.6 本章小结 |
| 第四章 NLM权重包络谱的提出及应用 |
| 4.1 基于NLM权重包络谱的滚动轴承诊断 |
| 4.1.1 NLM权重包络谱诊断方法 |
| 4.1.2 传统NLM诊断与权重包络诊断的区别 |
| 4.1.3 模型验证与结果对比 |
| 4.2 权重包络谱的缺陷与不足 |
| 4.3 基于MED-权重包络谱的滚动轴承故障诊断 |
| 4.3.1 MED-NLM权重包络谱融合算法 |
| 4.3.2 实验数据来源 |
| 4.3.3 模型验证与结果分析 |
| 4.4 基于SK-权重包络谱的滚动轴承故障诊断 |
| 4.4.1 SK-NLM权重包络谱融合算法 |
| 4.4.2 实验数据来源 |
| 4.4.3 模型验证与结果分析 |
| 4.5 基于小波包分解与权重包络谱的滚动轴承故障特征增强 |
| 4.5.1 小波包分解-NLM权重包络谱融合算法 |
| 4.5.2 模型验证与结果分析 |
| 4.6 本章小结 |
| 第五章 基于虚拟仪器的故障诊断系统 |
| 5.1 虚拟仪器介绍 |
| 5.2 故障诊断系统硬件设计 |
| 5.3 软件规划设计和实现 |
| 5.3.1 软件规划设计 |
| 5.3.2 软件设计实现 |
| 5.4 测试数据分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文情况 |
| 致谢 |
（8）列车轮对轴承故障实时检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 滚动轴承故障诊断技术国内外发展现状 |
| 1.3 虚拟仪器介绍 |
| 1.4 本文主要研究内容 |
| 第2章 列车轮对轴承故障检测机理研究 |
| 2.1 列车轮对轴承结构 |
| 2.2 轴承故障频率计算 |
| 2.3 轴承主要故障、失效形式 |
| 2.4 轴承故障检测技术手段选择 |
| 2.4.1 振动和声音的关系 |
| 2.4.2 轴承跑合声音信号的特点 |
| 2.5 小结 |
| 第3章 滚动轴承故障信号处理方式研究及分析 |
| 3.1 时域分析 |
| 3.1.1 时域特征参数 |
| 3.1.2 自相关分析 |
| 3.2 频域分析 |
| 3.2.1 傅里叶变换 |
| 3.2.2 频域特征参数 |
| 3.2.3 共振解调 |
| 3.3 时频分析 |
| 3.3.1 基于小波包分解的共振解调 |
| 3.3.2 经验模态分解 |
| 3.3.3 集合模态分解 |
| 3.4 噪声信号处理方式选择 |
| 3.4.1 EMD降噪 |
| 3.4.2 噪声信号处理方式 |
| 3.5 小结 |
| 第4章 检测系统总体设计 |
| 4.1 检测系统总体设计思路 |
| 4.2 系统硬件选择 |
| 4.2.1 声音传感器 |
| 4.2.2 温度传感器 |
| 4.2.3 触摸工控一体机 |
| 4.2.4 臂式支撑机柜 |
| 4.3 软件系统 |
| 4.3.1 数据采集、存储和报告输出 |
| 4.3.2 EMD降噪 |
| 4.3.3 故障频率计算 |
| 4.3.4 时域诊断 |
| 4.3.5 时频域诊断 |
| 4.4 小结 |
| 第5章 现场试验及数据实时采集 |
| 5.1 现场试验 |
| 5.2 数据实时采集 |
| 5.2.1 温度数据采集 |
| 5.2.2 声音信号降噪 |
| 5.2.3 时域诊断 |
| 5.2.4 时频诊断 |
| 5.3 小结 |
| 总结与展望 |
| 一、总结 |
| 二、展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（9）基于多源信息融合的数控机床进给系统复合故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 概述 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的目的及意义 |
| 1.2 复合故障诊断技术综述 |
| 1.2.1 复合故障诊断技术的国内外研究现状 |
| 1.2.2 复合故障的主要特征 |
| 1.2.3 复合故障诊断的主要方法 |
| 1.2.4 基于多源信息融合的复合故障诊断 |
| 1.3 本文研究的主要内容 |
| 第2章 数控机床进给系统典型故障机理分析 |
| 2.1 引言 |
| 2.2 滚动轴承及其故障机理分析 |
