一、滚动轴承智能化设计系统（论文文献综述）
刘闯[1]（2021）在《基于深度学习滚动轴承故障诊断算法研究》文中进行了进一步梳理随着工业社会快速发展,机械装备在人类的生活场景中扮演着重要的角色。作为机械装备的重要组件,滚动轴承容易在长期高强度的运行环境中受到各种损伤。一旦发生故障,将会造成难以估量的损失。因此我们需要对这种精密的旋转机械进行准确的故障诊断。传统的故障诊断方法对采集到的轴承振动信号进行时频域的特征分析,严重依赖人工提取特征,耗时费力,无法适应高噪声、多工况的工业环境。融合深度学习算法的智能化故障诊断技术,能自适应提取特征,并端到端的对特征进行辨认和筛选。本文围绕着复杂运行环境和运行状态下的滚动轴承容易发生故障,而且故障诊断准确率不高等问题,进行了了以下问题的研究:（1）对机器学习和深度学习的算法原理进行梳理和阐述。相比较机器学习浅层非线性表达网络层有限的复杂特征表征能力,深度学习的深层、复杂的网络结构能够更好地提取复杂滚动轴承信号中的故障特征,同时能解决工业上复杂运行状态下的轴承故障诊断任务;另外对深度学习算法的调试过程中的优化算法、损失函数、学习率和优化策略等基础原理和超参数的选择进行了介绍,在网络模型推理阶段,对模型的一些评价指标进行了详细的解释;最后对本文所使用的数据集进行引入,并对数据集的特点和使用场景进行介绍。（2）提出基于域自适应的多尺度卷积神经网络的故障诊断算法模型。为了提取到原始振动信号中不同时间尺度的故障信息,同时提高模型对不同负载下故障样本的识别率,本文对经典的一维卷积神经网络进行改进,用多种不同尺寸的小卷积核提取特征,提高故障识别率。在训练过程中,为了增强网络模型对来自不同负载下故障样本的识别率,引入自适应批标准化,减小源域和目标域样本分布的差异,增强模型泛化能力。实验表明模型具有较高的故障识别率和较强的域自适应能力。（3）提出融合不同注意力机制的卷积神经网络模型,并研究该模型对故障诊断识别率的影响。注意力机制类似神经网络的“眼睛”,能够自适应对故障信息丰富的通道赋予更高的权重,核心思想是通过一些网络层变换,得到注意力权重分布的特征图。为了提高模型对重要特征的甄别能力,本文对通道注意力机制、空间注意力机制和非降维注意力机制的原理和实验结果进行对比。不同的注意力机制有不同的网络侧重点,实验表明非降维注意力机制的诊断准确率最高,同时能保证模型的轻量性,通道注意力准确率稍低。
王璐璐[2]（2021）在《多源信息融合的变速变载滚动轴承故障预测系统研究》文中研究表明滚动轴承作为旋转设备中重要的功能件对设备正常运行起关键作用,且现代设备逐渐趋于智能化和复杂化,使得轴承更多地处于变速变载的工况下。复杂的服役环境导致轴承的故障成为设备的主要失效形式,所以企业越来越重视变速变载下轴承的故障预测和健康管理。由于压力机中的飞轮轴承是典型的变速变载轴承,且飞轮轴承故障是压力机的主要失效形式,严重影响生产的效率和安全性,加上变速变载轴承寿命难以估计,所以为实现变速变载下滚动轴承故障的精准预测,本文以压力机飞轮轴承为背景研究变速变载滚动轴承的故障精准预测问题,以指导企业对设备中旋转零部件的健康管理,主要研究内容如下:（1）以SL4-2500A压力机飞轮轴承为例,通过压力机主传动系统的建模仿真得到飞轮轴承的变工况参数,并以飞轮轴承变速变载工况为背景,搭建了变速变载轴承疲劳寿命实验台,获得了变速变载和定速定载两种工况下滚动轴承全生命周期的振动数据集和温度数据集。（2）为了准确提取变速变载下轴承故障特征,提高故障预测精度,本文对传感器采集的原始振动和温度时序数据进行预处理。使用快速傅里叶变换实现振动信号的降噪,并提取六维时域特征;使用2次B样条曲线对温度信号进行插值,实现温度信号和振动信号的数量规约;使用局部线性嵌入法将振动和温度信号构成的七维特征数据集降为三维,得到多源信息融合的综合特征数据集。（3）基于上述提取的特征,提出了一种多源信息融合的变速变载滚动轴承故障预测方法。基于XGBoost算法将多源信息融合的三维综合特征用于变速变载滚动轴承的故障预测,并与使用三维综合振动特征得到的故障预测结果进行比较,验证了多源信息融合方法的有效性。（4）考虑到变速变载工况下轴承信号复杂、寿命难以估计等问题,开发了基于B/S架构的变速变载滚动轴承状态监测和故障预测系统,包含数据采集、状态监测、数据预处理、故障预测、数据管理和系统管理功能模块,该系统可实现变速变载工况下轴承时序数据的及时采集和有效处理。
杨敖[3]（2021）在《传动链振动信号故障诊断与性能退化评估技术研究》文中指出传动链是旋转机械设备中重要的组成部分,担任着能量传递的重要任务。由于其结构复杂涉及机械部件较多,故而当传动链长期处于运行状态后,各部件很容易老化磨损,从而导致性能下降出现各种问题。若能及时对传动链进行故障诊断,便可以避免严重故障问题的发生;若能在此基础上,对其运行中的各状态进行合理的评估,便可以根据评估结果提前发现故障,进行故障报警。本文以传动链的齿轮和轴承为研究对象,从振动信号的角度出发,研究了齿轮和轴承外圈等故障特征。以故障诊断和性能退化评估为目标,在研究传动链振动信号带通滤波基础上,研究了齿轮和轴承各位置的故障诊断,并进一步深入研究了轴承性能退化评估。全文的主要研究内容包括:（1）基于改进鲸鱼算法的Morlet小波滤波器。分析了Morlet小波滤波器的原理及特点,利用其对信号进行滤波消除噪声成分。在滤波器的设计实现方面,以相关峭度为适应度函数,改进鲸鱼算法（IWOA）作为优化算法,提出了基于改进鲸鱼算法的滤波器实现方式。同时针对计算相关峭度时的周期依赖,提出了周期更新策略。通过仿真和实验验证了该滤波器在过滤噪声的同时,也能够有效的获取振动信号中的周期冲击成分。（2）传动链故障诊断的研究。以包络解调方法为切入点,研究了Hilbert变换、Teager能量算子以及对称差分解析能量算子三种包络解调方法,并进行了仿真分析指出各方法间的区别。针对等时采样信号故障诊断时,滚动体故障特征易被淹没,研究了等角度采样下的阶比谱特征,实验结果表明从阶比谱中可以清晰观察到齿轮和轴承的故障特征。最后,研究了传统的自相关函数分析及倒频谱方法,通过对比实验结果证明了阶比谱方法的优越性。（3）性能退化评估的研究。研究了基于时域、频域、角域的多种特征提取方法,并对提取后的特征进行了基于局部线性嵌入算法的特征集约简。在此基础上研究了基于SVM性能退化评估模型,得到的性能退化曲线可区分不同故障程度但无法描述故障发生时的状态。基于此提出了IWOA-SVDD评估模型并考虑到实际性能退化的不可逆及连续性特点,对模型进行了改进。最后通过实验平台,验证了该模型可以描述轴承正常至严重故障状态全部过程且退化曲线要优于未改进前。
