导读:本文包含了磨损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:局部s变换,极限学习机,轴向柱塞泵,滑靴磨损
磨损故障诊断论文文献综述
励文艳,程珩,赵立红,韩露[1]（2019）在《基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断》一文中研究指出针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共叁维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。(本文来源于《液压与气动》期刊2019年12期）
黄帆,李艳军,曹愈远,李依林[2]（2019）在《基于复合算法的航空发动机磨损故障诊断》一文中研究指出针对航空发动机油液数据种类多样,所处状态阶段存在矛盾性,且传统叁线值法制定状态界限值存在缺陷等问题,结合支持向量机理论(SVM),相对劣化度评估和人工免疫算法(AIS),提出了一种航空发动机磨损故障诊断的方法。利用SVM拟合数据的概率密度函数,根据磨粒数据的概率分布制定正常、预警和警告的界限值;根据相对劣化度评估,分析各状态参数偏离正常状态的程度;利用人工免疫算法对待测数据进行故障模式识别。通过实例验证,方法对油液监测数据反映的航空发动机磨损故障具有出色的识别能力,相较于直接归一化原始数据进行故障诊断,有利于故障类别的分离,并且可以有效降低诊断时间,提高识别效率。(本文来源于《航空计算技术》期刊2019年04期）
冯胜[3]（2019）在《基于LMD-PE与SVM机床刀具磨损故障诊断》一文中研究指出针对机床刀具磨损故障信号具有信号噪声大、频带混迭以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。(本文来源于《工具技术》期刊2019年07期）
喻步贤,刘俊[4]（2019）在《船舶柴油机机械磨损故障诊断的模式识别》一文中研究指出船舶柴油机在工作过程中,经常会发生机械磨损故障,给船舶柴油机的工作稳定性带来困扰,针对当前船舶柴油机机械磨损故障存在的诊断准确率低、机械磨损故障诊断时间复杂度高等缺陷,设计了一种船舶柴油机机械磨损故障诊断的模式识别方法。首先分析当前船舶柴油机机械磨损故障的原理,并提取船舶柴油机机械磨损故障诊断特征,然后采用层次分析法分析确定每一个船舶柴油机机械磨损故障特征的权值,并根据RBF神经网络确定船舶柴油机机械磨损故障诊断的模式识别模型,最后进行船舶柴油机机械磨损故障诊断的验证性测试,分析本文方法的船舶柴油机机械磨损故障效果。本文方法的船舶柴油机机械磨损故障诊断率超过了90%,不仅远远高于对比方法的船舶柴油机机械磨损故障诊断率,而且船舶柴油机机械磨损故障效率得到有效的改善,具有很好的推广前景。(本文来源于《舰船科学技术》期刊2019年10期）
张珊珊[5]（2019）在《基于油液监测及灰色理论的变速箱磨损故障诊断研究》一文中研究指出变速箱是工程机械主要的动力传递部件,由于其结构组成复杂,且长期处于高载荷、变载荷、多沙尘的恶劣工况下,因此极易发生磨损故障。变速箱如果发生严重磨损可能会导致整机运行失效,引发安全事故的发生并产生停机检修损失。据统计,变速箱中大约80%的零件报废,38.5%的齿轮故障以及35%的运行失效均是由磨损故障导致。因此针对变速箱磨损故障诊断的研究具有很大的应用前景和社会经济意义。本文主要以推土机变速箱为例,采用油液监测技术对变速箱的磨损状态进行监测,并结合灰色理论通过建立磨损故障评估模型以及定位分析模型实现变速箱磨损状态的定量分析和定位分析。主要研究内容如下:(1)为实现变速箱磨损故障的有效识别,分析了推土机变速箱常见的4种磨损类型及其对应的磨粒类型。结合油液监测的铁谱分析及激光粒度分析技术对推土机变速箱的磨损状态进行跟踪监测,通过油样分析验证油液监测技术对变速箱磨损故障识别的可靠性。并为下文结合故障评估模型实现变速箱磨损故障定量分析的可行性提供理论依据。(2)为实现变速箱磨损故障的定量分析,提取变速箱润滑油的铁谱分析和光谱分析双因素参数为故障特征指标,基于灰色理论对小样本数据故障诊断的有效性,建立变速箱磨损故障评估的灰靶模型。由于传统灰靶模型中分辨系数的大小通常根据人为经验确定,存在主观性影响较大,普适性不高等缺点,将直接影响模型的分辨能力。本文提出利用非线性方式改进的粒子群算法对模型的分辨系数进行自适应优化,得到优化后的灰靶模型。最后,通过与传统灰靶模型实例对比分析,验证了该优化方法对变速箱磨损故障评估的可靠性。(3)为实现变速箱磨损故障的定位分析,通过光谱分析技术对变速箱润滑油中磨损磨粒的元素特征进行分析。以元素磨损速率为定位分析指标,利用灰色GM(0,N)模型对描述小数据多变量参数关系的可靠性以及遗传算法的多目标优化功能,提出了基于多目标遗传算法(Multi-objective Genetic Algorithm,MOGA)与灰色GM(0,N)模型相结合的MOGA-GM(0,N)模型。该模型主要以精确度检验的后验差比值最小和小误差概率最大为优化目标,研究目标元素与相关元素之间的多元线性关系,通过各相关元素对目标元素的贡献度大小,判断磨损元素的主要磨损来源,并通过实例分析验证了该定位分析方法的有效性。(本文来源于《山东大学》期刊2019-05-20）
李贵红,赵丽丽,杜昕,于俊虎[6]（2019）在《基于EMD和香农熵的刀具磨损故障诊断系统开发》一文中研究指出针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。(本文来源于《工业仪表与自动化装置》期刊2019年02期）
