一、基于奇异值分解的故障检测技术及其应用（论文文献综述）
龙威[1]（2021）在《基于5G通信技术的配电网线路保护研究》文中研究指明
朱守博[2]（2021）在《鲁棒MPLS建模及其在过程监控中的应用》文中进行了进一步梳理在现代工业生产中,随着传感器、PLC和DCS系统的普及与应用,数据和数据处理技术逐渐受到重视。基于数据驱动的多元统计过程监控方法能够在线评估过程运行状态,保障系统的可靠性和稳定性,对提高产品产量和质量具有重大意义。然而实际过程中大量存在的异常值和缺失数据现象,给基于数据驱动模型的过程监控带来挑战。论文研究基于改进潜结构投影（Modified Projection to Latent Structures,MPLS）模型的过程监控,具体内容如下:（1）针对过程数据存在异常值的问题,论文分析了MPLS模型的鲁棒性,提出一种基于主成分追踪（PCP）的鲁棒MPLS算法。该算法利用PCP对MPLS模型的系数矩阵进行分解得到正常数据的低秩结构,然后基于此低秩结构重新建立MPLS模型,从而消除输入输出数据中异常值的影响,使模型具有鲁棒性。同时,论文为鲁棒MPLS模型的质量相关子空间和质量无关子空间构建cT 2和rT 2两个监控指标。数值案例和TE过程验证了基于鲁棒MPLS监控方法的有效性。（2）针对过程数据存在缺失的问题,论文引入迭代算法（IA）来估计缺失数据,提出一种基于IA-RMPLS的质量相关故障检测方法。该方法通过建立模型和估计缺失数据两个步骤交替迭代进行,完成鲁棒MPLS建模。在此基础上,质量无关子空间被PCA分解为质量无关主元子空间和质量无关残差子空间。进一步,基于该模型,构建了监控指标,通过数值仿真和TE过程仿真对所提方法进行验证。（3）针对重构贡献（RBC）中包含交叉项和无关项作用,导致拖尾严重的问题,论文对重构贡献方法进行改进,提出一种贡献分析方法,并应用在鲁棒MPLS监控模型中。贡献分析是基于变量对监控指标cT 2和rT2的贡献值构成一个有界凸包来描述变量对故障的贡献度。该方法通过排除对凸包面积无贡献的变量筛选故障变量集,最终得到引起故障的主要变量。通过TE过程仿真结果,验证了所提方法相比于RBC识别结果更加精准。
李华[3]（2020）在《基于频带熵改进理论的轴承故障诊断算法研究》文中指出滚动轴承是旋转机械的重要组成部分,其在高端数控装备、工业机器人等现代机械设备中扮演着重要角色。由于滚动轴承受各种复杂因素的影响,使之成为整个旋转机械系统中可靠性最差的零部件之一,其运行状态会对整个机械设备的运行状态产生直接地影响,旋转机械发生故障往往是由滚动轴承故障所导致的。因此,针对滚动轴承的状态监测和故障诊断展开相关的研究,可以对旋转设备的运行状态进行评估,为设备的安全稳定运行提供有力的保障,同时也可将传统的定时维修或事后维修转变为视情维修（基于运行状态的设备维护）,实现滚动轴承的主动维护。因此,对滚动轴承的状态监测和故障诊断一直是机械设备诊断中的热点和难点。本学位论文以频带熵分析方法为理论基础,以滚动轴承为研究对象,对滚动轴承非平稳振动信号进行分析与处理,深入研究滚动轴承振动信号的故障特征信息提取和故障诊断方法。针对频带熵方法分别从理论和应用两方面展开研究,总结了该方法由于算法理论本身而存在的不足,以及其在强噪声干扰、存在偶然冲击、早期微弱故障和复合故障时的局限性,并提出了相应的解决措施。本学位论文的主要工作如下:（1）从理论推导上对原始的频带熵方法进行了详细的阐述。分析并总结了原频带熵方法不足:（1）原频带熵方法在设计带通滤波器时的带宽参数的取值问题;（2）短时傅里叶变换时频变换的缺陷（窗口高度和宽度固定,不能兼顾频率与时间分辨率的需求）;（3）确定共振频率时所用的指标——信息熵的不足。（4）分解深度的约束问题。与此同时,在轴承的各种实际应用场景中,常常具有强噪声和偶然冲击干扰、复合故障时,频带熵方法也表现出明显地局限性。（2）针对频带熵方法的带宽参数取值问题,以及滚动轴承的工作环境的复杂性,致使滚动轴承振动信号中引入了强背景噪声,提出了奇异值分解预处理原故障信号与带宽参数优化的频带熵方法相结合的解决方案。首先,在获得共振频率的前提下,提出了基于峭度最大值原则的带宽参数优化方法,可有效提升频带熵方法的带通滤波降噪性能。其次,针对奇异值分解的重构阶次的确定问题,提出了基于奇异峭度值相对变化率的模型阶次确定方法,提升奇异值分解的通频带降噪能力。此方案充分结合奇异值分解优秀的通频带降噪能力和频带熵优秀的带通滤波器设计能力,达到优势互补,可以有效的削弱噪声对频带熵方法寻找共振频率的干扰,实现强噪声下滚动轴承故障特征提取。另外,在实例分析中还验证了频带熵方法实现集合经验模态分解的最佳固有模态分量选取的有效性。（3）针对频带熵方法理论上存在的不足,即时频变换、指标以及分解深度的约束的不足,以及采集的滚动轴承振动信号包含强噪声,且可能含有偶然冲击干扰时,频带熵方法的表现往往也受到限制。对此,提出了相应的解决方案。（1）首先,针对短时傅里叶变换本身存在的不足（窗口高度和宽度固定,不能兼顾频率与时间分辨率的需求）,提出了将小波包变换引入频带熵方法替代短时傅里叶变换以获得更好的时频分布。其次,针对指标-熵的不足,提出了功率幅值谱熵指标,以确定共振频带。然后,针对分解层次的约束问题,提出了自适应共振带宽的约束方法。由此,提出了基于小波包变换、幅值功率谱熵、自适应共振带宽约束的增强型频带熵方法,从理论本质上使频带熵方法得到优化。（2）针对增强型频带熵方法的不足,提出了基于小波包变换、包络峭度指标、互相关系数、修正的自适应共振带宽的修正的频带峭度方法,以有效克服增强型频带熵方法的不足。这两种方法在仿真和实例分析中都得到了验证。（4）在实际工程应用中,滚动轴承的故障形式往往不是单一的,而频带熵及其改进方法在诊断轴承复合故障时往往造成漏诊和误诊。引入优化的变分模态分解对原故障信号进行预处理,对分解后的各个固有模态分量按指标进行降序排列并初步筛选,对保留的固有模态分量按降序顺序分别进行频带熵分析,可以有效地解决轴承的复合故障诊断问题,并节省工作量。另外,在实验分析中验证了基于功率谱的增强型自适应共振技术在轴承复合故障诊断中的有效应用。它们都可以有效的实现滚动轴承的复合故障诊断。