薛勇[4]（2021）在《滚动轴承故障数据集的降维与分类方法研究》文中研究表明随着大数据、工业互联网等技术的快速发展,作为流程工业核心关键设备的旋转机械其智能化程度正在快速得到提升。这种趋势使其运行过程中需要采集的状态监测数据量与日俱增,促使关于旋转机械的智能故障诊断技术研究必须尽快步入“工业大数据”时代。但这诱发了如何有效地从低价值密度的海量数据资源中挖掘出有价值的故障状态信息和决策知识这种新问题。滚动轴承作为旋转机械中最常用的关键部件,其轻微缺陷就可能导致整个机械系统发生故障,因此对滚动轴承开展降低故障数据集规模的降维与分类问题研究,这对于推动智能故障决策技术向可持续的数据科学方向发展,具有非常重要的科学研究意义和工程应用价值。基于上述缘由,故本研究以滚动轴承故障振动信号的高维数据集作为研究对象,针对故障数据集的降维和分类方法开展研究工作。整个研究工作概况如下:（1）针对传统降维方法难以保持数据集其局部与全局几何结构特征的问题,以测地距离（GD）作为度量指标,提出一种改进t-SNE的故障数据集降维方法D-t-SNE。该方法的特点是将GD指标嵌入t-SNE算法中,利用此指标使算法具有保证降维前后两种数据集局部与全局几何结构特征基本保持不变的性能,从而达到有效减小高维与低维两种数据集概率分布之间的差异性及其造成的分类误差的效果。通过UCI数据集和轴承故障数据集验证了该方法的有效性。（2）针对高维故障数据集中有效信息利用率低导致的故障分类难度偏大问题,提出一种线性主成分判别分析（LPCDA）的故障数据集降维方法。该方法将类间可分性判别与主成分计算的思想融入线性判别分析（LDA）中,通过这两种思想使算法拥有剔除相关信息和冗余特征的能力,从而更好地保留能够反映机械运行状态中有价值的故障状态信息以及特征的主要成分。利用两种不同的数据集验证了该方法的有效性。（3）针对先进故障诊断技术落地应用较难、监测数据中有效信息利用率低,导致无法及时发现机械设备故障的问题,开发一种基于My SQL数据库的滚动轴承故障诊断系统,并将D-t-SNE和LPCDA算法嵌入到系统中。该系统由数据库和故障诊断过程中各个步骤对应的功能模块所组成,使用该系统能够快速准确地对机械设备进行故障诊断,并且还能够根据机械设备当前的异常状态,在数据库面板中对数据库中的典型故障案例进行查询。利用滚动轴承故障诊断实验,验证了该系统的可行性。
李传鑫[5]（2021）在《时频分析轴承故障的CNN迁移学习诊断研究》文中进行了进一步梳理滚动轴承作为关键部件出现在许多设备中,其故障成为国内外对此研究的热点话题,分为单一故障和复合故障诊断。对于滚动轴承的智能化诊断成为未来的新趋势。时频分析与卷积神经网络结合实现了深度学习在信号处理方面的应用,不需要依赖信号处理专家经验就可以实现信号的分类。因此,对于复合故障采用时频分析技术进行故障识别;而对于单一故障用卷积神经网络的迁移学习来解决小样本下的故障类型识别,同时为实现智能化的在线诊断提供可能。主要研究内容如下:（1）针对滚动轴承的复合故障,先用单形进化智能优化算法对变分模态分解的参数K和alpha进行优化,分解出合适的模态函数避免出现过分解和欠分解。根据均方误差和排列熵构造目标评价函数对分解的模态进行重构,实现复合故障信号的去噪。首先将去噪后的信号用单子带重构小波包和自相关包络谱来分析内外圈故障频率;其次将去噪信号用单形进化算法优化独立成分分析后的信号做循环谱分析,通过谱相关图找到对应内外圈的故障频率。通过以上二种方法基本实现了内外圈复合故障的频率识别诊断,与理论计算频率做比较其误差值在5%以内。（2）在小样本数据下单一故障的诊断分类识别。首先将滚动轴承的正常状态、内圈故障、外圈故障、滚动体故障下的四种一维数据转换到二维时频样本;其次利用经典的卷积神经网络做迁移学习,通过修改网络层重新训练网络;最后对网络进行参数的优化,选择出较高的网络配置参数值。用VGG（Visual Geometry Group）卷积神经网络迁移学习,对相同输入在全连接层设计不同尺寸的卷积处理。结果证明,两层3×3卷积的处理结构对连续小波变换时频图和谱峭度图的平均识别率高,更利于分类。迁移学习的分类解决了小样本数据下的分类问题,避免专家经验的限制为实现在线的智能监测提供可能。（3）单一故障数据利用单子带重构小波包和样本熵对三种不同故障直径的数据做特征提取,然后用自适应变异粒子群优化支持向量机分类。小波包和排列熵比小波包和样本熵提取故障特征的识别效果好。
曹宁[6]（2020）在《小样本深度学习在轴承故障诊断系统中的研究》文中研究表明滚动轴承作为旋转机械的关键零件之一,其运行状态极大地决定了旋转机械能否正常工作。机械设备的故障诊断技术可以准确识别轴承的运行状态,在一定程度上可以确保轴承安全稳定的运行。基于深度学习的故障诊断技术在诸多方面超过了传统的故障诊断技术,但在某些方面仍存在不足。因此,本文提出了三种新的基于深度学习的故障诊断模型:（1）提出了一种基于LSTM-SAE组合网络的轴承故障诊断模型。该模型将LSTM和SAE依次叠加,同时具备LSTM网络特征提取和SAE网络降噪滤波的功能,并将原始振动信号直接作为输入,满足了实际应用中端对端的智能化诊断需求,在不同来源下的数据集上验证,其测试诊断准确率均在99.00%以上,但其有效的前提是目标数据量充足且训练集和测试集的数据分布相同。然而在实际生产中,滚动轴承的工况环境复杂多变,无法满足上述条件,因此,提出了小样本下轴承的故障诊断方法。（2）提出了一种基于WKTCA-SAE的故障诊断模型,实现了小样本下轴承故障的智能化诊断。该模型首先利用FFT获得源域和目标域数据的频域特征,然后利用WKTCA算法将两个域的频域特征映射到同一特征空间,最后利用具有分类功能的SAE网络实现特征自学习和故障诊断,在不同的迁移数据集下验证,其测试诊断准确率均在99.50%以上,但其需要借助与目标域数据分布相近的源域数据。（3）提出了一种基于IBNN的故障诊断模型,实现了小样本下轴承故障的智能化诊断。IBNN将网络权重的固定值转化为高斯分布,利用重参数技巧将全局不确定性转化为局部不确定性,进而加快训练速度,并将高斯分布的方差作为参数参与模型训练,有效避免网络陷入局部最优。该模型首先利用FFT获得训练数据的频域特征,然后将频域特征输入IBNN获得预测值的分布,其可以从少量的数据中学习,无需借助源域数据,在不同来源下的数据集上验证,模型的测试诊断准确率均在99.20%以上。
