一、汽车发动机机械故障振动测试研究（论文文献综述）
周全[1]（2021）在《汽车发动机异响诊断算法及产生机理的研究》文中研究说明随着汽车工业水平的进步,目前发动机噪声的研究重点已落在声品质上,特别是发动机的异响问题,令很多车企研发人员无从下手。由于大部分异响属于发动机噪声问题中的疑难杂症,缺乏有效的诊断方法和理论上的研究,因此需要提出一些创新性的信号处理方法来更好地提取并分析这些异响的特征,并归纳出异响的产生机理。本文围绕汽车发动机的异响诊断算法和异响的产生机理研究这两个方面展开,主要工作内容与成果如下:研究了短时傅里叶变换时频图的精细度和能量分布的变化规律,对比了多分量非稳态仿真信号的短时傅里叶变换和S变换时频图结果,指出两种算法对非稳态部分信号的能量分布具有“栅栏”现象。介绍了非线性调频变换算法（Nonlinear Chirp Transform,NLCT）,通过引入随调频信号瞬时频率不断变化的旋转算子和频移算子,优化了时频图的能量分布,并结合Vold-Kalman阶次滤波和NLCT变换提出了Vold-Kalman调频变换算法（VoldKalman Chirp Transform,VKCT）,其适用于分析与汽车发动机转速相关的振声信号。研究了当单个初始频率附近存在多个信号时,变分模态分解（Variational Mode Decomposition,VMD）的分解优先级,提出了U型模态分解优先级的概念。讨论了VMD算法的欠分解和过分解现象,并指出这类模态混叠现象的本质原因是VMD算法初始中心频率的数目及取值与实际混合信号中的分量信号不匹配。提出一种基于二分法的变分模态分解方法（Dichotomy-based Variational Mode Decomposition,DVMD）,能够自适应地搜寻混合信号中实际分量的个数及对应的中心频率。基于DVMD算法诊断了某乘用车发动机在怠速工况下产生的“吭吭”声异响。通过系统性地研究缸盖总成各部分结构对异响的影响,发现了异响声幅值对凸轮轴正时调节（Variable Camshaft Timing,VCT）系统的参数敏感,特别是凸轮轴调节器的角度和机油压力控制阀（Oil Control Valve,OCV）的占空比。通过DVMD算法分离提取了发动机缸盖表面振动信号中的异响相关分量,结合曲轴与凸轮轴的瞬时转速、VCT系统内部的机油压力等数据综合分析,明确了“吭吭”声异响的产生机理。基于VKCT算法诊断了某乘用车发动机在加速过程中出现的“咕噜”声异响。通过声强法对异响的分布特性进行了研究和分析,明确了异响主要来源于汽车发动机,通过VKCT算法提取了发动机振动信号中的异响分量,根据对比分析指出“咕噜”声异响来源于曲轴扭振。通过发动机曲轴的弯扭振动测试及更换不同工作频率TVD的试验,验证了“咕噜”声异响的产生机理。针对汽车发动机稳态及瞬态工况下的机械与燃烧噪声分离,提出了基于维纳滤波的稳态工况燃烧噪声分离算法和基于多元回归的瞬态工况燃烧噪声分离算法。研究了某三缸汽油机在不同转速和负荷条件下的机械燃烧噪声占比变化情况及其内在机理,诊断了某SUV车型的发动机在急收油门时刻下产生的“呲呲”声异响。对该发动机的表面辐射噪声和机体表面的振动信号进行了机械贡献和燃烧贡献分离,根据机械噪声和燃烧噪声的时频图结果诊断出此异响来源于发动机燃烧室内的异常燃烧,并通过优化发动机的点火提前角控制了异响。
张晓冬[2]（2021）在《基于EEMD与小波包组合降噪的参数化传递路径分析》文中研究说明汽车工作情况下,参数化传递路径方法可以识别发动机等振动源产生的振动对车内某一点的影响情况,但由于实车测试过程中的一些外部扰动以及噪声信号,所测得的工况数据难免掺噪,影响参数化模型的精度,进而隐藏具体问题路径。因此采用EEMD与小波包组合降噪的方法,旨在对庞大且复杂的工况数据进行降噪处理,提高参数化传递路径模型预测精度,识别被隐藏的路径。引入样本熵作为信号中噪声信号成分的量化准则,将已经剔除的噪声信号的样本熵作为信息代价函数,并佐以粒子群优化算法找寻最优阈值,以解决有效信号成分影响噪声方差估计进而影响阈值估计精度的问题。结合含噪IMF分量各自的归一化样本熵以及它们分解后的归一化样本熵设计出调参参数,将调参参数应用到本文提出的阈值函数中实现对EEMD与小波包组合降噪的自适应性改进。同时搭建仿真信号,罗列出现有小波包阈值估计方法与阈值函数。将本文以及现有的阈值估计方法与阈值函数两两结合,分别改进EEMD与小波包组合降噪算法并对仿真信号进行降噪,其中本文方法的纯净信号与降噪后重构信号的SNR与RMSE分别是23.669与0.2566,降噪效果最佳。运用现有的阈值函数与本文阈值估计方法结合,运用现有的阈值估计方法与本文阈值函数结合改进EEMD与小波包降噪的OPAX模型,图像结果表明改进后的2阶合成响应与2阶实测响应一致性变好,其中本文阈值估计方法与阈值函数结合所得的目标点合成响应与实测响应的SNR和RMSE为17.8731与0.0097,证明它们一致性最好,噪声的影响基本消除,改进效果最佳。且运用本文改进方法进行贡献量分析,发现被“噪声隐藏”的问题路径显示出来,可准确的对振动优化做出指导。
杨静[3]（2020）在《旋转机械早期故障诊断关键技术研究》文中研究说明旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