史欣[4]（2020）在《基于小波包分解与故障综合测度的配电网区段定位方法》文中研究说明中压配电网结构形式多样,线路分支庞杂,单相接地故障概率高。我国配电网多采用小电流接地系统运行方式,其优势在于保证了供电可靠性,但单相接地故障电流小,决定了需要高可靠的单相接地保护,如果可以对馈线上的故障区段进行定位,就可以及时消除或隔离故障,提高供电可靠性,保证系统的安全运行。首先,通过建立谐振接地系统单相接地故障模型,基于零模等效网络,详细分析了故障点上下游暂态零模电流的特征。故障点上游的波形相似度高,幅值较大,暂态能量主要集中在低频段;而故障点下游的波形相似度高,幅值较小,暂态能量主要集中在高频段,说明了故障点上下游的暂态零模电流特征不同,且这一特征不受故障条件的影响,为后文所提的区段定位方法奠定了理论基础。其次,提出了基于小波包分解与故障综合测度的故障区段定位方法。该方法可以充分地利用故障信息,提高故障区段定位的准确性。利用小波包对故障后T/4的暂态零模电流进行分解,通过能量相对熵构造了可以衡量故障发生征兆的故障信任函数,进而通过奇异值欧式距离构造了可以多角度量化故障信息的故障综合测度函数。由各个检测点的故障综合测度值获得区段定位向量,故障综合测度最大值对应的区段为故障区段。最后,为了进一步验证所提区段定位方法的有效性和适用性,通过设置不同的故障条件进行大量的仿真和实验验证。通过10kV谐振接地系统仿真模型和实验室配网物理仿真平台,设置不同的故障条件进行数次仿真和模拟实验均说明了该方法的有效性。结果表明,该方法准确、可靠,具有对复杂故障条件的适应性。
张舟[5]（2020）在《基于变分模态分解和梯度提升树的数控机床滚动轴承故障诊断研究》文中指出滚动轴承是数控机床机械传动系统的重要部件之一。进行数控机床滚动轴承的性能和诊断的研究,是评估数控机床健康状况的重要环节,具有重要的实用价值和经济意义。轴承故障诊断可以有效防止突发事故的发生,是确保机械系统安全运行的重要保证。因此,本文以滚动轴承为研究对象,从轴承振动信号的处理入手,针对滚动轴承故障诊断和识别的问题进行相关研究。本文论述了滚动轴承的故障机理和分析方法,在此基础上,对轴承故障的类型和原因,故障的特征频率以及分析方法进行了详细的说明。结合实际的信号给出了各种故障状态下振动信号的特性。研究了变分模态分解（VMD）的方法,并将其用于滚动轴承故障的早期诊断,同时引入了经验模态分解方法（EMD）,比较两种处理模拟信号的方法的结果,可以看出变分模式分解方法的优越性。最后用全轴承寿命数据进行了验证。研究了奇异值分解（SVD）和梯度提升树的方法,并建立用于滚动轴承状态分类的梯度提升树模型。提出了基于VMD-SVD和梯度提升树联合的轴承故障诊断策略。通过变分模态分解振动信号,得到的模态分量中包括故障特征,将得到的结果进行奇异值分解,分解后的向量就组成故障特征矩阵。利用梯度提升树对该特征矩阵进行训练,从而实现对不同状态轴承的识别分类。将该方法应用于滚动轴承故障诊断中,良好的诊断效果证明了本文所提方法的可行性。最后,针对变速轴承振动信号时变非平稳特征,提出一种改进的变分模态分解方法,通过优化频谱集中因子来估算信号的当前频率,然后使用估计的频率对信号解调制,最后获得平稳信号,最后通过带通滤波器提取解调的平稳信号。实际分析的结果表明了这种改进的方法在提取故障信号特征方面的有效性。
文新[6]（2020）在《基于小波包分解与图论的滚动轴承早期故障诊断技术研究》文中研究说明随着现代科学技术的飞速发展与智能工业技术的迅速进步,当前制造业的机械设备日益呈现自动化、大型化、精密化和智能化,这不仅对机械设备关键部件的结构设计更加复杂,制造精度要求更高,还对机械设备关键部件的安装以及运行平稳提出了更高的要求。滚动轴承是机械设备中特别重要的零部件,尤其是旋转机械设备里,它也是最容易失效的零部件,且近年来得到了广泛关注。因此,本文将滚动轴承作为研究对象进行健康状态监测和早期故障诊断,提出了一种基于小波包分解和图论的滚动轴承早期故障诊断技术的研究。并从仿真信号和真实实验信号对所提出的技术方法进行早期故障监测与早期故障诊断性能的探究。首先将采集到的滚动轴承振动信号,完成小波包分解以获取子频带的小波包系数,考虑到各个子频带的小波包系数之间的相关性,对每个子频带的小波包系数进行构建无向加权图模型,实现振动信号的动态表征。然后探究其健康状态评估问题,在监测到早期故障后,需把发生故障时的图集进一步提取故障特征用于早期故障的诊断。对于早期故障监测问题,本研究采用无向加权图对小波包系数进行建模。为了满足不同工况下的监测性能,本文提出了一种自适应加权的方法将多维的相似度分数进行融合,得到能够反映滚动轴承健康状态的指标,通过仿真信号验证了滚动轴承的健康状态能通过融合后的异常度分数指标反映出来。同时,本文采用异常决策的算法对融合后的健康指标进行评估是否有早期故障发生,进而实现滚动轴承的早期故障监测。对于早期故障诊断问题,本文提出了一种基于K近邻分类器的滚动轴承早期故障诊断方法。基于早期故障监测的方法,当监测到早期故障后,对发生早期故障时刻的图集进行奇异值分解构建出故障分辨特征,然后把构建出的新特征放入K近邻分类器中完成早期故障类型的判别。KNN分类器中的训练样本为滚动轴承各种健康状态下的奇异值序列特征。综上所述,本研究将滚动轴承早期故障监测与诊断两个方面进行融合,构建了一个滚动轴承早期故障诊断的框架。此外,本文利用西安交通大学轴承数据库和西储大学轴承数据库对所提出的方法进行实验验证,实验结果表明本文提出的基于小波包分解和图模型的方法在轴承早期故障监测和早期故障诊断中相较于对比方法更具有优越性。最后,总结与展望对本文的主要工作和创新点进行了总结,并对未来的工作方向进行讨论。