汪康[7]（2020）在《智能产线作业环境下多AGV控制和调度策略研究》文中认为调度策略是以提高系统效率、资源利用率为目标,解决系统作业环境资源供需存在的时间、空间不匹配问题;同时,为实现传统制造业转型升级、解决我国制造业当前所面临的国际困境,调度策略在制造业生产线的产品生产、物料输送等诸多领域的研究意义和应用价值日益凸显;当前,传统制造业存在产线环境布局混乱、物料输送系统自动化不足等问题,为实现制造业转型升级,解决传统制造业存在的问题,需要结合产品工艺流程,规划科学的产线布局,使用智能物料输送工具,设计智能物料输送工具调度策略。本文以离散型制造系统中智能产线调度作业为场景,针对离散型制造系统环境复杂和物料输送能力差等问题,规划离散型制造智能产线环境布局,设计物料输送工具AGV,优化AGV运动轨迹,研究多AGV任务分配均衡化问题,拟定离散型制造系统物料输送智能化方案,本文所做工作和研究内容如下。（1）智能产线作业环境设定。阐述传统离散型制造产线和典型智能产线的工艺流程和技术特征;拟定传统离散型制造产线智能化方案,规划离散型;制造智能产线布局;结合实例—滚动轴承装配智能产线,开发产线工艺流程,设计产线布局;设计智能产线中的物流工具。（2）多AGV控制方案及其硬件设计。根据智能产线作业环境,研究现有的多AGV的控制方案,改进现有的控制方案进行。结合作业环境和控制方案确定AGV的功能,设计AGV控制系统架构和关键性电路,确定部分零部件的型号和参数。（3）多AGV物料装载及物料输送策略研究。针对智能产线作业环境,融合栅格图法和拓扑图法,构建符合本文AGV作业的环境地图;将多AGV在智能产线中的调度问题,分割为物料装载和物料输送两个问题进行求解;针对物料装载中的避障问题,应用加入平滑度惩罚函数的改进遗传算法,通过改善弯矩和路长,使得规划的路径更加平滑;针对物料装载的最短路线问题,提出基于改进惯性权重和收敛方式的改进粒子群算法,通过校正收敛精度、改进局部收敛,优化物料装载路径;针对物料输送路径冲突问题,制定应对路径冲突的优先级和交通策略;针对物料问题中的诸多约束条件,包括路网承载能力、AGV容量、时间窗等,分别建立了调度模型。（4）实例仿真验证。针对实例—滚动轴承装配智能产线的作业环境,建立以成本最低为目标的多AGV调度数学模型,设计实验方案,应用本文改进的遗传算法和粒子群算法,求解滚动轴承装配智能产线,物料配送问题,实验结果验证本文建立的模型和策略的有效性。为解决智能产线的多AGV调度问题提供了新的解决方案和思路。本文针对多AGV在智能产线作业中的关键问题,对产线布局以及多AGV调度进行深入研究。本文创新之处是在滚动轴承装配产线物料输送自动化不足的基础上提出对应的物料输送调度策略,结合智能物流工具AGV,将物料运送问题分为物料运载和物料输送,制定路径冲突策略,提高AGV路径规划精度,均衡产线的任务分配,为离散型制造智能产线示教平台提供了多AGV调度提供理论依据。
李赟[8]（2020）在《滚动轴承故障声发射特性识别方法研究》文中提出旋转机械是机械设备中最常见的机械系统,对旋转机械的故障诊断是一个热门的研究方向,自从我国提出工业4.0时代与中国制造2025,设备健康监测与故障诊断的在线检测成为了一个关键点。本文中以滚动轴承作为实验的研究对象,应用了声发射检测技术在线、实时的,对OPZZ-II型旋转机械故障模拟实验平台采集了正常以及4种故障轴承的声发射信号。针对现有的滚动轴承故障诊断方法的不足,改进了故障轴承声发射信号的诊断方法。本文的主要工作包括以下几个方面:（1）本文讲述了金属材料与声发射之间的联系,阐述了故障滚动轴承是如何产生声发射信号,又具体描述对故障滚动轴承的采集试验。（2）提出了一种新的信息处理方法——APFFT/FFT-EMD算法,解决了因EMD分解后IMF分量较多不能有效选取,导致滚动轴承故障声发射信号特征难以获取的问题。该方法利用APFFT/FFT算法与EMD算法相结合,通过APFFT/FFT综合相位差校正的思想与EMD相融合后,取前两个IMF分量进行信号重构,从而进行希尔伯特谱验证,经过对轴承故障仿真信号、滚动轴承外圈故障声发射实测的信号分析结果表明,本文方法可以有效地提取滚动轴承外圈故障信息。（3）针对滚动轴承故障的声发射特征参数,选取其中8个特征参数绘制出三种三维特征图,然后进行分析,通过对声发射的特征参数一系列的变化情况,能够较好地判别出正常与故障滚动轴承。（4）针对滚动轴承故障识别问题,提出了基于杜鹃搜索算法与BP神经网络的故障识别算法（CS-BP）。杜鹃搜索算法是一种寄生性与莱维飞行并行的机制,具有高效的寻优模式并可达到全局最优。CS-BP算法通过对滚动轴承故障的声发射特征参数进行网络的训练及测试,相对于BP、GA-BP、PSO-BP以及APSO-BP识别算法具有精度高的优点。
陈远航[9]（2020）在《滚动轴承剩余寿命预测算法研究及监测软件开发》文中提出轴承作为“工业的关节”,其健康状态对机械设备的稳定运行有着极其重要的作用。而对于尽可能避免轴承破坏所造成的损失和降低轴承维护成本之间的矛盾,对轴承进行实时的健康状态监测及剩余寿命预测则是最好的双赢策略,且《中国制造2025》中亦明确指出应加强设备可靠性技术及其应用的开发。因此,利用现代化技术,展开对滚动轴承退化机理的研究,并对滚动轴承实施智能化监测及剩余寿命预测,具有重要的理论和现实意义。本文针对滚动轴承全生命信号序列长度过长,不利于神经网络进行训练的问题,提出使用神经网络中的卷积层对信息序列在时间维度上进行压缩,然后使用注意力机制提高循环神经网络处理长序列的能力,最终实现滚动轴承剩余寿命预测。最后通过测试数据的验证,证明了该方法有着更高的准确率,从而表明神经网络结构在滚动轴承剩余寿命预测问题上具备可行性。然而过于复杂的网络结构往往意味着运行时间较长,尤其是针对超长序列的循环神经网络,这一点不利于实现剩余寿命的实时预测。为此,本文提出使用神经网络优化从滚动轴承振动信号中提取滚动轴承健康状态特征的过程。通过对比基于自编码器和基于对比学习的两种自学习神经网络结构,发现基于对比学习的神经网络能够更加有效地从滚动轴承振动信号提取其健康状态信息。有了更好的特征表达之后,还应减短神经网络处理的时间序列长度以缩短神经网络运行时间。基于轴承退化规律的考虑,采用对最新信息进行连续采样,久远信息稀疏采样的方法,并使用位置编码的方法保留时间信息,从而保证在缩短时间序列长度的同时,保留足够的滚动轴承健康状态变化信息。然后通过在LSTM网络中添加正则化的方式,提高网络的预测效果,最终实现在极短的时间内进行较为准确的滚动轴承剩余寿命预测。最后,使用C#语言编写滚动轴承实时监测及剩余寿命预测软件系统,通过使用模块化、接口化编程的方式摆脱软件对于特定数据采集卡的依赖性,并实现数据处理算法的快速开发,然后利用Tensor Flow.net框架为软件嵌入神经网络算法。最终用数据集模拟信号数据,验证了神经网络算法进行滚动轴承剩余寿命实施预测的可行性。
