一、深沟球轴承再使用判断标准与实例（论文文献综述）
高越[1]（2021）在《分批信息共享布谷鸟算法及其滚动轴承优化应用》文中研究说明滚动轴承在机械工程中是所有旋转机械的关键性部件,在各行各业都有极为广泛的应用。虽然轴承看起来微不足道,但它们的失败代价高昂。因此滚动轴承需要进行优化设计,通过设计其结构参数使其平稳运行,增加使用寿命。滚动轴承的优化设计是一种多维度并带有非线性约束的复杂求最优值问题,求解其最优值的过程非常复杂,需要进行大量的复杂计算。近年来,元启发式算法的出现给复杂求解最优值问题带来了新的思路。通过模拟某些生物的习性或进化阶段中的某种过程,在所求的复杂问题搜索域中随机产生一批个体位置,计算这些个体的适应度值并保留更优解,通过一定次数的迭代最终找到目标问题最优解所在的位置以及值。这种随机搜索的方式大大降低了求解高维复杂最优值问题的计算量。布谷鸟算法（CS）是一种优秀的元启发式算法,因其特别的Levy飞行搜索策略表现出良好的性能。本文提出一种新颖的算法:分批信息共享布谷鸟算法（GSCS）。使用信息共享策略增加种群中个体之间的联系,在迭代的前期增加算法的多元性全局搜索能力,使算法更容易跳出局部极小值的邻域,找到全局最小值的邻域。在迭代的后期,信息共享策略充分利用个体之间的位置信息,频繁在最优值的邻域内搜索,增加算法的局部集约搜索能力,提高了最终结果的精度。分批策略能很好的减少整个算法的计算量,降低算法寻优所需的时间。分批信息布谷鸟算法保留了原布谷鸟算法Levy飞行搜索策略的优秀随机搜索性能,还使分批信息共享策略增加的了算法的全局搜索和局部搜索性能。分批信息共享布谷鸟算法不仅收敛性强,而且求解精度高、稳定性好。为了验证分批信息共享布谷鸟算法的性能,在16种基准函数上与其他几种算法进行了实验与对比,并且在10维,30维,50维以及100维中都进行了对比,证明了分批信息共享布谷鸟算法在处理困难复杂最大最小值问题时的性能。并且随着问题维度的增加,这种优秀的寻优性能依旧能保持不变。最后,使用分批信息共享布谷鸟算法对深沟球轴承进行了结构优化设计,从基本额定动载荷,弹性流体动力润滑和最小膜厚摩擦功率损耗三个目标函数上优化了滚动轴承的性能,经过分批信息共享布谷鸟算法的优化设计后,滚动轴承具有更大的疲劳寿命,能够接受更长时间的稳定运行。
罗贤缙[2]（2021）在《基于深度学习的风电机组传动系统故障诊断方法研究》文中研究表明能源结构调整对实现“碳达峰”、“碳中和”中长期目标至关重要,风力发电作为绿色清洁能源发展迅速。但随着风电机组长时间运行,设备各部件会不可避免地出现各种故障,如不及时发现和处理将会对风电企业造成巨大损失。因此,风电机组故障诊断逐渐成为热门研究方向。本文基于风电机组传动系统中的滚动轴承和齿轮箱振动信号开展研究,从基于变分模态分解的信号处理入手,分析振动信号特征,并将其作为卷积神经网络的输入,智能化地对故障特征进行提取与诊断。针对风电机组在实际运行过程中的噪声、复合故障以及变工况对诊断结果的不利影响,提出了三种不同的诊断方法,并对卷积神经网络中的各模块进行了优化和验证。主要内容如下:1.针对局部均值分解和经验模态分解存在的端点效应和模态混叠问题,引入了变分模态分解,提出了一种基于相关系数确定模态数的方法,通过仿真信号、恒定工况下的数据和风电机组实际运行数据验证了该方法的有效性。研究表明,变分模态分解表现出带通滤波特性,可以检测出轴承不平衡故障和滚动轴承故障。2.针对传统故障诊断方法需要大量专业背景知识和经验的问题,提出了基于卷积神经网络的故障诊断方法。通过分析经典的LeNet-5网络结构中网络深度和各种优化技术对诊断结果的影响,设计了多个基于Inception模块的网络模型,并将变分模态分解得到的各模态以不同策略输入网络,通过实验对比验证了模型的有效性。研究表明,所提出的网络模型对故障诊断的准确率可以达到99%左右,而且整个过程不需要人为干预,实现了故障诊断智能化。3.针对风电机组实际运行过程中噪声和复合故障对诊断结果影响较大的问题,提出了基于深度残差网络和注意力模型的故障诊断方法。首先,通过实验对比发现,已有的网络模型在添加不同程度的噪声以及存在复合故障时诊断准确率下降;其次,对残差网络模块和注意力模块进行改进;最后,在原有网络模型基础上进行模块扩充并提出了基于深度残差网络模型。研究表明,残差网络可以有效地加深网络,避免梯度爆炸和梯度消失;注意力模型利用误差反向传播算法优化权值,可以有效地降低噪声对诊断结果的影响;基于变分模态分解的处理方法可以有效地解耦复合故障,将分解后得到的模态作为网络输入可以提高诊断准确率。4.针对风电机组工况多变对诊断结果的影响,提出了基于深度迁移学习的故障诊断方法。通过对已有网络模型对不同负载相同工况、相同负载不同工况以及不同负载不同工况下预测的准确率分析,可以发现网络模型具备一定的泛化能力且所使用数据具备迁移学习的前提条件。在此基础上,提出了基于模型参数迁移和特征映射的故障诊断方法以及若干迁移方案,并通过实验对比确定了迁移方案,验证了方法的有效性。论文最后给出了研究的主要工作和结论,并对下一步的研究方向进行了展望。
刘应东[3]（2021）在《基于平衡分布自适应迁移的变工况轴承故障诊断研究》文中研究表明轴承作为机械设备中不可缺少的零部件之一,起着支撑轴和承受载荷的双重作用。轴承在长时间、高速的工作环境下容易发生疲劳损坏。如果未能在轴承发生严重损坏前及时对轴承进行更换或维修,那么极易导致生产事故的发生。因此,提前识别轴承的运行状态显得非常重要。传统机器学习方法需要满足训练集与测试集具有相同分布的要求,即要求在拾取振动信号时,设备的运行工况基本维持稳定。然而除实验室等少数场景能满足该条件外,通常情况下,机械设备在实际的运行过程中,其工况往往会根据实际的生产需求发生改变。因此,针对变工况的轴承故障诊断问题,传统的机器学习方法存在较大的局限性。为解决上述问题,本文以滚动球轴承为实验对象,采用平衡分布自适应方法（BDA）,实现了对变工况条件下的轴承故障诊断。BDA方法首先将两种不同工况的特征样本通过核方法映射到Hilbert特征空间中,以MMD距离作为两类特征样本分布距离的判别标准,然后通过减小特征空间中各轴承状态对应的分布距离来实现不同工况样本分布距离的适配拉近。最后使用KNN分类器对分布适配后的样本进行分类识别,从而解决了变工况条件下的轴承故障诊断问题。首先,考虑到要能够全面的描述轴承的故障状态,提取了轴承信号的时域、频域以及时-频域特征作为BDA方法的输入样本。并通过仿真样本和西储大学（CWRU）轴承数据验证了BDA方法的可行性,确定了迭代次数T的取值。然后,为获得在不同工况条件下的轴承振动数据,借助MCVN105的ABLT-1A型轴承试验台,设计了变工况的轴承故障数据采集实验。通过搭建采集系统,拾取在不同轴承故障尺寸、不同负载和不同转速下的轴承振动信号。最后,使用MCVN105轴承数据进行同试验台的变工况轴承迁移诊断,以及使用CWRU轴承数据作为源域,MCVN105轴承数据作为目标域的跨试验台的变工况轴承迁移诊断验证了BDA方法的效果。同时,与使用PCA、KPCA、TCA和JDA方法的诊断结果进行比较。结果表明,BDA方法对不同工况条件下的轴承故障诊断具有更好的效果。