张立金[4]（2020）在《基于USB采集卡的汽车综合检测分析仪研制》文中研究表明发动机作为汽车动力的重要输出来源,其性能好坏一定程度上决定了汽车的整体质量,所以对发动机参数检测和故障分析尤为重要。随着信息化时代的不断深入,各种检测仪器向着智能化、功能多样化、便携的趋势发展,也对汽车检测和分析提出了更高的要求。为了满足汽车振动信号处理、分析与性能参数的测试,应用Matlab与Delphi混合编程技术,基于虚拟仪器技术,设计了一套基于USB数据采集卡集八通道信号采集及多功能处理与分析于一体的汽车综合检测分析仪。采用Delphi编程编写了人机交互界面,实现了汽车综合检测分析仪八通道大容量不间断采集、实时信号数值和波形显示等功能;编程实现中自定义了数据环形缓冲区类以满足不同线程数据的读取、写入正常;应用多线程编程技术以提高对数据的处理能力;利用组件对象模型（Component Object Model,COM）技术实现了 Matlab与Delphi混合编程;借助Matlab强大的函数工具箱实现了近30种信号分析与处理方法,Matlab与Delphi混合编程技术的使用增强了汽车综合检测分析仪的分析与处理能力,便于后期分析方法的拓展。为使不同分析方法间优势互补,通过分析不同方法的优点和不足,提出了几种时频组合分析方法,如 EMD（Empirical Mode Decompositio）-FFT（Fast Fourier Transform）、小波分解与FFT、小波降噪与FFT、EMD-维格纳分布（Wigner-Ville Distibution）、EEMD（Ensemble Empirical Mode Decomposition）-FFT 等时频组合分析方法,其组合不仅拓展了时频分析方法,也使其对信号的分析处理更加准确。通过对帕萨特全车电器实训台传感器的检测并进行误差分析、仿真信号的分析和现场测试发动机的振动信号并采用多种方法进行分析,通过分析验证,对非平稳性信号的采集与分析具有良好的效果,结果验证了汽车综合检测分析仪的可靠性和实用性。该汽车综合检测分析仪还可应用于机械设备检测中振动信号采集与处理、故障诊断和分析等方面。
谭鸿创[5]（2020）在《基于熵特征的螺旋锥齿轮故障诊断方法研究》文中进行了进一步梳理螺旋锥齿轮传动因其重叠系数大、承载能力强、传动比高、传动平稳、噪声小等优点,被广泛地应用于航空、汽车、矿山等机械传动领域,是机械工程中重要的基础传动件。由于制造和装配误差,以及运行过程中的润滑不良和超速超载工作等,螺旋锥齿轮很容易发生损伤和故障,由此导致的异常振动等,将影响整个传动系统乃至整个机械设备的正常运行,引发安全事故,造成重大经济损失。因此对螺旋锥齿轮的运行状态进行监测和诊断,可确保整个传动系统安全、高效、稳定运行,具有重要的现实意义。本文以可表征螺旋锥齿轮非线性、非平稳性的熵特征为敏感特征量,分别构建了排列熵、多尺度排列熵、多尺度样本熵,结合特征降维与模式识别,形成相应故障诊断方法,实现螺旋锥齿轮断齿等故障的有效辨识与诊断。具体内容如下:（1）螺旋锥齿轮振动测试与振动信号初步分析。以现有螺旋锥齿轮试验台为平台,利用B&K振动数据采集系统分别采集了螺旋锥齿轮在900r/min、1200r/min与1500r/min三种转速下正常齿、1/3断齿、2/3断齿和严重擦伤齿这四种状态的振动信号,并对采集的振动信号进行了初步的频谱分析与近似熵分析。近似熵分析表明,传统近似熵特征可以反映螺旋锥齿轮运行状态,有效分辨出正常齿轮与故障齿轮,但不同故障状态之间的区分效果欠佳。（2）基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障诊断方法。以自适应噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）的排列熵为敏感特征量,通过支持向量机（Support Vector Machine,SVM）进行模式识别,实现螺旋锥齿轮故障辨识。首先将螺旋锥齿轮振动信号进行CEEMDAN分解,得到一系列从高频到低频的内禀模态函数（Intrinsic Mode Function,IMF）,利用相关系数计算各IMF分量与原始信号的相关程度,结合信噪比的大小进行含主要故障信息的IMF分量优选;采用重叠组合法对排列熵计算过程中的关键参数——嵌入维数和时延进行优选;以优选IMF的排列熵值组成特征向量,训练多分类SVM,进行螺旋锥齿轮故障辨识。将该方法用于3种不同程度螺旋锥齿轮断齿故障的诊断识别,并与基于集总经验模态分解排列熵-SVM、经验模态分解排列熵-SVM方法进行比较,实验结果表明,该方法可以更加准确地识别螺旋锥齿轮的故障类型。（3）基于LPP的多尺度排列熵降维与ELM的螺旋锥齿轮故障诊断方法。以经局部保持投影（Locality Preserving Projections,LPP）降维的多尺度排列熵为敏感特征量,通过极限学习机（Extreme Learning Machine,ELM）进行模式识别,实现螺旋锥齿轮故障辨识。首先,构造多尺度排列熵作为原始高维特征矢量,然后使用LPP对原始高维特征矢量降维,获得最优低维敏感特征矢量,挖掘并保留高维特征矢量的非线性结构特点,然后将所得敏感特征量构成特征矢量,输入ELM进行螺旋锥齿轮故障辨识。将该方法应用于稳定转速下4种螺旋锥齿轮故障状态的诊断辨识中,结果有效地证明了该方法的准确性和优越性。（4）基于OLPP的多尺度样本熵降维与GWO-ELM的螺旋锥齿轮故障诊断方法。以正交局部保持投影（Orthogonal Locality Preserving Projections,OLPP）约简的多尺度样本熵为敏感特征量,通过灰狼优化算法（Grey Wolf Optimizer,GWO）优化的ELM进行模式识别,实现螺旋锥齿轮故障辨识。该方法首先采用多尺度样本熵提取螺旋锥齿轮变速工况的故障特征集合,再对获取的故障集进行OLPP降维获得独立的敏感特征量,最后应用GWO-ELM进行螺旋锥齿轮故障辨识。在识别诊断过程中,以螺旋锥齿轮2种转速（900/min、1200/min）下3种状态（正常、1/3断齿、2/3断齿）,总共6种工况类型的振动信号进行实例分析,证明该方法能有效应用于螺旋锥齿轮的变转速故障识别。