舒陶[10]（2020）在《基于深度学习的滚动轴承故障诊断方法研究》文中研究表明随着科学技术的不断进步,工业生产设备正朝着高速度、高精度、高效率的方向不断发展,为了确保这些设备在生产运行中不出现严重问题,需要定时采集设备运行中的相关数据来了解其健康状况,依靠传统的人工故障诊断技术已无法满足现阶段工业生产自动化、智能化的需求。滚动轴承作为工业设备中的重要部件,据统计,约有30%的机械设备故障是因为在运行过程中轴承发生故障所引发的[1]。深度学习的一些落地应用,让人工智能出现在了更多人的视野中,越来越多的领域开始争先恐后地投入研究引入深度学习方法解决行业难题的可行性,其中便有机械设备故障诊断领域。基于深度学习算法构建对设备故障的诊断模型,具备很多优势,是传统方法无法相比的。尤其是在对大数据、多源异构数据等进行处理方面,其优势更是十分显着。利用深度学习相关方法,根据机械设备运行中采集到的滚动轴承相关数据资料,对其中信息进行挖掘,从而能够实时,精准地了解设备的健康状况,是当前对工业设备进行故障诊断领域需要重点研究的问题。因此,本文基于滚动轴承振动信号较复杂、非线性、波动较大等特点,以及传统的轴承故障诊断方法存在的种种不足,研究了基于深度学习的轴承故障诊断方法。本文研究中,对滚动轴承不同故障位置,不同故障程度的数据样本所具备的特征进行了深入探究,并基于此构建起对应的深度学习模型,并针对模型开展训练学习,进而实现对轴承故障的智能诊断。研究所使用的实验数据,来自于凯斯西储大学电气工程实验室,数据中包含有健康状态,以及内圈、外圈、滚珠三种故障形式及其各自对应的轻度、中度、重度等不同程度故障的轴承振动加速度信号。根据这些数据资料,本文构建了两种模型且开展了相关实验分析以及从多个层面出发对模型进行优化改进,最终通过实验验证了模型的诊断精度及其泛化能力。首先,作为探索,提出一种简单的LSTM作为基础模型,在训练过程中,将原始的时域振动加速度信号相关数据直接对模型进行训练和测试,以避免在对特征值进行提取的过程中,导致原始的数据信息出现丢失,不过该方式的效果不是很好,远远达不到预期。为了能够满足相关需求,构建了以一维卷积神经网络为基础的诊断模型,且对该模型进行不断的优化升级,利用数据增强技术处理实验数据,在单一工况下,该模型对故障的诊断正确率达到了100%,在变工况条件下,对故障的诊断正确率亦达到98%以上,证明了该模型具备较好的泛化能力。相对于其他研究滚动轴承故障诊断相关问题的文献中所提出的算法模型,本文构建的模型可以对滚动轴承故障进行更准确、更高效,更迅速的诊断识别。
二、滚动轴承智能化设计系统（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、滚动轴承智能化设计系统（论文提纲范文）
（1）基于深度学习滚动轴承故障诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 课题的研究现状 |
| 1.2.1 基于时间序列信号分析的滚动轴承信号分类研究 |
| 1.2.2 基于深度学习的滚动轴承信号分类研究 |
| 1.3 技术路线和论文的主要工作 |
| 1.4 论文章节安排 |
| 第2章 深度学习相关理论 |
| 2.1 引言 |
| 2.2 深度学习相关理论 |
| 2.3 卷积神经网络原理 |
| 2.3.1 输入层的预处理 |
| 2.3.2 卷积层 |
| 2.3.3 池化层 |
| 2.3.4 分类层 |
| 2.3.5 激活层 |
| 2.4 评价指标-混淆矩阵 |
| 2.5 滚动轴承实验数据集 |
| 2.6 本章小结 |
| 第3章 基于域自适应多尺度卷积神经网络的算法模型 |
| 3.1 一维卷积神经网络的工作原理 |
| 3.2 多尺度卷积神经网络的工作原理 |
| 3.2.1 大尺寸卷积神经网络的辨析 |
| 3.3 域自适应批标准化 |
| 3.4 FCNN-1d的故障诊断方法 |
| 3.4.1 模型的训练与调参 |
| 3.5 仿真信号描述 |
| 3.6 实验结果及分析 |
| 3.6.1 宽尺寸卷积层对实验结果的影响 |
| 3.6.2 跨负载准确性能比较 |
| 3.6.3 t-SNE降维可视化 |
| 3.7 本章小结 |
| 第4章 基于可移植非降维注意力机制的算法模型 |
| 4.1 深层残差神经网络 |
| 4.1.1 分组卷积 |
| 4.2 嵌入非降维注意力机制的滚动轴承故障诊断模型 |
| 4.2.1 可嵌入非降维注意力模块 |
| 4.2.2 嵌入非降维注意力机制的深度残差网络 |
| 4.3 实验仿真数据介绍 |
| 4.4 实验分析 |
| 4.4.1 非降维注意力跨通道通信率k |
| 4.4.2 嵌入位置的对比实验 |
| 4.5 注意力对比的分类实验 |
| 4.5.1 三种注意力机制的训练过程对比 |
| 4.5.2 降噪性能实验 |
| 4.5.3 抗噪性能对比试验 |
| 4.5.4 可视化分析 |
| 4.6 本章小结 |
| 第5章 结论 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）多源信息融合的变速变载滚动轴承故障预测系统研究（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 数据采集 |
| 1.2.2 数据预处理技术研究现状 |
| 1.2.3 滚动轴承故障预测方法研究现状 |
