一、采用声发射技术对货车轮对轴承故障进行诊断（论文文献综述）
李德发[1]（2021）在《基于声发射的动车组轴箱轴承损伤检测机理及其状态感知》文中研究说明作为城际运输的载体,动车组的运行速度高达350km/h,速度的增加意味着承受更加复杂交变载荷的作用,这会提高传动系统的磨损率,降低传动系统关键部件的服役寿命。轴箱轴承作为动车组走行部关键部件,其运行状态直接关系到整列动车的安全性和稳定性。因此,若能及时感知轴承的运行状态,对保证列车安全运行具有重要的工程意义。目前轴承的各种监测技术如振动、噪声等,基本是采用基于振动和冲击的感知技术来表征轴承的故障状态,而目前多种机理分析认为轴承接触面的磨损是轴承早期损伤的主要原因。目前的检测方法无法提出和机理相对应的损伤参数,从而限制了轴承损伤检测技术的应用,因此基于机理分析的损伤描述及其高灵敏度的检测方法是轴承磨损状态监测的关键,本文研究了基于微凸体变形的粗糙表面接触的声发射感知方法,从而提出了声发射波形流参数均方根值,能够通过能量表征轴承的磨损状态,进而提出基于声发射信号均方根值的早期状态监测方法。论文主要研究内容如下:（1）轴承损伤机理与检测技术研究。分析了常见的磨损理论以及轴承的力学行为,对轴承损伤机理进行了描述与总结。通过分析轴承损伤检测技术的现状,发现损伤检测的参数很难与损伤机理做到有效地统一,由于轴承损伤的演变状态伴随着一定能量弹性波的特征,因此提出了轴承损伤状态与声发射感知特征参数之间相互表征的研究方法。（2）基于微凸体的轴承损伤力学机理研究。通过微凸体随机分布规律,建立了轴承粗糙表面的接触模型;应用弹性力学及其赫兹接触理论,进行了轴承受载条件下的微凸体弹性变形分析;并结合弹流理论,建立了润滑条件下滚动体与内、外圈之间的粗糙接触表面变形能量方程。（3）轴箱轴承的状态感知及其监测实验研究。分析轴承状态与声发射弹性波的表征特点,建立了轴承变形能与声发射均方根值之间的关系,由此提出了基于能量的声发射轴承状态感知方法。为验证损伤检测机理及其感知方法的有效性,设计了基于声发射感知技术的轴承状态监测系统。（4）轴箱轴承状态感知声发射特征参数分析。对实验数据进行处理,通过对比声发射各种特征参数,确定声发射均方根值可以实现轴承的状态感知,并结合已建立的轴承变形能与声发射均方根值的关系表达式,验证了机理分析的正确性,实现了轴承损伤程度的定量化分析。
刘瑞萍[2]（2020）在《基于小波变换和DBN的车轴疲劳裂纹声发射信号实验数据分析》文中进行了进一步梳理高速、重载是我国轨道交通车辆发展的大趋势,因此如何实现列车的健康状态在线检测问题也成为了广大铁路工作者与科研机构研究的热点问题。车轴是列车走行部的主要零件之一,工作环境极其复杂,其可靠性和寿命会影响整辆车的运行安全。因此,对车轴的故障检测识别与剩余寿命预测具有非常重要的研究价值。本文以车轴疲劳裂纹声发射实验中采集到的疲劳裂纹信号为研究对象,首先为了从噪声、敲击干扰信号中识别出裂纹信号,提出了小波变换与深度信念网络结合的办法。本文首先将声发射实验获得的三类信号进行分组,选用的基小波为适用于机械故障信号分析的Morlet小波,对三类分组信号进行连续小波变换,获得每组信号的变换后小波系数,接着对小波系数提取六种时域特征及两种时频域特征,构成特征向量矩阵,输入DBN识别网络,同时,本文还将相同的数据输入进一种传统的识别网络（MLP神经网络）中,与DBN识别网络相比较,结果表明DBN识别网络相较于传统神经网络具有更明显的识别性能优势,识别准确率更高,更加稳定且计算成本更低。然后为实现对车轴的剩余寿命预测,本文提出了一种DBNnn网络预测方法。在预测过程中本文主要探究了不同输入层、隐藏层节点数、迭代次数与训练集、测试集样本数量对数据重构、网络预测误差及网络计算时间的影响。接着为探究DBN网络在本文提出的DBNnn网络预测方法中的作用,本文将相同的数据输入进去除DBN网络的nn预测网络中,与DBNnn网络的预测结果相比较,结果表明加入DBN网络的预测网络数据重构误差更小,网络输出的预测结果更加准确,预测误差更小、网络的稳定性更好。
陈杰[3]（2020）在《基于深度置信网络的列车车轴故障诊断研究》文中研究表明随着中国轨道交通运输业的飞速发展,高速列车由于其速度、舒适性、安全性、大承载能力和低能耗的优点而获得了快速地发展,现已成为人类交通的主要组成部分。车轴是列车运行的重要组成部分,承载着来自车体和轨道的载荷,车轴在运行中会产生疲劳裂纹,随着疲劳裂纹的加深车轴会发生瞬时断裂的情况,要求车轴在规定的运行工况下必须保证足够的安全性、可靠性和使用寿命,因此能够准确的诊断和预测疲劳裂纹对列车的安全运行有着至关重要的作用。在背景噪声和车轴受到敲击的情况下如何快速且准确的识别出车轴的疲劳裂纹是一个巨大的挑战。首先采集车轴的声发射信号,通过时域分析法和频域分析法提取声发射信号的时域和频域特征,提取的特征能够准确地表达车轴故障的内在信息。本文提出了一种基于深度置信网络（Deep Belief Network,DBN）的车轴故障诊断模型,实验结果表明DBN网络的故障诊断准确率要比传统的浅层网络高。然后对于DBN网络训练时间长和准确率不高的问题,加入了主成分分析（Principal Component Analysis,PCA）对原始故障特征集进行降维处理,以消除数据之间的关联性和复杂度,选取PCA处理后贡献率达到90%以上的主成分,获得低维故障数据集,然后通过建立DBN模型进行故障诊断,结果表明PCA与DBN相结合的故障诊断方案具有较高的故障诊断准确率。最后对于车轴疲劳裂纹的声发射信号发展趋势进行DBN预测,分别通过单步预测和多步预测进行预测研究,结果表明DBN在时间预测方面具有良好的性能。针对DBN网络隐藏层节点数人工设置复杂的问题,本文加入了粒子群算法（Particle Swarm Optimization,PSO）进行隐藏层节点数优化,实验结果表明经过PSO优化隐藏层节点数的DBN网络具有良好的故障诊断准确率和预测精度。
