导读:本文包含了齿轮箱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:小波分解,样本熵,遗传优化算法
齿轮箱故障诊断论文文献综述
姜保军,曹浩[1]（2019）在《基于小波分解和样本熵的GA-SVM齿轮箱故障诊断》一文中研究指出针对齿轮箱故障信号的复杂性和非平稳性,提出了一种基于小波分解和样本熵的遗传算法支持向量机(GA-SVM)故障诊断方法。采用小波分解对信号进行叁层分解并提取其高频系数与低频系数,然后计算其系数的样本熵值并构建特征向量,最后将其输入到经过遗传算法(GA)优化后的支持向量机中进行识别。实验表明,对4种工况下6类齿轮箱状态样本进行分类,通过GA算法优化后的SVM模型具有较高的识别准确率且高于文中其他识别模型。(本文来源于《组合机床与自动化加工技术》期刊2019年11期）
王飞[2]（2019）在《基于EEMD与多通路一维CNN的掘锚机齿轮箱故障诊断》一文中研究指出针对掘锚机齿轮箱故障信号具有非平稳、振动模式复杂的特点,传统方法难以进行诊断的问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition,EEMD)与多通路一维CNN(Convolutional Neural Networks, CNN)的掘锚机齿轮箱故障诊断方法。首先对齿轮箱振动信号进行EEMD分解得到内禀模式函数(Intrinsic mode function,IMF);然后利用多通路1DCNN自适应提取每个分量的特征,并将提取的特征通过一个全连接层进行拼接;最后通过分类器进行分类识别,实现齿轮箱的自动诊断。实验证明,所提方法具有较高准确率,具有一定的实用性。(本文来源于《内蒙古科技与经济》期刊2019年21期）
王栋璀,丁云飞,朱晨烜[3]（2019）在《基于中智KNN的齿轮箱故障诊断方法》一文中研究指出齿轮箱在旋转机械设备中应用广泛,研究齿轮箱的故障诊断方法意义重大。为提高齿轮箱故障的预警诊断准确度,提出了基于中智KNN(Neutrosophic K-Nearest Neighbor,NKNN)的齿轮箱故障诊断方法。该方法利用小波包对信号特征进行提取,并构建出故障样本集,借助中智理论对样本的特征权重进行重新分配,建立起基于中智KNN决策规则下的故障诊断模型,并提出了中智划分的概念。实验表明,该方法有效地提升了分类精度和鲁棒性,弥补了传统KNN同贡献权重分配的缺陷,其中智划分的结果可以作为分析齿轮箱混合故障诊断的参考依据。(本文来源于《振动与冲击》期刊2019年20期）
陈旭阳,韩振南,宁少慧[4]（2019）在《自适应改进双树复小波变换的齿轮箱故障诊断》一文中研究指出针对双树复小波变换存在频率混迭以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混迭现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。(本文来源于《振动.测试与诊断》期刊2019年05期）
马小伟[5]（2019）在《一例立磨齿轮箱故障的分析诊断》一文中研究指出目前,水泥生产设备的维修主要以计划维修和事后维修相结合的形式进行。这种维修形式存在过度维修或维修不足以及设备二次损伤大的问题,浪费维修资源且易发生事故。而预知性维修通过振动监测分析技术等现代化手段,为设备的维修方案提供有效的数据支撑,并可对设备故障进行精密诊断、分析,确定故障部位和故障原因。本文通过振动监(本文来源于《水泥》期刊2019年10期）
段慧云,夏志平[6]（2019）在《风机齿轮箱故障诊断与预警研究》一文中研究指出能源是国家经济发展的命脉所在,一个国家国民经济发展情况与其能源的供应量有直接的联系,在众多能源中电能占据绝对的主导作用。近年来,我国风电行业发展迅速,越来越多的风电机组投入到风力发电运行中,且随着技术水平的不断提升,风机单机容量和总容量呈逐年增大的趋势,相关人员对风电设备的安全性和可靠性也有了更高的要求。但不可避免的是,随着风机设备投入时间的增加,风机系统逐渐进入故障高发阶段,一些故障会直接影响到风机的使用,进而影响到风电场的正常运行,甚至如果发生严重故障还可能危及到相关人员的人身安全。风机齿轮箱是风电机组中最重要的组成部分,经常受到冲击载荷和交变载荷的影响,是风电机组中出现故障情况最多的部件,且一旦风电机组发生故障会给相关部门带来巨大的经济损失甚至威胁到工作人员的生命安全,在此背景下,文章对风力发电机齿轮箱的故障诊断和预警进行了研究,为风力发电机机械设计的完善度提供了一定的借鉴。(本文来源于《科技创新与应用》期刊2019年28期）
