一、深沟球轴承噪声的产生及异声判别方法（论文文献综述）
耿佩[1]（2021）在《滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究》文中进行了进一步梳理滚动轴承是旋转机械常用零部件,其制造缺陷将严重影响后续装配和服役性能。目前,很多中小型企业在深沟球轴承制造时默认其组件（内外圈、滚动体和保持架）是完好的,而对于合套铆合后轴承套圈和保持架的质量仅采用人工目测抽检,这种检测方式对于轴承在装配过程中产生的缺陷易造成漏检。机器视觉作为无接触检测方法被广泛的应用于工业领域。基于此,开展了针对滚动轴承套圈缺料和保持架铆合缺陷的检测算法研究。具体研究方法如下:设计了轴承图像在线采集装置,装置包括自动上料机构、图像采集机构、自动翻转及自动下料机构。该装置可以实现轴承从上料、图像采集、下料的流程化工作,自动翻转机构的设置使装置可在同一工位实现对轴承上下表面图像的采集。针对采集到的轴承图像包含翻转气缸的问题,设计了轴承定位及背景分离算法。首先,对采集到的图像进行滤波操作,利用峰值信噪比（PSNR）和均方误差（MSE）来评价经典滤波算法的效果,依据评价结果选择双边滤波方法;然后,利用形态学重建技术去除轴承表面细节,仅保留图像的轮廓信息,对形态学重建图像进行边缘检测,利用霍夫变换检测边缘图像,获取轴承外圈半径及轴承圆心,最终将轴承的图像从采集装置背景图像中分离出来,实现图像的背景抠除。针对轴承套圈缺料缺陷的检测问题提出了基于连通域检测和卷积神经网络（CNN）的制造缺陷在线识别方法。对于连通域检测方法,首先采用轴承归一化展开算法,将轴承从环形区域展开为矩形区域,通过水平投影法确定轴承内、外圈区域,并在此区域内检测连通域,去除小面积连通域以避免噪声干扰,该方法可以实现缺料缺陷区域的准确标记,将该方法对本文采集到的轴承样本进行识别,准确率为83%;对于卷积神经网络检测方法,轴承缺料缺陷面积小且分布不均,图像特征提取困难,CNN可自动学习样本特征。利用图像处理技术对样本进行扩充,搭建了基于CNN的轴承缺料缺陷判别模型,对模型进行300轮训练,最终模型在训练集上的准确率达到100%,在测试集上的准确率达到97%。针对滚动轴承保持架铆合缺陷提出了基于AdaBoost算法的缺陷检测算法,设计了轴承保持架区域定位分割算法;分别提取了保持架区域图像的方向梯度直方图（HOG）特征及Gabor小波特征作为特征矩阵,针对数据显着不平衡问题,采用了合成少数类过采样技术算法（SMOTE）平衡样本量,为减少特征矩阵维数,利用主成分分析法（PCA）对特征矩阵进行降维,采用AdaBoost集成策略以k近邻、朴素贝叶斯法、线性判别分析为弱分类器对两类特征矩阵进行集成学习,并比较了两类特征结合AdaBoost的分类效果的优劣。结果表明,HOG-AdaBoost的准确率为95.83%,但Gabor-AdaBoost模型的检测效果更优,准确率高达100%,且在精确率、召回率、特异度和F值的评价指标上都优于HOG-AdaBoost模型。
姚磊[2]（2021）在《基于域对抗网络的深沟球轴承故障诊断方法研究》文中认为深沟球轴承在现代旋转机械设备中发挥着重要作用,其损坏与否和设备能否平稳运行密切相关,因此监测深沟球轴承的运行状态,诊断其故障发生的位置和严重性成为提高机械设备稳定性的一个重要环节。近些年来,基于深度学习的智能诊断方法广泛应用到了故障诊断领域中,但是由于难以满足训练样本充足且故障状态标签完整的条件,以及在工况改变时存在泛化能力不足的问题,其发展受到了限制。为解决这两个问题,本文提出了基于域对抗网络的深度迁移诊断模型,通过使用动力学模型获取的仿真数据集及采集的实验数据集对其训练,进而完成对轴承故障类别及严重性的诊断工作。动力学模型以深沟球轴承为仿真对象,基于Hertz弹性接触理论,同时考虑了轴承内圈、外圈以及轴承座分别在水平、竖直方向上的六个自由度。轴承的故障缺陷形式为不同尺度下的内、外滚道局部单点及复合矩形缺陷,通过分析滚动体经过缺陷区域时的几何关系和运动过程,可以求出相应的位移激励函数,进而可以计算出滚动体与内外滚道间的接触力和阻尼力,最终得到整个轴承振动系统的微分方程组。对动力学模型进行求解可以得到样本充足、故障种类丰富的仿真数据集,然后与传感器采集到的实验数据集分别在时域、频域、时频域以及复杂度指标四个方面进行对比分析,验证仿真数据与实验数据之间的相似性,为后续智能诊断工作提供坚实的数据基础。所建立的迁移诊断模型结构包括三个部分,分别是以ResNet网络为基础,结合注意力机制的特征提取器,以全域判别器和子域判别器为基础的域判别器和以区分轴承故障状态为目的的故障标签分类器。其中特征提取器分别从通道注意力和卷积核注意力两个角度对特征的提取过程进行了优化,标签分类器使用了混合损失函数来提高诊断模型的分类能力,域判别器同时适配了边缘分布和条件分布来提高模型的迁移性能。域判别器与特征提取器之间形成对抗关系,可以提高诊断模型的参数训练速度以及特征提取能力。所获得的仿真数据和实验数据经预处理操作后转化为二维时频图像,然后输入到诊断模型中即可完成对诊断模型的参数训练工作。最后使用实验数据验证诊断模型的性能,并将该方法扩展到变工况条件下,在与现有的常见诊断分类模型的比较中,证明了所提出的诊断方法的优越性。