刘俊杰[4]（2021）在《基于迁移学习的滚动轴承故障诊断方法研究》文中指出滚动轴承作为旋转机械系统的重要组成部件,其机械性能极大地影响着设备运行的安全性和可靠性。如果滚动轴承在系统运行过程中出现故障,不仅会造成设备工作性能下降,在极端情况下甚至造成系统故障或停机,从而带来更严重的经济损失甚至是人员伤亡。因此,对滚动轴承进行故障诊断具有重要意义。近年来,数据驱动的智能故障诊断方法被广泛应用于滚动轴承的故障诊断研究中。然而,由于滚动轴承长期处于复杂的工作环境中,对滚动轴承进行精确的故障诊断面临着巨大的挑战。更为重要的是,个别工况或条件下滚动轴承信号的采集并不容易,这使得现阶段对滚动轴承的故障诊断工作更加困难。本文以深度学习为基础,运用不同迁移学习方法对不同运行状态或条件限制下滚动轴承故障诊断工作中存在的问题展开研究。本文的主要内容及创新点如下:（1）在固定工况下,针对滚动轴承振动响应不仅与其故障模式有关,还与其所处运行工况有关的特点,本文提出采用多任务学习的迁移学习方法对故障诊断网络的学习机制进行改进。该方法解决了单任务诊断模型中无法识别与滚动轴承振动响应相关联的其他因素的特征信息的问题,使模型对诊断样本的运行状态有更细致的辨别,从而提高模型对故障分类任务的泛化能力。（2）为了适应变工况下滚动轴承振动响应之间的差异,本文提出在深度学习模型中引入迁移学习算法的方法来修正滚动轴承振动响应信号在两种工况下的距离。所加入的Deep Coral模块在模型训练的同时能对其中的Coral度量进行优化,从而使得模型对未标记的目标工况下的滚动轴承样本同样具有较好的诊断性能。（3）为了解决在某些极端情况下滚动轴承实际数据匮乏的问题,本文提出以仿真信号为训练样本,应用迁移学习方法构建可用于实际滚动轴承故障诊断模型的解决思路。本文首先基于滚动轴承的故障特征频率对其振动响应进行建模,然后对模型输出的仿真信号和实际信号进行对比并分析其可迁移性,最后应用（2）中提出的迁移学习模型以仿真信号为训练样本优化模型参数以得到可应用于实际滚动轴承样本的故障诊断模型。
唐梦菲[5]（2020）在《基于Unity 3D的智能衣柜设计及功能模拟》文中提出随着数字信息技术、物联网与移动互联网技术的不断发展,智能化产品越来越多地进入人们生活中,家具体现着人们的生活理念与追求。为满足人们对家具产品多样化和个性化的需求,智能控制技术与家具的结合成为家具产业的重要发展方向。本文面向年轻用户,以Unity 3D开发平台为基础,设计一款具有光电感应自动开关门及可自动推出衣物功能的智能衣柜,分别从衣柜的外观及造型设计、智能控制系统设计、机械设计等方面阐述设计过程,并进行有限元受力分析及基于Unity3D的功能模拟,具体内容及结论如下:（1）提出衣柜光电感应开关门及旋转伸缩衣架的设计方案。设计了旋转伸缩衣架的机械结构,分别进行了吊轨及吊轮、伸缩衣架和伸缩动力装置的设计。构建零部件模型,并进行强度校核。通过关键位点有限元分析,分析了挂衣杆和螺丝等受力情况,在挂衣重量最大时,挂衣杆最大应变为0.289mm,最大应力为56.84Mpa;下端螺丝最大应力为68.08Mpa,最大应变为0.09mm,上端螺丝最大应力为1.43Mpa,最大应变为0.03mm,均满足使用要求。（2）以年轻人为目标用户,结合柜类家具的人体工程学数据,从衣柜的尺寸、分区、色彩和材料四个方面进行衣柜整体效果的设计。衣柜的长、宽、高分别为2100、1100、2200mm,并在内部设置了四个存放分区。选用对比色协调的设计方案,以红、黄、蓝经典三原色为元素,设计了个性简约和现代感的衣柜外观样式,并通过CAD与3d Max软件进行智能衣柜造型及效果图的模拟。（3）智能衣柜控制系统设计选用STC89C52单片机、光电传感器、伸缩电机和电机分别作为控制中枢、感知端、执行端。以Keil u Vision3作为开发环境,通过控制逻辑分析,编写功能代码实现衣柜光电感应自动开关门及旋转伸缩衣架智能控制。（4）采用Unity 3D软件对衣柜开关门功能及旋转衣架功能进行动态模拟,通过串口配置,模拟模型、场景和相关组件的功能并进行动画配置。通过多角度镜头和实时参数调节,用户可以通过操作光电传感器,在Unity 3D中看到开关移门的效果和旋转衣架旋转、被推出的效果,具有模拟真实、虚拟交互的特点。
路遵友[6]（2020）在《滚动轴承热弹流润滑特性研究》文中提出滚动轴承被广泛用于具有旋转运动的高端机电系统中,润滑条件会直接影响轴承的摩擦学特性和机电系统的运动稳定性,滚动体与内、外圈接触弹流润滑特性可借助弹性流体动压润滑理论来分析和计算。以往的研究中,国内外学者考虑热效应和粗糙度的影响以期获得与真实值更加贴切的数值解。本文以滚动轴承为研究对象,考虑微观表面、热弹性变形、弹性模量变化等方面的影响因素,对接触表面的弹流润滑特性、热应力和热变形等方面进行了研究,为滚动轴承润滑分析与结构设计提供有价值的理论参考。论文主要研究内容包括:（1）运用多重网格法全近似格式,采用4层W循环结构分析了网格节点个数及松弛因子对最大误差的影响。基于热弹性力学理论,利用Bessel函数,结合应力函数法推导了圆柱体的热应力和热变形表达式,通过算例给出了Bessel函数的参数求解方法。（2）建立了深沟球轴承滚珠与内圈的椭圆点接触微观热弹流润滑模型,求解了6206深沟球轴承在不同类型粗糙度下弹流润滑特性,研究了不同随机粗糙度下内圈转速和综合弹性模量变化对弹流润滑特性的影响规律。（3）计入了热变形的影响,建立了圆柱滚子轴承滚子与内圈的有限长线接触热弹流润滑模型,引入热力转换原理,求解了NU204圆柱滚子轴承接触表面的弹流润滑特性,实现了对润滑接触表面的热弹性变形和热应力的求解,研究了内圈转速、载荷、黏度变化分别对润滑特性、热弹性变形和热应力的影响规律。（4）考虑微观表面和热变形的影响,建立了角接触球轴承滚珠与内圈的椭圆点接触微观热弹流润滑数学模型,以7032C角接触球轴承为研究对象计算了热弹流润滑特性,得到了接触表面的热弹性变形和热应力的分布,研究了内圈转速、轴向载荷和初始黏度变化对油膜压力、膜厚、温升、热弹性变形及热应力的影响。（5）综合考虑粗糙度、热变形和弹性模量的影响,建立了滚针轴承滚针与内圈有限长线接触热弹流润滑接触模型,提出了一种求解热弹流润滑特性的数值方法。该方法中,引入了弹性模量随温升的变化关系,求解了弹性模量场。以NAV4004滚针轴承为研究对象求解了润滑接触表面的油膜压力、膜厚、温升、弹性模量和热弹性变形的分布情况。进一步研究了载荷和卷吸速度分别对弹性模量、油膜压力和膜厚的影响规律。（6）利用其他学者在滚动轴承弹流润滑油膜测量的实验研究数据对本文提出的数值计算方法进行了验证。分别针对阻容振荡法和超声法油膜厚度测量实验中的D1842926N1Q1和N2312圆柱滚子轴承尺寸与润滑油参数,利用提出的考虑弹性模量变化和热弹性变形的有限长线接触热弹流润滑数值计算方法求解了最小油膜厚度,分别与对应工况下的实验数据进行对比,数值解与实验值吻合较好。