吕蒙[7]（2020）在《强噪声背景下旋转机械早期微弱故障特征提取方法研究》文中研究表明大型旋转机械在现代工业中占有重要地位,其故障将导致灾难性的事故和巨大的经济损失。振动信号承载着与旋转机械健康状况相关的关键信息,如何从振动信号中提取有用特征的研究一直备受关注。当机械转动部件发生损伤时,其振动信号表现为非线性、非平稳、非高斯特征,且早期故障特征微弱、调制性强、背景噪声大,使故障特征淹没在强背景噪声中,难以提取。本文对强噪声背景下信号的微弱故障特征提取进行了研究。奇异值分解（Singular Value Decomposition,SVD）被广泛应用于信号的降噪处理,然而对于强噪声背景下的微弱故障信号,微弱故障特征信息淹没在背景噪声中,使得SVD难以获得理想的降噪效果。本文提出了一种新的有效奇异值个数的确定方法,在有效去除噪声的同时,最大程度保留信号中的微弱故障特征信息。仿真实验证明了该方法对强白噪声背景下的微弱频率成分具有良好的处理效果。变分模态分解（Variational Mode Decomposition,VMD）作为一种新的时频分析方法,具有较好的噪声鲁棒性和频域分辨率,对于非平稳信号的处理有着独特的优势,在轴承故障信号的处理中得到了广泛的应用。对于VMD中存在的分解层数需要提前设定的问题,本文提出通过分解得到的信号总能量占原信号能量的比值来确定最佳分解层数。并且由于VMD分解本质上作为一种维纳滤波,难以识别信号中的调频（Frequency Modulation,FM）成分。针对这一问题,通过中心频率相邻的分量间的相关系数判断其是否属于同一调频成分,将相关系数大于阈值的相邻分量相加以还原信号中的调频成分。通过数值仿真和实验信号验证了该方法的有效性。碰摩故障振动响应的典型特征是除转动频率外,还引入了次谐波和超谐波分量,且基频的瞬时频率（Instantaneous Frequency,IF）将周期性地围绕旋转频率变化,IF的波动频率与旋转频率一致。但在摩擦初期,谐波分量较小,振动响应幅值较弱。此外,振动信号可能含有强背景噪声,完全可以掩盖早期故障的两个弱特征。为精确提取这类故障特征,本文提出了一种改进的多同步压缩变换方法（Multisynchrosqueezing Transform,MSST）,通过迭代更新重分配算子,降低了达到最高集中度所需的运算次数,并进一步证明了这一方法对于高阶瞬时频率估计的有效性。通过对得到的时频谱进行脊检测,就可以最终得到信号的谐波分量,从而实现对转子碰摩故障的早期诊断。
訾小娜[8]（2020）在《配电网单相接地故障定位方法研究》文中研究指明随着配电网的规模越来越大,结构日趋复杂,发生单相接地故障时,故障点电流随之增加,若长时间带故障运行,可能会造成事故扩大。故障发生后,快速的实现故障定位并给予排除对配电网安全尤为重要,不仅可以减少用户的停电损失,而且可以提高配电网的供电可靠性。配电网发生单相接地故障后,产生的故障信息中包含着大量的特征数据,文中从稳态和暂态两个方面,对故障线路和非故障线路中的故障特征进行分析,详细地论述了故障在稳态过程中的电压电流特性和在暂态过程中的电流特性。本文中故障区段定位方法是以故障线路中暂态零序电流为基础,通过对小波分析理论进行论述,发现小波包变换能够把故障信号暂态特征在时频域中良好的表现出来。对故障线路中不同采集点处暂态零序电流分析时,发现故障点两侧节点暂态电流的幅值和频率明显不同于其他采集点。线路中故障点上游采集点电流幅值较大,频率分量以低频为主,而故障点下游电流幅值较小且频率分量主要以高频为主。基于以上特点,本文提出基于奇异相似度的配电网故障区段定位方法,通过小波包变换提取故障信号在特定频段的重构系数,结合奇异值分解和相关分析理论,定义了奇异相似度,用奇异相似度来度量不同相邻节点处暂态零序电流的差异程度,并通过与设置的阈值进行比较,判断出故障区段。本文通过对单相接地故障后的暂态行波分量特征以及线路行波特性进行分析,得出反向行波有利于实现对故障距离和位置的判断,确定出基于反向行波的故障测距方法。由小波变换的奇异性原理,可知小波变换的极值点对应于暂态行波信号的突变点,由此确定出初始反向行波与第二次到达母线的反射波的时间与极性,并根据反向行波的公式,确定出故障距离。对于文中故障区段定位和故障测距的方法,在改变故障初始角、过渡电阻、故障距离的条件下对其进行仿真分析,仿真结果验证了用这两种方法实现故障定位的可行性和适用性。
王尧伟[9]（2020）在《经验小波变换在桥梁模态参数识别中的最优组合形式研究》文中提出经验小波变换是一种新兴的时频域模态参数识别方法,其在机械故障识别、信号特征提取及信号降噪等方向得到了广泛研究,通过现有研究可知,频谱分割精度与小波基类型对经验小波变换方法的精度具有决定性因素。基于现有的经验小波变换研究成果,对其在桥梁模态参数识别领域的应用进行了深入研究,根据实际工程数据的应用效果,选择出最优经验小波变换组合形式。主要内容包括:1.阐述了经验小波变换的原理,对影响其分析精度的关键因素进行了分析,汇总现有的基于频谱分割的经验小波变换改进方法,建立了基于不同频谱分割方法的经验小波变换改进方法比选框架,以含噪信号为研究对象,选择出较优的频谱分割方法。2.介绍了工程中常用的小波基函数,根据特性参数对小波基函数进行了初步比选。基于小波包分解思想,建立了经验小波变换中除Meyer小波基外其他小波基的嵌入方法,并以仿真信号为对象验证了该方法的应用效果。3.基于统计学原理,提出了一种新的奇异值重构阶次确定方法,以不同噪声级别的仿真信号验证了该方法应用效果,在此基础上建立了基于奇异值重构的经验小波变换改进方法,将其与现有的经验小波变换改进方法进行了应用效果的对比,验证了该方法的计算精度,对不同的频谱分割方法与小波基函数进行了组合,建立了基于桥梁模态参数识别的最优经验小波变换组合比选规则。4.以某大跨度悬索桥为研究背景,利用探索性数据分析技术对其健康监测系统采集的加速度响应进行了预处理,以主梁竖向加速度响应为分析对象,对不同经验小波变换组合进行了全年分析数据对比,并基于模态参数识别数量、数值分布范围、重构信号信噪比与均方根误差等指标进行熵权法分析,进而选择出最优经验小波变换组合形式,最后以该桥主梁横向、桥塔纵横向及吊索的实测响应数据验证了该方法计算精度。