金榕舜[4]（2019）在《大型游乐设施滚动轴承声发射信号监测及其特性分析》文中认为近年来,游乐设施行业快速发展的同时,其安全问题一直备受人们关注。滚动轴承作为大型游乐设施的关键部件,其失效可能直接引起事故,造成人员的伤亡,但其难以拆卸的特点导致目前尚无有效的检测方法。因此,针对大型游乐设施的滚动轴承,迫切需要一种在役、不拆卸的无损检测方法,而声发射技术是一种动态无损的检测技术,还具有早期预报的能力,正好满足这一需求。本文基于声发射技术对不同运行状况的滚动轴承进行研究,初步提出故障诊断方法,为实现大型游乐设施滚动轴承的声发射在线监测和故障诊断奠定基础。本文工作主要如下:（1）搭建了观缆车模拟试验装置,观缆车高2.9 m,转轮直径2 m,轴承为23138CA型滚动轴承。对滚动轴承设置滚动体故障和内圈故障进行声发射试验,研究故障轴承的声发射源特性。（2）采集滚动轴承无缺陷、滚动体故障和内圈故障的声发射信号,首先利用奇异值分解技术对信号进行降噪,然后采用经验模态分解方法对信号进行分解,利用相关系数法提取有效的IMF分量,选取能量最大的IMF分量进行近似熵计算。实验结果表明故障轴承的近似熵值明显大于正常滚动轴承。（3）将IMF分量的能量和能量最大的IMF分量的近似熵结合作为特征向量输入到支持向量机进行分类识别,比单个特征的识别准确率要高。对比了支持向量机和BP神经网络的分类识别效果,小样本数据时,支持向量机更适合观缆车滚动轴承故障的分类识别。（4）对郑州某游乐园的观缆车和波浪翻滚以及柳州某游乐园的波浪翻滚进行现场轴承声发射监测试验,分析声发射信号的参数特征及波形频谱,并利用近似熵的方法来判断轴承无缺陷正常运转。
冯安安[5]（2019）在《基于优化概率神经网络货车轴承故障诊断研究》文中指出滚动轴承是铁路货车的关键支撑部件,轴承检测依靠检修人员手动转动轴承外圈,凭手摸、耳听有无异音判断有无故障。现有的轴承检测技术严重依赖检修人员责任心和工作经验,存在严重的过度修、判断标准模糊、效率低、成本高的问题,严重滞后于车辆技术水平的发展,解决问题的关键是怎样对轴承实现精准的故障诊断,根据轴承真实“健康状态”进行针对维修。本文以开发智能高效轴承故障诊断平台为目标,首先研究了货车轴承的故障机理,提出了新型的货车轴承故障诊断方法,然后通过货车轴承故障自动检测装置采集轴承数据,最后以MATLAB GUI开发一套铁路货车轴承故障诊断系统,并用实测数据进行验证。主要内容如下:（1）针对货车轴承人工检测准确率低的情况,提出了铁路货车轴承故障诊断新方法。首先采用优化多尺度小波包方法（OMS-WPD）对轴承信号去噪,以信噪比、均方根误差、信息熵作为指标。然后基于希尔伯特黄变换（HHT）和峭度系数选取固有模态函数,计算最相关固有模态函数的多尺度排列熵（MPE）,与时域参数、IMF分量能量熵共同组成多特征向量。最后为避免维数爆炸,将均方根误差的倒数作为适应度函数,通过遗传算法（GA）对多特征向量进行筛选、对概率神经网络（PNN）参数进行优化,证明了所提方法能够对轴承故障进行精准识别。（2）进行C64K货车轴承的数据采集和分析。通过货车轴承故障自动检测装置和实验室设计的采集软件采集轴承数据,在货车轴承的相同位置分别布置一个加速度传感器,同时记录人工检修轴承结果。根据货车轴承故障诊断方法对采集信号进行分析,测试集轴承诊断结果与检修结果对照完全一致。（3）基于MATLAB GUI开发一套货车轴承故障诊断系统,系统主要包括五个部分:系统登录模块、信号时域分析模块、OMS-WPD去噪模块、HHT-MPE特征计算模块、GA-PNN故障诊断模块。各个模块之间相互嵌套,操作人员只需要导入数据,单击鼠标,就可以得到轴承的故障状态。经过对比试验,系统输出的诊断结果和轴承实际状态是相同的,证明了货车轴承故障诊断系统能够有效的识别故障。
尤强[6]（2019）在《轴承早期疲劳声发射信号特征提取的研究》文中进行了进一步梳理作为旋转机械的必要组成部分,滚动轴承的微小故障就会影响整个系统的运行状况,轴承的实时监测,故障诊断,寿命预测的重要性也就不言而喻。本论文以比振动信号丰富的声发射（Acoustic emission,AE）信号为研究对象,首先解释了声发射现象产生的原因及其信号的分析方法,通过对实测轴承声发射信号的处理,提取各个域滚动轴承性能退化指标,然后寻求这些指标中最能代表轴承疲劳规律的指标来衡量轴承的运转状态。这对于保障设备运行的可靠性,实际生产利益最大化有着举足轻重的意义。本论文的主要研究内容如下:（1）从时域参数,声发射参数和信息熵三个方面的变化趋势,研究轴承全寿命周期的退化特性,得到整个生命周期中特征参数的变化。将轴承性能退化分为三个阶段。比较和分析了滚动轴承寿命周期中不同角度的特征参数的特征性能。结果表明,尽管这些参数可以反映轴承的退化状态,但选择单个特征参数作为衰减性能的表征,灵敏度和稳定性通常不平衡,单个特征参数通常仅对一种类型的缺陷或故障敏感。在实际操作中,由于轴承运转的复杂性和可变性,不能有效地表征依赖于某一领域中的单个特征参数作为退化性能指标。（2）针对轴承性能退化指标选择多样化的问题,采用主成分分析（Principal Component Analysis,PCA）用于融合时域,频域和时频域的特征参数。选择包含信息最多的第一主成分作为轴承性能退化的评价标准。（3）建立了一种新的判定声发射信号脉冲频率的方法。从时域波形出发,利用脉冲间的间隔时间来初步判断故障频率,通过脉冲能量加权和阈值修正的方法获取精确的脉冲频率。计算简便快捷,较广的多故障诊断的应用范围,为本方法最大的特点。同时也为轴承疲劳试验的故障种类的判别和停机条件提供了有力的保障。