张全德,陈果,郑宏光,陈明衡,王培文[7]（2019）在《一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法》一文中研究指出针对航空发动机磨损故障诊断自动化及智能化程度不高的问题,提出一种基于油液数据挖掘的航空发动机磨损故障诊断知识获取方法。该方法利用自组织神经网络对原始多维特征数据进行特征融合,得到融合值;利用Parzen窗法制定融合值的界限值,将样本划分为正常、警告和异常3种状态;利用Weka软件对油液数据进行规则提取。该方法能够从油液光谱数据中识别出不同磨损状态信息,并提取出知识规则用于构建航空发动机磨损诊断系统的知识库,实现了基于润滑油光谱磨损数据的航空发动机故障诊断的自动化与智能化。应用某型飞机发动机实际油液光谱数据对提出的磨损故障诊断知识获取方法进行验证,结果表明:经特征融合得到的融合值能够准确反映航空发动机的劣化趋势;利用融合值的界限值划分样本状态,再进行规则提取时具有很高的识别率。(本文来源于《润滑与密封》期刊2019年03期）
皮骏,马圣,贺嘉诚,孔庆国,马龙[8]（2018）在《遗传算法优化的SVM在航空发动机磨损故障诊断中的应用》一文中研究指出研究遗传算法(GA)优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。介绍基于GA优化SVM算法的实现过程,对算法中关键参数进行分析,并用改进的GA对SVM中的惩罚参数和核参数进行优化。采用GA优化的SVM对某型号航空发动机的油液磨粒数据进行诊断,并从诊断精度、计算时间、抗噪能力叁方面比较GA优化的SVM、BP神经网络和RBF神经网络的诊断精度。结果表明:GA优化的SVM能够有效地诊断航空发动机磨损故障; GA优化的SVM的诊断精度明显高于RBF和BP神经网络,且在有噪声的情况下,其诊断准确度依旧高于RBF和BP神经网络,但由于GA-SVM的结构和训练方法其训练时间较长。(本文来源于《润滑与密封》期刊2018年10期）
刘兴俊[9]（2018）在《船舶柴油机机械磨损故障诊断方法研究》一文中研究指出柴油机机械磨损直接影响船舶工作的可靠性,为了获得高正确率的船舶柴油机机械磨损故障诊断结果,设计了局部均值分解和机器学习算法的船舶柴油机机械磨损故障诊断模型。首先对船舶柴油机机械磨损故障信号进行局部均值分解,提取的船舶柴油机机械磨损故障特征,然后引入机器学习算法对船舶柴油机机械磨损故障进行分类和识别,最后进行了船舶柴油机机械磨损故障性能测试。结果表明,本文模型的船舶柴油机机械磨损故障正确率超过95%,而且船舶柴油机机械磨损故障的误诊率相当低,完全能够满足当前船舶柴油机机械磨损故障诊断的实际要求。(本文来源于《舰船科学技术》期刊2018年18期）
胡晋伟,兰媛,黄家海,曾祥辉[10]（2018）在《基于超限学习机的轴向柱塞泵滑靴磨损故障诊断》一文中研究指出为了提高故障诊断的分类准确度并减少分类时间,运用一种新的分类器即超限学习机(ELM)对轴向柱塞泵滑靴磨损进行故障诊断与识别。采集轴向柱塞泵正常工作状态和不同滑靴磨损工作状态下的信号;对采集到的信号进行预处理,提取出8维的特征向量;运用ELM和其他分类器分别对其进行诊断与识别。对比试验结果表明,新的方法故障诊断准确度高且诊断速度快。(本文来源于《机床与液压》期刊2018年17期）
磨损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：
针对航空发动机油液数据种类多样,所处状态阶段存在矛盾性,且传统叁线值法制定状态界限值存在缺陷等问题,结合支持向量机理论(SVM),相对劣化度评估和人工免疫算法(AIS),提出了一种航空发动机磨损故障诊断的方法。利用SVM拟合数据的概率密度函数,根据磨粒数据的概率分布制定正常、预警和警告的界限值;根据相对劣化度评估,分析各状态参数偏离正常状态的程度;利用人工免疫算法对待测数据进行故障模式识别。通过实例验证,方法对油液监测数据反映的航空发动机磨损故障具有出色的识别能力,相较于直接归一化原始数据进行故障诊断,有利于故障类别的分离,并且可以有效降低诊断时间,提高识别效率。
（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。
磨损故障诊断论文参考文献
[1].励文艳,程珩,赵立红,韩露.基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断[J].液压与气动.2019
[2].黄帆,李艳军,曹愈远,李依林.基于复合算法的航空发动机磨损故障诊断[J].航空计算技术.2019
[3].冯胜.基于LMD-PE与SVM机床刀具磨损故障诊断[J].工具技术.2019
[4].喻步贤,刘俊.船舶柴油机机械磨损故障诊断的模式识别[J].舰船科学技术.2019
[5].张珊珊.基于油液监测及灰色理论的变速箱磨损故障诊断研究[D].山东大学.2019
[6].李贵红,赵丽丽,杜昕,于俊虎.基于EMD和香农熵的刀具磨损故障诊断系统开发[J].工业仪表与自动化装置.2019
[7].张全德,陈果,郑宏光,陈明衡,王培文.一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法[J].润滑与密封.2019
[8].皮骏,马圣,贺嘉诚,孔庆国,马龙.遗传算法优化的SVM在航空发动机磨损故障诊断中的应用[J].润滑与密封.2018
[9].刘兴俊.船舶柴油机机械磨损故障诊断方法研究[J].舰船科学技术.2018
[10].胡晋伟,兰媛,黄家海,曾祥辉.基于超限学习机的轴向柱塞泵滑靴磨损故障诊断[J].机床与液压.2018