石慧,赵巧娥[7]（2019）在《基于风电故障机组筛选的齿轮箱故障诊断研究》一文中研究指出利用改进粒子群优化模糊C均值聚类算法对双馈风力发电机组群进行故障机组分类,并提出基于改进粒子群优化的模糊核聚类算法对双馈风力发电机组齿轮箱的已知以及未知故障进行诊断分类。通过分析实际风电场采集得来的齿轮箱振动数据,验证所提方法不仅可以准确快速地判断出故障机组,而且还可以进一步对发生的已知故障以及未知故障进行一个很好的诊断。(本文来源于《电工电气》期刊2019年09期）
姜佳辉,陈文祥,邵琪[8]（2019）在《基于PSO优化MK-TWSVM的风机齿轮箱故障诊断》一文中研究指出为了提高风电机组齿轮箱故障诊断的准确率,提出一种基于粒子群算法优化混合核孪生支持向量机的风电机组齿轮箱故障诊断方法.首先,在传统支持向量机的基础上引入孪生支持向量机,提高算法运算速度;其次,提出一种新的混合核函数取代传统支持向量机中的单一核函数,并选用粒子群算法对上述核函数的参数进行寻优;最后,搭建风电机组齿轮箱试验平台,采集具体的齿轮箱故障试验数据进行验证.试验结果表明,对比其他方法,本文所提出方法在诊断风电机组齿轮箱故障方面具有更高的识别准确率,因此具有较强的实用性.(本文来源于《南京工程学院学报(自然科学版)》期刊2019年03期）
罗成[9]（2019）在《行星齿轮箱故障诊断方法》一文中研究指出行星齿轮箱具有很复杂的结构特性,它的结构特性与定轴齿轮箱完全不同。因而,对行星齿轮箱的诊断方法不能采用定轴齿轮箱那些较为古老的方法。目前,很多学者在定轴齿轮箱上的状态监测与故障诊断方面已经做出了很多研究,但是在行星齿轮箱上这方面的研究还不是很完善,本文的目的就是回顾和总结这些文献,并为对这个方向感兴趣的研究人员提供综合的参考。并对定轴齿轮箱和行星齿轮箱的结构作出了介绍,简单论述与分析了行星齿轮箱特有的特征和故障特点,基于目前可采用的方法对行星齿轮箱的状态监测和故障诊断方面的研究进展进行了总结。(本文来源于《科技视界》期刊2019年25期）
王红庆[10]（2019）在《分数阶S变换及其在齿轮箱故障诊断中的应用》一文中研究指出针对非平稳信号时频分析,结合分数阶傅里叶变换和S变换,提出了一种分数阶S变换,将信号分析从时间-频率域推广到时间-分数阶频域,并应用于齿轮箱故障诊断。通过仿真信号和齿轮箱故障信号分析,验证了分数阶S变换良好的时频聚集性。采用脉冲耦合神经网络进一步提取分数阶S变换时频图的特征参数,对齿轮箱故障信号进行了分类。结果表明,基于分数阶S变换提取的特征参数能更有效地区分齿轮箱的不同状态信号,从而提高齿轮箱故障诊断精度。(本文来源于《电子测量与仪器学报》期刊2019年08期）
齿轮箱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：
针对掘锚机齿轮箱故障信号具有非平稳、振动模式复杂的特点,传统方法难以进行诊断的问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition,EEMD)与多通路一维CNN(Convolutional Neural Networks, CNN)的掘锚机齿轮箱故障诊断方法。首先对齿轮箱振动信号进行EEMD分解得到内禀模式函数(Intrinsic mode function,IMF);然后利用多通路1DCNN自适应提取每个分量的特征,并将提取的特征通过一个全连接层进行拼接;最后通过分类器进行分类识别,实现齿轮箱的自动诊断。实验证明,所提方法具有较高准确率,具有一定的实用性。
（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。
齿轮箱故障诊断论文参考文献
[1].姜保军,曹浩.基于小波分解和样本熵的GA-SVM齿轮箱故障诊断[J].组合机床与自动化加工技术.2019
[2].王飞.基于EEMD与多通路一维CNN的掘锚机齿轮箱故障诊断[J].内蒙古科技与经济.2019
[3].王栋璀,丁云飞,朱晨烜.基于中智KNN的齿轮箱故障诊断方法[J].振动与冲击.2019
[4].陈旭阳,韩振南,宁少慧.自适应改进双树复小波变换的齿轮箱故障诊断[J].振动.测试与诊断.2019
[5].马小伟.一例立磨齿轮箱故障的分析诊断[J].水泥.2019
[6].段慧云,夏志平.风机齿轮箱故障诊断与预警研究[J].科技创新与应用.2019
[7].石慧,赵巧娥.基于风电故障机组筛选的齿轮箱故障诊断研究[J].电工电气.2019
[8].姜佳辉,陈文祥,邵琪.基于PSO优化MK-TWSVM的风机齿轮箱故障诊断[J].南京工程学院学报(自然科学版).2019
[9].罗成.行星齿轮箱故障诊断方法[J].科技视界.2019
[10].王红庆.分数阶S变换及其在齿轮箱故障诊断中的应用[J].电子测量与仪器学报.2019