庞彬[10]（2020）在《基于奇异谱分解的旋转机械故障诊断研究》文中研究说明旋转机械是许多工业设备不可或缺的功能单元,其运行状态直接影响生产的质量、效率和安全。开展旋转机械故障诊断技术研究,对于提高设备运行的可靠性和安全性具有重要意义。信号分解技术因其在处理非线性、非平稳信号方面的优良特性,被公认为是旋转机械故障诊断的最有效手段。本文针对奇异谱分解（SSD）这一新的自适应信号分解方法,开展了理论研究及旋转机械故障诊断应用研究。在深入分析SSD的算法特点的基础上,对其理论方法进行丰富和完善,为旋转机械关键元件的故障特征提取及模式识别问题探索有效的解决方案。论文的主要研究内容和创新点如下:（1）对SSD进行了分解特性研究及转子故障特征提取应用研究。分解特性研究方面,分析了 SSD的抗模态混叠性能和双谐波分解能力。分析结果表明:SSD能够有效克服“异常事件”引起的模态混叠问题,其双谐波分解能力优于经验模态分解（EMD）方法。转子故障特征提取方面,研究了基于SSD-HT时频分析的谐波故障检测方法。研究结果表明:SSD能够有效分离转子振动信号的特征分量,SSD-HT时频谱可精确呈现各分解分量的瞬时非平稳特征,为转子故障类型判定提供充分依据。（2）SSD将每次迭代分解的残余信号同原始信号的能量比作为分解迭代停止条件,故障诊断过程中无法预知最佳能量比阈值来确定合理的分解尺度。针对此问题,提出了一种优化奇异谱分解（OSSD）方法。此方法引入互相关系数作为SSD的迭代停止条件的补充判据和分量筛选准则,有效克服了能量比阈值设置不当所造成的过分解和欠分解问题,并减少了虚假分量,提高了分析稳定性。（3）如何克服环境噪声和振动谐波的干扰,以及如何实现复合故障特征的分离是旋转机械冲击故障特征提取的难点问题。为解决此问题,论文提出了一种基于增强奇异谱分解（ESSD）的微弱冲击故障检测方法。该方法通过在SSD分析中融入微分和积分算子,提升了 SSD对在信号中不占主导地位的微弱冲击特征分量的检测能力,以及对复合故障冲击信号的解耦能力。（4）研究了 SSD在变转速工况旋转机械故障特征提取中的应用。采用SSD-HT时频分析方法提取变转速工况的转子故障特征,另一方面将SSD结合转速变换（ST）提取变转速工况的滚动轴承故障特征。研究表明:转速缓变条件下,SSD依然具有良好的谐波故障检测和微弱冲击故障检测功能。（5）针对基于单通道信号的振动分析方法在故障特征提取中容易遗漏关键故障特征信息的问题,提出了复数奇异谱分解（CSSD）方法,实现了 SSD在复数域的拓展,构建出一种基于CSSD的同源信息融合故障诊断方案。实验分析表明:该诊断方案能够综合考虑双通道正交采样信号的故障特征差异,获取更全面的故障判定依据,提高了故障诊断效率。（6）针对旋转机械故障类型判定和故障程度评估问题,提出了一种基于层次瞬时能量密度离散熵（HIEDDE）和动态时间规整（DTW）的故障模式识别方法。HIEDDE同时融合了故障特征增强及信息评价环节,能够有效表征不同状态振动信号的特征差异,利用DTW对特征信息进行相似性度量可自动判定故障模式。实验分析表明:该方法在不依赖过多训练样本的条件下仍可保证较高的分析精度。论文的研究成果为旋转机械故障诊断过程中所涉及的谐波故障检测、微弱冲击故障检测、变转速时变故障特征提取、同源信息融合和故障模式识别等问题的研究提供了新的思路。
二、基于奇异值分解的故障检测技术及其应用（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、基于奇异值分解的故障检测技术及其应用（论文提纲范文）
（2）鲁棒MPLS建模及其在过程监控中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 过程监控概述 |
| 1.2.1 过程监控流程 |
| 1.2.2 过程监控方法 |
| 1.3 多元统计过程监控方法的研究现状 |
| 1.3.1 异常值下多元统计研究现状 |
| 1.3.2 缺失数据下多元统计研究现状 |
| 1.3.3 多元统计分析的故障识别方法研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 基于PLS与 MPLS模型的过程监控 |
| 2.1 引言 |
| 2.2 PLS模型与过程监控 |
| 2.2.1 PLS模型 |
| 2.2.2 基于PLS的过程监控 |
| 2.3 MPLS模型与过程监控 |
| 2.3.1 MPLS模型 |
| 2.3.2 基于MPLS的过程监控 |
| 2.4 仿真验证 |
| 2.4.1 数值算例 |
| 2.4.2 TE过程实例 |
| 2.5 本章小结 |
| 第三章 鲁棒MPLS建模与过程监控 |
| 3.1 引言 |
| 3.2 MPLS算法的鲁棒性分析 |
| 3.3 鲁棒MPLS算法 |
| 3.3.1 主成分追踪算法 |
| 3.3.2 基于PCP方法实现的鲁棒MPLS |
| 3.4 基于RMPLS的故障检测 |
| 3.5 仿真验证 |
| 3.5.1 数值算例 |
| 3.5.2 TE过程实例 |
| 3.6 本章小结 |
| 第四章 缺失数据下基于鲁棒MPLS的过程监控 |
| 4.1 引言 |
| 4.2 缺失数据对RMPLS模型的影响 |
| 4.3 缺失数据下的鲁棒MPLS建模 |