李超军[7]（2018）在《基于参数分析和EEMD能量熵的车轴疲劳裂纹声发射信号识别研究》文中认为车轴是列车走行部中直接关系到列车安全的重要部件,它不仅要承受着巨大的静载荷和动载荷,还经常受到摩擦、腐蚀、循环应力、撞击、温度等外界因素的影响。这些外界因素经常会导致列车车轴出现磨损、裂纹甚至断裂等现象。如果车轴在运行中发生故障,会给国家财产和旅客生命造成极其严重的损失。为了确保车辆运行的平稳性和安全性,对车轴故障进行诊断具有重要意义。声发射技术是一门重要的无损检测技术,在机械、建筑、矿山以及海洋等领域有着广泛的应用。所以将声发射技术应用于车轴故障检测是当前无损检测领域研究的一个热点。在本文中,根据声发射检测技术的基本原理及其特征提取方法,首先提出了一种基于参数分析法的车轴裂纹故障诊断方法。详细写出了参数分析法的车轴裂纹故障诊断实验的设计过程,对从实验中采集的声发射信号数据进行参数分析,从而得出实验结果,对故障信号进行特征提取。为了将更全面的特征提取方法应用到车轴裂纹故障诊断的操作中去,继而又提出了一种基于集合经验模态分解（EEMD）能量熵和LVQ神经网络的车轴裂纹识别方法。通过EEMD方法将采集到的声发射信号分解成若干个平稳的本征模函数（IMF）,车轴在产生故障时,信号的能量值会发生改变,所以可以通过计算不同信号的EEMD能量熵判断是否发生故障。最后采用LVQ神经网络对故障类型进行分类。实验结果表明,本文所提出的方法能有效应用于声发射信号识别。
孟岩[8]（2018）在《基于LMD-ELM样本熵和能量比列车车轴声发射信号识别方法研究》文中认为随着列车车辆事业的迅速发展,列车车辆已经成为我国主要交通运输工具。其中列车车轴是列车车体结构中的重要的部件,也是轮对的核心部位,列车车轴疲劳裂纹的发生将带来巨大的危险,目前对其的检测依然是离线方式,存在漏检。本文采用声发射技术开展车轴疲劳裂纹的在线检测研究,并针对非线性、非平稳声发射信号的特点,提出了基于LMD-ELM与样本熵和能量比相结合的车轴疲劳裂纹声发射信号特征提取及识别方法,该方法利用LMD方法对车轴声发射信号进行处理,并利用样本熵和能量比对LMD分解得到的PF分量进行量化,得到不同PF分量上的复杂度信息;然后将各PF分量的样本熵和能量比作为车轴声发射信号类型分类识别的特征输入向量输入到极限学习机中进行训练和测试。并通过实验获得的列车车轴声发射信号进行特征提取及识别分析可知:基于LMD-ELM样本熵和能量比的特征提取方法不但可以对车轴疲劳裂纹声发射信号特征进行提取,而且还能快速、有效的对车轴声发射疲劳裂纹信号进行分类识别。
张珂[9]（2018）在《基于声发射的低速轴承故障诊断技术研究》文中研究指明轴承是机械设备中必不可少的部件,其稳定运行对机械设备的可靠运行和操作人员的生命财产安全有很大的影响。滚动轴承故障诊断在工业安全生产中起着十分重要的作用。目前经常使用的滚动轴承状态监测技术包括:振动检测技术、润滑油成分分析技术、声发射（Acoustic Emission,AE）技术、超声波探测技术等。振动检测技术是滚动轴承故障诊断领域里发展最为成熟且使用最为广泛的技术。但是,由于低转速旋转机械通常有大惯性矩,强工作背景噪音,部件故障产生的振动能量低等特点,振动技术在低速旋转机械如风能发电机、大型起重机及物料传输机等的状态监控应用方面效果并不理想。为了克服这方面的问题,高频声发射技术在低速旋转机械监控方面的应用日益得到相关研究及工程人员的高度重视。通常,对声发射信号的处理主要集中在信号除噪与时频分析两大模块。常见的信号除噪方法有小波去噪,EMD去噪,奇异值分解及高频滤波等;信号的时频分析主要依靠傅里叶变换和包络分析等方法。如今,为了提高轴承的故障诊断精度,声发射信号的分析也逐步向智能化的方向发展。比较常见的智能诊断技术包括支持向量机,人工神经网络,模糊聚类,遗传算法等。本文在参阅前人在轴承声发射故障诊断经验的基础上,从信号的除噪,时频域特征分析和人工智能识别三个方向入手,依次实现低速轴承故障的智能化诊断。本课题主要完成的工作如下:（1）学习声发射技术并将其应用到低转速轴承故障诊断实验。分析不同轴承故障产生的声发射信号特征,利用小波变换,小波包分解,经验模态分解,集合经验模态分解等信号处理方法提取轴承故障特征信号,并简单讨论这几种方法的优缺点。（2）开展滚动轴承故障模拟实验。在SQI机械综合故障实验平台上开展了低转速滚动轴承实验,检测了滚动轴承在正常状态、外圈故障、内圈故障和滚动体故障四种工作状态下的振动及声发射信号,通过信号分析提取了轴承在上述工作条件下的信号特征。（3）提出了基于经验模态分解（Empirical Mode Decomposition,EMD）-重复间隔阈值去噪（Clear Iterative Interval-Thresholding,CIIT）和模糊核聚类（Kernel-based Fuzzy C-Means,KFCM）算法相结合的的低速轴承故障诊断方法,并将这种方法应用到低速轴承故障诊断。