| 1.2.4 滚动轴承故障预测研究存在的问题 |
| 1.3 研究目的及意义 |
| 1.4 主要研究内容 |
| 1.5 论文结构安排 |
| 第2章 变速变载下滚动轴承多源信息采集 |
| 2.1 压力机飞轮轴承变速变载工况分析 |
| 2.2 变速变载滚动轴承疲劳寿命实验台搭建 |
| 2.3 变速变载滚动轴承疲劳寿命试验 |
| 2.3.1 变速变载滚动轴承加速实验设计 |
| 2.3.2 多源信息采集 |
| 2.4 本章小结 |
| 第3章 多源时序数据预处理 |
| 3.1 数据降噪 |
| 3.2 特征选择与提取 |
| 3.2.1 特征选择 |
| 3.2.2 特征提取 |
| 3.3 多源数据特征规约 |
| 3.3.1 特征数量规约 |
| 3.3.2 LLE特征降维 |
| 3.4 本章小结 |
| 第4章 基于多源信息融合的变速变载滚动轴承故障预测 |
| 4.1 故障预测实现方法 |
| 4.2 变速变载下基于单一振动特征的滚动轴承故障预测 |
| 4.2.1 预测模型构建 |
| 4.2.2 数据准备 |
| 4.2.3 故障预测 |
| 4.3 多源信息融合的变速变载滚动轴承故障预测 |
| 4.4 本章小结 |
| 第5章 变速变载滚动轴承状态监测和故障预测系统 |
| 5.1 需求分析 |
| 5.2 系统设计 |
| 5.2.1 功能模块设计 |
| 5.2.2 系统架构设计 |
| 5.3 系统实现 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文及研究成果清单 |
| 学位论文评阅及答辩情况表 |
（3）传动链振动信号故障诊断与性能退化评估技术研究（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 故障诊断与性能退化技术研究现状 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 性能退化评估研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文章节安排 |
| 第二章 传动链故障机理及状态评估简介 |
| 2.1 齿轮故障机理及特征 |
| 2.1.1 齿轮故障类型 |
| 2.1.2 齿轮振动模型 |
| 2.1.3 齿轮振动信号特征 |
| 2.2 滚动轴承故障机理及特征 |
| 2.2.1 滚动轴承的故障类型 |
| 2.2.2 滚动轴承内部结构 |
| 2.2.3 滚动轴承振动信号特征 |
| 2.3 健康状态评估模型 |
| 2.4 本章小结 |
| 第三章 基于改进鲸鱼算法的小波滤波器 |
| 3.1 小波滤波器分析 |
| 3.1.1 连续小波变换 |
| 3.1.2 Morlet小波滤波器 |
| 3.2 滤波器优化准则 |
| 3.2.1 基于相关峭度的参数优化 |
| 3.2.2 周期更新策略 |
| 3.3 改进鲸鱼算法的研究 |
| 3.3.1 鲸鱼算法 |
| 3.3.2 改进鲸鱼算法 |
| 3.3.3 性能仿真分析 |
| 3.4 实验验证 |
| 3.4.1 仿真分析 |
| 3.4.2 实验台分析 |
| 3.5 本章小结 |
| 第四章 传动链故障诊断算法研究 |
| 4.1 包络解调分析技术研究 |
| 4.1.1 包络解调算法原理 |
| 4.1.2 仿真分析 |
| 4.1.3 实验台测试 |
| 4.2 阶比包络解调技术 |
| 4.2.1 阶比分析原理 |
| 4.2.2 仿真分析 |
| 4.2.3 实验台验证分析 |
| 4.3 传统故障诊断方法 |
| 4.3.1 自相关函数分析 |
| 4.3.2 倒频谱分析 |
| 4.4 对比分析 |
| 4.5 本章小结 |
| 第五章 滚动轴承性能退化评估技术研究 |
| 5.1 基于流形学习的特征数据集约简 |
| 5.1.1 特征数据集的构建 |
| 5.1.2 流形学习算法简介 |
| 5.1.3 LLE算法 |
| 5.2 基于SVM的性能退化评估 |
| 5.2.1 基于SVM的补偿距离评估指标 |
| 5.2.2 实验验证 |
| 5.3 基于IWOA-SVDD的性能退化评估 |
| 5.3.1 SVDD原理 |
| 5.3.2 基于IWOA的核参数优化 |
| 5.3.3 改进评估算法模型 |
| 5.3.4 实验验证 |
| 5.4 本章小节 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）滚动轴承故障数据集的降维与分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景简介 |
| 1.2 旋转机械智能故障诊断技术简介 |
| 1.3 线性和非线性降维方法的国内外研究现状 |
| 1.3.1 线性降维方法 |
| 1.3.2 非线性降维方法 |
| 1.4 本研究的意义 |
| 1.5 本论文的研究内容 |
| 第2章 相关算法的基本原理简介 |
| 2.1 引言 |
| 2.2 经典降维方法的数学原理 |
| 2.2.1 t-分布随机近邻嵌入 |
| 2.2.2 线性判别分析 |
| 2.2.3 主成分分析 |
| 2.3 故障诊断中经典的分类器简介 |
| 2.3.1 KNN分类器 |
| 2.3.2 支持向量机分类器 |
| 2.3.3 BP神经网络分类器 |
| 2.4 讨论与分析 |
| 2.5 本章小结 |
| 第3章 改进的D-t-SNE滚动轴承故障数据集降维方法 |
| 3.1 引言 |
| 3.2 算法原理简介 |
| 3.2.1 测地距离指标GD |
| 3.2.2 t-SNE算法原理 |
| 3.3 建立的D-t-SNE降维算法与流程 |
| 3.3.1 建立的D-t-SNE算法 |
| 3.3.2 参数对降维效果的影响作用分析 |
| 3.3.3 确定的降维效果评价指标 |
| 3.3.4 建立的D-t-SNE算法与故障诊断模型 |
| 3.4 实验验证情况 |
| 3.4.1 Iris数据集的仿真实验结果 |
| 3.4.2 轴承故障模拟实验的验证情况 |
| 3.5 本章小结 |
| 第4章 改进的LPCDA算法及其在滚动轴承故障诊断中的应用 |
| 4.1 引言 |
| 4.2 基本原理简介 |