雷兵[7]（2020）在《滚动轴承可拓智能诊断与性能退化评估》文中研究指明随着现代机械设备的快速发展,机械结构日趋复杂化,机械设备在服役过程中,零部件的运行状态是一个从正常状态到失效的过程。滚动轴承作为旋转机械重要且极易损坏零部件,其运行状态健康与否将影响着整个设备的稳定和安全,因此,有效的滚动轴承故障诊断方法和性能退化评估需求尤为迫切。研究滚动轴承的故障诊断和性能退化评估,对提高机械的工作效率、节约维护成本具有十分重要的意义;而且如果能够实时监测轴承的运行状态就可以预防轴承故障的发生,从而避免或减少不必要的经济损失。本文以滚动轴承为研究对象,采用自回归模型（AR）的方法对滚动轴承的振动信号进行特征提取,然后用Fisher比进行特征选择,最后再用可拓学理论对滚动轴承故障智能诊断和性能退化评估,具体工作内容如下:（1）针对传统的时域特征提取方法存在提取特征信息困难、监测效果不足等问题,本文对滚动轴承不同健康状态类别数据建立AR模型,并提取AR模型的系数和残差作为特征,然后用Fisher比对特征进行选择,最后将选择后的特征组成的特征向量输入到模式识别的可拓模型中进行故障智能诊断,并通过实验加以验证。（2）可拓学虽然在解决矛盾问题方面具有独特优势,但目前研究还在探索阶段,理论体系不够完善,对于复杂的非线性问题也没有有效的解决方案,而神经网络是处理非线性问题的主要工具。针对可拓学在故障诊断中不足,本文在传统可拓学的基础上进行改进,将可拓学与神经网络相结合,充分发挥各自的优势。因此,提出基于可拓神经网络的滚动轴承故障智能诊断,首先对滚动轴承振动数据建立AR模型,提取AR模型的系数和残差,并以其作为特征,然后用Fisher比对特征进行选择,最后将最终选择后的特征组成的特征向量输入到可拓神经网络中进行故障诊断识别,并对所提方法进行实验验证。（3）将可拓理论引入轴承性能退化评估。并利用AR和Fisher比值构成特征向量,将这些特征向量提供给用轴承正常状态样本训练的可拓模型。被测样本与正常条件下的可拓模型之间的相关程度,有望描述与正常条件下的相似性,从而作为健康指标。通过经验模型分解（EMD）和希尔伯特变换,进一步验证了所提出的健康指数对实验数据的最早期故障检测。
唐旭[8]（2019）在《基于数据驱动的滚珠丝杠副组件故障诊断与寿命预测研究》文中研究说明“中国制造2025”提出了“以加快新一代信息技术与制造业深度融合为主线,以推进智能制造为主攻方向”的战略要求,设备故障预测与健康管理作为信息技术和制造业融合的关键点之一,也就变得越发重要。滚珠丝杠副拥有直线运动和旋转运动相互转换的功能,是机械传动中最常用的装置之一,常用于机械设备定位和加载。实现滚珠丝杠副组件的故障诊断与预测,对制造业实现高效的生产和运营具有重要意义。本论文中,在简要分析了滚珠丝杠副组件的结构特点以及常见的故障形式之后,结合半钢一次法成型机组合压辊丝杠副寿命预测项目,就滚珠丝昂福寿命预测试验台设计、滚珠丝杠副组件的故障诊断以及寿命预测三个方面展开研究。在试验台设计方面,以尽量不改变组合压辊机中滚珠丝杠副组件的工作状态以及安装结构为前提,结合传感器的结构尺寸,设计了滚珠丝杠副组件试验台;选择振动信号、声压信号等表征滚珠丝杠副组件的磨损变化的信号类型,在试验台上布置相应的传感器来采集滚珠丝杠副组件运行过程中的状态信息。再根据试验台上布置的传感器输出信号和接口的类型,选择合适的NI数据采集设备完成传感器信号的采集,最后使用Lab VIEW软件驱动采集设备,编写出滚珠丝杠副组件试验台的数据采集程序。在滚珠丝杠副组件的故障诊断方面,分别对滚动轴承和滚珠丝杠副选择了不同的故障诊断方法。由于滚动轴承结构简单,故障的特征频率可以通过计算获得,于是可以计算出各类故障的特征频率直接对比包络谱完成滚动轴承故障模式的识别。为了降低信号内的噪声成分,选择使用EEMD的方法对滚动轴承的振动信号进行自适应的分解,再通过相关系数法选择合适的IMF分量求其包络谱,使得包络谱上的故障频率更加明显。在滚珠丝杠副故障诊断方面,由于滚珠丝杠副上螺母副的结构较为复杂,无法通过上述轴承的诊断方法完成故障类型的识别,选择使用机器学习的方法进行滚珠丝杠副故障诊断。使用3层小波包分解将故障信号分解成8个频段,求各个频段的能量值作为故障信号的能量特征值,再使用公式计算出故障信号的一些时频域的特征值,一起作为滚珠丝杠副故障特征输入到卷积神经网络,准确地识别出了滚珠丝杠副的各类故障。在滚珠丝杠副组件的寿命预测方面,通过采用长短期记忆网络（LSTM）的方法对滚珠丝杠副组件中的轴承进行寿命预测。对IMS滚动轴承全寿命数据的每组数据提取均方根值,使用长短期记忆网络预测滚动轴承的均方根值的变化,以此反映滚动轴承的磨损趋势。再通过提取每组振动信号时频的特征值输入到长短期记忆网络,根据每组数据对应的使用时长,成功的预测出了滚动轴承剩余使用寿命。
胡波[9]（2019）在《含摩擦的齿轮—转子—轴承系统弹性动力学建模与分析》文中进行了进一步梳理当前新能源汽车快速兴起、低空领域逐渐开放以及高铁覆盖率激增,高性能齿轮传动装置需求强劲。齿轮的振动不仅与人们日益追求的高舒适性是不相称的,还严重影响装备的动态性能和服役寿命,是制约我国齿轮产品向高性能发展的重要因素之一。润滑技术是减少齿轮摩擦磨损、改善动态性能的重要手段。润滑失效会导致齿轮摩擦增大、磨损严重,增大齿侧间隙和齿廓误差,引起齿轮服役性能的退化和加速失效进程。齿轮的振动和摩擦相互耦合、相互影响,开展齿轮动力学与摩擦学的交叉研究具有重要的理论意义与应用价值。本文考虑齿轮轴的弹性、转子的陀螺效应、轴承的动态支承刚度以及齿侧间隙、修形、啮合刚度等激励,建立了齿轮-转子-轴承系统的动力学模型,并结合润滑理论研究了齿轮的摩擦特性与动力学响应;针对干运转的齿轮传动,考虑高温下的热变形和齿面磨损,研究了该极端工况下齿轮-转子-轴承系统的摩擦学和动力学特性,以期为齿轮系统的减振降噪、润滑系统的合理设计提供基础数据,为提升服役寿命和减少功率损耗提供理论指导。主要研究内容与结论如下:1.基于有限元法建立了齿轮-转子系统的弹性动力学模型,并在配气系统中得到了应用与验证。