李菲[3]（2020）在《基于陷波去噪和经验小波变换的滚动轴承故障诊断研究》文中提出随着现代工业的高速发展,诸如航空航天、矿山、煤炭、冶金等影响国民经济的领域对机械设备的可靠性要求越来越高,一旦设备发生问题,也许会造成无法挽救的后果。滚动轴承作为机械设备中的关键性传动元件,它的状态故障与否在很大程度上决定着机械设备的正常运转。因此,开展滚动轴承早期故障诊断研究,对于提高机械设备的可靠性和设备维修效率具有重要意义。论文的主要研究内容如下:（1）从滚动轴承的结构、类型及故障机理着手,研究其故障原因、故障类型以及故障表现形式,选择滚动轴承振动信号进行故障诊断研究,分别提出了两种滚动轴承故障信号去噪方法,并结合递归定量分析和支持向量机进行故障识别与分类的研究。（2）针对采集到的滚动轴承故障振动信号中存在的工况噪声和谐波干扰从而导致的有用的冲击信号失真或被淹没的问题提出了一种信号整体的去噪方法——基于参数寻优的自适应陷波器滚动轴承故障信号去噪方法。仿真和实测信号的实验结果表明提出的方法对于滚动轴承故障信号具有良好的去噪以及抑制谐波干扰的效果。（3）研究了经验小波变换在滚动轴承故障信号处理中的应用。针对经验小波变换在提取滚动轴承故障冲击脉冲分量时受工况噪声影响出现的频带过度划分问题,提出了一种信号分解提取冲击脉冲分量的去噪方法——基于能量谱改进的经验小波变换滚动轴承故障信号处理方法。仿真和实测信号的实验结果表明提出的方法可以有效地解决原经验小波变换中存在的频带过度划分问题,在一定程度上抑制了工况噪声的干扰,准确且较为完整地提取到冲击脉冲分量。（4）根据以上的研究成果并结合递归定量分析和支持向量机进行滚动轴承故障识别与分类的研究。实验结果表明,使用上述提出的改进方法结合递归定量分析的特征量提取方法在支持向量机的故障识别与分类中表现良好,其中两种改进的方法单独使用和结合使用的故障判别准确率均可以达到90%以上,可以较为准确地识别出滚动轴承的故障类别。
王恒迪[4]（2020）在《低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究》文中认为滚动轴承作为机械设备中普遍使用的“关节”,其振动性能会对主机产生较大的影响。我国是轴承生产大国,总产量中70%以上为深沟球轴承,其中低噪音深沟球轴承因其性能良好而在诸多领域的应用愈加广泛,对低噪音深沟球轴承的振动性能要求也愈加苛刻。论文以低噪音深沟球轴承生产过程中的振动测量和缺陷诊断为应用背景,围绕其中的振动信号获取、信号降噪、特征提取、缺陷诊断和分类等关键问题开展研究,其研究成果对其他类型轴承的缺陷诊断亦具有借鉴意义。论文主要研究内容如下。深沟球轴承在生产过程中的表面缺陷微小,缺陷特征易受本质振动的干扰。鉴于此提出了基于抑制本质振动的优化集合经验模态分解（Ensemble empirical mode decomposition,EEMD）信号降噪算法,即对振动信号进行两次经验模态分解（Empirical mode decomposition,EMD）,在第一次EMD之后筛选出峭度最大的内蕴模态函数（Intrinsic mode function,IMF）。对该IMF零均值化处理后去除其中幅值介于正负两倍有效值之间的振动成分,之后在其中添加白噪声,再从加噪IMF的第二次EMD结果中直接选择频段最高的IMF。试验结果表明本章提出的降噪算法可以高效抑制本质振动成分对微弱缺陷的干扰,经降噪处理后,实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号的峭度值分别从之前的4.49、6.82和6.44增大至46.31、55.27和135.79,凸显了原始振动信号中微弱的缺陷特征。与EEMD算法相比,本章提出的降噪算法仅进行了两次EMD运算,时间消耗由EEMD的119.23s降至1.05s。为进一步突出微小缺陷的振动特征,提出了基于参数自适应变分模态分解（Variational mode decomposition,VMD）的缺陷特征提取算法。VMD算法的两个参数,即限带内蕴模态函数（Band-limited intrinsic mode function,BIMF）个数M和二次惩罚因子α会严重影响VMD的效果,且需要预先确定。为确定合理的M和α,首先提出可以同时反映冲击脉冲能量大小和频率信息的缺陷能量占比R,之后提出多天牛须搜索（Multi-beetle antennae search,MBAS）算法,根据先验知识取M为3至8之间的整数,以min{1/R}为优化目标,利用多只天牛在分别固定M时独立优化α,迭代循环结束后再从各天牛的优化结果中筛选出全局最优的M和α组合。利用该组合分解信号后,筛选R值最大的BIMF作为结果输出。仿真信号试验表明本章提出的特征提取算法要优于自适应白噪声完整集合经验模态分解（Complete EEMD with adaptive noise,CEEMDAN）算法和固定参数VMD算法。