李晓龙[10]（2017）在《基于小波包能量熵和小波熵的车轴裂纹声发射特征提取研究》文中进行了进一步梳理随着现代高速铁路的发展,列车运行速度越来越快,列车运行的安全问题也越来越受到人们的重视。车轴作为列车重要部件,其重要性不言而喻,对列车安全关系重大,因此车轴的实时监测诊断,避免车轴在车辆运行过程中损坏成了一项艰巨而重要的任务。因此我们需要通过各种方法对车轴进行故障诊断,及时发现故障问题并处理,因此对车轴声发射信号的故障诊断具有非常重要的实际性意义。本文首先介绍了声发射检测技术和传统故障诊断技术,以及国内外的相关研究现状。本文第一大部分探讨了小波包能量熵方法在车轴声发射信号故障诊断中的应用。结合小波包和能量熵分析的优点,提出一种小波包能量熵车轴裂纹故障诊断方法。先对声发射信号进行小波包分解成八个频带,通过小波包能量谱分析得知故障特征主要集中前4个频带,然后计算前4个频带小波包能量熵值,设置评价参数进行评价;然后通过MATLAB软件进行仿真分析,把正常声发射信号和裂纹声发射信号整合成一个信号,并设置滑动窗口对整合信号进行分析,再分析图表熵值变化,找出故障特征,证明了小波包能量熵方法能有效提取车轴声发射信号故障体征。本文第二大部分基于小波熵理论,选取频谱熵、小波频谱熵、小波能量熵、小波包能量香农熵和特定子频带能量熵五种方法在声发射信号故障诊断中进行应用比较。在对正常声发射信号和裂纹声发射信号进行时频分析、小波分解、小波包分解之后,选取五种熵方法对信号进行熵值计算,提取各项的特征值。设置滑动窗口来对整合信号进行模拟验证,选择出最优的特征进行提取,最后设置评价参数进行评价比较。并用MATLAB软件对实验数据进行分析,设置滑动窗口使熵值以曲线的形式体现在图表中,更加方便直观的对故障特征差异进行对比,分析得知,频谱熵方法和特定子频带能量熵方法能更好的提取声发射信号故障特征。
二、采用声发射技术对货车轮对轴承故障进行诊断（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：
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、采用声发射技术对货车轮对轴承故障进行诊断（论文提纲范文）
（1）基于声发射的动车组轴箱轴承损伤检测机理及其状态感知（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动车组关键部件损伤研究 |
| 1.2.2 动车组轴承健康监测研究 |
| 1.2.3 轴承损伤声发射感知技术 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 2 损伤原理及检测方法 |
| 2.1 早期损伤机理及检测技术 |
| 2.1.1 磨损理论 |
| 2.1.2 磨损检测技术 |
| 2.1.3 机理与检测技术 |
| 2.2 轴承的力学行为对损伤影响 |
| 2.2.1 轴承的结构力学模型 |
| 2.2.2 轴承的弹流模型 |
| 2.2.3 轴承的力学参数分析 |
| 2.3 基于轴承接触状态的声发射感知技术 |
| 2.3.1 轴承产生声发射信号机理 |
| 2.3.2 声发射弹性波特征 |
| 2.4 本章小结 |
| 3 基于粗糙表面的轴承变形能量研究 |
| 3.1 基于轴承微凸体的力学模型 |
| 3.1.1 轴承粗糙表面接触模型 |
| 3.1.2 接触力学模型 |
| 3.2 基于微凸体的变形能分析 |
| 3.2.1 受载接触变形能 |
| 3.2.2 润滑状态下接触变形能 |
| 3.2.3 总变形能分析 |
| 3.3 轴承损伤模型建立 |
| 3.3.1 损伤部位模型建立 |
| 3.3.2 损伤变形能及总变形能分析 |
| 3.4 本章小结 |
| 4 轴承的状态感知及其监测试验 |
| 4.1 基于声发射的轴承状态感知 |
| 4.2 基于滚振试验台轴承状态监测实验 |
| 4.2.1 轴箱轴承滚振试验台 |
| 4.2.2 轴箱轴承状态监测系统 |
| 4.3 实验方案 |
| 4.3.1 实验工况设计 |
| 4.3.2 实验轴承选取 |
| 4.4 本章小结 |
| 5 动车组轴箱轴承试验结果分析 |
| 5.1 轴箱轴承无损伤实验结果分析 |
| 5.2 轴箱轴承轻度损伤实验结果分析 |
| 5.2.1 声发射特征参数分析 |
| 5.2.2 特征参数与损伤宽度 |
| 5.3 轴箱轴承中度损伤实验结果分析 |
| 5.3.1 声发射特征参数分析 |
| 5.3.2 特征参数与损伤宽度 |
| 5.4 轴箱轴承重度损伤实验结果分析 |
| 5.4.1 声发射特征参数分析 |
| 5.4.2 特征参数与损伤宽度 |
| 5.5 状态损伤与声发射参数分析 |
| 5.6 声发射与振动对比分析 |
| 5.6.1 振动信号分析 |
| 5.6.2 振动与声发射对比 |
| 5.7 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于小波变换和DBN的车轴疲劳裂纹声发射信号实验数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 论文研究背景及意义 |
| 1.3 课题研究现状 |
| 1.3.1 声发射技术用于疲劳裂纹的研究现状 |
| 1.3.2 连续小波变换在故障检测领域的研究现状 |
| 1.3.3 深度信念网络在故障分类识别领域的研究现状 |
| 1.3.4 深度信念网络用于预测的研究现状 |
| 1.4 课题来源及本文主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 本文的主要研究内容 |
| 第二章 理论基础 |
| 2.1 连续小波变换相关理论 |
| 2.2 小波系数相关理论 |
| 2.3 母小波的选取 |
| 2.4 特征参数的选取 |
| 2.5 深度信念网络相关理论 |
| 2.5.1 受限波尔兹曼机结构 |
| 2.5.2 单个RBM训练算法 |
| 2.5.3 深度信念网络结构 |
| 2.5.4 深度信念网络训练算法 |
| 2.5.5 深度信念网络关键参数确定办法 |
| 2.6 nn神经网络相关理论 |
| 本章小结 |
| 第三章 车轴声发射信号数据来源与特征提取 |
| 3.1 引言 |
| 3.2 车轴声发射信号数据来源 |
| 3.3 数据处理 |
| 3.3.1 数据分组 |