| 2.2.1 滚动轴承简介 |
| 2.2.2 滚动轴承结构 |
| 2.2.3 滚动轴承常见失效形式 |
| 2.2.4 滚动轴承振动特征分析 |
| 2.3 滚珠丝杠副及其故障机理分析 |
| 2.3.1 滚珠丝杠副简介 |
| 2.3.2 滚珠丝杠副结构 |
| 2.3.3 滚珠丝杠副常见失效形式 |
| 2.3.4 滚珠丝杠副振动特征分析 |
| 2.4 本章小结 |
| 第3章 复合故障信号采集系统设计与特征提取 |
| 3.1 引言 |
| 3.2 试验故障件的制备与仪器选择 |
| 3.2.1 滚动轴承故障件制备 |
| 3.2.2 滚珠丝杠副故障件制备 |
| 3.2.3 试验传感器的选择 |
| 3.2.4 数据采集平台及数据采集卡选择 |
| 3.3 复合故障信号采集系统设计 |
| 3.3.1 试验台简介与传感器的安装 |
| 3.3.2 基于LabVIEW的信号采集编程 |
| 3.4 进给系统复合故障信号特征提取 |
| 3.4.1 时域特征参数提取 |
| 3.4.2 频域特征参数提取 |
| 3.4.3 时频域特征参数提取 |
| 3.5 基于SLLE方法的特征向量构造 |
| 3.5.1 LLE方法原理 |
| 3.5.2 SLLE方法 |
| 3.5.3 SLLE降维处理及性能比较 |
| 3.5.4 SLLE方法在复合故障特征筛选中的应用 |
| 3.6 本章小结 |
| 第4章 基于EEMD-FASTICA的复合故障振动信号分离诊断方法 |
| 4.1 引言 |
| 4.2 ICA基本原理 |
| 4.2.1 ICA问题的提出 |
| 4.2.2 ICA算法模型 |
| 4.2.3 ICA信号独立性判据 |
| 4.2.4 FastICA算法及步骤 |
| 4.3 EEMD与ICA相结合的分离方法 |
| 4.3.1 信号相关性判据 |
| 4.3.2 EEMD-ICA方法的分离模型 |
| 4.4 复合故障仿真信号研究 |
| 4.4.1 仿真信号的建立 |
| 4.4.2 仿真信号的分离及故障识别 |
| 4.5 复合故障振动信号分离试验分析 |
| 4.5.1 轴承内圈磨损和外圈磨损信号分离 |
| 4.5.2 轴承外圈磨损和丝杠滚道磨损信号分离 |
| 4.6 本章小结 |
| 第5章 基于流形聚类分析的复合故障诊断方法 |
| 5.1 引言 |
| 5.2 聚类算法 |
| 5.2.1 聚类分析原理 |
| 5.2.2 传统聚类方法存在的问题 |
| 5.3 基于流形距离的聚类算法 |
| 5.3.1 流形学习概念 |
| 5.3.2 流形距离方法 |
| 5.3.3 基于流形距离的聚类方法在复合故障诊断中的应用 |
| 5.4 本章小结 |
| 第6章 复合故障诊断的智能识别方法研究 |
| 6.1 引言 |
| 6.2 基于BP神经网络的复合故障诊断方法 |
| 6.2.1 BP神经网络概述 |
| 6.2.2 BP神经网络算法及结构特点 |
| 6.3 基于RBF神经网络的复合故障诊断方法 |
| 6.3.1 RBF神经网络概述 |
| 6.3.2 RBF神经网络算法及结构特点 |
| 6.4 基于GRNN神经网络的复合故障诊断方法 |
| 6.4.1 GRNN神经网络概述 |
| 6.4.2 GRNN神经网络算法及结构特点 |
| 6.5 三种神经网络模型在复合故障诊断中的应用 |
| 6.6 本章小结 |
| 第7章 基于改进D-S证据理论的复合故障诊断方法 |
| 7.1 引言 |
| 7.2 D-S证据理论 |
| 7.2.1 D-S证据理论基本原理 |
| 7.2.2 聚类系数 |
| 7.2.3 改进的D-S证据理论融合步骤 |
| 7.3 进给系统复合故障的决策级融合 |
| 7.3.1 改进D-S证据理论的复合故障诊断模型设计 |
| 7.3.2 改进D-S证据理论在复合故障诊断中的应用 |
| 7.4 本章小结 |
| 第8章 结论与展望 |
| 8.1 论文工作总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）基于非规范知识处理的高速列车综合智能故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路机车车辆故障诊断研究现状 |
| 1.2.2 智能故障诊断方法研究现状 |
| 1.2.3 非规范知识处理理论研究现状 |
| 1.3 目前存在的主要问题 |
| 1.4 本文主要研究内容 |