实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号经本章提出的算法处理后,相应的缺陷能量占比数值分别为0.690、1.822和1.284;经CEEMDAN处理后,相应的缺陷能量占比数值分别为0.550、1.723和1.212;经固定参数VMD处理后,相应的缺陷能量占比数值分别为0.227、0.528和0.571。对比试验结果表明本章提出的算法评价缺陷的性能要优于CEEMDAN和固定参数VMD,且模态混叠现象要比CEEMDAN小很多。对振动信息进行充分表征后,为解决后续的缺陷诊断和分类问题,在整合前述降噪算法和特征提取算法的基础上提出了一种融合混合域特征的缺陷诊断与分类算法。首先利用特征提取算法筛选出振动信号的敏感BIMF,再借助降噪算法抑制该分量中的本质振动成分,之后重复特征提取算法,筛选出最终的敏感BIMF,这种处理可以使缺陷特征最显着化,降低后续辨识和分类的难度。之后计算该分量的一组时频域特征集,组成描述缺陷的特征向量,借助主成分分析对该特征集降维。设定特征参数累计贡献率的期望值为90%时,降维后的特征参数包括缺陷能量占比、样本熵、峭度和有效值,其中缺陷能量占比包括内圈缺陷能量占比、外圈缺陷能量占比和滚动体缺陷能量占比三个参数。最后以先验信息完成极限学习机（Extreme learning machine,ELM）的训练,再利用训练后的ELM分类器实现轴承的缺陷诊断和分类。针对凯斯西储大学公布的轴承数据集和实测的轴承振动信号分别开展了试验,对前者缺陷识别的正确率为99.75%,对后者识别的正确率为94.17%。为验证上述理论研究算法,结合低噪音深沟球轴承在生产过程中振动测量和缺陷诊断的需求,设计开发了全自动轴承振动测量仪,并在低噪音深沟球轴承生产线上对该测量仪进行了连线调试和算法验证。
王建武[5]（2019）在《轴承生产线自动合套机械系统及检测技术的研究》文中研究说明随着中国制造业的不断发展以及市场竞争压力的不断扩大,我国各大工厂及客户对轴承的订购量越来越多,而消费者对轴承的质量也越来越苛刻。为了保证轴承的生产效率和质量,轴承的自动化装配和自动检测显得尤为重要。而我国传统的人工操作存在许多的弊端,如操作成本高、运作效率低、检测精度不够等问题。此外,我国传统的机械式、光学式等量具已经无法满足轴承的检测需求,这些检测方式大多是由人为进行操作的,并存在着许多的不确定因素。因此,在轴承生产行业中寻求一种又好又快的自动化装配和检测方法成为了关注焦点。鉴于此,首先设计了一种深沟球轴承自动合套机械系统,采用模块化设计方法,利用Solidworks软件建立了整个轴承合套机械系统的三维模型,其中有轴承内外圈上料装置、检测装置、合套装置、装球装置等,并具体描述了各个模块的设计过程、工作原理和轴承合套的整个过程,最终设计完成了合套机械系统。该机械系统具有自动调节功能,可适用多种型号的微型轴承,此结构解决了操作者运作效率低、成本高、精度不够等问题。其次,为了更好的保证轴承质量,提出了两种在线检测方法,即三点接触式测量和机器视觉检测。在三点接触式测量中,测量工具与轴承必定接触,会对轴承造成不必要的磨损,对这种测量方法进行了理论计算与分析,并计算得出轴承沟道直径。另外机器视觉的轴承在线检测具有运行稳定,精度高,不受环境干扰等优点,此方法运用CCD摄像机与Matlab图像处理的方法,对轴承套圈进行非接触式测量。然后对采集到的零件图像进行预处理,通过对比各种边缘检测算法,最终采用了 Canny算法对轴承求取像素精度的边缘。利用圆的Hough变换检测出带有圆弧的圆特征,计算此圆弧的圆心坐标和半径值。再次,基于对所设计的装球机械结构,在装球结束后,轴承内圈需要与外圈同心归位,这时内外圈沟道和钢珠将会受到挤压,容易造成对轴承的损坏,为了保证轴承的合格率,利用ANSYS-Workbench软件进行受力分析,验证轴承是否满足合格的要求。最后,实验结果表明,该系统的测量精度可达到0.5 μm,测量标准差小于2.5 μm,而轴承的外圈横向变形大于0.5 mm,符合工业的检测要求。
温凯[6]（2019）在《深沟球轴承的故障诊断技术研究》文中认为深沟球轴承作为旋转机械的常用零部件,运行过程中具有精确度高、可替代性能好、造价便宜、便于成批制造等一系列的优点,在工业领域有着广泛的应用。但同时,随着工业领域的不断进步,许多机械都向着高速和重载的方向发展,这必然提高了对深沟球轴承性能的要求。因此,研究深沟球轴承对提高机械设备运行的稳定性、降低设备的维护成本等具有重要意义。本文以深沟球轴承为研究对象,对其故障相关的特征提取方法及诊断方法展开研究,并开发出故障诊断系统。论文所研究的主要内容有:（1）提出了一种基于非线性模态分解（NMD）以及小波阈值降噪的故障信号特征提取方法。首先运用小波阈值对原始故障信号进行降噪处理,接着利用NMD对降噪后的信号进行分解,然后绘制出重构后信号的包络谱图,最后深沟球轴承的相关特征频率便可以从中提取出。分别进行仿真实验还有深沟球轴承故障信号实验,将实验结果和经验模态分解（EMD）处理后的结果进行比较。同时,建立了均方根误差以及信噪比两个参数,来分析该方法的故障特征提取能力。