贾奎[6]（2020）在《基于DEBA-SVM算法的发动机远程故障预判诊断研究》文中研究表明日益发展的社会经济对汽车数量的需求显着增加。我国汽车工业在满足汽车操作智能化、功能多样化开发需求的同时,汽车的故障种类也不断增多,而发动机作为汽车的核心是故障产生的高频部位,因此对汽车发动机的状态监控与故障预测成为重中之重。本文运用支持向量机、4G网络、CAN总线等技术开发一套发动机远程故障预判诊断系统,实现对车用发动机的远程故障实时预测、状态监测、数据存储等功能。主要工作如下:（1）发动机远程故障预判诊断系统整体结构及功能设计。系统基于“核心板+底板”的原则对车载终端硬件进行设计,通过选取CAN总线并制定CAN通信协议实现车载终端与发动机控制器的数据传输,采用4G网络实现车载终端与远程故障预判软件的无线通信,选取支持向量机搭建故障预测模型实现发动机机械故障的预测诊断。（2）车载终端平台设计。硬件选取S5P4418控制芯片作为车载智能终端主控芯片,EC20作为4G通信模块,MCP2515作为CAN通信模块;软件基于Linux系统进行控制程序设计,分别对CAN总线通信程序与4G网络通信程序进行设计,完成车载终端平台整体设计。对车载终端CAN通信模块和4G通信模块分别进行测试,验证各模块的通信功能。（3）发动机故障预诊断方法研究。选用归一化处理方法与灰色关联分析方法分别对发动机运行参数样本数据进行处理。搭建基于SVM的发动机故障预测控制算法模型,采用DEBA算法优化支持向量机关键参数。通过样本数据对发动机故障预测模型进行测试,故障预测诊断准确率达到了97.5%,验证了发动机故障预测模型的可行性。（4）远程故障预判软件开发。使用Python基于Django框架对远程故障预判软件进行设计开发,选用MySQL建立数据库存储发动机运行参数数据,并实现软件与数据库的交互。设计网页端界面直观显示系统的实时监控与故障预诊断功能,通过邮件通知用户故障诊断信息。搭建系统测试平台对系统整体功能进行测试,测试结果表明系统能够及时对发动机故障进行预测诊断,验证了系统整体功能的有效性。
陈君航[7]（2020）在《双半内圈轴承故障实验及诊断方法研究》文中研究指明双半内圈轴承是旋转机械关键承载部件之一,在发动机高压高温、高速运行和双向轴向重载条件下易产生剥落、磨损和裂纹等故障。本文通过分析双半内圈轴承故障特性,设计了典型故障实验台。针对双半内圈轴承故障振动信号频率成分复杂、特征频带混叠且受强振动噪声影响的特点,利用自适应最稀疏窄带分解方法（Adaptive Sparsest Narrow-Band Decomposition,ASNBD）具备的局部窄带宽截取能力,提出了基于互补集合自适应最稀疏窄带分解方法（Complementary Ensemble Adaptive Sparsest Narrow-Band Decomposition,CE-ASNBD）,有效提取了故障特征信息。为实现双半内圈轴承故障智能诊断,使用复合多尺度模糊熵（Composite Multi-scale Fuzzy Entropy,CMFE）对振动信号特征信息进行表征,结合深度置信网络（Deep Belief Nets,DBN）方法完成了双半内圈轴承的智能识别。研究的主要内容如下:（1）典型故障实验设计。双半内圈轴承常用于均分发动机运转时的双向轴向力,因此使用双向螺纹轴、施压夹具和联轴器构建加压模块,模拟双半内圈轴承的工作环境,在此基础上构建了双半内圈轴承故障实验台。（2）故障特征提取方法。由于双半内圈轴承故障信号频率成分复杂、特征频带混叠,采用ASNBD方法提取具有局部窄带特征的故障信息。为提升ASNDB方法在面对强噪声时的分解能力,结合互补集合方法,提出了CE-ASNBD方法,有效实现了双半内圈轴承的故障特征信息提取。（3）故障智能识别方法。采用CMFE表征振动数据的非线性程度,结合DBN构建了双半内圈轴承故障智能诊断方法。对双半内圈轴承各类典型故障实验数据的分析结果表明,论文方法能准确识别双半内圈轴承不同类型故障。
史文武[8]（2020）在《基于无线WiFi的振动测试系统设计》文中指出振动特性作为装甲特种车辆行动系统结构部件健康状况评估的重要指标之一,准确测试该参量能够为机械运转质量评估提供有效的科学依据。行动系统的特点之一是运动性,其测试部位多为旋转或往复的运动部件。传统的布线测试法往往需大量的线缆与复杂的测试设备,这样不仅会影响测试效果,而且也会增加测试成本。相比之下,存储测试法非引线的设计可以有效克服线缆布设问题,但是在行动系统狭小紧凑的测试环境中,其测试装置工作触发和数据回收相对困难,因此该方法的应用也存在一定的局限性。无线存储测试法虽然可以解决上述问题,但市场上成熟的无线外设模块体积与机械结构无法控制,故难以适应一些车辆振动测试特殊的应用场合。本课题针对以上测试方法存在的不足,并结合装甲特种车辆振动测试对实时传输、数据可靠性以及测试效率的需求,开发设计了一种基于无线WiFi技术的车辆振动测试系统,具体工作阐述如下:首先,根据装甲特种车辆行动系统振动测试需求以及主流无线通讯方式特点,经分析对比选取了WiFi作为该系统的通讯方式。在此基础上,设计并评估了两种总体系统架构方案,最终选用了体积较小、功耗较低的MCU+FLASH架构设计。同时针对测试功能需求进行主控及外设芯片选型,并详细介绍了各个模块的设计依据及步骤。然后,依据各芯片特性设计了该系统节点主控及外设功能模块电路,并对WiFi射频部分阻抗匹配进行了仿真计算,绘制了相应的四层PCB板。在完成硬件平台的基础上,编写了相应固件接口驱动与应用程序,同时设计了信息控制平台的上位机软件。最后,为保证其工作稳定可靠,对系统节点的各功能模块及总体性能进行实际测试。测试结果表明,该节点能够有效的采集振动数据并记录在FLASH中,可以通过WiFi正确接收命令并完成振动数据信息的上传。与传统的振动测试设备相比,该系统节点具有体积小、布设灵活、数据回收便捷等优势。在被测点空间狭小、测试装置安装拆卸不便的情况下,该系统能够解决工作触发以及数据回收困难等问题,极大地提高了整体测试效率。