结合杆单元、扭转轴单元和Timoshenko梁单元推导了弹性轴的动力学方程,将其与齿轮接触和转子模型进行耦合,建立了齿轮-转子系统的弹性动力学模型。以含齿轮-转子和连杆机构的配气系统为研究对象,采用坐标协调矩阵提取弹性轴单元的自由度,使其在梁、轴、杆及其复合机构中都具有普适性;并通过搭建内燃机配气机构的动态测试平台,测量了推杆的动态应力和轴承附近的加速度,验证了该弹性动力学建模方法的有效性。2.考虑深沟球轴承的动态支承刚度,建立了柔性支承下齿轮-转子-轴承系统的弹性动力学模型。考虑滚动球体的惯性力与陀螺力矩,建立了深沟球轴承动态支承刚度的计算模型,结合齿轮-转子-轴承系统弹性动力学模型,分析了变支承刚度下系统的固有频率和传递误差。随着转速逐渐增大,轴承刚度和陀螺效应同时使得正向涡动时的固有频率增大,但轴承刚度会削弱反向涡动对系统固有频率的影响。中低速范围内支承刚度的变化对动态传递误差的影响可以忽略,但高速下的影响较大。另外,对比定支承刚度和变支承刚度下系统随转速变化的分叉行为,发现高速时两种支承下动态传递误差的差异主要是因为非线性行为不同所致。3.提出了考虑动态油膜刚度的直齿轮时变啮合刚度模型,建立了弹流润滑下直齿轮-转子-轴承传动系统的弹性动力学模型。耦合线接触瞬态非牛顿弹流润滑理论与齿轮-转子-轴承系统动力学模型,分析了系统的摩擦学与动力学特性;并搭建了一个电封闭式齿轮传动测试平台,通过箱体的振动测试验证了该模型的有效性。油膜的引入会增大啮合齿面的接触面积,从而增加直齿轮的时变啮合刚度,且润滑下的啮合刚度会随转速的上升逐渐降低;但是润滑剂对齿间载荷分配系数的影响可以忽略。齿轮振动会引起油膜压力、膜厚和摩擦力上下波动,且波动幅值随转速的上升有所增大。齿轮转子的陀螺效应和轴、轴承的弹性对齿轮的动态传递误差有明显的影响,特别是在高速状态下。4.建立了弹流润滑下修形直齿轮-转子-轴承系统的弹性动力学模型。以含有齿顶和鼓形修形的直齿轮为研究对象,建立了齿轮的时变啮合刚度和载荷分配系数模型;耦合瞬态点接触热弹流润滑与齿轮动力学理论,研究了转速和齿顶修形对齿轮啮合刚度、载荷分配系数以及摩擦学与动力学特性的影响。齿顶修形可以缓和齿对数变化引起的啮合刚度突变现象,但是较大的齿顶修形会引起齿间载荷分配不均,降低齿轮的承载能力。油膜压力和温升都会随转速的升高明显增大,齿顶修形也会引起油膜压力、厚度和温升在不同的接触位置表现出不同的变化规律。齿面摩擦系数随转速上升明显地降低,受振动的影响而剧烈波动,但受齿顶修形的影响不大。修形可以避免某些转速下的脱啮和背弹现象,但不恰当的修形也会引起高转速下的次谐振,加剧齿轮的振动。5.针对干运转工况下的齿轮-转子-轴承系统,基于计算反求方法获取了齿面的干摩擦系数,并提出了一种考虑温度和齿面磨损的弹性动力学模型。该模型基于热网络法预测了齿轮系统的非均匀稳态温度场,计算了齿廓的热变形;利用Archard公式计算了齿面磨损分布;结合热变形和磨损进一步分析了干运转下齿轮-转子-轴承系统的摩擦特性和动态响应。干运转下齿面的摩擦系数接近润滑状态下的3倍,且失去润滑剂的减摩和冷却作用,导致摩擦产热较多、散热较差,高转速下极易因温度过高而产生胶合。低转速下齿轮的振动同样会引起齿面磨损波动,而较高转速下齿轮振动可能引起轮齿脱啮和齿背啮合,从而导致齿面间断性磨损和齿背磨损。随着齿面磨损深度的不断累积,齿轮传动系统的振动加剧,剧烈的振动进一步恶化齿面磨损,导致系统的动态性能加速退化。综上所述,本文以齿轮传动系统为研究对象,针对弹流润滑与干运转两种工况,通过传动摩擦学与动力学的交叉,建立了含摩擦的齿轮-转子-轴承系统弹性动力学模型,初步探索了齿轮动力学与摩擦学的耦合机制,为齿轮传动系统动力学与摩擦学的耦合设计提供了思路,为齿轮传动的振动与润滑性能优化提供了理论工具。
王志杰[10]（2019）在《基于LabVIEW的高速列车轴承故障监测诊断系统研究》文中研究表明我国高铁经过近年来的快速发展,通车线路已达2.5万公里,为民众出行带来极大便利,有力地支撑了我国经济建设发展,因此保障列车安全稳定地运行成为了相关研究人员的重点目标之一。轴箱轴承是高速列车走行部的重要部件,保障轴承安全可以有效保证列车安全运行,因此对其展开故障检测及诊断系统的研究具有很大的必要性。本文首先简要介绍了高速列车常用的双列圆锥滚子的轴承结构,对其常见的故障类型进行了总结,对比并分析了常用轴承诊断方法的优缺点,选定了振动信号分析法作为本文构建系统的诊断方法。本文也分析了轴承的振动机理,介绍了滚动轴承故障特征频率的计算公式,对几种基本的故障诊断方法进行了研究,如时域分析、频谱分析、时频分析和共振解调,并将这些方法应用于本文构建的诊断系统。然后利用时域分析、小波包分解和EMD分解,提取对应的故障特征值,将特征值与概率神经网络结合建立了三种故障诊断模型,并通过轴承实验数据对三种诊断模型进行准确率验证,选择最优模型应用于本文的诊断系统之中。本文应用虚拟仪器技术软件LabVIEW建立诊断系统平台,并应用混合编程技术将MATLAB与之结合组成软件系统,选用合适的硬件构建数据采集系统,最后将软硬件相结合,构建了滚动轴承故障监测诊断的虚拟仪器系统。通过三种不同的实验对系统的软件、硬件和整体进行了全面的实验分析,实验结果充分证明了本文所构建系统的准确性、稳定性和可行性,同时也体现出了该系统的诊断方法全面、界面友好、操作简便的特点,说明系统具有一定的应用价值。
二、深沟球轴承再使用判断标准与实例（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、深沟球轴承再使用判断标准与实例（论文提纲范文）
（1）分批信息共享布谷鸟算法及其滚动轴承优化应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 序论 |
| 1.1 元启发式算法的研究背景及现状 |
| 1.2 人工智能优化算法在轴承结构优化设计的研究背景及现状 |
| 1.3 文章内容及结构 |
| 第二章 分批信息共享布谷鸟算法 |
| 第三章 滚动轴承结构优化应用 |
| 3.1 设计变量 |
| 3.2 优化目标 |
| 3.2.1 基本额定动载荷 |
| 3.2.2 弹性流体动力润滑最小膜厚 |
| 3.2.3 摩擦功率损耗 |
| 3.3 约束条件 |
| 3.4 本章小结 |
| 第四章 分批信息共享布谷鸟算法在基准函数上的仿真与分析 |
| 4.1 仿真环境 |
| 4.2 仿真、对比函数 |
| 4.3 分批信息共享布谷鸟算法的实验对比与分析 |
| 4.4 本章小结 |
| 第五章 分批信息共享布谷鸟算法在滚动轴承优化中的应用 |
| 5.1 深沟球轴承优化参数设置及约束处理 |