| 4.2.1 类间可分性判别 |
| 4.2.2 线性判别分析(LDA)算法 |
| 4.2.3 主成分计算 |
| 4.3 建立的降维算法LPCDA与应用流程 |
| 4.3.1 建立的LPCDA算法 |
| 4.3.2 算法的优点分析 |
| 4.3.3 参数的影响作用分析 |
| 4.3.4 降维效果评价指标 |
| 4.3.5 基于LPCDA算法的故障诊断应用流程 |
| 4.4 实例验证 |
| 4.4.1 Wine数据集的仿真实验情况 |
| 4.4.2 轴承故障模拟实验的验证情况 |
| 4.5 本章小结 |
| 第5章基于C#的故障诊断系统开发 |
| 5.1 引言 |
| 5.2 设计的故障诊断系统方案 |
| 5.3 开发的故障诊断系统 |
| 5.3.1 创建数据库 |
| 5.3.2 建立的故障诊断系统 |
| 5.4 故障诊断系统的功能验证情况 |
| 5.4.1 实验方案 |
| 5.4.2 验证结果 |
| 5.5 讨论与分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文 |
| 附录B 参加科研项目情况 |
（5）时频分析轴承故障的CNN迁移学习诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题研究背景 |
| 1.2 轴承监测与诊断的研究意义 |
| 1.3 滚动轴承故障的研究现状 |
| 1.3.1 在轴承故障特征提取中时频分析的应用 |
| 1.3.2 时频分析与卷积神经网络的机械故障诊断现状 |
| 1.3.3 迁移学习的机械故障诊断现状 |
| 1.4 研究的内容 |
| 1.5 论文章节安排 |
| 第二章 轴承故障的特征及时频理论分析 |
| 2.1 滚动轴承的构成及其故障特征 |
| 2.1.1 滚动轴承的故障理论分析 |
| 2.1.2 滚动轴承的固有频率分析 |
| 2.2 时频分析 |
| 2.2.1 连续小波 |
| 2.2.2 离散小波变换 |
| 2.2.3 小波包 |
| 2.2.4 Wigner-Ville分布 |
| 2.2.5 变分模态分解 |
| 2.3 本章小节 |
| 第三章 基于时频分析轴承故障的检测 |
| 3.1 智能优化算法SSSE优化VMD去噪算法 |
| 3.1.1 智能优化算法 |
| 3.1.2 智能优化算法SSSE的原理 |
| 3.1.3 SSSE优化VMD算法 |
| 3.1.4 优良降噪算法准则 |
| 3.1.5 仿真实验 |
| 3.2 滚动轴承的复合故障诊断 |
| 3.2.1 单子带重构小波包 |
| 3.2.2 自相关包络谱分析 |
| 3.2.3 仿真实验 |
| 3.2.4 基于单形进化优化ICA复合故障的循环谱分析 |
| 3.3 本章小结 |
| 第四章 基于CNN迁移学习的轴承故障诊断 |
| 4.1 信号处理与深度学习 |
| 4.2 时频分析与CNN迁移学习的轴承故障诊断 |
| 4.2.1 卷积神经网络的基础 |
| 4.2.2 卷积神经网络的迁移学习 |
| 4.2.3 卷积神经网络的优化方法 |
| 4.2.4 滚动轴承故障的迁移学习诊断实验 |
| 4.3 小波包和排列熵的优化SVM的分类 |
| 4.3.1 小波包与样本熵、排列熵的特征提取 |
| 4.3.2 自适应变异粒子群算法来优化支持向量机 |
| 4.3.3 自适应变异粒子群算法优化SVM故障诊断实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 研究与展望 |
| 致谢 |
| 参考文献 |
| 附录 A (攻读硕士学位期间主要成果) |
（6）小样本深度学习在轴承故障诊断系统中的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的人工智能故障诊断技术 |
| 1.2.2 深度学习下故障诊断技术 |
| 1.2.3 小样本下故障诊断技术 |
| 1.3 本文主要研究内容 |
| 1.4 本文的创新点 |
| 第二章 深度学习理论 |
| 2.1 引言 |
| 2.2 深度学习相关理论 |
| 2.3 迁移学习相关理论 |
| 2.3.1 迁移学习的概念 |
| 2.3.2 域分布自适应方法 |
| 2.4 深度学习常用模型 |
| 2.4.1 栈式自编码神经网络 |
| 2.4.2 长短时记忆网络 |
| 2.4.3 贝叶斯神经网络 |
| 2.5 本章小结 |
| 第三章 基于LSTM-SAE的智能化轴承故障诊断模型 |
| 3.1 引言 |
| 3.2 方法概述 |
| 3.3 基于LSTM-SAE网络的智能诊断流程图 |
| 3.4 实验验证 |
| 3.4.1 实验数据 |
| 3.4.2 模型性能分析 |
| 3.4.3 模型泛化能力验证 |
| 3.4.4 各类方法对比分析 |
| 3.5 本章小结 |
| 第四章 小样本下基于WKTCA-SAE的轴承故障诊断模型 |
| 4.1 引言 |
| 4.2 方法概述 |
| 4.3 基于WKTCA-SAE的轴承故障诊断模型 |
| 4.4 实验验证 |
| 4.4.1 实验数据 |
| 4.4.2 模型性能分析 |
| 4.4.3 各类方法对比分析 |
| 4.5 本章小结 |
| 第五章 小样本下基于IBNN的轴承故障诊断模型 |
| 5.1 引言 |
| 5.2 方法概述 |
| 5.3 基于IBNN的轴承故障诊断模型 |
| 5.4 实验验证 |
| 5.4.1 实验数据 |
| 5.4.2 模型性能分析 |
| 5.4.3 各类方法对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 附件 |
（7）智能产线作业环境下多AGV控制和调度策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 论文研究的背景和意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 智能产线的研究现状 |
| 1.3.2 国内外AGV调度策略研究现状 |
| 1.4 主要研究内容及章节安排 |
| 第2章 智能产线作业环境分析 |
| 2.1 引言 |
| 2.2 典型离散型制造产线分析 |