| 4.3.1 基于PLS的迭代算法估计缺失数据 |
| 4.3.2 缺失数据下的鲁棒MPLS建模 |
| 4.4 基于IA-RMPLS的过程监控 |
| 4.5 仿真验证 |
| 4.5.1 数值算例 |
| 4.5.2 TE过程实例 |
| 4.6 本章小结 |
| 第五章 一种基于贡献分析的故障识别方法 |
| 5.1 引言 |
| 5.2 重构贡献法 |
| 5.3 RBC交叉项和无关项的干扰问题 |
| 5.4 基于贡献分析的故障识别方法 |
| 5.4.1 贡献分析 |
| 5.4.2 基于贡献分析的故障识别流程 |
| 5.5 仿真验证 |
| 5.6 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文及其他成果 |
（3）基于频带熵改进理论的轴承故障诊断算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题来源 |
| 1.1.2 选题背景及意义 |
| 1.2 滚动轴承故障诊断概述 |
| 1.2.1 滚动轴承的故障失效形式 |
| 1.2.2 滚动轴承故障机理 |
| 1.2.2.1 滚动轴承的类型及组成 |
| 1.2.2.2 滚动轴承故障表征 |
| 1.3 相关方法的国内外研究现状的概述 |
| 1.3.1 轴承故障特征提取方法研究现状 |
| 1.3.2 滚动轴承的早期故障诊断现状 |
| 1.3.3 滚动轴承故障识别研究现状 |
| 1.4 论文的主要研究内容和总体框架 |
| 第二章 频带熵理论分析 |
| 2.1 引言 |
| 2.2 频带熵理论 |
| 2.2.1 短时傅里叶变换 |
| 2.2.2 熵理论 |
| 2.2.3 频带熵 |
| 2.2.3.1 信号的幅值谱熵 |
| 2.2.3.2 频带熵理论的提出 |
| 2.2.4 基于频带熵的带通滤波器分析 |
| 2.2.5 仿真分析 |
| 2.3 频带熵的带宽参数确定问题 |
| 2.4 低信噪比条件下频带熵方法的局限性 |
| 2.5 频带熵的理论问题 |
| 2.6 频带熵的轴承复合故障诊断问题 |
| 2.7 本章小结 |
| 第三章 基于奇异值分解预处理的频带熵优化研究 |
| 3.1 引言 |
| 3.2 基于优化的SVD和频带熵的轴承故障特征提取 |
| 3.2.1 峭度理论 |
| 3.2.2 奇异值分解理论 |
| 3.2.3 基于奇异峭度值相对变化率的重构阶次确定 |
| 3.2.4 基于峭度优化带宽参数的频带熵 |
| 3.2.5 基于OSVD-OFBE的轴承故障诊断 |
| 3.3 仿真分析 |
| 3.4 实例分析 |
| 3.4.1 OSVD-OFBE方法验证 |
| 3.4.2 频带熵的拓展应用验证 |
| 3.5 本章小结 |
| 第四章 基于小波包时频增强频带熵的故障特征提取研究 |
| 4.1 引言 |
| 4.2 小波变换理论 |
| 4.3 小波包变换理论 |
| 4.4 增强型频带熵方法 |
| 4.4.1 增强型频带熵的分解深度的约束和确定 |
| 4.4.2 最佳子频带的选择 |
| 4.4.3 辅助评价指标 |
| 4.4.4 增强型频带熵的轴承故障特征提取 |
| 4.4.5 仿真分析 |
| 4.4.6 实例分析 |
| 4.5 修正的频带峭度方法 |
| 4.5.1 修正的频带峭度分解深度的确定 |
| 4.5.2 最佳子频带的选取 |
| 4.5.3 故障特征提取及修正的辅助评价指标 |
| 4.5.4 基于修正的频带峭度方法的轴承故障诊断 |
| 4.5.5 仿真分析 |
| 4.5.6 实例分析 |
| 4.6 本章小结 |
| 第五章 基于变分模态分解和频带熵的轴承复合故障诊断 |
| 5.1 引言 |
| 5.2 基于VMD和频带熵的轴承复合故障特征提取 |
| 5.2.1 变分模态分解理论 |
| 5.2.2 变分模态分解的模态数的确定 |
| 5.2.3 固有模态分量的初步筛选 |
| 5.2.4 基于IMF包络峭度选择和频带熵的轴承复合故障诊断 |
| 5.3 仿真分析 |
| 5.4 实例分析 |
| 5.4.1 VMD和频带熵的复合故障诊断验证 |
| 5.4.2 增强型自适应共振技术的复合故障诊断验证 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读博士学位期间参与的项目及获得奖励 |
| 附录B 攻读博士学位期间发表与录用的论文 |
| 已发表论文 |
| 在审论文 |
| 附录C 攻读博士学位期间申请及公布的国家专利情况 |
（4）基于小波包分解与故障综合测度的配电网区段定位方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 单相接地故障区段定位的研究现状 |
| 1.2.1 利用稳态信号的定位方法 |
| 1.2.2 利用暂态信号的定位方法 |
| 1.3 故障区段定位的存在的问题 |
| 1.4 本文主要研究内容 |
| 2 配电网单相接地故障暂态零模电流的特征分析 |
| 2.1 单相接地故障模型 |
| 2.2 单相接地故障零模网络暂态特征分析 |
| 2.3 暂态零模电流的仿真研究 |
| 2.3.1 仿真模型的建立 |
| 2.3.2 故障条件对暂态零模电流的影响 |
| 2.4 本章小结 |
| 3 单相接地故障区段定位方法的构建 |
| 3.1 暂态零模电流小波包分解算法 |
| 3.1.1 小波包理论 |
| 3.1.2 小波包对故障暂态电流信号的分解 |
| 3.2 故障区段定位算法的构造 |
| 3.2.1 小波包能量相对熵 |
| 3.2.2 小波包奇异值欧式距离 |
| 3.2.3 故障综合测度函数 |
| 3.3 故障区段定位方法 |
| 3.3.1 故障区段定位原理 |
| 3.3.2 故障区段定位判据 |