| 5.2 深沟球轴承优化及对比 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（2）基于深度学习的风电机组传动系统故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 风电机组基本组成及典型故障 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断技术研究现状 |
| 1.3.2 深度学习技术研究现状 |
| 1.4 故障诊断面临的主要问题 |
| 1.5 论文主要工作及章节安排 |
| 第2章 基于变分模态分解的风电机组信号处理 |
| 2.1 引言 |
| 2.2 传动系统振动信号特点 |
| 2.2.1 滚动轴承 |
| 2.2.2 齿轮箱 |
| 2.2.3 论文中使用的数据集 |
| 2.3 变分模态分解 |
| 2.3.1 LMD和EMD |
| 2.3.2 VMD基本原理 |
| 2.3.3 仿真实例 |
| 2.4 VMD关键参数确定方法 |
| 2.4.1 相关系数 |
| 2.4.2 算法流程 |
| 2.5 实验验证 |
| 2.5.1 实验一 仿真信号 |
| 2.5.2 实验二 恒定工况下滚动轴承信号 |
| 2.5.3 实验三 风电机组齿轮箱信号 |
| 2.6 本章小结 |
| 第3章 基于卷积神经网络的故障诊断研究 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 传统结构 |
| 3.2.2 卷积层 |
| 3.2.3 池化层 |
| 3.2.4 激活函数 |
| 3.2.5 全连接层 |
| 3.2.6 实验对比 |
| 3.3 优化技术 |
| 3.3.1 批量归一化 |
| 3.3.2 Dropout |
| 3.3.3 自适应矩估计 |
| 3.3.4 实验对比 |
| 3.4 基于多尺度卷积的故障诊断方法 |
| 3.4.1 GoogLeNet |
| 3.4.2 模块改进 |
| 3.4.3 实验对比 |
| 3.5 网络模型与输入的影响 |
| 3.5.1 网络模型 |
| 3.5.2 诊断流程 |
| 3.5.3 实验对比 |
| 3.6 本章小结 |
| 第4章 基于深度残差网络的风电机组故障诊断研究 |
| 4.1 引言 |
| 4.2 各种因素对诊断结果的影响 |
| 4.2.1 噪声的影响 |
| 4.2.2 复合故障的影响 |
| 4.3 残差网络 |
| 4.3.1 网络退化问题 |
| 4.3.2 ResNet |
| 4.4 注意力模型 |
| 4.4.1 SENet |
| 4.4.2 卷积块注意力模块 |
| 4.5 基于深度残差网络和注意力模型的故障诊断方法 |
| 4.5.1 模块改进 |
| 4.5.2 网络模型 |
| 4.6 实验对比 |
| 4.6.1 实验一 模拟噪声数据 |
| 4.6.2 实验二 复合故障数据 |
| 4.6.3 实验三 风电机组数据 |
| 4.7 本章小结 |
| 第5章 基于深度迁移学习的风电机组故障诊断研究 |
| 5.1 引言 |
| 5.2 面临的问题 |
| 5.2.1 网络自身的问题 |
| 5.2.2 工况差异性问题 |
| 5.2.3 实验分析 |
| 5.3 深度迁移学习 |
| 5.3.1 迁移学习 |
| 5.3.2 深度迁移学习 |
| 5.4 基于模型参数迁移和特征映射的故障诊断方法 |
| 5.4.1 迁移方案 |
| 5.4.2 网络模型 |
| 5.5 实验对比 |
| 5.5.1 实验一 风电机组变工况迁移 |
| 5.5.2 实验二 跨设备迁移 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文主要工作 |
| 6.2 下一步研究重点 |
| 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 |
（3）基于平衡分布自适应迁移的变工况轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 滚动轴承故障诊断技术研究现状 |
| 1.3.1 传统故障诊断技术 |
| 1.3.2 机器学习故障诊断技术 |
| 1.3.3 深度学习故障诊断技术 |
| 1.3.4 迁移学习故障诊断技术 |
| 1.4 本文主要研究内容 |
| 第二章 迁移学习与特征提取理论 |
| 2.1 引言 |
| 2.2 迁移学习理论 |
| 2.2.1 迁移学习基本术语 |
| 2.2.2 迁移学习分类 |
| 2.3 数据分布自适应理论 |
| 2.3.1 MMD距离 |
| 2.3.2 核方法介绍 |
| 2.3.3 边缘分布自适应 |
| 2.3.4 条件分布自适应 |
| 2.3.5 联合分布自适应 |
| 2.3.6 平衡分布自适应 |
| 2.4 特征提取理论 |
| 2.4.1 时域特征参数 |
| 2.4.2 频域特征参数 |
| 2.4.3 时-频域特征参数 |
| 2.5 本章小结 |
| 第三章 仿真分析与BDA方法参数验证 |
| 3.1 仿真样本分析 |
| 3.2 特征验证 |
| 3.2.1 试验台简介 |
| 3.2.2 特征提取过程 |
| 3.2.3 特征验证及结果分析 |
| 3.3 BDA方法参数验证 |
| 3.3.1 平衡因子u验证 |
| 3.3.2 迭代次数T验证 |
| 3.4 本章小结 |
| 第四章 变工况轴承故障实验设计 |
| 4.1 引言 |
| 4.2 实验设备介绍 |
| 4.2.1 ABLT-1A轴承试验台 |
| 4.2.2 轴承安装与加载模块 |
| 4.2.3 数据采集模块 |
| 4.3 实验方案设计 |
| 4.3.1 轴承故障尺寸设计 |
| 4.3.2 实验转速和负载设计 |
| 4.3.3 实验步骤 |
| 4.4 实验数据分析 |
| 4.4.1 时域分析 |
| 4.4.2 频域分析 |
| 4.5 本章小结 |
| 第五章 基于BDA方法的变工况轴承故障诊断 |
| 5.1 引言 |
| 5.2 实验任务说明 |
| 5.2.1 迁移诊断流程 |
| 5.2.2 对比方法和评价指标 |
| 5.3 同试验台迁移诊断 |
| 5.3.1 特征提取 |
| 5.3.2 迁移任务说明 |
| 5.3.3 诊断结果及分析 |
| 5.4 跨试验台迁移诊断 |
| 5.4.1 诊断结果及分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士期间发表的学术论文 |