| 2.2.1 汽车轮毂加工产线 |
| 2.2.2 典型离散型制造产线基本构成 |
| 2.2.3 离散型制造产线的缺陷 |
| 2.3 典型智能产线分析 |
| 2.3.1 基本构成 |
| 2.3.2 技术特征 |
| 2.4 离散型制造智能产线技术特征 |
| 2.4.1 离散型制造系统的智能化方向 |
| 2.4.2 离散型智能制造产线特点 |
| 2.5 实例分析——滚动轴承自动装配产线智能化 |
| 2.5.1 滚动轴承自动装配平台介绍 |
| 2.5.2 主要技术特征 |
| 2.5.3 产线布局及其工艺流程 |
| 2.6 离散型制造智能产线物流方案 |
| 2.6.1 传统物流输存在的问题 |
| 2.6.2 智能物流技术特征 |
| 2.6.3 智能产线物流方式 |
| 2.7 本章小结 |
| 第3章 多AGV控制方案及其硬件设计 |
| 3.1 引言 |
| 3.2 多AGV系统控制方案 |
| 3.2.1 多AGV控制系统常见类型 |
| 3.2.2 集散式多AGV控制系统及其作业流程 |
| 3.2.3 基于物流工作需求确定AGV的功能 |
| 3.3 AGV控制系统构成 |
| 3.3.1 AGV设计方案 |
| 3.3.2 控制电路设计 |
| 3.4 本章小结 |
| 第4章 多AGV调度研究 |
| 4.1 引言 |
| 4.2 智能产线作业环境构建 |
| 4.3 路径规划算法理论研究 |
| 4.3.1 遗传算法 |
| 4.3.2 粒子群算法 |
| 4.4 物料装载中AGV路径规划研究 |
| 4.4.1 遗传算法改进 |
| 4.4.2 粒子群算法改进 |
| 4.5 多AGV路网交通策略研究 |
| 4.5.1 多AGV交通问题 |
| 4.5.2 离线冲突应对策略研究 |
| 4.5.3 实时冲突应对策略研究 |
| 4.6 物料输送中多AGV调度策略研究 |
| 4.6.1 多AGV路线分配 |
| 4.6.2 多AGV任务分配 |
| 4.7 本章小结 |
| 第5章 滚动轴承智能装配产线环境下多AGV的调度应用 |
| 5.1 引言 |
| 5.2 实验方案设计 |
| 5.3 算法设计 |
| 5.4 仿真实验 |
| 5.4.1 物料装载 |
| 5.4.2 物料输送 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及专利 |
| 致谢 |
（8）滚动轴承故障声发射特性识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 轴承故障声发射特性识别研究动态 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第2章 滚动轴承声发射信号产生机理 |
| 2.1 声发射信号特性 |
| 2.2 金属材料的声发射特性 |
| 2.2.1 应力与应变 |
| 2.2.2 弹性和塑性形变 |
| 2.2.3 裂纹扩展与断裂 |
| 2.3 滚动轴承 |
| 2.3.1 滚动轴承结构 |
| 2.3.2 滚动轴承的故障表现形式及成因 |
| 2.4 滚动轴承声发射信号的产生 |
| 2.5 本章小结 |
| 第3章 滚动轴承声发射信号采集实验 |
| 3.1 滚动轴承故障实验平台 |
| 3.2 轴承声发射信号采集实验 |
| 3.2.1 声发射检测原理 |
| 3.2.2 轴承声发射采集系统的搭建 |
| 3.3 轴承声发射信号采集实验过程 |
| 3.4 声发射信号处理方法 |
| 3.5 本章小结 |
| 第4章 基于APFFT/FFT-EMD算法的滚动轴承外圈故障诊断 |
| 4.1 传统FFT与全相位FFT |
| 4.1.1 传统FFT |
| 4.1.2 全相位FFT |
| 4.1.3 全相位FFT基本性质 |
| 4.2 APFFT/FFT综合相位差校正法 |
| 4.3 APFFT/FFT-EMD算法 |
| 4.3.1 EMD算法 |
| 4.3.2 APFFT/FFT-EMD算法实现 |
| 4.4 仿真轴承故障信号分析 |
| 4.5 滚动轴承外圈故障声发射信号诊断 |
| 4.6 本章小结 |
| 第5章 基于CS-BP算法的滚动轴承故障识别 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络的结构 |
| 5.1.2 BP神经网络的学习算法 |
| 5.2 GA-BP算法 |
| 5.2.1 遗传算法的基本思想 |
| 5.2.2 GA-BP的优化算法 |
| 5.3 PSO-BP算法 |
| 5.3.1 粒子群算法的基本思想 |
| 5.3.2 PSO-BP的优化算法 |
| 5.4 CS-BP算法 |
| 5.4.1 杜鹃搜索算法的基本思想 |
| 5.4.2 CS-BP的优化算法 |
| 5.5 滚动轴承故障声发射信号特征的识别与分析 |
| 5.5.1 滚动轴承实验 |
| 5.5.2 滚动轴承声发射信号特征参数分析 |
| 5.5.3 CS-BP算法性能识别分析 |
| 5.6 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）滚动轴承剩余寿命预测算法研究及监测软件开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.2 基于统计模型和物理模型的轴承剩余寿命预测方法 |
| 1.2.3 基于数据的轴承剩余寿命智能预测算法 |
| 1.2.4 剩余寿命预测技术的应用现状 |
| 1.3 本文主要研究内容 |
| 第2章 轴承剩余寿命智能预测理论基础 |
| 2.1 引言 |
| 2.2 PHM2012数据集介绍 |
| 2.3 轴承磨损形式及退化规律 |
| 2.3.1 滚动轴承的结构 |
| 2.3.2 轴承典型失效形式 |
| 2.3.3 轴承退化规律分析 |
| 2.4 轴承振动信号的特征提取 |
| 2.4.1 时域信号及其特征 |
| 2.4.2 频域信号及其特征 |
| 2.4.3 时频信号及其特征 |
| 2.5 人工神经网络原理及分类 |
| 2.5.1 全连接 |
| 2.5.2 卷积神经网络 |
| 2.5.3 循环神经网络 |
| 2.6 本章小结 |
| 第3章 轴承剩余寿命智能预测算法研究 |