（2）研究了利用小波包变换进行降噪处理和特征提取,改进的BP神经网络来进行分类的深沟球轴承故障诊断模型。首先是降噪处理,运用小波包变换的方法滤除振动信号中的噪声干扰;接着利用小波包变换的方法对降噪后的信号提取能量特征,将特征值作为神经网络的输入矩阵;然后利用BP神经网络实现深沟球轴承的故障分类;针对BP神经网络相关不足之处,提出基于天牛须算法优化的BP神经网络诊断模型,并和其它的BP神经网络进行对比,来验证诊断结果有效性。（3）主要介绍了有关算法的原理,并且提出了一种基于时频图以及卷积神经网络的深度神经网络深沟球轴承故障分类方法。首先将信号进行集合经验模态分解和重构,再转换成时频图,并进行灰度化处理。之后构造训练集合以及测试集合,利用卷积神经网络训练训练集合,再利用训练好的模型对测试集合进行故障的识别分类。（4）根据所提出的深沟球轴承故障诊断方法,利用MATLAB软件设计出轴承的故障诊断系统,主要包括软件登录、轴承故障诊断、轴承故障识别等模块。其具有系统登录、参数设置、故障特征提取、故障诊断等功能。
张琦涛[7]（2019）在《深沟球轴承径向运动噪声计算方法研究》文中研究表明滚动轴承作为机械工业最重要的零部件之一,随着人们对于生活环境要求的提高,轴承噪声问题成为轴承行业越来越重视的问题。虽然有很多学者都对轴承的噪声有所研究,但至今在对轴承噪声计算方面仍较为薄弱,尚未形成有效的定量计算方法。本文以深沟球轴承为研究对象,分别研究了不考虑任何轴承误差、只考虑轴承滚动体尺寸随机误差、考虑轴承内外滚道波纹度误差、考虑轴承保持架影响以及考虑综合因素影响下的轴承噪声计算模型,并进行了相关数值计算研究。具体的研究内容及研究成果如下:在轴承只受到径向载荷时,运用赫兹接触理论,建立了轴承无尺寸误差情况下的相关力学模型,得到了内圈及滚动体的运动情况,并结合经典声学模型,研究了轴承径向运动噪声的大小。在此基础上,考虑了轴承滚动体的随机尺寸误差以及内外圈滚道波纹度误差,采用三角函数作为波纹度模型,结合声学理论,得到了存在误差情况下的轴承噪声声压值变化计算方法。在考虑轴承保持架对轴承噪声的影响条件下,通过滚动体推动保持架运动的理论,建立了保持架的相关运动模型,进而得到了考虑保持架影响的轴承噪声声压值大小计算方法。最后,综合考虑上诉所有因素,得到了在径向载荷作用下,针对深沟球轴承径向振动的综合噪声声压值计算模型。使用Matlab进行数值计算,通过具体算例,得到了不同转速及不同载荷对轴承噪声声压值的综合影响规律,并绘制了相关规律曲线。本文是在前人研究的基础上进行的研究,所得到的研究结果可以为轴承噪声的研究和降噪技术提供一定的理论支持。
曹茂来,魏剑波,王进汉,张卫明,平晓明[8]（2016）在《BVT-8型多功能轴承振动测量仪》文中研究表明为解决现有滚动轴承振动测量仪达不到新的国家标准（GB/T 24610—2009）要求的测试技术指标问题,贯彻执行新的滚动轴承振动速度测量标准,同时兼顾滚动轴承振动加速度测量,特此开发了BVT-8型多功能滚动轴承振动测量仪。实际应用表明:BVT-8结构紧凑、操作简便,且测值直观、准确、可靠。
胡亮,董兆宇,戴煜林,程志学[9]（2015）在《深沟球轴承系列特征频率计算分析》文中研究指明深沟球轴承作为旋转机械中的重要零件,其运行状态直接影响机器的性能和寿命。对SKF 60200系列深沟球轴承各部件固有频率进行计算,得到各阶固有频率随轴承尺寸变化的趋势;对深沟球轴承各部件的故障通过频率进行统计分析,得到了轴承故障通过频率的分布情况;以6205-2RS JEM SKF深沟球轴承为对象,分析轴承外圈故障状态下和正常状态下振动信号的特征,为轴承的故障特征分析提供指导。
张根源,陈芳华[10]（2009）在《基于内蕴分量建模的滚动轴承异音信号分析新方法》文中研究说明针对滚动轴承振动信号的非平稳时变特性,采用局域波和K-L信息量的分析方法首先把轴承的波形图通过局域波分解为多个内蕴分量,然后对参考波形图的内蕴分量以及待测波形图的内蕴分量进行K-L信息量的自回归（Autoregressive,AR）建模,求出它们之间的残差方差,通过人工试验的方法来不断的修正AR模型,直到AR模型满足检测的准确率。通过以正常状态为参考状态,对滚动轴承实例在三种不同状态下进行了分析比较试验,结果证明该方法在滚动轴承异音探测以及分析方面可以达到用户预先设定的高准确度,具有很高的工程实用性。
二、深沟球轴承噪声的产生及异声判别方法（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、深沟球轴承噪声的产生及异声判别方法（论文提纲范文）
（1）滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.2 轴承缺陷机器视觉检测技术国内外研究进展 |
| 1.3 主要工作及内容安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 各章节内容安排 |
| 1.4 本章小结 |
| 第二章 轴承图像在线采集平台设计 |
