导读:本文包含了早期故障预示论文开题报告文献综述及选题提纲参考文献，主要关键词:振动与波,供输弹系统,多分辨奇异值分解,灰色关联分析
早期故障预示论文文献综述
梁海英,许昕,潘宏侠,赵雄鹏[1]（2019）在《基于MRSVD和信息融合的供输弹系统早期故障预示》一文中研究指出对于供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别问题,提出基于多分辨奇异值分解能量特征和多场信息融合的供输弹系统早期故障识别方法。首先采集不同状态下供输弹系统的振动信号通过进行MRSVD分解,得到1个相似信号和8个细节信号,提取这些分量信号的能量特征并进行归一化处理,得其能量相对值;然后使用灰色关联分析对所提取的能量特征进行故障识别;为了提高故障识别准确率,将振动信号和声压信号用D-S证据理论进行融合识别。实验结果表明,MRSVD能量特征提取方法能有效提取供输弹系统早期故障特征,且经多场信息融合后可提高故障识别准确率。(本文来源于《噪声与振动控制》期刊2019年04期）
洪林清[2]（2016）在《机械设备早期故障预示中的微弱信号检测技术探讨》一文中研究指出机械设备诊断通常可以分成采集与获取诊断信息、分析及提取信号特征、识别及诊断故障状态叁个步骤,在工程实践过程中,为了做到防微杜渐,在萌芽状态下消灭故障,展开有关早期故障诊断的理论研究很有必要,不仅可以满足工程实际需要,同时也顺应了机械设备检测技术发展的形势。(本文来源于《低碳世界》期刊2016年24期）
邢爽[3]（2015）在《多转子轴承层次化智能诊断及故障早期预示方法研究》一文中研究指出随着机械化的发展,现代机械设备之间联系紧密,发动机作为现代设备的动力装置,有着复杂的系统结构,其发展趋势向着高转速方向发展,作为航空发动机重要部分的多转子轴承和齿轮等部分常会出现损坏,其中转子轴承系统会产生各种故障,这会影响整体的机械运转状况。在实际生产中通常采用故障诊断技术,故障诊断技术融合了传感器应用,信号处理方法,人工智能和计算机等多方面技术。通过对轴承和转子各部分的检测可以监控多转子轴承系统的工作状态。当不同部件产生故障时,所引起的故障信号频率和幅值与各部件结构参数相关,不同结构出现故障时,对应的故障信号会呈现特定的形式,通过分析故障信号可以得到多转子轴承系统的故障类型和故障特性。针对航空发动机中多转子轴承故障,采取适合特定故障信号的方法,并实现模块化应用,达到较高的处理效率。本文首先针对多转子轴承的系统中的多种故障,采用了最初的小波去噪方法,针对其去噪结果的不足,采用了基于自适应阈值的改进后的去噪法方法,该改进后的小波去噪方法,相对于最初的小波去噪和基于传统阈值的小波去噪方法去噪效果更明显,可以提取噪声背景中的微弱信号,能有效解决噪声模态混迭的情况,达到有效去噪的效果。其次分别对提取出的故障信号进行特征提取,提取出时域、频域、解调域、小波包能量谱域特征参数,构成能反映多转子轴承系统的参数集,采用KPCA法对参数集进行压缩降维处理,大幅度的降低了冗余度进而提升效率。KPCA可以有效解决非线性空间参数集的维数,可以用于故障的动态识别,可以实时有效的降低参数集的维数针对压缩后的数据进行模式识别。文中最后采用了改进型神经网络算法、改进型概率神经网络、改进型蚁群遗传算法,进而有效识别并基本预测故障的类型和发展。在改进型神经网络方法中,采用遗传算法中的交叉优化算子优化网络的权值,提升避免网络得到局部最优解的可能性。本文对蚁群算法进行改进,能够改进蚂蚁解中的转移概率,同时在公式中增加了均匀两点交叉算子,有利于提升最优解的搜索进程,比传统的蚁群算法有较高的运行速度。本文对概率神经网络方法进行改进,使其可以识别故障类型,相对于上面两种方法有更高的训练速度和准确率,稳定性也相对提高,可以有效的识别多转子轴承系统的多种故障类型,利用GRNN神经网络和小波神经网络方法对故障模式进行预测。最终将改进故障诊断方法集合成模块嵌入故障诊断系统框架中,有针对性地对多转子轴承的复杂信息进行层次化的分析,达到准确识别、智能诊断的目的。(本文来源于《北京化工大学》期刊2015-04-02）