（4）基于迁移学习的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 迁移学习研究现状 |
| 1.2.2 基于迁移学习的故障诊断研究现状 |
| 1.3 本文的研究内容及结构框架 |
| 第二章 主要理论基础 |
| 2.1 卷积神经网络 |
| 2.2 迁移学习 |
| 2.2.1 多任务学习 |
| 2.2.2 Coral算法 |
| 2.3 本章小结 |
| 第三章 固定工况下基于迁移学习的滚动轴承故障诊断方法 |
| 3.1 引言 |
| 3.2 固定工况下滚动轴承故障诊断分析 |
| 3.3 基于多任务学习的迁移诊断网络 |
| 3.4 实验验证 |
| 3.4.1 滚动轴承数据采集 |
| 3.4.2 数据预处理 |
| 3.4.3 实验设定 |
| 3.4.4 实验对比 |
| 3.4.5 结果分析 |
| 3.5 本章小结 |
| 第四章 变工况下基于迁移学习的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 变工况下滚动轴承故障诊断分析 |
| 4.3 基于Deep Coral的迁移诊断网络 |
| 4.4 实验验证 |
| 4.4.1 数据预处理 |
| 4.4.2 实验设定 |
| 4.4.3 实验对比 |
| 4.4.4 结果分析 |
| 4.5 本章小结 |
| 第五章 仿真-实际信号下基于迁移学习的滚动轴承故障诊断方法 |
| 5.1 引言 |
| 5.2 仿真-实际滚动轴承数据集 |
| 5.2.1 实际数据 |
| 5.2.2 仿真数据 |
| 5.3 可迁移性分析 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于Unity 3D的智能衣柜设计及功能模拟（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 .课题背景 |
| 1.2 智能家具研究现状 |
| 1.2.1 国内外智能家具研究现状 |
| 1.2.2 智能家具的设计原则 |
| 1.2.3 智能家具的实现方式 |
| 1.2.4 智能家具的系统构成 |
| 1.3 研究目的和意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容和方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 技术路线 |
| 2 智能衣柜的功能设计 |
| 2.1 光电感应开关门设计 |
| 2.1.1 设计要求 |
| 2.1.2 设计方案 |
| 2.2 旋转伸缩衣架机构设计 |
| 2.2.1 设计要求 |
| 2.2.2 设计方案 |
| 2.2.3 旋转伸缩衣架机械结构设计 |
| 2.2.4 主要零件校核 |
| 2.2.5 关键位置点有限元分析 |
| 2.3 控制系统设计 |
| 2.3.1 单片机选型及其开发环境 |
| 2.3.2 开关门控制 |
| 2.3.3 旋转伸缩衣架部分 |
| 2.3.4 电路原理图及实物连接图 |
| 2.3.5 串口通信 |
| 2.3.6 本章小结 |
| 3 智能衣柜的设计 |
| 3.1 设计方案 |
| 3.2 方案细化 |
| 3.3 设计效果 |
| 3.4 本章小结 |
| 4 智能衣柜的功能模拟 |
| 4.1 国内外UNITY3D研究现状 |
| 4.2 UNITY3D平台特点 |
| 4.3 组件功能 |
| 4.4 设计流程 |
| 4.4.1 3D模型导出 |
| 4.4.2 创建工程及模型导入 |
| 4.4.3 创建场景及模型优化 |
| 4.4.4 组件功能建立 |
| 4.4.5 功能效果展示 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 在学期间主要科研成果 |
| 附录1 图纸 |
| 附录2 开关门部分程序代码 |
| 附录3 旋转部分程序代码 |
| 附录4 UNITY3D脚本 |
| 附录5 动态模拟效果 |
| 致谢 |
（6）滚动轴承热弹流润滑特性研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 点接触弹流润滑理论的研究现状 |
| 1.2.2 线接触弹流润滑理论研究现状 |
| 1.2.3 有限长线接触弹流润滑理论的研究现状 |
| 1.2.4 热膨胀系数与机械热变形理论的研究现状 |
| 1.2.5 国内外研究中存在的问题 |
| 1.3 课题来源和主要研究内容 |
| 2 多重网格技术及热弹性变形推导 |
| 2.1 多重网格技术 |
| 2.2 固体表面热弹性变形的推导 |
| 2.3 本章小结 |
| 3 深沟球轴承微观热弹流润滑分析 |
| 3.1 几何模型 |
| 3.2 数学模型 |
| 3.2.1 基本方程 |
| 3.2.2 方程的无量纲形式 |
| 3.2.3 控制方程的离散化 |
| 3.3 数值方法 |
| 3.4 结果分析 |
| 3.4.1 随机粗糙度与参数变化的影响分析 |
| 3.4.2 Y方向粗糙度与参数变化的影响分析 |
| 3.4.3 X方向粗糙度与参数变化的影响分析 |
| 3.5 本章小结 |
| 4 考虑热弹性变形的圆柱滚子轴承热弹流分析 |
| 4.1 接触模型 |
| 4.2 数学模型 |
| 4.2.1 润滑控制方程 |
| 4.2.2 控制方程的无量纲化 |
| 4.2.3 控制方程的离散化 |
| 4.3 数值计算方法 |
| 4.4 计算结果分析 |
| 4.4.1 轴承润滑特性与热弹性分析 |
| 4.4.2 转速对润滑特性和热应力的影响 |
| 4.4.3 载荷对润滑特性和热应力的影响 |
| 4.4.4 黏度对润滑特性和热应力的影响 |
| 4.5 本章小结 |
| 5 考虑热弹性变形的角接触球轴承微观热弹流分析 |
| 5.1 几何模型 |
| 5.2 数学模型 |
| 5.2.1 基本控制方程 |
| 5.2.2 控制方程的无量纲化 |
| 5.2.3 控制方程的离散化 |
| 5.3 数值计算方法 |
| 5.4 计算结果分析 |
| 5.4.1 轴承参数及结果分析 |
| 5.4.2 转速对润滑特性和热弹性变形的影响 |
| 5.4.3 载荷对润滑特性和热弹性变形的影响 |
| 5.4.4 黏度对润滑特性和热弹性变形的影响 |
| 5.4.5 算法对比验证 |
| 5.5 本章小结 |
| 6 考虑弹性模量变化和热弹性变形的滚针轴承微观热弹流分析 |
| 6.1 润滑接触模型 |
| 6.2 数学模型 |