| 3.3.3 故障区段定位流程 |
| 3.4 本章小结 |
| 4 故障区段定位方法的仿真及实验验证 |
| 4.1 故障区段定位方法的仿真分析 |
| 4.1.1 故障区段定位仿真算例 |
| 4.1.2 故障区段定位方法适应性分析 |
| 4.2 故障区段定位方法的实验验证 |
| 4.2.1 故障区段定位实验系统 |
| 4.2.2 故障区段定位方法的实验验证 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A:实验平台实物图 |
| B:攻读硕士研究生期间学术成果 |
（5）基于变分模态分解和梯度提升树的数控机床滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 滚动轴承故障诊断发展现状 |
| 1.3 论文章节安排 |
| 2 变分模态分解算法及其应用介绍 |
| 2.1 经验模态分解 |
| 2.2 变分模态分解 |
| 2.3 变分模态分解在轴承故障诊断中的应用 |
| 2.4 本章小结 |
| 3 变分模态分解-奇异值分解和梯度提升树诊断方法 |
| 3.1 变分模态分解-奇异值分解的原理和算法 |
| 3.2 梯度提升树理论 |
| 3.3 基于VMD-SVD和梯度提升树的滚动轴承故障诊断 |
| 3.4 本章小结 |
| 4 基于改进VMD的变转速轴承故障诊断 |
| 4.1 改进的变分模态分解方法 |
| 4.2 改进的变分模态分解步骤 |
| 4.3 仿真信号分析 |
| 4.4 变转速轴承状态识别 |
| 4.5 本章小结 |
| 5 数控机床滚动轴承故障实验与诊断方法应用 |
| 5.1 实验平台介绍 |
| 5.2 实验方案 |
| 5.3 实验信号分析识别 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（6）基于小波包分解与图论的滚动轴承早期故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 信号采集 |
| 1.2.2 信号处理 |
| 1.2.3 故障诊断 |
| 1.3 研究内容 |
| 第2章 基于小波包分解系数的图建模方法 |
| 2.1 小波包分解 |
| 2.2 小波包系数的图建模 |
| 2.3 本章小结 |
| 第3章 基于图与自适应加权相结合的滚动轴承早期故障监测方法 |
| 3.1 图模型相似度分数度量 |
| 3.2 自适应加权计算异常分数 |
| 3.3 异常决策 |
| 3.4 本章小结 |
| 第4章 基于小波包系数图的滚动轴承早期故障诊断方法 |
| 4.1 故障特征提取 |
| 4.2 K近邻分类器 |
| 4.3 本章小结 |
| 第5章 实验验证 |
| 5.1 滚动轴承早期故障监测 |
| 5.1.1 实验材料 |
| 5.1.2 实验结果 |
| 5.2 滚动轴承早期故障诊断 |
| 5.2.1 实验材料 |
| 5.2.2 实验结果 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果及奖励 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（7）强噪声背景下旋转机械早期微弱故障特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景、意义及内容 |
| 1.1.1 旋转机械故障诊断的研究背景及意义 |
| 1.1.2 旋转机械故障诊断的研究内容 |
| 1.2 信号处理方法的研究内容及现状 |
| 1.2.1 微弱信号检测 |
| 1.2.2 传统时频分析方法 |
| 1.2.3 现代时频分析方法 |
| 1.3 项目来源及本文主要研究内容 |
| 第2章 VMD时频分析方法研究 |
| 2.1 引言 |
| 2.2 VMD相关概念 |
| 2.2.1 维纳滤波 |
| 2.2.2 Hilbert变换和瞬时频率的定义 |
| 2.2.3 本征模态函数 |
| 2.2.4 频率混合和外差解调 |
| 2.3 VMD基本原理 |
| 2.3.1 VMD算法流程 |
| 2.3.2 VMD算法优势分析 |
| 2.3.3 VMD算法存在的问题 |
| 2.4 本章小结 |
| 第3章 SVD降噪方法的研究 |
| 3.1 引言 |
| 3.2 奇异值分解概述 |
| 3.2.1 奇异值分解的数学原理 |
| 3.2.2 奇异值分布规律 |
| 3.3 奇异值平均下降速度法 |
| 3.3.1 奇异值平均下降速度法原理 |
| 3.3.2 基于奇异值平均下降速度法的信号降噪仿真分析 |
| 3.4 本章小结 |
| 第4章 基于改进VMD和SVD的滚动轴承故障特征提取 |
| 4.1 引言 |
| 4.2 改进的VMD方法 |
| 4.2.1 能量占比确定分解层数 |
| 4.2.2 相关系数提取调频成分 |
| 4.2.3 仿真实验 |
| 4.3 基于改进方法的滚动轴承故障诊断 |
| 4.3.1 诊断方法 |
| 4.3.2 实验验证 |
| 4.4 本章小结 |
| 第5章 基于高阶MSST的转子碰摩故障特征提取研究 |
| 5.1 引言 |
| 5.2 同步压缩变换 |
| 5.2.1 短时傅里叶变换 |
| 5.2.2 同步压缩变换 |
| 5.3 高阶多同步压缩变换 |
| 5.3.1 多同步压缩变换 |
| 5.3.2 迭代重分配算子 |
| 5.3.3 高阶瞬时频率估计下的MSST |
| 5.4 基于高阶MSST的转子碰摩故障诊断 |
| 5.4.1 仿真分析 |
| 5.4.2 实验验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）配电网单相接地故障定位方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 配电网单相接地故障定位方法 |