| 3.3.2 特征提取 |
| 本章小结 |
| 第四章 声发射信号的识别结果与分析 |
| 4.1 引言 |
| 4.2 特征矩阵的构建 |
| 4.3 DBN识别结果分析 |
| 4.3.1 DBN网络的建立 |
| 4.3.2 DBN网络的识别结果分析 |
| 4.4 多层感知器神经网络的识别结果分析 |
| 4.4.1 多层感知器神经网络的建立 |
| 4.4.2 多层感知器神经网络的识别结果与分析 |
| 4.5 结果对比分析 |
| 4.6 验证分析 |
| 本章小结 |
| 第五章 列车车轴寿命预测 |
| 5.1 引言 |
| 5.2 车轴寿命数据预处理 |
| 5.2.1 车轴寿命数据预处理 |
| 5.2.2 实际剩余寿命的产生 |
| 5.3 DBNnn预测网络的结果分析 |
| 5.3.1 DBNnn预测网络关键参数的确定 |
| 5.3.2 DBNnn预测结果分析 |
| 5.4 nn预测网络的结果分析 |
| 5.4.1 nn预测模型的建立 |
| 5.4.2 nn预测网络结果分析 |
| 5.5 预测结果对比分析 |
| 5.6 验证分析 |
| 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（3）基于深度置信网络的列车车轴故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 论文研究背景及意义 |
| 1.3 课题研究现状 |
| 1.3.1 车轴的无损检测技术 |
| 1.3.2 声发射检测技术的研究现状 |
| 1.3.3 深度学习在故障诊断领域的研究现状 |
| 1.4 课题来源及研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 本文的主要研究内容 |
| 第二章 车轴声发射信号特征提取 |
| 2.1 引言 |
| 2.2 时域分析 |
| 2.3 频域分析 |
| 2.4 车轴声发射信号特征提取 |
| 2.4.1 实验数据说明 |
| 2.4.2 FFT变换 |
| 2.4.3 时域特征提取与分析 |
| 2.4.4 频域特征提取与分析 |
| 本章小结 |
| 第三章 基于DBN的车轴故障诊断 |
| 3.1 引言 |
| 3.2 深度学习 |
| 3.2.1 深度学习的核心思想 |
| 3.2.2 深度学习的典型网络模型 |
| 3.3 深度置信网络 |
| 3.3.1 受限玻尔兹曼机 |
| 3.3.2 RBM训练 |
| 3.3.3 DBN结构 |
| 3.4 基于深度置信网络的车轴故障诊断方案 |
| 3.4.1 故障诊断过程 |
| 3.4.2 深度置信网络的主要参数设置 |
| 3.4.3 DBN模型验证 |
| 3.5 不同神经网络的故障诊断准确率对比分析 |
| 本章小结 |
| 第四章 基于PCA与 DBN的车轴故障诊断 |
| 4.1 引言 |
| 4.2 主成分分析 |
| 4.3 基于PCA与 DBN的车轴故障诊断方案 |
| 4.3.1 PCA降维 |
| 4.3.2 DBN模型验证 |
| 4.4 不同降维技术的对比分析 |
| 4.5 基于PSO优化的车轴故障诊断方案 |
| 4.5.1 粒子群算法 |
| 4.5.2 利用PSO算法优化DBN网络参数 |
| 本章小结 |
| 第五章 基于DBN的车轴疲劳裂纹时间序列预测 |
| 5.1 引言 |
| 5.2 时间序列预测的基础理论 |
| 5.2.1 时间序列预测概述 |
| 5.2.2 时间序列预测的基本流程 |
| 5.2.3 时间序列预测的评价指标 |
| 5.3 基于深度置信网络的时间序列预测 |
| 5.3.1 DBN时间序列预测模型 |
| 5.3.2 DBN时间序列预测的基本流程 |
| 5.4 基于DBN的单步时间序列预测 |
| 5.4.1 参数设置 |
| 5.4.2 单步预测结果分析 |
| 5.5 基于DBN的多步时间序列预测 |
| 5.5.1 多步预测研究思路及参数设置 |
| 5.5.2 多步预测结果对比分析 |
| 5.6 基于PSO改进的DBN单步时间序列预测 |
| 5.6.1 PSO参数设置 |
| 5.6.2 结果对比分析 |
| 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
（4）大型游乐设施滚动轴承声发射信号监测及其特性分析（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 滚动轴承声发射检测研究现状 |
| 1.2.1 国外现状 |
| 1.2.2 国内现状 |
| 1.3 课题来源及主要研究内容 |
| 2 滚动轴承声发射检测技术原理 |
| 2.1 声发射技术概述 |
| 2.2 声发射信号处理和分析方法 |
| 2.3 滚动轴承故障声发射机理分析 |
| 2.3.1 滚动轴承故障形式 |
| 2.3.2 滚动轴承故障声发射信号产生 |
| 2.4 本章小结 |
| 3 游乐设施滚动轴承声发射检测系统 |
| 3.1 观缆车模拟试验装置简介 |
| 3.2 声发射信号采集系统 |
| 3.3 试验方案 |
| 3.4 本章小结 |
| 4 基于EMD和近似熵的滚动轴承声发射信号故障诊断研究 |
| 4.1 滚动轴承声发射信号预处理 |
| 4.1.1 奇异值分解原理 |
| 4.1.2 滚动轴承声发射信号SVD降噪 |
| 4.2 基于EMD的滚动轴承声发射信号分析 |
| 4.2.1 经验模态分解原理 |
| 4.2.2 噪声对EMD分解的影响 |
| 4.2.3 虚假分量的剔除 |
| 4.2.4 滚动轴承声发射信号的能量表征 |