刘雯[4]（2011）在《基于密度可调谱聚类的半监督SVM机械早期故障预示方法》一文中研究指出由于机械(如汽车变速器)早期故障的特征信号微弱,容易淹没在强噪声之中,而且已知故障模式样本不足,传统的频谱分析方法对故障的早期检测不敏感,因此,开展早期故障智能预示的研究工作具有重要意义。本文提出了基于密度可调谱聚类的半监督SVM(DSTSVM)方法,利用基于密度可调谱聚类的思想对数据进行特征提取,并且构造半监督SVM(TSVM)的核函数,采用梯度下降法对TSVM进行协同训练,实现对数据的分类,通过仿真和实例,将该方法与SVM、TSVM和基于聚类核的半监督SVM(CKSVM)进行对比分析,证明该方法能有效反映数据结构信息,用少量已知标签样本便能得到较高分类正确率。利用传动试验台对汽车变速箱进行无故障、齿轮轻微点蚀和齿轮轻微剥落试验,通过时域、频域方法分析出早期故障诊断的困难所在,将基于密度可调谱聚类的半监督SVM方法应用到齿轮早期故障预示中,分别采用经过PCA选择的时域特征指标、构造的频域能量因子作为输入,并将多传感器数据进行融合学习,与其它方法进行对比,证明了该方法在齿轮故障预示中的有效性和优越性。采用美国西储大学的电机轴承故障数据,对内圈、外圈、滚动体故障做了时频域分析,分析出滚动体早期故障诊断的困难,采用SVM、TSVM、CKSVM和DSTSVM对滚动体故障进行检测,并且对四种模式进行了分类识别,验证了DSTSVM方法在轴承早期故障预示中的有效性。(本文来源于《华南理工大学》期刊2011-05-27）
权学芬[5]（2011）在《建筑机械设备早期故障预示中的微弱信号检测技术研究》一文中研究指出建筑机械设备的诊断过程基本上可以分为叁个步骤:第一是诊断信息的采集与获取;第二是信号的分析和特征提取;第叁是状态识别和故障诊断。在工程实践中,为了做到防微杜渐,防患于未然,将设备故障消灭于萌芽状态,开展早期故障诊断的理论与技术研究,不仅是工程实际中的迫切需要,也是设备状态监测与故障诊断技术发展的必然趋势。(本文来源于《商品与质量》期刊2011年S2期）
李强[6]（2008）在《机械设备早期故障预示中的微弱信号检测技术研究》一文中研究指出早期故障具有两方面含义,一是指处于早期阶段的故障、微弱故障或潜在故障;二是从物理意义上讲,某一故障是另一故障的早期阶段。故障发现得越早,越有助于设备的安全可靠运行。但是,设备早期故障的特征信号很微弱,往往被强噪声所淹没,信噪比很低,极大地影响了设备运行状态信息的准确获取。论文以机械设备为对象,研究了早期故障预示中的微弱信号检测与实用诊断技术。针对传统的绝热近似小参数随机共振难以满足工程实际大参数条件下的微弱信号检测问题,本文提出了变步长随机共振数值算法。在深入分析近似熵用于度量信号复杂性性质的基础上,本文提出了基于近似熵测度的自适应随机共振方法,解决了限制随机共振在工程实际中推广使用的参数调节问题。金属车削过程的振动信号分析和滚动轴承故障诊断的成功应用表明上述方法的有效性。基于混沌振子的微弱信号检测是通过“观察”待测信号加入后振子是否发生相变来实现的,但是这种“观察”缺少一个衡量标准,具有一定的主观性。尤其当噪声很强时,这种“目测”振子状态的办法就会失效。本文突破近似熵仅用于描述一维信号复杂度的局限性,提出了适合度量混沌振子二维相图的二维近似熵概念。在此基础上,本文提出了基于混沌振子和二维近似熵的微弱信号检测方法,并将其应用于旋转机械的状态监测和滚动轴承的故障诊断,取得了很好的效果。工程信号中无效分量的干扰会使得微弱信号检测显得异常困难。独立分量分析可以从实测信号中分离出各个独立的源信号,是一种有效的微弱信号检测方法。针对混合信号时间延迟(或相位差)和噪声干扰对独立分量分析结果的影响问题,本文提出一种故障源信号的频域盲分离方法。