赵晓涛[9]（2020）在《非稳态下汽车变速器故障诊断方法研究》文中提出滚动轴承和齿轮是汽车变速器的重要组成部件,由于其故障而导致的车辆安全事故屡见不鲜。因此在变速器故障诊断中,常将齿轮和轴承故障作为其重点研究对象。由于变速器的结构复杂、零件多,当变速器发生故障时,其众多零部件中的故障特征信息会被强噪声所干扰,从而难以有效地提取和识别故障特征。而且在实际工程应用中,汽车变速器常在非稳态变转速的工况下运行,研究非稳态变转速下汽车变速器故障诊断方法具有重要的意义。近年来,针对非稳态转速条件下旋转机械设备的故障诊断方法研究已成为科研人员的攻关目标之一。本文以汽车变速器为研究对象,通过对在非稳态变转速工况下汽车变速器的齿轮故障进行分析,研究非稳态变转速下汽车变速器故障特征提取。论文主要研究内容如下:（1）通过分析汽车变速器中齿轮和轴承的故障类型、振动机理以及故障信号振动特性,通过仿真分别分析了齿轮和滚动轴承在变转速工况下时域、频域和故障特征阶域的振动信号特征。在此基础上,利用汽车变速器故障实验台,以时域特征值和样本熵分析为主,对加速度传感器测点的振动数据进行了分析,以此确定最佳的传感器测点。分析了基于光电转速传感器的速度曲线拟合方法,为变转速故障诊断方法提供可靠的实验数据。（2）深入研究多点优化最小熵解卷积（MOMEDA）和最大二阶循环平稳盲解卷积（CYCBD）的基础理论以及滤波器长度对这两种故障诊断方法降噪效果的影响。在此基础上,分别使用基于计算阶比跟踪（COT）和MOMEDA方法与CYCBD和时间-角度（A-T）谱的故障特征提取方法,通过实验和故障仿真信号研究了两种方法的故障特征提取效果。针对变转速工况下的频域“频谱模糊”问题,首先对变转速故障信号使用COT方法将非平稳的时域信号转化为平稳的角域信号,然后对角域平稳信号使用MOMEDA方法进行降噪,以此来提取出汽车变速器的故障特征。但此种方法需要对振动信号进行角域重采样,它会破坏原有振动信号固有的时间特性,无法有效地保证故障特征阶次的提取效果。变转速振动信号成分相对复杂,且背景噪音较大,直接应用A-T谱方法提取故障特征将不能达到理想的降噪效果。为清晰识别变转速工况下的故障特征,本文使用CYCBD和A-T谱相结合的方法,实现变转速故障特征提取。
胡委[10]（2020）在《基于优化SVM的小型活塞发动机故障诊断技术研究》文中提出活塞发动机的工作状态直接影响设备能否安全运行,如果发动机发生故障,轻则导致发动机无法正常起动或运行,重则导致运载系统在工作过程中出现严重的事故。因此,及时、准确发现潜在的故障并进行维护,对发动机的安全运行具有重要意义。针对某小型二冲程活塞发动机开展基于优化SVM的故障诊断技术研究。首先,根据发动机实际使用过程的故障类型,选取出现频率较多的供油系统故障,作为发动机故障试验数据采集的研究对象。针对实际发动机故障诊断是多分类问题这一特点,选择了基于DDAG SVM的非线性支持向量机作为分类模型,同时选用径向基（RBF）核函数解决了数据集低维不可分问题。其次,设计了基于Lab VIEW的发动机数据采集系统。对发动机数据采集系统的各类传感器进行了选型,设计了编码器的信号调理电路,并根据发动机结构设计了编码器与发动机配合的传动工装,利用Lab VIEW设计了具有高速采集处理存储功能的上位机软件。通过试验验证发动机数据采集系统满足发动机数据采集试验要求。然后,通过故障注入的方式造成发动机供油系统故障,获取试验数据,对试验记录的工作参数进行分析。选取正常状态下的缸内压力和缸内压力升高率从时域角度进行了对比分析。采用VMD变分模态分解方法从时频域的角度,对发动机故障原始数据进行特征信号与噪声信号的分离,识别了发动机缸内压力与缸盖振动数据的之间的对应关系。最后,利用奇异值和能量特征提取方法提取了特征数据并建立了特征数据集,对数据集进行了归一化处理并划分训练集和测试集,先采用未优化的SVM模型进行故障诊断,再通过布谷鸟搜索算法结合训练集对SVM模型进行优化,通过故障分类结果的对比,验证了CS-SVM的优化效果。对发动机供油系统的8种不同工作状态下的缸内压力数据和发动机缸盖振动数据进行故障诊断的对比研究,验证了发动机缸盖振动信号对小型活塞发动机供油系统故障诊断的有效性,同时也说明了基于优化SVM的故障诊断技术研究方法具有较强的实用价值。
二、汽车发动机机械故障振动测试研究（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、汽车发动机机械故障振动测试研究（论文提纲范文）
（1）汽车发动机异响诊断算法及产生机理的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发动机振动噪声研究现状 |
| 1.2.2 异响研究现状 |
| 1.2.3 信号处理方法研究现状 |
| 1.2.4 本文研究课题的提出 |
| 1.3 本文研究内容与安排 |
| 2 NLCT时频分析算法的基本原理与仿真试验研究 |
| 2.1 引言 |
| 2.2 现代时频分析技术原理及仿真研究 |
| 2.2.1 短时傅里叶变换 |
| 2.2.2 广义S变换 |
| 2.2.3 线性调频变换 |
| 2.2.4 非线性调频变换 |
| 2.3 本章小结 |
| 3 DVMD盲源分离算法的基本原理与仿真试验研究 |
| 3.1 引言 |
| 3.2 DVMD的基本原理 |
| 3.2.1 变分模态分解原理简介 |
| 3.2.2 变分模态分解的分解优先级 |
| 3.2.3 DVMD的分解策略 |
| 3.3 DVMD与其他盲源分离方法的仿真试验比较研究 |
| 3.4 本章小结 |
| 4 基于DVMD算法的发动机稳态机械异响诊断及机理研究 |
| 4.1 引言 |
| 4.2 怠速异响声源定位试验研究 |
| 4.2.1 某乘用车怠速异响案例背景 |
| 4.2.2 缸盖总成机械结构系统影响研究 |
| 4.2.3 缸盖总成电子控制系统影响研究 |
| 4.3 基于DVMD算法的怠速异响特征分量提取 |
| 4.4 角度域下的怠速异响成因及机理研究 |
| 4.5 本章小结 |
| 5 基于VKCT算法的发动机瞬态机械异响诊断及机理研究 |
| 5.1 引言 |
| 5.2 VKCT时频分析方法原理 |
| 5.2.1 AGST时频变换 |
| 5.2.2 脊线提取技术 |
| 5.2.3 Vold-Kalman阶次分离 |
| 5.2.4 VKCT时频分析算法 |
| 5.3 某乘用车加速工况异响识别 |
| 5.3.1 某乘用车加速工况异响案例背景 |
| 5.3.2 整车异响分布特性研究 |
| 5.4 某乘用车加速工况异响机理研究 |
| 5.4.1 基于VKCT时频分析算法的异响特征提取与诊断 |