| 3.1 引言 |
| 3.2 特征选择及归一化 |
| 3.3 网络结构 |
| 3.3.1 卷积层 |
| 3.3.2 基于注意力机制的编码器-解码器结构 |
| 3.4 网络训练过程 |
| 3.5 滚动轴承剩余寿命预测流程 |
| 3.6 测试结果 |
| 3.7 本章小结 |
| 第4章 轴承剩余寿命预测算法实时性改进 |
| 4.1 引言 |
| 4.2 基于自监督学习的特征提取 |
| 4.2.1 基于自编码器的特征提取 |
| 4.2.2 基于对比学习的特征提取 |
| 4.2.3 特征降维可视化对比及分析 |
| 4.3 轴承剩余寿命实时预测网络 |
| 4.3.1 端到端的剩余寿命预测 |
| 4.3.2 特征抽取顺序及位置编码 |
| 4.3.3 reg LSTM网络 |
| 4.4 预测结果 |
| 4.5 本章小结 |
| 第5章 滚动轴承实时监测软件设计及开发 |
| 5.1 引言 |
| 5.2 软件功能需求 |
| 5.3 软件体系框架 |
| 5.4 软件各功能具体设计及开发 |
| 5.4.1 数据采集 |
| 5.4.2 数据存储及管理 |
| 5.4.3 数据处理 |
| 5.4.4 警报模块 |
| 5.4.5 界面设计 |
| 5.4.6 软件开发及维护 |
| 5.5 软件实际使用流程 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（10）基于深度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 课题的背景及研究意义 |
| 1.1.1 机械设备故障诊断概述 |
| 1.1.2 滚动轴承故障诊断的意义 |
| 1.2 滚动轴承故障诊断发展概述 |
| 1.2.1 国外发展概述 |
| 1.2.2 国内发展概述 |
| 1.3 本文主要研究内容与总体框架 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文总体结构安排 |
| 第二章 滚动轴承故障机理及其特征分析 |
| 2.1 引言 |
| 2.2 滚动轴承结构及其常见故障类型 |
| 2.2.1 滚动轴承的结构 |
| 2.2.2 常见的滚动轴承故障形式 |
| 2.3 滚动轴承故障机理分析 |
| 2.3.1 隐性故障振动特性 |
| 2.3.2 显性故障振动特性 |
| 2.3.2.1 显性故障特征频率 |
| 2.3.2.2 显性故障特征曲线 |
| 2.3.3 不同故障程度振动特性 |
| 2.4 本章小结 |
| 第三章 传统的滚动轴承故障诊断方法探究 |
| 3.1 引言 |
| 3.2 传统的滚动轴承故障简易诊断方法 |
| 3.3 振动信号诊断法 |
| 3.3.1 时域分析法 |
| 3.3.1.1 时域分析法常用特征参数介绍 |
| 3.3.1.2 时域分析法介绍 |
| 3.3.2 频域分析法介绍 |
| 3.3.2.1 幅值谱法 |
| 3.3.2.2 功率谱法 |
| 3.3.2.3 能量谱法 |
| 3.3.2.4 倒频谱法 |
| 3.3.3 时频分析法 |
| 3.4 智能诊断法 |
| 3.5 基于深度学习的滚动轴承故障诊断问题抽象建模 |
| 3.6 本章小结 |
| 第四章 基于LSTM的滚动轴承故障诊断方法研究 |
| 4.1 引言 |
| 4.2 循环神经网络 |
| 4.3 长短时记忆网络(LSTM)基础介绍 |
| 4.3.1 长短时记忆网络核心思想 |
| 4.3.2 深入理解LSTM |
| 4.3.2.1 遗忘门 |
| 4.3.2.2 输入门 |
| 4.3.2.3 输出门 |
| 4.4 基于LSTM的轴承故障状态识别模型 |
| 4.5 实验验证 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据来源 |
| 4.5.3 数据预处理 |
| 4.5.4 模型训练 |
| 4.5.5 实验结果分析 |
| 4.6 本章小结 |
| 第五章 基于CNN的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 卷积神经网络基础介绍 |
| 5.2.1 卷积层 |
| 5.2.2 激活层 |
| 5.2.3 池化层 |
| 5.2.4 全连接层 |
| 5.2.5 目标函数和优化器 |
| 5.3 基于CNN滚动轴承故障诊断模型构建 |
| 5.3.1 基础模型搭建 |
| 5.3.2 基础模型训练 |
| 5.3.3 模型优化 |
| 5.3.3.1 经验正则化 |
| 5.3.3.2 参数正则化 |
| 5.3.3.3 Dropout机制 |
| 5.3.3.4 激活函数选择 |
| 5.3.3.5 批量标注化(BN)处理 |
| 5.3.4 模型泛化能力验证 |
| 5.4 本章小结 |
| 总结与展望 |
| 工作总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
四、滚动轴承智能化设计系统（论文参考文献）
- [1]基于深度学习滚动轴承故障诊断算法研究[D]. 刘闯. 太原理工大学, 2021(01)
- [2]多源信息融合的变速变载滚动轴承故障预测系统研究[D]. 王璐璐. 山东大学, 2021
- [3]传动链振动信号故障诊断与性能退化评估技术研究[D]. 杨敖. 电子科技大学, 2021(01)
- [4]滚动轴承故障数据集的降维与分类方法研究[D]. 薛勇. 兰州理工大学, 2021(01)
- [5]时频分析轴承故障的CNN迁移学习诊断研究[D]. 李传鑫. 昆明理工大学, 2021(01)
- [6]小样本深度学习在轴承故障诊断系统中的研究[D]. 曹宁. 北京化工大学, 2020(02)
- [7]智能产线作业环境下多AGV控制和调度策略研究[D]. 汪康. 安徽工程大学, 2020(04)
- [8]滚动轴承故障声发射特性识别方法研究[D]. 李赟. 沈阳工业大学, 2020(01)
- [9]滚动轴承剩余寿命预测算法研究及监测软件开发[D]. 陈远航. 哈尔滨工业大学, 2020(01)
- [10]基于深度学习的滚动轴承故障诊断方法研究[D]. 舒陶. 广东工业大学, 2020(07)