涡流传感器失效检测和转子早期碰磨故障的成功诊断表明该方法广阔的应用前景。支持向量数据描述是一种新的单值分类方法,能够只利用一类学习样本(或正常状态样本)建立分类器,其应用有望解决制约设备早期故障预示向智能化方向发展的故障数据缺乏问题。本文提出一种基于经验模式分解和支持向量数据描述的设备早期故障混合智能预示方法,并将其应用于滚动轴承和齿轮箱故障的智能诊断,取得了很好的效果。作为本课题关键技术的载体,本文总结了作者在开发基于LabVIEW的远程监测诊断系统过程中运用的一些实用技术,提出了基于频域积分的振动参量转换修正算法,为设备动态信息的完整性和准确性提供了技术上的支持和保障。(本文来源于《天津大学》期刊2008-06-01）
陈雪峰,何正嘉,李兵,向家伟[7]（2005）在《早期裂纹故障预示中的高精度小波有限元算法》一文中研究指出提出了任意尺度Daubechies小波一维、二维单元构造方法以及小波有限元自适应提升算法,采用小波尺度函数作为插值函数,利用小波多分辨分析了具有变尺度逐层逼近函数的特性,获得了嵌套递进的多尺度有限元逼近空间.(本文来源于《中国科学E辑:工程科学 材料科学》期刊2005年11期）
何正嘉[8]（2005）在《早期故障预示的若干新技术与应用研究》一文中研究指出1 早期故障预示技术随着科学技术与工业需求的发展,能源、运载和国防等行业中,机电设备安全问题日益突出。国内外机电设备因故障而导致的灾难性事故屡有发生: -1998年德国高速列车轮箍踏面断裂导致翻车; -1999年日本核电站设备损坏事故; -2002年我国哈电叁公司600兆瓦汽机转子裂纹。(本文来源于《全国大中型水电厂技术协作网第二届年会论文集》期刊2005-11-01）
李富才,何正嘉,陈进[9]（2005）在《小波域相关滤波法及其早期故障预示应用》一文中研究指出噪声是影响机械设备早期故障预示正确性的主要因素。根据相关分析理论和小波阈值降噪理论,提出了小波域相关滤波法。它是一个迭代的过程,通过自适应的选择滤波过程参数,可以对信号进行良好的降噪;同时也不会弱化信号中的弱故障信息。通过对旋转机械早期不平衡和不对中故障信号分析,结果表明小波域相关滤波法对机械设备早期故障预示是有效的。(本文来源于《振动工程学报》期刊2005年02期）
早期故障预示论文开题报告
（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：
机械设备诊断通常可以分成采集与获取诊断信息、分析及提取信号特征、识别及诊断故障状态叁个步骤,在工程实践过程中,为了做到防微杜渐,在萌芽状态下消灭故障,展开有关早期故障诊断的理论研究很有必要,不仅可以满足工程实际需要,同时也顺应了机械设备检测技术发展的形势。
（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。
早期故障预示论文参考文献
[1].梁海英,许昕,潘宏侠,赵雄鹏.基于MRSVD和信息融合的供输弹系统早期故障预示[J].噪声与振动控制.2019
[2].洪林清.机械设备早期故障预示中的微弱信号检测技术探讨[J].低碳世界.2016
[3].邢爽.多转子轴承层次化智能诊断及故障早期预示方法研究[D].北京化工大学.2015
[4].刘雯.基于密度可调谱聚类的半监督SVM机械早期故障预示方法[D].华南理工大学.2011
[5].权学芬.建筑机械设备早期故障预示中的微弱信号检测技术研究[J].商品与质量.2011
[6].李强.机械设备早期故障预示中的微弱信号检测技术研究[D].天津大学.2008
[7].陈雪峰,何正嘉,李兵,向家伟.早期裂纹故障预示中的高精度小波有限元算法[J].中国科学E辑:工程科学材料科学.2005
[8].何正嘉.早期故障预示的若干新技术与应用研究[C].全国大中型水电厂技术协作网第二届年会论文集.2005
[9].李富才,何正嘉,陈进.小波域相关滤波法及其早期故障预示应用[J].振动工程学报.2005