| 5.4.2 加速工况异响的机理研究及控制 |
| 5.5 本章小结 |
| 6 发动机燃烧噪声的分离算法及燃烧异响诊断研究 |
| 6.1 引言 |
| 6.2 发动机燃烧噪声的分离算法 |
| 6.2.1 基于维纳滤波的稳态工况燃烧噪声分离算法 |
| 6.2.2 基于多元回归的瞬态工况燃烧噪声分离算法 |
| 6.3 发动机稳态工况燃烧噪声和机械噪声的分离研究 |
| 6.3.1 1500r/min燃烧噪声分离结果 |
| 6.3.2 3000r/min燃烧噪声分离结果 |
| 6.3.3 5500r/min燃烧噪声分离结果 |
| 6.4 发动机瞬态工况的燃烧异响分离及诊断研究 |
| 6.4.1 某SUV车型急收油门工况异响案例背景 |
| 6.4.2 急收油门工况振声信号燃烧与机械贡献分离研究 |
| 6.4.3 急收油门工况燃烧异响控制 |
| 6.5 本章小结 |
| 7 全文总结 |
| 7.1 研究成果与结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介 |
| 教育经历 |
| 攻读博士期间发表的论文 |
| 攻读博士期间参与的项目 |
（2）基于EEMD与小波包组合降噪的参数化传递路径分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景与研究的意义 |
| 1.2 经验模态分解与小波组合降噪类方法的研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 EEMD与小波包组合降噪方法的改进研究 |
| 2.1 EEMD与小波包组合降噪方法 |
| 2.1.1 EEMD对原始含噪信号分解算法 |
| 2.1.2 小波包阈值降噪算法以及对含噪的IMF分量进行降噪处理 |
| 2.2 从阈值的角度改进算法 |
| 2.2.1 EEMD与小波包组合降噪的阈值估计方法 |
| 2.2.2 样本熵理论以及在本文方法中的应用 |
| 2.2.3 粒子群算法在阈值选取中的应用 |
| 2.3 从阈值函数的角度改进算法 |
| 2.3.1 传统阈值函数以及其缺陷 |
| 2.3.2 基于样本熵改进的阈值函数 |
| 2.4 本文提出的阈值估计与阈值函数改进的EEMD与小波包降噪方法 |
| 2.5 本章小结 |
| 第3章 .仿真分析与对比 |
| 3.1 仿真信号的搭建与仿真方案的制定 |
| 3.1.1 仿真信号的搭建与EEMD分解 |
| 3.1.2 含噪IMF分量的确定与仿真实施方案 |
| 3.2 信号去噪效果的评价标准 |
| 3.3 本文提出阈值函数的调参参数序列与阈值的估计质量验证 |
| 3.3.1 阈值函数的调参参数序列搭建 |
| 3.3.2 本文阈值的估计方法的执行与质量验证 |
| 3.4 阈值选取方法与阈值函数的组合应用结果的对比分析 |
| 3.5 本章小结 |
| 第4章 .降噪的参数化传递路径方法模型 |
| 4.1 参数化传递路径方法理论模型(OPAX 为例) |
| 4.1.1 OPAX模型建立流程 |
| 4.1.2 FRF理论以及测量 |
| 4.1.3 参数化载荷识别模型 |
| 4.1.4 OPAX模型贡献量的计算 |
| 4.2 降噪方法与参数化传递路径的结合 |
| 4.3 本章小结 |
| 第5章 实车振动测试试验与数据采集 |
| 5.1 实车结构振动传递路径模型 |
| 5.2 实车振动测试试验准备 |
| 5.2.1 试验设备介绍以及测量条件说明 |
| 5.2.2 测试试验方案的设计 |
| 5.3 实车振动数据采集 |
| 5.3.1 悬置测点时域振动信号采集与发动机转速信号的提取 |
| 5.3.2 目标点以及额外显示点信号 |
| 5.3.3 FRF的测取 |
| 5.4 本章小结 |
| 第6章 降噪在参数化传递路径方法中的应用 |
| 6.1 参数化传递路径的搭建(以OPAX为例) |
| 6.1.1 载荷识别 |
| 6.1.2 路径贡献量的计算 |
| 6.2 降噪方法在参数化传递路径模型中的应用 |
| 6.2.1 降噪对比方案 |
| 6.2.2 降噪的实施 |
| 6.3 降噪改进效果的对比 |
| 6.4 本文方法改进的参数化传递路径(OPAX为例)的贡献量分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的论文以及科研成果 |
| 致谢 |
（3）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（4）基于USB采集卡的汽车综合检测分析仪研制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 前言 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.2 国内外发展现状及发展趋势 |
| 1.2.1 虚拟仪器技术 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.3 课题主要研究内容 |
| 2 汽车综合检测分析系统的总体设计 |
| 2.1 汽车综合检测分析仪总体框图 |
| 2.2 检测分析仪硬件设计 |
| 2.2.1 传感器选择 |
| 2.2.2 数据采集卡的选择 |
| 2.2.3 电荷放大器 |
| 2.3 综合检测分析仪软件设计 |
| 2.3.1 综合检测分析仪编程语言 |
| 2.3.2 系统编程 |
| 2.4 本章小结 |
| 3 Delphi编程实现数据采集 |
| 3.1 软件的启动界面 |
| 3.2 数据采集功能的实现 |
| 3.2.1 Delphi编程驱动数据采集卡 |
| 3.2.2 环形缓冲区设计 |
| 3.2.3 程序多线程设计 |
| 3.2.4 波形显示原理 |
| 3.3 数据采集实测 |
| 3.4 本章小结 |
| 4 Delphi与Matlab实现数据处理与分析 |
| 4.1 混合编程技术研究 |