| 1.3.1 被动式故障定位方法 |
| 1.3.2 主动式故障定位方法 |
| 1.3.3 综合故障定位方法 |
| 1.4 本文主要工作 |
| 2 配电网单相接地故障特征分析 |
| 2.1 中性点不接地系统的稳态特征分析 |
| 2.1.1 稳态过程电压特征分析 |
| 2.1.2 稳态过程零序电流特征分析 |
| 2.2 中性点经消弧线圈接地系统的稳态特征分析 |
| 2.2.1 稳态过程电压特征分析 |
| 2.2.2 稳态过程零序电流特征分析 |
| 2.3 配电网单相接地故障的暂态特征分析 |
| 2.3.1 暂态电容电流 |
| 2.3.2 暂态电感电流 |
| 2.3.3 暂态接地电流 |
| 2.4 本章小结 |
| 3 基于奇异相似度的故障区段定位方法 |
| 3.1 小波分析 |
| 3.1.1 连续及离散小波变换 |
| 3.1.2 信号奇异性检测 |
| 3.1.3 小波包变换 |
| 3.1.4 小波基函数的选择 |
| 3.2 奇异相似度 |
| 3.2.1 奇异值分解 |
| 3.2.2 相关分析 |
| 3.2.3 奇异相似度的确定 |
| 3.3 故障线路暂态零序电流特征分析 |
| 3.3.1 单相接地故障线路特征 |
| 3.3.2 故障线路暂态零序电流仿真分析 |
| 3.4 配电网单相接地故障区段定位方法 |
| 3.5 仿真分析与验证 |
| 3.5.1 配电网单相接地故障仿真模型建立 |
| 3.5.2 配电网单相接地故障区段定位仿真分析 |
| 3.6 本章小结 |
| 4 基于反向行波的故障测距方法 |
| 4.1 配电网线路的行波特性分析 |
| 4.1.1 行波特性分析 |
| 4.1.2 线路的行波过程 |
| 4.1.3 线路行波的传播特点 |
| 4.1.4 三相线路的行波过程及相模变换方法 |
| 4.2 模极大值理论 |
| 4.3 配电网单相接地故障测距方法 |
| 4.3.1 反向行波的测距原理 |
| 4.3.2 行波测距的步骤 |
| 4.4 仿真分析与验证 |
| 4.4.1 配电网单相接地故障仿真模型 |
| 4.4.2 配电网单相接地故障测距仿真结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 个人简历、在学习期间发表的学术论文及研究成果 |
| 致谢 |
（9）经验小波变换在桥梁模态参数识别中的最优组合形式研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 时频域模态参数识别的国内外研究现状 |
| 1.2.1 WT |
| 1.2.2 HHT |
| 1.2.3 EWT |
| 1.3 目前研究存在的问题 |
| 1.3.1 WT |
| 1.3.2 HHT |
| 1.3.3 EWT |
| 1.4 本文研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第2章 现有EWT改进频谱分割方法精度分析 |
| 2.1 频谱分割方法概述 |
| 2.2 EWT介绍 |
| 2.2.1 WT原理 |
| 2.2.2 EWT原理 |
| 2.3 既有EWT频谱分割方法与现有EWT频谱分割改进方法 |
| 2.3.1 既有EWT频谱分割方法 |
| 2.3.2 现有EWT频谱分割改进方法 |
| 2.4 现有EWT频谱分割改进算法的比选方法研究 |
| 2.4.1 比选流程研究 |
| 2.4.2 IMF分量筛分指标 |
| 2.4.3 重构信号评价指标 |
| 2.5 基于仿真信号的频谱分割方法对比 |
| 2.5.1 构造仿真信号 |
| 2.5.2 现有EWT改进方法分割效果 |
| 2.5.3 对比结果分析 |
| 2.6 本章小结 |
| 第3章 小波基函数比选及EWT嵌入方法研究 |
| 3.1 小波基函数概述 |
| 3.2 基于特性参数的小波基比选分析 |
| 3.2.1 常用小波基函数性质 |
| 3.2.2 最优小波基比选方法研究 |
| 3.2.3 对比结果分析 |
| 3.3 小波基在EWT中的嵌入方式研究 |
| 3.3.1 小波包理论 |
| 3.3.2 基于小波包理论的EWT小波基嵌入方法 |
| 3.3.3 EWT新小波基滤波器验证 |
| 3.4 本章小结 |
| 第4章 基于SVD重构的改进EWT方法研究 |
| 4.1 概述 |
| 4.2 基于SVD的改进EWT方法 |
| 4.2.1 SVD应用概况 |
| 4.2.2 基于统计学的重构阶次确定方法 |
| 4.2.3 基于SVD重构的新EWT方法 |
| 4.3 仿真信号分析 |
| 4.3.1 分割效果验证 |
| 4.3.2 重构信号指标分析及对比 |
| 4.4 最优EWT组合分析方法 |
| 4.4.1 EWT组合形式 |
| 4.4.2 比选方法确定 |
| 4.5 本章小结 |
| 第5章 基于桥梁模态参数识别的最优EWT组合研究 |
| 5.1 概述 |
| 5.2 工程背景 |
| 5.3 桥梁数据预处理 |
| 5.4 主梁竖向模态参数识别 |
| 5.4.1 EWT组合1-3识别 |
| 5.4.2 EWT组合4-6识别 |
| 5.4.3 EWT组合7-9识别 |
| 5.4.4 SSI-COV与 AFDD识别 |
| 5.4.5 最优EWT方法对比 |
| 5.5 主梁横向模态参数识别 |
| 5.5.1 最优EWT识别 |
| 5.5.2 SSI-COV与 AFDD识别 |
| 5.5.3 识别结果对比 |
| 5.6 桥塔纵向模态参数识别 |
| 5.6.1 最优EWT识别 |