| 2 高速列车检修模式分析及故障模式与效应分析 |
| 2.1 引言 |
| 2.2 高速列车检修模式分类及特性分析 |
| 2.2.1 以可靠性为中心的检修策略 |
| 2.2.2 高速列车“五级四地”检修模式及其局限性分析 |
| 2.3 不同类型故障诊断推理方法及求解策略比较分析 |
| 2.3.1 高速列车系统故障特点及诊断方法分析 |
| 2.3.2 不同类型的故障诊断策略及其优缺点分析 |
| 2.4 高速列车系统结构划分与关键系统FMEA分析 |
| 2.4.1 故障模式与效应分析基本原理 |
| 2.4.2 高压牵引系统FMEA分析 |
| 2.4.3 供风及制动控制系统FMEA分析 |
| 2.4.4 转向架系统FMEA分析 |
| 2.5 本章小结 |
| 3 高速列车复杂系统故障关系建模优化与动态推理方法研究 |
| 3.1 引言 |
| 3.2 大型复杂系统的故障树建模与分析 |
| 3.2.1 机电系统故障树建模分析算法 |
| 3.2.2 高速列车关键系统的故障树建模 |
| 3.2.3 高速列车故障树建模过程局限性分析 |
| 3.3 基于PETRI-NET的系统故障动态推理分析 |
| 3.3.1 基于Petri网的复杂系统故障关系建模方法 |
| 3.3.2 故障动态传递过程的数学建模表达 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 4 非规范知识环境下高速列车模糊故障诊断方法研究 |
| 4.1 引言 |
| 4.2 高速列车故障领域知识的非规范性分析 |
| 4.2.1 高速列车故障领域知识的不确定性分析 |
| 4.2.2 高速列车故障领域知识的不完备性分析 |
| 4.2.3 高速列车故障领域知识的不一致性分析 |
| 4.3 三层RDF(S)非规范故障领域知识转换融合算法 |
| 4.3.1 非规范故障领域知识转换融合架构 |
| 4.3.2 本体建模与资源描述框架RDF(S) |
| 4.3.3 本地数据库到全局RDF(S)的三层二次转换融合 |
| 4.4 模糊推理算法及其在故障树推理中的应用 |
| 4.4.1 模糊关系的合成推理与条件推理算法 |
| 4.4.2 T-S模糊故障树推理算法 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 5 高速列车异地多群体专家综合故障诊断策略研究 |
| 5.1 引言 |
| 5.2 故障树的模糊影响图表示及模糊矩阵传递算法 |
| 5.2.1 模糊集理论基本原理及运算法则 |
| 5.2.2 模糊关系合成及故障树的模糊影响图表示 |
| 5.3 基于D-S据理论的MAS多群体专家综合决策理论 |
| 5.3.1 D-S证据理论的基本原理 |
| 5.3.2 多源信息决策中的D-S证据理论的合成规则 |
| 5.3.3 D-S证据理论的改进方法及其随机集表示 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 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 |
四、基于Lab VIEW的列车轮对轴承不分解故障诊断系统设计（论文参考文献）
- [1]旋转机械振动信号分折及故障诊断研究[D]. 杨可玉. 东北石油大学, 2021
- [2]列车走行部车载诊断仪软件设计及实现[D]. 梁红燕. 大连理工大学, 2021(01)
- [3]城轨列车轮对-轴箱故障表征与解耦算法研究[D]. 白永亮. 北京交通大学, 2021
- [4]机车轴承故障监测系统设计[D]. 姚旺. 大连交通大学, 2020(06)
- [5]基于动态故障树分析与传感网络的机车故障诊断系统的设计[D]. 刘申易. 北京交通大学, 2020(03)
- [6]基于混沌理论的滚动轴承故障诊断及故障趋势预测研究[D]. 李扬. 西南交通大学, 2018(09)
- [7]滚动轴承冲击类故障特征增强的非局部均值算法研究[D]. 胡俊锋. 华东交通大学, 2017(02)
- [8]列车轮对轴承故障实时检测系统研究[D]. 黄小霞. 西南交通大学, 2017(07)
- [9]基于多源信息融合的数控机床进给系统复合故障诊断研究[D]. 李善. 青岛理工大学, 2016(06)
- [10]基于非规范知识处理的高速列车综合智能故障诊断方法研究[D]. 宋龙龙. 北京交通大学, 2016(10)