| 4.2 Delphi与Matlab混合编程技术 |
| 4.2.1 Delphi与Matlab混合编程实现方法研究 |
| 4.2.2 汽车综合检测分析仪混合编程实现 |
| 4.3 信号分析与处理模块设置 |
| 4.3.1 信号分析与处理模块 |
| 4.3.2 信号回放模块实现 |
| 4.4 数字信号处理 |
| 4.4.1 频域滤波方法 |
| 4.4.2 时域滤波方法 |
| 4.4.3 滤波功能实验 |
| 4.5 本章小结 |
| 5 信号分析理论及仿真信号测试 |
| 5.1 平稳信号分析方法 |
| 5.2 非平稳信号分析方法 |
| 5.2.1 时频分析方法 |
| 5.2.2 时频组合分析方法 |
| 5.3 本章小结 |
| 6 汽车综合检测分析仪实验分析 |
| 6.1 帕萨特全车电器实训台传感器信号检测 |
| 6.2 发动机振动信号分析 |
| 6.2.1 发动机信号采集 |
| 6.2.2 发动机振动分析 |
| 6.2.3 发动机振动信号时域分析 |
| 6.2.4 发动机振动信号时频分析 |
| 6.3 本章总结 |
| 7 全文总结及展望 |
| 7.1 全文总结 |
| 7.2 不足和工作展望 |
| 8 参考文献 |
| 9 攻读硕士学位期间科研成果情况 |
| 10 致谢 |
（5）基于熵特征的螺旋锥齿轮故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 论文的研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 螺旋锥齿轮故障诊断方法研究现状 |
| 1.3.2 机械故障中熵特征提取方法研究现状 |
| 1.3.3 模式识别研究现状 |
| 1.4 论文的主要内容及章节安排 |
| 第2章 螺旋锥齿轮故障信号的振动特性分析 |
| 2.1 引言 |
| 2.2 螺旋锥齿轮典型故障振动测试实验 |
| 2.2.1 故障模拟实验台的搭建 |
| 2.2.2 典型故障的振动信号采集 |
| 2.3 螺旋锥齿轮典型故障振动信号特性分析 |
| 2.3.1 原始信号分析 |
| 2.3.2 FFT频谱分析 |
| 2.3.3 近似熵分析 |
| 2.4 本章小结 |
| 第3章 基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障诊断方法 |
| 3.1 引言 |
| 3.2 CEEMDAN-排列熵的螺旋锥齿轮敏感特征量提取 |
| 3.2.1 基于螺旋锥齿轮振动信号的排列熵参数优化 |
| 3.2.2 基于CEEMDAN的特征量提取 |
| 3.3 CEEMDAN-排列熵与SVM方法 |
| 3.3.1 SVM简介 |
| 3.3.2 故障诊断流程 |
| 3.4 基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障实例分析 |
| 3.4.1 振动信号的时频分析 |
| 3.4.2 特征优选与诊断结果 |
| 3.5 本章小结 |
| 第4章 基于LPP的多尺度排列熵降维与ELM的螺旋锥齿轮故障诊断方法 |
| 4.1 引言 |
| 4.2 多尺度排列熵-LPP的螺旋锥齿轮敏感特征量提取 |
| 4.2.1 多尺度排列熵原始特征矢量构建 |
| 4.2.2 LPP特征约简 |
| 4.3 多尺度排列熵-LPP与ELM方法 |
| 4.3.1 ELM模式识别 |
| 4.3.2 故障诊断流程 |
| 4.4 基于多尺度排列熵-LPP与ELM的螺旋锥齿轮故障实例分析 |
| 4.4.1 螺旋锥齿轮的实例分析 |
| 4.4.2 不同转速下的稳定性研究 |
| 4.5 本章小结 |
| 第5章 基于OLPP的多尺度样本熵降维与GWO-ELM的螺旋锥齿轮故障诊断方法 |
| 5.1 引言 |
| 5.2 多尺度样本熵-OLPP的螺旋锥齿轮敏感特征量提取 |
| 5.2.1 多尺度样本熵 |
| 5.2.2 OLPP基本理论 |
| 5.3 多尺度样本熵-OLPP与GWO-ELM方法 |
| 5.3.1 GWO-ELM模式识别 |
| 5.3.2 故障诊断流程 |
| 5.4 基于多尺度样本熵-OLPP与GWO-ELM的螺旋锥齿轮故障实例分析 |
| 5.5 本章小结 |
| 第6章 论文总结和展望 |
| 6.1 论文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 附录A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（6）基于DEBA-SVM算法的发动机远程故障预判诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究的目的 |
| 1.2.2 研究的意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 主要研究内容 |
| 第二章 发动机远程故障预判系统设计 |
| 2.1 系统目标及功能需求分析 |
| 2.2 系统工作原理及相关技术介绍 |
| 2.2.1 CAN总线技术 |
| 2.2.2 移动通信技术 |
| 2.2.3 故障预诊断方法 |
| 2.3 系统总体设计方案 |
| 2.3.1 系统结构方案 |
| 2.3.2 系统软件功能设计 |
| 2.4 本章小结 |
| 第三章 车载终端平台设计 |
| 3.1 车载终端硬件选型设计 |
| 3.1.1 微处理器 |
| 3.1.2 CAN通信模块 |
| 3.1.3 4G通信模块 |
| 3.2 车载终端控制软件设计 |
| 3.2.1 车载终端工作流程 |
| 3.2.2 Linux系统移植 |
| 3.2.3 数据传输程序设计 |
| 3.3 车载终端功能测试 |
| 3.3.1 4G联网测试 |
| 3.3.2 CAN数据传输测试 |
| 3.4 本章小结 |
| 第四章 发动机故障预诊断方法研究 |