| 2.1 轴承图像在线采集平台设计原则 |
| 2.1.1 滚动轴承基本结构及常见缺陷 |
| 2.1.2 轴承图像在线采集平台需求分析 |
| 2.2 轴承图像在线采集平台结构设计 |
| 2.2.1 整体结构分析 |
| 2.2.2 图像采集装置 |
| 2.2.3 自动上料装置 |
| 2.2.4 轴承自动翻转机构 |
| 2.3 本章小结 |
| 第三章 轴承图像定位和背景分离算法研究 |
| 3.1 图像滤波算法 |
| 3.1.1 图像滤波算法原理 |
| 3.1.2 图像滤波结果及评价 |
| 3.2 基于霍夫变换的轴承定位分割算法 |
| 3.2.1 轴承图像形态学处理 |
| 3.2.2 霍夫变换检测结果分析 |
| 3.3 本章小结 |
| 第四章 轴承套圈缺料缺陷检测算法研究 |
| 4.1 基于连通域检测的轴承缺料缺陷检测算法 |
| 4.1.1 轴承图像展开算法 |
| 4.1.2 连通域检测算法 |
| 4.1.3 实验验证 |
| 4.2 基于卷积神经网络的轴承缺料缺陷检测算法 |
| 4.2.1 卷积神经网络理论 |
| 4.2.2 模型构建与实验验证 |
| 4.3 本章小结 |
| 第五章 基于AdaBoost的轴承保持架铆合缺陷检测研究 |
| 5.1 轴承保持架铆合缺陷检测算法思路分析 |
| 5.2 轴承保持架区域提取 |
| 5.3 图像特征提取算法 |
| 5.3.1 梯度方向直方图算子理论 |
| 5.3.2 Gabor变换算法理论 |
| 5.4 数据处理及识别算法研究 |
| 5.4.1 不平衡数据处理 |
| 5.4.2 集成学习方法理论 |
| 5.4.3 k近邻算法理论 |
| 5.4.4 线性判别分析算法理论 |
| 5.4.5 朴素贝叶斯算法理论 |
| 5.5 保持架铆合缺陷判别模型建立与评价 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（2）基于域对抗网络的深沟球轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究的背景与意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究的背景与意义 |
| 1.2 国内外研究现状概述及分析 |
| 1.2.1 深沟球轴承仿真动力学模型研究现状 |
| 1.2.2 数据驱动的深沟球轴承智能诊断方法研究现状 |
| 1.3 本课题的研究思路及内容安排 |
| 第2章 深沟球轴承滚道故障动力学模型 |
| 2.1 引言 |
| 2.2 深沟球轴承六自由度动力学模型 |
| 2.3 内外滚道局部缺陷动力学建模 |
| 2.3.1 内外滚道局部缺陷位移激励函数 |
| 2.3.2 非线性弹性接触力计算 |
| 2.3.3 润滑油膜阻尼力计算 |
| 2.3.4 振动系统微分方程组建立 |
| 2.4 本章小结 |
| 第3章 实验与仿真数据获取及可迁移性分析 |
| 3.1 引言 |
| 3.2 仿真与实验数据获取及预处理 |
| 3.2.1 仿真与实验数据获取 |
| 3.2.2 仿真与实验数据预处理 |
| 3.3 实验与仿真故障信号特征分析对比 |
| 3.3.1 时域信号分析对比 |
| 3.3.2 频域故障特征分析对比 |
| 3.3.3 时频域特征分析对比 |
| 3.3.4 Lempel-Ziv复杂度指标分析对比 |
| 3.4 本章小结 |
| 第4章 基于域对抗网络的深度迁移诊断方法 |
| 4.1 引言 |
| 4.2 迁移学习问题描述 |
| 4.3 基于通道注意力机制的域对抗深度迁移诊断模型 |
| 4.3.1 域对抗网络理论基础 |
| 4.3.2 使用SE-ResNet的特征提取器 |
| 4.3.3 使用混合损失函数的标签分类器 |
| 4.3.4 适配边缘分布和条件分布的域判别器 |
| 4.4 基于卷积核注意力机制的域对抗深度迁移诊断模型 |
| 4.5 本章小结 |
| 第5章 诊断模型性能验证与结果分析 |
| 5.1 引言 |
| 5.2 迁移诊断模型诊断结果与性能比较 |
| 5.2.1 诊断结果与非迁移诊断模型比较 |
| 5.2.2 诊断结果与非分布自适应迁移模型比较 |
| 5.2.3 优化损失函数前后比较 |
| 5.3 变转速工况下诊断模型迁移性能分析比较 |
| 5.3.1 变转速工况数据集的建立 |
| 5.3.2 变转速工况下模型诊断结果与对比分析 |
| 5.4 变载荷工况下诊断模型迁移性能分析比较 |
| 5.4.1 变载荷工况数据集的建立 |
| 5.4.2 变载荷工况下模型诊断结果与对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（3）基于陷波去噪和经验小波变换的滚动轴承故障诊断研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外滚动轴承故障诊断技术研究现状及未来发展趋势 |
| 1.2.1 滚动轴承故障诊断技术国内外发展现状 |