| 6.2.1 润滑控制方程 |
| 6.2.2 控制方程的无量纲化 |
| 6.3 数值计算方法 |
| 6.4 计算结果分析 |
| 6.4.1 轴承润滑特性与热弹性分析 |
| 6.4.2 载荷对润滑特性的影响 |
| 6.4.3 卷吸速度对润滑特性的影响 |
| 6.5 本章小结 |
| 7 滚动轴承油膜厚度的数据验证 |
| 7.1 阻容振荡法膜厚验证 |
| 7.1.1 阻容振荡法膜厚测量原理 |
| 7.1.2 工况参数及结果对比 |
| 7.2 超声法膜厚的验证 |
| 7.2.1 超声法膜厚测量原理 |
| 7.2.2 工况参数及结果对比 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（7）滚动轴承可拓智能诊断与性能退化评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外相关研究 |
| 1.2.1 振动信号特征提取的研究现状 |
| 1.2.2 故障诊断技术的研究现状 |
| 1.2.3 性能评估研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 可拓学及可拓神经网络理论基础 |
| 2.1 可拓学 |
| 2.1.1 基元理论 |
| 2.1.2 物元的可拓性 |
| 2.1.3 可拓集合理论 |
| 2.1.4 关联函数 |
| 2.2 可拓神经网络 |
| 2.2.1 ENN学习算法 |
| 2.2.2 ENN优缺点分析 |
| 2.2.3 ENN应用的可行性分析 |
| 2.3 本章小结 |
| 第三章 滚动轴承故障时序可拓智能诊断方法 |
| 3.1 理论基础 |
| 3.1.1 滚动轴承振动信号的AR模型 |
| 3.1.2 可拓学相关理论 |
| 3.1.3 Fisher比 |
| 3.2 故障可拓智能识别方法 |
| 3.3 江苏千鹏故障模拟平台实验数据处理与分析 |
| 3.3.1 千鹏故障模拟平台实验数据特征提取与特征选择 |
| 3.3.2 千鹏故障模拟平台实验数据经典域物元与节域物元的建立 |
| 3.3.3 千鹏滚动轴承故障可拓智能识别 |
| 3.3.4 方法对比 |
| 3.4 凯斯西储大学实验数据处理与分析 |
| 3.4.1 凯斯西储大学实验数据特征提取与特征选择 |
| 3.4.2 凯斯西储大学实验数据经典域物元与节域物元的建立 |
| 3.4.3 凯斯西储大学滚动轴承故障可拓智能识别 |
| 3.4.4 方法对比 |
| 3.5 本章小结 |
| 第四章 基于可拓神经网络的滚动轴承故障智能诊断方法 |
| 4.1 可拓神经网络的结构及算法 |
| 4.2 故障可拓神经网络智能识别方法 |
| 4.3 实验数据处理与分析 |
| 4.3.1 特征提取与特征选择 |
| 4.3.2 经典域物元的建立 |
| 4.3.3 滚动轴承故障可拓神经网络智能识别 |
| 4.3.4 方法对比 |
| 4.4 本章小结 |
| 第五章 滚动轴承故障时序可拓性能退化评估 |
| 5.1 理论基础 |
| 5.2 轴承性能退化评估流程 |
| 5.3 实验数据与分析 |
| 5.3.1 特征参数提取 |
| 5.3.2 构建经典域物元和节域物元 |
| 5.3.3 全寿命轴承性能退化评估 |
| 5.4 包络谱分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 本文创新点 |
| 6.3 论文工作展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（8）基于数据驱动的滚珠丝杠副组件故障诊断与寿命预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究目的和意义 |
| 1.3 国内外数据驱动研究现状 |
| 1.4 滚珠丝杠副故障诊断研究现状 |
| 1.5 本文主要研究内容及章节安排 |
| 第2章 滚珠丝杠副组件及其故障机理分析 |
| 2.1 滚珠丝杠副组件简介 |
| 2.2 滚珠丝杠副组件故障机理分析 |
| 2.3 滚珠丝杠副组件的振动特性分析 |
| 2.4 本章小结 |
| 第3章 滚珠丝杠副组件数据采集系统设计 |
| 3.1 滚珠丝杠副组件数据采集试验台硬件组成 |
| 3.2 传感器选择 |
| 3.2.1 加速度传感器 |
| 3.2.2 温度传感器 |
| 3.2.3 扭矩传感器 |
| 3.2.4 电流传感器 |
| 3.2.5 噪声传感器 |
| 3.2.6 光栅尺和旋转编码器 |
| 3.3 数据采集设备选择以及采集程序 |
| 3.4 本章小结 |
| 第4章 滚珠丝杠副组件故障诊断方法研究 |
| 4.1 基于EEMD与包络分析的滚动轴承故障诊断 |
| 4.1.1 EMD及其端点效应 |
| 4.1.2 EEMD及 Hilbert变换 |
| 4.1.3 基于EEMD和 Hilbert包络分析的滚动轴承故障诊断研究 |
| 4.2 基于小波包分解与卷积神经网络的滚珠丝杠副故障诊断 |
| 4.2.1 小波包分解和卷积神经网络简介 |
| 4.2.2 基于卷积神经网的滚珠丝杠副故障诊断 |
| 4.3 本章小结 |
| 第5章 基于LSTM的滚动轴承寿命预测研究 |
| 5.1 循环神经网络简介 |
| 5.2 长短期记忆网络(LSTM)方法简介 |
| 5.3 基于LSTM的滚动轴承剩余使用寿命预测 |
| 5.3.1 滚动轴承退化趋势预测 |
| 5.3.2 基于LSTM滚动轴承剩余使用寿命预测 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的学术论文 |
| 致谢 |
（9）含摩擦的齿轮—转子—轴承系统弹性动力学建模与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 齿轮动力学的研究现状 |
| 1.2.2 齿轮摩擦学的研究现状 |
| 1.3 课题的提出与目的 |
| 1.4 本文主要研究内容 |
| 第2章 齿轮-转子系统弹性动力学建模方法与试验验证 |
| 2.1 引言 |
| 2.2 传动轴的弹性动力学模型 |
| 2.3 转子模型与齿轮接触模型 |
| 2.3.1 齿轮转子模型 |
| 2.3.2 齿轮接触模型 |
| 2.3.3 啮合刚度模型 |
| 2.4 齿轮-转子系统弹性动力学建模方法的应用 |
| 2.5 齿轮-转子系统弹性动力学建模方法的验证 |
| 2.6 小结 |
| 第3章 变支承刚度下齿轮-转子-轴承系统的弹性动力学建模与分析 |
| 3.1 引言 |