| 4.2.5 试验结果分析 |
| 4.3 基于近似熵的滚动轴承声发射信号分析 |
| 4.3.1 近似熵原理 |
| 4.3.2 试验结果分析 |
| 4.4 滚动轴承故障分类识别 |
| 4.4.1 支持向量机 |
| 4.4.2 试验结果分析 |
| 4.5 本章小结 |
| 5 现场轴承声发射监测试验研究 |
| 5.1 郑州某游乐园观缆车试验 |
| 5.1.1 被检观缆车基本情况 |
| 5.1.2 检测仪器及传感器布置 |
| 5.1.3 检测结果与分析 |
| 5.2 柳州某游乐园波浪翻滚试验 |
| 5.2.1 被检波浪翻滚基本情况 |
| 5.2.2 检测仪器及传感器布置 |
| 5.2.3 检测结果与分析 |
| 5.3 郑州某游乐园波浪翻滚试验 |
| 5.3.1 被检波浪翻滚基本情况 |
| 5.3.2 检测仪器及传感器布置 |
| 5.3.3 检测结果与分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 参考文献 |
| 作者简介 |
（5）基于优化概率神经网络货车轴承故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 滚动轴承故障诊断国内外研究现状 |
| 1.3 铁路货车轴承的故障分析 |
| 1.3.1 铁路货车轴承的失效形式 |
| 1.3.2 轴承的振动机理和故障特征频率 |
| 1.3.3 轴承故障诊断流程 |
| 1.4 论文的主要研究内容和结构 |
| 2 基于优化多尺度小波包阈值去噪 |
| 2.1 小波包变换 |
| 2.2 传统小波包去噪 |
| 2.3 优化多尺度小波包去噪方法 |
| 2.4 仿真分析 |
| 2.5 本章小结 |
| 3 基于HHT峭度系数和多尺度排列熵特征提取 |
| 3.1 时域分析 |
| 3.2 基于HHT轴承信号故障分析 |
| 3.2.1 希尔伯特黄变换 |
| 3.2.2 轴承信号包络谱分析 |
| 3.3 基于峭度系数的多尺度排列熵特征提取 |
| 3.3.1 多尺度排列熵算法 |
| 3.3.2 最相关IMF分量多尺度排列熵计算 |
| 3.4 本章小结 |
| 4 基于GA-PNN多特征筛选和参数优化技术研究 |
| 4.1 轴承振动信号概率神经网络分类方法 |
| 4.2 基于GA的多特征筛选和PNN参数优化 |
| 4.2.1 遗传算法寻优 |
| 4.2.2 基于GA的多特征筛选和PNN参数优化方案设计 |
| 4.3 轴承故障诊断实例分析 |
| 4.3.1 轴承时域特征参数分析 |
| 4.3.2 基于峭度系数IMF分量多尺度排列熵分析 |
| 4.3.3 轴承IMF分量能量熵分析 |
| 4.3.4 基于不同方法的诊断结果对比分析 |
| 4.4 本章小结 |
| 5 货车轴承故障诊断系统开发 |
| 5.1 货车轴承工况模拟装置 |
| 5.2 C64K货车轮对轴承数据采集 |
| 5.2.1 数据采集设备 |
| 5.2.2 振动加速度传感器选型 |
| 5.2.3 传感器测点选择 |
| 5.3 实测数据分析 |
| 5.3.1 实测数据去噪 |
| 5.3.2 实测数据故障特征提取 |
| 5.3.3 实测数据故障诊断 |
| 5.4 基于MATLAB货车轴承故障诊断系统开发 |
| 5.4.1 货车轴承故障诊断总体设计 |
| 5.4.2 货车轴承故障诊断系统登录模块 |
| 5.4.3 货车轴承故障诊断系统时域波形显示模块 |
| 5.4.4 优化多尺度小波包去噪模块 |
| 5.4.5 HHT-MPE特征计算模块 |
| 5.4.6 GA-PNN货车轴承故障诊断模块 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）轴承早期疲劳声发射信号特征提取的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 滚动轴承的故障种类 |
| 1.3 滚动轴承声发射信号的研究进展 |
| 1.3.1 声发射检测技术的发展现状 |
| 1.3.2 基于声发射的滚动轴承监测的发展现状 |
| 1.4 本文的选题思想和创新点 |
| 1.4.1 本文的课题来源 |
| 1.4.2 本文的研究内容 |
| 第二章 声发射信号的基础理论 |
| 2.1 声发射信号 |
| 2.1.1 声发射的定义 |
| 2.1.2 声发射的发生机制 |
| 2.1.3 声发射信号的种类 |
| 2.2 声发射信号的传播和检测 |
| 2.2.1 声发射信号的传播模式 |
| 2.2.2 声发射信号的反射、折射和模式转换 |
| 2.2.3 声发射信号的检测原理 |
| 2.3 声发射信号的处理方法 |
| 2.3.1 参数分析法 |
| 2.3.2 模态声发射分析法 |
| 2.3.3 信息熵分析法 |
| 2.4 本章小结 |
| 第三章 基于能量加权和阈值修正的声发射信号脉冲频率分析方法 |
| 3.1 方法原理 |
| 3.1.1 包络谱分析的原理 |
| 3.1.2 脉冲频率分析的原理 |
| 3.2 仿真验证 |
| 3.2.1 仿真信号的建立 |
| 3.2.2 仿真信号的数据分析 |
| 3.3 实验验证 |
| 3.3.1 实验设备 |
| 3.3.2 声发射信号采集系统 |
| 3.3.3 实验数据的分析处理 |
| 3.4 本章小结 |
| 第四章 基于PCA参数融合的轴承早期疲劳声发射信号的发展规律 |
| 4.1 轴承疲劳发展阶段 |
| 4.2 实验设备 |
| 4.3 参数趋势分析 |
| 4.4 信息熵分析 |
| 4.5 经验模态分解 |
| 4.5.1 EMD的原理 |