| 4.1 数据预处理方法 |
| 4.1.1 数据归一化处理 |
| 4.1.2 灰色分析处理 |
| 4.2 基于优化支持向量机的故障预诊断方法 |
| 4.2.1 支持向量机算法 |
| 4.2.2 改进蝙蝠算法优化支持向量机参数 |
| 4.2.3 优化支持向量机故障预测模型搭建 |
| 4.3 发动机故障预测模型测试结果分析 |
| 4.4 本章小结 |
| 第五章 远程故障预判系统软件设计与功能实现 |
| 5.1 远程故障预判软件总体设计 |
| 5.1.1 系统软件架构设计 |
| 5.1.2 软件开发工具选择 |
| 5.2 数据库模块设计 |
| 5.2.1 数据库建立 |
| 5.2.2 数据库连接设计 |
| 5.3 数据监测与故障预测模块设计 |
| 5.4 软件界面设计与功能实现 |
| 5.4.1 用户注册与登录界面 |
| 5.4.2 软件主要功能实现 |
| 5.5 系统集成测试 |
| 5.5.1 搭建系统测试平台 |
| 5.5.2 系统测试过程及结果分析 |
| 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 |
| 致谢 |
| 攻读硕士期间学术成果 |
（7）双半内圈轴承故障实验及诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 双半内圈轴承故障特征提取方法研究现状 |
| 1.2.2 双半内圈轴承故障智能识别方法研究现状 |
| 1.2.3 存在的问题 |
| 1.3 本文的研究内容及技术路线安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线安排 |
| 1.3.3 论文章节安排 |
| 第二章 双半内圈轴承典型故障实验台 |
| 2.1 滚动轴承故障介绍和故障特征频率计算 |
| 2.1.1 滚动轴承的主要故障形式 |
| 2.1.2 滚动轴承的故障特性 |
| 2.1.3 滚动轴承的故障计算公式 |
| 2.2 双半内圈轴承典型故障实验台 |
| 2.2.1 双半内圈轴承故障特征 |
| 2.2.2 双半内圈轴承实验台 |
| 2.2.3 双半内圈轴承故障实验台各模块部件介绍 |
| 2.3 双半内圈轴承实验数据采集和分析 |
| 2.3.1 实验目的 |
| 2.3.2 实验信号采集 |
| 2.4 本章小结 |
| 第三章 双半内圈轴承故障特征提取方法 |
| 3.1 自适应最稀疏窄带分解方法 |
| 3.1.1 内禀窄带分量 |
| 3.1.2 奇异局部线性算子 |
| 3.1.3 自适应最稀疏窄带分解方法的步骤 |
| 3.1.4 实验信号分析 |
| 3.2 基于互补集合的自适应最稀疏窄带分解优化方法 |
| 3.2.1 总体平均经验模态分解方法 |
| 3.2.2 互补集合 |
| 3.2.3 基于互补完备的自适应最稀疏窄带分解优化方法 |
| 3.3 仿真与轴承实验结果对比 |
| 3.3.1 仿真对比分析 |
| 3.3.2 实验对比分析 |
| 3.4 本章小结 |
| 第四章 双半内圈轴承故障智能模式识别 |
| 4.1 复合多尺度模糊熵 |
| 4.2 深度学习 |
| 4.3 深度置信网络 |
| 4.3.1 深度置信网络的结构 |
| 4.3.2 深度置信网络的训练过程 |
| 4.4 双半内圈轴承故障智能诊断 |
| 4.5 本章小结 |
| 第五章 总结 |
| 5.1 研究结论 |
| 5.2 工作展望 |
| 参考文献 |
| 附录 A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（8）基于无线WiFi的振动测试系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 装甲特种车辆振动测试技术国内外研究现状 |
| 1.2.2 无线WiFi的发展及研究现状 |
| 1.3 本文研究内容和结构安排 |
| 2 系统总体方案设计 |
| 2.1 主流无线通讯技术对比分析 |
| 2.2 无线测试系统总体架构设计 |
| 2.2.1 方案一:基于MCU+FLASH的总体结构设计 |
| 2.2.2 方案二:基于FPGA+WiFi+FLASH的总体架构设计 |
| 2.2.3 无线振动测试系统总体方案选择 |
| 2.3 系统微控制器选型 |
| 2.4 本章小结 |
| 3 无线WiFi振动测试系统硬件设计 |
| 3.1 系统硬件总体功能设计 |
| 3.1.1 系统硬件功能需求分析 |
| 3.1.2 系统硬件功能设计 |
| 3.2 信号调理电路设计 |
| 3.3 数字硬件电路设计 |
| 3.4 系统硬件PCB设计 |
| 3.4.1 PCB设计原则 |
| 3.4.2 射频信号与阻抗设计 |
| 3.5 本章小结 |
| 4 无线WiFi振动测试系统软件设计 |
| 4.1 系统固件总体功能设计 |
| 4.1.1 系统固件功能需求分析 |
| 4.1.2 系统固件功能设计 |
| 4.2 系统主控模块固件设计 |
| 4.3 系统基础功能模块固件设计 |
| 4.4 系统应用功能模块固件设计 |
| 4.5 上位机软件设计 |
| 4.6 本章小结 |
| 5 无线WiFi振动测试系统性能测试及分析 |
| 5.1 测试系统搭建 |
| 5.2 系统关键模块功能测试验证 |
| 5.3 系统WiFi通讯速率测试 |
| 5.4 系统WiFi实时通讯丢包率、误码率测试 |
| 5.5 系统节点整体性能测试分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及参与课题情况 |
| 致谢 |
（9）非稳态下汽车变速器故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 恒转速下汽车变速器故障诊断方法研究现状 |
| 1.3.2 变转速下汽车变速器故障诊断方法研究现状 |
| 1.4 变转速下汽车变速器故障诊断难点 |