| 1.2.2 滚动轴承故障诊断方法研究现状 |
| 1.2.3 滚动轴承故障诊断技术的未来发展趋势 |
| 1.3 课题相关领域国内外研究现状 |
| 1.3.1 基于陷波器的信号去噪方法研究现状 |
| 1.3.2 基于经验小波变换的信号处理方法研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 滚动轴承故障机理及振动特性分析 |
| 2.1 滚动轴承的结构与分类 |
| 2.2 滚动轴承的故障机理与失效形式 |
| 2.3 滚动轴承振动特性分析 |
| 2.3.1 滚动轴承产生振动的原因与分类 |
| 2.3.2 滚动轴承的固有振动频率 |
| 2.3.3 滚动轴承的故障特征频率 |
| 2.4 本章小结 |
| 第三章 基于参数寻优的自适应陷波器滚动轴承故障信号去噪方法 |
| 3.1 陷波器 |
| 3.1.1 陷波器原理 |
| 3.1.2 自适应陷波器原理 |
| 3.2 量子粒子群算法 |
| 3.2.1 QPSO算法原理 |
| 3.2.2 QPSO算法流程 |
| 3.3 基于参数寻优的自适应陷波器滚动轴承故障信号去噪方法 |
| 3.3.1 QPSO算法对陷波器参数的寻优 |
| 3.3.2 仿真实验分析 |
| 3.3.3 滚动轴承实测信号实验分析 |
| 3.4 本章小结 |
| 第四章 基于能量谱改进的经验小波变换滚动轴承故障信号处理方法 |
| 4.1 经验小波变换 |
| 4.1.1 经验小波变换原理 |
| 4.1.2 经验小波变换频带划分方法 |
| 4.2 改进的经验小波变换频带划分方法 |
| 4.2.1 能量谱 |
| 4.2.2 最大类间方差法 |
| 4.2.3 皮尔逊相关系数 |
| 4.2.4 改进的经验小波变换频带划分方法 |
| 4.2.5 仿真实验分析 |
| 4.3 基于能量谱改进的经验小波变换滚动轴承故障信号处理方法 |
| 4.3.1 基于能量谱改进的经验小波变换滚动轴承故障信号处理方法流程 |
| 4.3.2 滚动轴承实测信号实验分析 |
| 4.4 本章小结 |
| 第五章 基于递归定量分析和支持向量机的滚动轴承故障识别与分类 |
| 5.1 递归定量分析 |
| 5.1.1 递归图原理 |
| 5.1.2 递归图的重要参数选取 |
| 5.1.3 递归定量分析原理 |
| 5.2 滚动轴承实测故障信号的特征提取 |
| 5.3 支持向量机 |
| 5.3.1 支持向量机的基本思想 |
| 5.3.2 核函数的选取 |
| 5.3.3 支持向量机多分类问题 |
| 5.3.4 支持向量机的参数寻优算法的选取 |
| 5.4 基于递归定量分析和支持向量机的滚动轴承故障识别与分类 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
（4）低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 滚动轴承缺陷诊断技术研究现状 |
| 1.2.1 振动信号降噪方法的研究现状 |
| 1.2.2 振动信号特征提取方法的研究现状 |
| 1.2.3 缺陷诊断和分类方法的研究现状 |
| 1.3 论文研究内容和结构安排 |
| 第2章 深沟球轴承振动的产生机理 |
| 2.1 低噪音深沟球轴承振动的产生机理和常见缺陷类型 |
| 2.1.1 振动的产生机理 |
| 2.1.2 常见缺陷类型 |
| 2.2 低噪音深沟球轴承的振动成分 |
| 2.2.1 轴承的本质振动 |
| 2.2.2 轴承的冲击振动 |
| 2.3 本章小结 |
| 第3章 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.1 概述 |
| 3.2 Hilbert包络解调和峭度原则 |
| 3.2.1 Hilbert包络解调原理及其使用时应注意的问题 |
| 3.2.2 峭度原则及其优缺点 |
| 3.3 EMD算法和EEMD算法 |
| 3.3.1 EMD算法 |
| 3.3.2 EEMD算法 |
| 3.4 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.4.1 综合EMD和峭度原则的信号降噪算法及其弊端 |
| 3.4.2 基于抑制本质振动的优化EEMD信号降噪算法 |
| 3.4.3 试验验证 |
| 3.5 计算方法的时间消耗 |
| 3.6 本章小结 |
| 第4章 基于参数自适应VMD的缺陷特征提取算法 |
| 4.1 概述 |
| 4.2 变分模态分解 |
| 4.2.1 VMD基本原理 |
| 4.2.2 VMD参数对分解结果的影响 |
| 4.3 多天牛须搜索算法 |
| 4.3.1 BAS搜索算法 |
| 4.3.2 MBAS搜索算法 |
| 4.4 基于参数自适应VMD的缺陷特征提取算法 |
| 4.4.1 理论基础和实现流程 |
| 4.4.2 仿真信号试验对比 |
| 4.4.3 实际轴承振动信号验证和对比 |
| 4.5 本章小结 |