| 4.5.2 EMD存在的问题 |
| 4.5.3 EMD的分解结果 |
| 4.6 PCA指标的建立 |
| 4.6.1 PCA的原理 |
| 4.6.2 声发射信号参数融合 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间成果 |
（7）基于参数分析和EEMD能量熵的车轴疲劳裂纹声发射信号识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 研究的背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 列车故障诊断研究现状 |
| 1.3.2 声发射检测技术的研究现状 |
| 1.3.3 EEMD算法在故障领域中的应用 |
| 1.3.4 EEMD算法在声发射信号中的应用 |
| 1.3.5 学习向量量化(LVQ)算法的应用 |
| 1.4 课题来源以及本文主要内容 |
| 1.4.1 课题的来源 |
| 1.4.2 论文的主要研究内容 |
| 第二章 轨道车辆车轴裂纹的诊断技术及相关理论 |
| 2.1 车轴裂纹的声发射检测技术 |
| 2.1.1 声发射技术原理 |
| 2.1.2 声发射检测技术的特点 |
| 2.1.3 声发射技术的应用 |
| 2.2 声发射信号参数分析法 |
| 2.3 集合经验模态分解 |
| 2.3.1 EMD的基础理论 |
| 2.3.2 EEMD的基础理论 |
| 2.3.3 参数设置 |
| 2.4 能量熵 |
| 2.5 学习向量量化(LVQ) |
| 2.5.1 LVQ神经网络的结构 |
| 2.5.2 LVQ神经网络的学习算法 |
| 本章小结 |
| 第三章 基于参数分析法的车轴裂纹特征提取研究 |
| 3.1 引言 |
| 3.2 列车车轴声发射仿真实验 |
| 3.2.1 实验目的 |
| 3.2.2 实验装置及设备 |
| 3.2.3 实验方案 |
| 3.3 车轴声发射信号参数分析 |
| 本章小结 |
| 第四章 基于EEMD能量熵的车轴裂纹识别研究 |
| 4.1 实验数据选取 |
| 4.2 车轴故障特征提取 |
| 4.3 IMF分量能量熵的计算及分析 |
| 4.4 车轴故障特征分类识别 |
| 4.5 与传统方法的对比 |
| 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
（8）基于LMD-ELM样本熵和能量比列车车轴声发射信号识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 国内外研究现状 |
| 1.2.1 列车故障诊断技术研究现状 |
| 1.2.2 声发射检测技术在铁路系统中的应用 |
| 1.2.3 LMD在声发射信号处理中应用 |
| 1.2.4 样本熵和能量比在信号处理中的应用 |
| 1.2.5 极限学习机的应用 |
| 1.3 实验课题来源及论文主要内容 |
| 1.3.1 实验课题来源 |
| 1.3.2 论文的主要研究内容 |
| 第二章 LMD-ELM样本熵和能量比列车车轴声发射信号识别方法的理论研究 |
| 2.1 基础理论概述 |
| 2.1.1 局部均值分解 |
| 2.1.2 样本熵 |
| 2.1.3 信号能量 |
| 2.2 基于LMD样本熵和能量比的故障特征提取方法 |
| 2.2.1 求解LMD样本熵计算过程 |
| 2.2.2 求解LMD能量比计算过程 |
| 2.2.3 基于LMD样本熵和能量比的故障特征提取方法研究 |
| 2.3 基于极限学习机的故障识别算法的理论研究 |
| 2.3.1 单隐含层前馈神经网络概述 |
| 2.3.2 极限学习机概述 |
| 2.3.3 极限学习机算法 |
| 2.3.4 ELM模型的具体设计步骤 |
| 本章小结 |
| 第三章 实验 |
| 3.1 实验研究分析流程 |
| 3.2 实验 |
| 3.2.1 实验材料及设备 |
| 3.2.2 声发射信号的采集 |
| 3.3 实验数据预处理 |
| 3.4 实验样本数据长度的选取 |
| 本章小结 |
| 第四章 LMD-ELM样本熵和能量比的列车车轴声发射信号识别方法的应用 |
| 4.1 基于LMD样本熵和能量比的故障特征提取方法的应用 |
| 4.2 基于ELM故障特征分类识别方法的应用 |
| 4.3 隐含层神经元个数对识别的影响 |
| 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（9）基于声发射的低速轴承故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景 |
| 1.3 国内外研究现状 |
| 1.4 本文研究工作总体框架 |
| 第2章 声发射检测的原理与信号分析方法 |
| 2.1 声发射信号检测的原理 |
| 2.1.1 声发射源 |
| 2.1.2 声发信号与振动信号的对比 |
| 2.2 声发射信号处理方法概述 |
| 2.2.1 故障信号的时域分析 |
| 2.2.2 故障信号的频域分析 |
| 2.2.3 故障信号的智能诊断方法 |
| 2.3 本章小结 |
| 第3章 滚动轴承故障诊断机理及实验系统 |
| 3.1 滚动轴承故障诊断机理分析 |
| 3.1.1 滚动轴承的结构 |
| 3.1.2 滚动轴承的故障表现形式及成因 |
| 3.1.3 滚动轴承的振动机理 |
| 3.2 滚动轴承故障实验系统 |
| 3.3 本章小结 |
| 第4章 基于声发射的轴承故障检测实验 |
| 4.1 故障轴承声发射实验工具及参数的选择 |
| 4.2 不同状态下轴承声发射信号特点分析 |