| 3.2 深沟球轴承的动态支承刚度模型 |
| 3.2.1 接触角和接触载荷 |
| 3.2.2 轴承动态支承刚度 |
| 3.3 齿轮-转子-轴承系统弹性动力学模型 |
| 3.4 柔性支承对齿轮系统振动特性的影响 |
| 3.4.1 固有频率 |
| 3.4.2 动态传递误差 |
| 3.5 柔性支承对齿轮系统非线性行为的影响 |
| 3.5.1 升速过程中齿轮系统的分叉行为 |
| 3.5.2 降速过程中齿轮系统的分叉行为 |
| 3.6 小结 |
| 第4章 弹流润滑下标准齿轮-转子-轴承系统的弹性动力学模型与验证 |
| 4.1 引言 |
| 4.2 标准直齿轮的线接触弹流动压润滑 |
| 4.3 弹流润滑下标准直齿轮的啮合刚度与阻尼 |
| 4.4 齿轮系统的弹性动力学模型与数值计算 |
| 4.4.1 弹性动力学模型 |
| 4.4.2 模型的数值计算方法 |
| 4.5 齿轮系统弹性动力学模型的试验验证 |
| 4.6 标准直齿轮的摩擦学与动力学分析 |
| 4.6.1 啮合刚度与载荷分配系数 |
| 4.6.2 摩擦特性分析 |
| 4.6.3 动态响应分析 |
| 4.7 小结 |
| 第5章 弹流润滑下修形齿轮-转子-轴承系统的弹性动力学建模与分析 |
| 5.1 引言 |
| 5.2 直齿轮齿顶修形与鼓形修形 |
| 5.3 修形直齿轮的点接触弹流润滑 |
| 5.4 弹流润滑下修形直齿轮的啮合刚度与载荷分配 |
| 5.5 修形直齿轮的摩擦学与动力学分析 |
| 5.5.1 啮合刚度与载荷分配系数 |
| 5.5.2 摩擦特性分析 |
| 5.5.3 动态响应分析 |
| 5.6 小结 |
| 第6章 干运转下齿轮-转子-轴承系统的弹性动力学建模与分析 |
| 6.1 引言 |
| 6.2 基于反求方法的干运转齿面摩擦系数计算 |
| 6.2.1 齿根弯曲应力的计算和测试 |
| 6.2.2 基于自适应径向基函数的代理模型 |
| 6.2.3 干运转下齿面摩擦系数反求 |
| 6.3 齿轮温度场与热变形计算模型 |
| 6.3.1 齿轮温度场计算模型 |
| 6.3.2 齿轮热变形计算模型 |
| 6.4 齿轮表面磨损量计算与分析 |
| 6.5 干运转下齿轮系统动力学模型的数值计算 |
| 6.6 干运转下齿轮系统的摩擦学与动力学分析 |
| 6.6.1 摩擦特性分析 |
| 6.6.2 动态响应分析 |
| 6.7 小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的论文和参与项目情况 |
| 附录B 弹性轴单元的质量、陀螺和刚度矩阵 |
| 附录C 渐开线齿廓和齿根过渡曲线 |
（10）基于LabVIEW的高速列车轴承故障监测诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 高速列车轴承故障诊断的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要工作内容 |
| 本章小结 |
| 第二章 列车轴承诊断方法与振动机理 |
| 2.1 高速列车轴承结构 |
| 2.2 滚动轴承常见故障类型 |
| 2.3 常用轴承故障诊断方法 |
| 2.4 滚动轴承的振动特性分析 |
| 2.4.1 滚动轴承的振动机理 |
| 2.4.2 滚动轴承故障特征频率 |
| 本章小结 |
| 第三章 基于振动信号的滚动轴承故障诊断方法 |
| 3.1 基于时域指标的轴承故障诊断法 |
| 3.2 基于频谱分析的轴承故障诊断法 |
| 3.2.1 快速傅里叶变换 |
| 3.2.2 功率谱 |
| 3.3 基于时频分析的轴承故障诊断法 |
| 3.3.1 小波及小波包分析法 |
| 3.3.2 经验模态分解法 |
| 3.4 共振解调法 |
| 3.4.1 共振解调的原理 |
| 3.4.2 基于快速谱峭度图的共振解调 |
| 3.5 基于概率神经网络的轴承故障诊断研究 |
| 3.5.1 概率神经网络 |
| 3.5.2 概率神经网络的建立与训练 |
| 3.5.3 结合各特征值的轴承故障诊断 |
| 本章小结 |
| 第四章 基于LabVIEW的高速列车轴承故障诊断系统设计 |
| 4.1 系统总体设计 |
| 4.2 硬件系统设计 |
| 4.2.1 振动传感器的选型 |
| 4.2.2 恒流源适配器与数据采集卡 |
| 4.3 混合编程技术及NI MAX |
| 4.3.1 LabVIEW与MATLAB混合编程 |
| 4.3.2 NI MAX(硬件管理系统) |
| 4.4 软件系统设计 |
| 4.4.1 采集参数设置模块 |
| 4.4.2 波形显示和频谱分析模块 |
| 4.4.3 故障特征频率及时域指标模块 |
| 4.4.4 故障诊断模块 |
| 本章小结 |
| 第五章 系统测试实验及结果分析 |
| 5.1 数据采集系统测试实验 |
| 5.1.1 实验设备 |
| 5.1.2 实验方法及结果分析 |
| 5.2 故障诊断系统测试实验 |
| 5.3 高速列车轴承故障模拟诊断实验 |
| 5.3.1 建立轴承试验平台 |
| 5.3.2 试验轴承的选型与故障设置 |
| 5.3.3 试验方案设计 |
| 5.3.4 试验数据分析 |
| 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
四、深沟球轴承再使用判断标准与实例（论文参考文献）
- [1]分批信息共享布谷鸟算法及其滚动轴承优化应用[D]. 高越. 沈阳化工大学, 2021(02)
- [2]基于深度学习的风电机组传动系统故障诊断方法研究[D]. 罗贤缙. 华北电力大学(北京), 2021
- [3]基于平衡分布自适应迁移的变工况轴承故障诊断研究[D]. 刘应东. 昆明理工大学, 2021
- [4]基于迁移学习的滚动轴承故障诊断方法研究[D]. 刘俊杰. 电子科技大学, 2021(01)
- [5]基于Unity 3D的智能衣柜设计及功能模拟[D]. 唐梦菲. 北京林业大学, 2020(02)
- [6]滚动轴承热弹流润滑特性研究[D]. 路遵友. 西安理工大学, 2020
- [7]滚动轴承可拓智能诊断与性能退化评估[D]. 雷兵. 华东交通大学, 2020(05)
- [8]基于数据驱动的滚珠丝杠副组件故障诊断与寿命预测研究[D]. 唐旭. 青岛理工大学, 2019
- [9]含摩擦的齿轮—转子—轴承系统弹性动力学建模与分析[D]. 胡波. 湖南大学, 2019
- [10]基于LabVIEW的高速列车轴承故障监测诊断系统研究[D]. 王志杰. 大连交通大学, 2019(08)