| 第5章 融合混合域特征的缺陷诊断与分类算法 |
| 5.1 概述 |
| 5.2 综合缺陷特征提取算法 |
| 5.2.1 综合缺陷特征提取算法的实现步骤 |
| 5.2.2 综合缺陷特征提取算法的实例验证 |
| 5.3 基于PCA算法的特征信息降维 |
| 5.3.1 选择的时频域参数 |
| 5.3.2 PCA算法原理 |
| 5.3.3 PCA特征参数降维结果 |
| 5.4 ELM算法 |
| 5.5 融合混合域特征的缺陷诊断与分类算法 |
| 5.5.1 算法操作步骤 |
| 5.5.2 CWRU振动数据验证 |
| 5.5.3 实测振动数据验证 |
| 5.5.4 影响试验结果的因素分析 |
| 5.6 本章小结 |
| 第6章 全自动轴承振动测量仪的研制与试验验证 |
| 6.1 概述 |
| 6.2 试验目的和试验方法 |
| 6.2.1 试验目的 |
| 6.2.2 试验方法 |
| 6.3 全自动轴承测量仪的系统构架和实现 |
| 6.3.1 系统构架 |
| 6.3.2 机械本体设计 |
| 6.3.3 双面六点测振方法 |
| 6.3.4 电气控制系统设计 |
| 6.3.5 并行程序设计模式 |
| 6.4 系统抗干扰措施 |
| 6.5 试验结果和分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）轴承生产线自动合套机械系统及检测技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 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 主要研究内容 |
| 2 轴承自动化装配机械系统设计 |
| 2.1 系统总体方案设计 |
| 2.2 系统整体结构的设计 |
| 2.3 轴承合套装配的结构设计 |
| 2.4 轴承装球部分的结构设计 |
| 2.5 本章小结 |
| 3 轴承沟道尺寸检测系统的研究 |
| 3.1 轴承沟道直径检测系统的结构设计 |
| 3.2 检测系统的工作原理 |
| 3.3 三点接触式测量的分析与计算 |
| 3.4 误差分析 |
| 3.5 轴承沟道曲率半径检测装置的设计 |
| 3.6 图像处理 |
| 3.7 图像特征提取 |
| 3.8 实验与分析 |
| 3.9 本章小结 |
| 4 深沟球轴承合套分析 |
| 4.1 游隙精度对轴承合套的影响 |
| 4.2 深沟球轴承合套计算 |
| 4.3 合套方案的设计 |
| 4.4 装最后一球及外圈的变形 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）深沟球轴承的故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 轴承故障诊断研究现状 |
| 1.2.1 振动信号处理技术研究现状 |
| 1.2.2 智能诊断技术的研究现状 |
| 1.3 深沟球轴承的故障类型概述 |
| 1.3.1 深沟球轴承可能存在的故障类型 |
| 1.3.2 深沟球轴承故障特征 |
| 1.4 课题的主要内容 |
| 1.5 本章小结 |
| 第二章 基于NMD和小波阈值的深沟球轴承故障特征提取方法研究 |
| 2.1 特征提取方法简介 |
| 2.2 小波阈值降噪 |
| 2.3 NMD介绍 |
| 2.3.1 NMD基本原理 |
| 2.3.2 模拟信号比较 |
| 2.4 深沟球轴承的故障特征提取流程 |
| 2.5 深沟球轴承故障提取实例应用 |
| 2.6 本章小结 |
| 第三章 基于BAS算法优化BP神经网络的深沟球轴承故障诊断方法研究 |
| 3.1 算法简介 |
| 3.1.1 BP神经网络介绍 |
| 3.1.2 粒子群算法 |
| 3.1.3 天牛须算法 |
| 3.2 改进型BP神经网络模型的诊断过程 |
| 3.2.1 粒子群算法优化的BP神经网络诊断流程 |
| 3.2.2 天牛须算法优化的BP神经网络诊断流程 |
| 3.3 BAS优化的BP神经网络深沟球故障诊断实例研究 |
| 3.3.1 实验分析 |
| 3.3.2 小波包分析 |
| 3.3.2.1 小波包降噪 |
| 3.3.2.2 小波包能量特征提取 |
| 3.3.3 试验结果分析 |
| 3.3.3.1 基础的分类识别对比实验 |
| 3.3.3.2 不同故障尺寸的分类识别对比实验 |
| 3.3.3.3 不同故障尺寸的内圈故障信号分类识别对比实验 |
| 3.3.3.4 综合分析 |
| 3.4 本章小结 |
| 第四章 基于时频图和卷积神经网络的深沟球轴承故障诊断方法研究 |
| 4.1 集合经验模态分解原理概述 |
| 4.2 卷积神经网络概述 |
| 4.2.1 卷积神经网络组成 |
| 4.2.2 卷积神经网络的结构 |
| 4.2.3 卷积神经网络的训练流程 |
| 4.3 深沟球轴承的故障诊断实验 |
| 4.3.1 故障诊断实验流程示意图 |
| 4.3.2 样本数据构造概述 |
| 4.3.3 实验结果分析 |