| 4.2.1 轴承正常状态 |
| 4.2.2 外圈故障状态 |
| 4.2.3 内圈故障状态 |
| 4.2.4 滚动体故障状态 |
| 4.3 故障轴承声发射信号的分析 |
| 4.3.1 FFT分析和处理 |
| 4.3.2 经验模态分解 |
| 4.3.3 集合经验模态分解 |
| 4.3.4 小波分析和处理 |
| 4.4 信号除噪融合故障特征提取的方法 |
| 4.4.1 小波改进阈值去噪方法 |
| 4.4.2 性能指标 |
| 4.4.3 仿真分析 |
| 4.4.4 实验分析 |
| 4.5 本章小结 |
| 第5章 低速轴承故障实验及信号分析 |
| 5.1 相关算法的总结 |
| 5.1.1 区间迭代不变阈值去噪 |
| 5.1.2 直方图熵函数 |
| 5.1.3 模糊核聚类 |
| 5.1.4 海宁贴近度 |
| 5.2 实验分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究内容与结论 |
| 6.2 未来工作展望 |
| 参考文献 |
| 硕士期间完成的论文及科研工作 |
| 致谢 |
（10）基于小波包能量熵和小波熵的车轴裂纹声发射特征提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 课题来源与意义 |
| 1.3 国内外发展现状 |
| 1.3.1 列车轮对车轴故障诊断现状 |
| 1.3.2 声发射检测发展及研究现状 |
| 1.3.3 基于小波熵理论的声发射信号故障特征提取研究现状 |
| 1.4 课题来源以及本文研究内容 |
| 1.4.1 课题的来源 |
| 1.4.2 论文的主要研究内容和创新点 |
| 第二章 声发射信号特征提取和传统旋转机械故障特征提取 |
| 2.1 引言 |
| 2.2 声发射检测技术概述 |
| 2.2.1 声发射技术原理 |
| 2.2.2 声发射检测中噪声类型 |
| 2.2.3 噪声的排除方法 |
| 2.3 声发射检测仪器 |
| 2.4 声发射源定位技术 |
| 2.5 声发射信号分析 |
| 2.6 传统故障信号的时域特性分析 |
| 2.6.1 时基波形分析 |
| 2.6.2 自相关分析 |
| 2.6.3 互相关分析 |
| 2.7 故障信号的时域特性分析 |
| 2.7.1 傅里叶变换 |
| 2.7.2 频谱混迭和采样定理 |
| 2.7.3 离散傅里叶变换(DFT)和快速傅里叶变换(FFT) |
| 2.7.4 功率谱分析 |
| 2.7.5 倒频谱分析 |
| 本章小结 |
| 第三章 小波包能量熵车轴裂纹声发射信号特征提取 |
| 3.1 引言 |
| 3.2 基本理论 |
| 3.2.1 小波包的概念 |
| 3.2.2 信息熵的概念 |
| 3.2.3 小波包能量熵的计算 |
| 3.3 车轴裂纹特征提取研究实验 |
| 3.3.1 实验装置 |
| 3.3.2 实验方案 |
| 3.4 基于小波包能量熵的车轴裂纹信号故障诊断 |
| 3.4.1 车轴疲劳裂纹声发射信号的获取 |
| 3.4.2 车轴裂纹声发射信号的降噪以及小波包分解 |
| 3.4.3 车轴声发射信号的小波包能量熵的计算 |
| 3.4.4 声发射信号小波包能量熵值模拟仿真分析 |
| 本章小结 |
| 第四章 基于小波熵理论的车轴声发射特征提取 |
| 4.1 引言 |
| 4.2 研究内容和流程 |
| 4.3 小波熵理论基础和概念 |
| 4.3.1 信息熵的概念 |
| 4.3.2 小波分析理论 |
| 4.3.3 小波熵 |
| 4.4 五种熵方法特征提取的比较分析 |
| 4.4.1 时频特性分析和频谱熵值计算 |
| 4.4.2 小波分解特征分析和小波频谱熵、小波能量熵计算 |
| 4.4.3 小波包分解特征分析和小波包能量香农熵计算 |
| 4.5 MATLAB仿真分析 |
| 4.5.1 频谱熵(WF)仿真分析 |
| 4.5.2 小波频谱熵(WFE)仿真分析 |
| 4.5.3 小波能量熵(WEE)仿真分析 |
| 4.5.4 小波包能量香农熵(WESE)仿真分析 |
| 4.5.5 (3.2)频段的能量熵(WESE3,2)仿真分析 |
| 4.6 特征量的评价 |
| 本章小结 |
| 结论和展望 |
| 参考文献 |
| 致谢 |
四、采用声发射技术对货车轮对轴承故障进行诊断（论文参考文献）
- [1]基于声发射的动车组轴箱轴承损伤检测机理及其状态感知[D]. 李德发. 北京交通大学, 2021(02)
- [2]基于小波变换和DBN的车轴疲劳裂纹声发射信号实验数据分析[D]. 刘瑞萍. 大连交通大学, 2020(06)
- [3]基于深度置信网络的列车车轴故障诊断研究[D]. 陈杰. 大连交通大学, 2020(06)
- [4]大型游乐设施滚动轴承声发射信号监测及其特性分析[D]. 金榕舜. 中国计量大学, 2019(02)
- [5]基于优化概率神经网络货车轴承故障诊断研究[D]. 冯安安. 北京交通大学, 2019(01)
- [6]轴承早期疲劳声发射信号特征提取的研究[D]. 尤强. 昆明理工大学, 2019(04)
- [7]基于参数分析和EEMD能量熵的车轴疲劳裂纹声发射信号识别研究[D]. 李超军. 大连交通大学, 2018(04)
- [8]基于LMD-ELM样本熵和能量比列车车轴声发射信号识别方法研究[D]. 孟岩. 大连交通大学, 2018(04)
- [9]基于声发射的低速轴承故障诊断技术研究[D]. 张珂. 青岛理工大学, 2018(05)
- [10]基于小波包能量熵和小波熵的车轴裂纹声发射特征提取研究[D]. 李晓龙. 大连交通大学, 2017(12)