| 1.5 论文的主要研究内容及章节安排 |
| 2 变转速下汽车变速器故障机理分析 |
| 2.1 汽车变速器的结构组成及故障类型 |
| 2.2 汽车变速器故障诊断机理及其信号特征 |
| 2.2.1 齿轮振动机理分析及其信号特征 |
| 2.2.2 轴承振动机理分析及其信号特征 |
| 2.3 本章小结 |
| 3 变转速下汽车变速器实测信号分析研究 |
| 3.1 试验平台简介 |
| 3.1.1 实验台的组成 |
| 3.1.2 实验传感器介绍 |
| 3.1.3 实验数据采集 |
| 3.2 转速测量信号分析 |
| 3.3 加速度传感器实测信号分析 |
| 3.3.1 传感器位置选择 |
| 3.3.2 传感器各测点振动数据分析 |
| 3.4 本章小结 |
| 4 基于COT和 MOMEDA的变转速故障特征提取方法研究 |
| 4.1 阶比跟踪 |
| 4.1.1 阶比跟踪简介 |
| 4.1.2 计算阶比跟踪 |
| 4.2 多点优化最小熵解卷积 |
| 4.2.1 MOMEDA算法 |
| 4.2.2 MOMEDA参数影响分析 |
| 4.3 基于COT-MOMEDA的变转速故障特征提取方法 |
| 4.4 变转速下汽车变速器实测振动信号分析 |
| 4.5 本章小结 |
| 5 基于CYCBD和 A-T谱的变转速故障特征提取方法研究 |
| 5.1 最大二阶循环平稳盲解卷积 |
| 5.1.1 最大二阶循环平稳盲解卷积算法 |
| 5.1.2 最大二阶循环平稳盲解卷积的参数影响分析 |
| 5.2 角度-时间(A-T)谱 |
| 5.3 基于CYCBD和 A-T谱的变转速故障特征提取方法 |
| 5.4 变转速下汽车变速器实测振动信号分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（10）基于优化SVM的小型活塞发动机故障诊断技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 小型活塞发动机故障类型 |
| 1.2.1 发动机ECU故障 |
| 1.2.2 发动机点火系统故障 |
| 1.2.3 供油系统故障 |
| 1.2.4 发动机机械部件故障 |
| 1.3 发动机故障诊断国内外研究现状 |
| 1.3.1 发动机状态监测与故障诊断 |
| 1.3.2 活塞发动机故障诊断技术国内外研究现状 |
| 1.4 本文主要研究内容 |
| 第二章 支持向量机的模型选择 |
| 2.1 统计学理论 |
| 2.1.1 机器学习 |
| 2.1.2 统计学理论 |
| 2.2 支持向量机原理 |
| 2.2.1 线性支持向量机 |
| 2.2.2 核函数 |
| 2.2.3 软间隔支持向量机 |
| 2.3 多分类支持向量机 |
| 2.3.1 一对多分类法 |
| 2.3.2 一对一分类法 |
| 2.3.3 决策导向无环图分类法 |
| 2.4 本章小结 |
| 第三章 发动机数据采集系统搭建 |
| 3.1 发动机数据采集试验台搭建 |
| 3.2 发动机数据采集系统硬件 |
| 3.2.1 缸温传感器 |
| 3.2.2 转速传感器 |
| 3.2.3 空燃比分析仪 |
| 3.2.4 缸内压力传感器及其信号处理平台 |
| 3.2.5 缸盖振动传感器及恒流适配器 |
| 3.2.6 编码器及其信号调理电路 |
| 3.2.7 数据采集卡及PXIe主机 |
| 3.3 发动机数据采集上位机设计 |
| 3.3.1 数据采集信号配置与生产者循环设计 |
| 3.3.2 数据处理消费者循环 |
| 3.3.3 数据存储消费者循环 |
| 3.4 本章小结 |
| 第四章 发动机故障采集与数据处理 |
| 4.1 发动机供油系统故障数据采集试验 |
| 4.1.1 编码器Z相与发动机上止点相位差确定 |
| 4.1.2 发动机供油系统故障数据采集试验 |
| 4.2 发动机故障数据预处理 |
| 4.3 基于VMD的信号分解 |
| 4.3.1 VMD的原理 |
| 4.3.2 基于VMD的信号分解 |
| 4.4 本章小结 |
| 第五章 基于优化SVM的发动机故障诊断 |
| 5.1 特征数据提取及数据集的建立 |
| 5.1.1 奇异值分解与能量特征提取 |
| 5.1.2 发动机故障类型标记 |
| 5.2 基于SVM的发动机故障诊断结果分析 |
| 5.3 基于CS优化SVM的发动机故障诊断 |
| 5.3.1 布谷鸟优化算法 |
| 5.3.2 基于CS优化SVM的步骤 |
| 5.3.3 基于CS-SVM故障诊断结果 |
| 5.4 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 |
| 在学期间的研究成果及发表的学术论文 |
四、汽车发动机机械故障振动测试研究（论文参考文献）
- [1]汽车发动机异响诊断算法及产生机理的研究[D]. 周全. 浙江大学, 2021(01)
- [2]基于EEMD与小波包组合降噪的参数化传递路径分析[D]. 张晓冬. 沈阳理工大学, 2021(01)
- [3]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [4]基于USB采集卡的汽车综合检测分析仪研制[D]. 张立金. 天津科技大学, 2020(08)
- [5]基于熵特征的螺旋锥齿轮故障诊断方法研究[D]. 谭鸿创. 湖南科技大学, 2020(07)
- [6]基于DEBA-SVM算法的发动机远程故障预判诊断研究[D]. 贾奎. 江苏大学, 2020(02)
- [7]双半内圈轴承故障实验及诊断方法研究[D]. 陈君航. 湖南科技大学, 2020
- [8]基于无线WiFi的振动测试系统设计[D]. 史文武. 中北大学, 2020(11)
- [9]非稳态下汽车变速器故障诊断方法研究[D]. 赵晓涛. 中北大学, 2020(09)
- [10]基于优化SVM的小型活塞发动机故障诊断技术研究[D]. 胡委. 南京航空航天大学, 2020(07)