| 4.3.4 实验结论 |
| 4.4 本章小结 |
| 第五章 基于MATLAB的轴承故障诊断系统开发 |
| 5.1 轴承故障诊断系统设计总目标 |
| 5.2 轴承故障诊断各系统简介 |
| 5.2.1 系统登录模块 |
| 5.2.2 轴承故障诊断模块 |
| 5.2.3 轴承故障识别模块 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间取得的研究成果 |
| 攻读硕士期间参与的科研项目 |
（7）深沟球轴承径向运动噪声计算方法研究（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 |
| 1.2.1 轴承发展现状 |
| 1.2.2 滚动轴承噪声产生机理研究 |
| 1.2.3 滚动轴承力学模型研究 |
| 1.2.4 滚动轴承振动研究 |
| 1.2.5 滚动轴承噪声研究 |
| 1.3 文献综述小结 |
| 1.4 研究内容 |
| 第2章 不考虑尺寸误差时深沟球轴承内圈及滚动体的噪声研究 |
| 2.1 引言 |
| 2.2 赫兹接触理论 |
| 2.3 力学模型构建 |
| 2.4 声学模型构建 |
| 2.4.0 声压概念 |
| 2.4.1 点声源模型 |
| 2.4.2 圆柱声源模型 |
| 2.4.3 轴承总声压计算 |
| 2.5 算例研究 |
| 2.5.1 力学分析 |
| 2.5.2 噪声分析 |
| 2.6 本章小结 |
| 第3章 考虑滚动体随机尺寸误差的深沟球轴承噪声研究 |
| 3.1 引言 |
| 3.2 考虑滚动体尺寸误差的滚动体受力分析 |
| 3.3 算例研究 |
| 3.3.1 只考虑一个滚动体存在误差的情况 |
| 3.3.2 所有滚动体存在随机误差 |
| 3.4 本章小结 |
| 第4章 考虑滚动轴承滚道波纹度时深沟球轴承噪声研究 |
| 4.1 引言 |
| 4.2 力学模型构建 |
| 4.2.1 波纹度模型构建 |
| 4.2.2 轴承受力模型 |
| 4.3 算例研究 |
| 4.4 本章小结 |
| 第5章 考虑轴承随机误差及保持架运动的轴承噪声研究 |
| 5.1 引言 |
| 5.2 保持架模型建立 |
| 5.2.1 滚动体保持架模型 |
| 5.2.2 保持架运动计算方法 |
| 5.3 保持架声学模型建立 |
| 5.4 算例研究 |
| 5.5 轴承噪声综合模型构建及算例研究 |
| 5.6 本章小结 |
| 第6章 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间撰写的学术论文 |
（8）BVT-8型多功能轴承振动测量仪（论文提纲范文）
| 1 振动测量原理 |
| 2 测量仪的结构和主要技术参数 |
| 3 主要部件 |
| 3.1 液体静压主轴 |
| 3.2 加载装置 |
| 3.3 测量系统 |
| 4 测量试验 |
| 5 结束语 |
（9）深沟球轴承系列特征频率计算分析（论文提纲范文）
| 1 深沟球轴承的运动方程 |
| 2 深沟球轴承系列固有特性分析 |
| 2.1 有限元法的基本原理 |
| 2.2 固有频率及振型 |
| 3 故障通过频率分布统计 |
| 4 轴承振动分析 |
| 5 结语 |
（10）基于内蕴分量建模的滚动轴承异音信号分析新方法（论文提纲范文）
| 0 前言 |
| 1 基本原理 |
| 1.1 局域波分析法 |
| 1.2 K-L信息量 |
| 1.3 异音信号分析策略 |
| 2 异音信号分析实例 |
| 2.1 传统异音信号分析方法 |
| 2.2 本文异音信号分析试验 |
| 3 结论 |
四、深沟球轴承噪声的产生及异声判别方法（论文参考文献）
- [1]滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究[D]. 耿佩. 华东交通大学, 2021(01)
- [2]基于域对抗网络的深沟球轴承故障诊断方法研究[D]. 姚磊. 哈尔滨工业大学, 2021
- [3]基于陷波去噪和经验小波变换的滚动轴承故障诊断研究[D]. 李菲. 北京石油化工学院, 2020(06)
- [4]低噪音深沟球轴承振动信号特征提取与缺陷诊断方法研究[D]. 王恒迪. 河南科技大学, 2020(06)
- [5]轴承生产线自动合套机械系统及检测技术的研究[D]. 王建武. 山东科技大学, 2019(05)
- [6]深沟球轴承的故障诊断技术研究[D]. 温凯. 南京农业大学, 2019(08)
- [7]深沟球轴承径向运动噪声计算方法研究[D]. 张琦涛. 华东理工大学, 2019(08)
- [8]BVT-8型多功能轴承振动测量仪[J]. 曹茂来,魏剑波,王进汉,张卫明,平晓明. 轴承, 2016(09)
- [9]深沟球轴承系列特征频率计算分析[J]. 胡亮,董兆宇,戴煜林,程志学. 噪声与振动控制, 2015(03)
- [10]基于内蕴分量建模的滚动轴承异音信号分析新方法[J]. 张根源,陈芳华. 机械工程学报, 2009(07)