| 5.6.2 SSI-COV与 AFDD识别 |
| 5.6.3 识别结果对比 |
| 5.7 桥塔横向模态参数识别 |
| 5.7.1 最优EWT识别 |
| 5.7.2 SSI-COV与 AFDD识别 |
| 5.7.3 识别结果对比 |
| 5.8 吊索模态参数识别 |
| 5.8.1 最优EWT识别 |
| 5.8.2 SSI-COV与 AFDD识别 |
| 5.8.3 识别结果对比 |
| 5.9 本章小结 |
| 结论与展望 |
| 本文主要结论 |
| 展望与讨论 |
| 致谢 |
| 参考文献 |
（10）基于奇异谱分解的旋转机械故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 故障诊断流程 |
| 1.2.2 故障特征描述 |
| 1.3 旋转机械故障诊断几个关键问题的研究现状 |
| 1.3.1 故障特征检测的研究现状 |
| 1.3.2 变转速故障分析的研究现状 |
| 1.3.3 同源振动信息融合的研究现状 |
| 1.3.4 故障模式识别的研究现状 |
| 1.4 论文主要研究对象 |
| 1.5 论文主要研究内容 |
| 第2章 奇异谱分解及其在转子谐波故障检测中的应用 |
| 2.1 引言 |
| 2.2 奇异谱分解的原理 |
| 2.2.1 SSA方法 |
| 2.2.2 SSD方法 |
| 2.3 SSD的分解特性研究 |
| 2.3.1 抗模态混叠性能分析 |
| 2.3.2 双谐波分解能力研究 |
| 2.4 SSD在转子故障谐波检测中的应用研究 |
| 2.4.1 SSD-HT时频分析方法 |
| 2.4.2 转子故障仿真信号分析 |
| 2.4.3 转子故障实验信号分析 |
| 2.4.4 汽轮机碰摩故障分析 |
| 2.5 本章小结 |
| 第3章 优化奇异谱分解方法 |
| 3.1 引言 |
| 3.2 基于能量比迭代停止条件的局限性分析 |
| 3.3 OSSD方法 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.6 本章小结 |
| 第4章 ESSD及其在微弱冲击故障检测中的应用 |
| 4.1 引言 |
| 4.2 微分算子及其在信号处理中的作用 |
| 4.2.1 微分算子 |
| 4.2.2 微分算子对双谐波信号分析模型的影响 |
| 4.2.3 微分算子对于SIR的增强性能分析 |
| 4.3 积分算子及其在信号处理中的作用 |
| 4.4 ESSD方法 |
| 4.5 ESSD分解能力研究 |
| 4.6 仿真分析 |
| 4.7 实验分析 |
| 4.7.1 实验台介绍 |
| 4.7.2 圆柱滚子轴承内圈故障诊断 |
| 4.7.3 深沟球轴承复合故障诊断 |
| 4.8 工程应用 |
| 4.9 本章小结 |
| 第5章 SSD在变转速故障特征提取中的应用 |
| 5.1 引言 |
| 5.2 多分量时变非平稳仿真信号分析 |
| 5.3 基于SSD-HT时频分析的变转速转子故障诊断 |
| 5.4 转速变换 |
| 5.5 滚动轴承变转速故障诊断 |
| 5.5.1 故障诊断流程 |
| 5.5.2 仿真分析 |
| 5.5.3 实验分析 |
| 5.6 本章小结 |
| 第6章 CSSD及其在旋转机械故障诊断中的应用 |
| 6.1 引言 |
| 6.2 CSSD方法 |
| 6.2.1 CSSD的原理 |
| 6.2.2 CSSD的等效滤波特性 |
| 6.2.3 CSSD-HT时频分析 |
| 6.2.4 CSSD-HT包络解调分析 |
| 6.3 基于CSSD的旋转机械故障诊断方法 |
| 6.4 实验分析 |
| 6.4.1 转子碰摩故障分析 |
| 6.4.2 滚动轴承复合故障分析 |
| 6.5 本章小结 |
| 第7章 基于HIEDDE和DTW的故障模式识别 |
| 7.1 引言 |
| 7.2 基于SSD的IED分析 |
| 7.3 HIEDDE的原理 |
| 7.3.1 DE算法 |
| 7.3.2 HDE算法 |
| 7.3.3 HDE同MDE的性能对比 |
| 7.3.4 HIEDDE算法 |
| 7.4 DTW的原理 |
| 7.5 基于HIEDDE和DTW的故障模式识别 |
| 7.6 实验验证 |
| 7.6.1 齿轮箱故障实验分析1 |
| 7.6.2 齿轮箱故障实验分析2 |
| 7.7 本章小结 |
| 第8章 结论与展望 |
| 8.1 全文总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、基于奇异值分解的故障检测技术及其应用（论文参考文献）
- [1]基于5G通信技术的配电网线路保护研究[D]. 龙威. 南京师范大学, 2021
- [2]鲁棒MPLS建模及其在过程监控中的应用[D]. 朱守博. 江南大学, 2021(01)
- [3]基于频带熵改进理论的轴承故障诊断算法研究[D]. 李华. 昆明理工大学, 2020
- [4]基于小波包分解与故障综合测度的配电网区段定位方法[D]. 史欣. 西安科技大学, 2020(01)
- [5]基于变分模态分解和梯度提升树的数控机床滚动轴承故障诊断研究[D]. 张舟. 华中科技大学, 2020(01)
- [6]基于小波包分解与图论的滚动轴承早期故障诊断技术研究[D]. 文新. 山东大学, 2020(11)
- [7]强噪声背景下旋转机械早期微弱故障特征提取方法研究[D]. 吕蒙. 燕山大学, 2020
- [8]配电网单相接地故障定位方法研究[D]. 訾小娜. 郑州大学, 2020(02)
- [9]经验小波变换在桥梁模态参数识别中的最优组合形式研究[D]. 王尧伟. 西南交通大学, 2020
- [10]基于奇异谱分解的旋转机械故障诊断研究[D]. 庞彬. 华北电力大学(北京), 2020