一、滚动轴承振动与噪声关系的实验研究（论文文献综述）
张锐戈,肖荣辉,高忠坚[1]（2021）在《变工况下滚动轴承双谱分析及智能故障诊断》文中指出诊断滚动轴承变工况故障时通常采用硬件或信号预处理方法处理特征频率模糊或特征参数扰动问题,诊断环节复杂且不易实施,因而提出直接获取工况不敏感特征参数的诊断思路。首先推导滚动轴承振动信号的双谱表达式,发现工况参数仅影响双谱幅值,双谱分布具有工况鲁棒优点。再通过仿真和实测信号探究双谱对滚动轴承振动特性表征,并用不同工况、不同故障状态下的双谱验证了理论分析结果。最后进行变工况故障诊断实验,3种故障程度下的5折交叉验证结果表明,使用任意一种工况数据训练模型都能有效辩识4种不同工况故障类型。工况不敏感特征参数诊断方法具有简单易实施优点,无额外的变工况处理环节,在工程实践中具有良好的应用前景。
孙鑫威,纪爱敏,陈曦晖,林新海,许行[2]（2021）在《强噪声背景下动车组轴承微弱故障信号检测》文中进行了进一步梳理动车在高速行驶中,齿轮箱轴承易发生裂纹、点蚀等故障.为了在故障发生的初期检测出微弱的故障频率成分,本文提出了一种基于小波降噪预处理的周期势振动共振的轴承故障诊断方法.利用小波包提取轴承的固有共振频带,重构提取出的信号,滤除其中的强噪声干扰,随后将信号输入周期势振动共振系统,增强了故障特征.同时,本文建立了考虑振动共振系统中高频激励信号幅值的优化模型,并采用蚁群算法实现了其参数的自适应优化,得到输出信号后将其转化到频域分析,从而检测出轴承早期故障.实例分析表明,所提方法的数据处理结果相比单独采用随机共振的结果更精确,误差缩减至0.3%.
韩雪飞,施展,华云松[3]（2021）在《基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究》文中提出针对强背景噪声环境下滚动轴承故障特征信息微弱,单一利用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法提取效果不佳的问题,提出了基于参数优化的多点最优最小熵解卷积（Parametric Optimized Multipoint Optimal Minimum Entropy Deconvolution Adjusted,POMOMEDA）与CEEMDAN的滚动轴承微弱故障特征提取方法。由于MOMEDA的滤波效果受其中参数-故障周期T、滤波器长度L影响较大,提出采用变步长搜索法对其进行参数寻优。首先利用多点峭度和排列熵指标筛选MOMEDA中的故障周期T与滤波器长度L,对原始信号实现自适应MOMEDA降噪;然后采用CEEMDAN方法分解降噪信号,根据加权峭度（WK）指标选取包含故障信息丰富的固有模态分量（IMF）进行信号重构;最后对重构信号做包络谱分析,提取故障特征信息。通过仿真信号和实测信号分析表明,该方法能够有效提取滚动轴承微弱故障特征信息,具有一定的可靠性。
贺志洋[4]（2021）在《旋转机械内激励源的振动响应分离方法研究》文中研究指明振动信号是机械故障信息的载体,振动信号分析是状态监测与诊断的主要手段。然而,实际中的机体振动是多激励源共同作用的结果,振动信号成分复杂,是机器故障状态的模糊化反映。振源分离对故障的准确识别、跟踪与定量表达和减少结果的不确定性具有重要意义。通常,运行中的机械设备会受到来自环境及内部激振源的共同作用,从状态监测的角度看,包含故障信息的内部激励源是需要分离的有用振源。研究发现旋转机械内部激励源的振动响应具有三个性质:片段化、相似性和分布规律性。论文利用目标振源的性质,分别从共有成分重构和低秩恢复两类不同的分离方法开展研究,并对变转速工况下的分离问题进行了探讨。具体研究内容如下:（1）内激励源的振动响应及其性质研究。分析了旋转机械振动产生的机理,并对激励源在空间上进行了划分,对内激励源及其振动响应进行了定义。从小粒度的角度,对内激励源的振动响应性质进行了分析和总结。内激励响应具有的三个性质:片段性、相似性和分布规律性,并进行了验证。该性质既可以区分内激励源和环境激励源的振动响应,又可以区分不同的内激励源的振动响应,为内激励源的振动响应分离提供理论依据。（2）共有成分重构的分离方法研究。该方法对小粒度的观测信号片段进行分解,通过考查分解后子信号间的相似程度来代替难以准确获得个性特征,实现内激励响应的分离。研究了不同的信号分解方法对目标信号的分离能力,同时研究了三种分解方法配合使用的分离性能。结果表明共有成分重构的分离方法可有效分离振动信号中的内激励响应。具体来说,使用单一的分解方法只能分离出部分目标信号,多种分解方法配合使用的分离性能优于单一分解方法。（3）低秩恢复的分离方法研究。该方法将响应片段按列构造为一个矩阵,利用片段间的相似性,分解该矩阵得到低秩矩阵,重构获得内激励响应信号。分析了低秩稀疏模型的分离性能,发现非目标信号满足高斯分布,而非稀疏性,结论为低秩稀疏模型不适合内激励响应的分离。提出了低秩噪声分离模型,把目标信号约束为低秩项,非目标信号约束为高斯分布的噪声项。仿真和实验结果表明,该模型分离得到的内激励响应具有更干净的时域波形,更高的SVD估计信噪比。另外,进行了多低秩噪声分离模型的研究。多低秩噪声分离模型可同时分离出多个内激励响应,由于增加了内激励响应之间互信息的利用,极大地减少了其它响应的残留成分。（4）变转速工况下内激励响应的分离方法研究。该方法将小粒度的内激励响应在相空间映射得到轨迹图,然后对轨迹图进行网格划分和加权得到网格相空间,在共有成分分离的框架下,对网格相空间进行相似度计算判定共有成分,重构该成分实现变转速工况下的内激励响应分离。文中分析了变转速对内激励响应分离的影响,研究了变转速下内激励响应在相空间轨迹中的几何不变性,探讨了相空间嵌入延时参数τ的最佳取值与共振频率的关系。实验结果表明基于相空间的分离方法可以有效分离变转速工况下的内激励响应。
陈森,张浩,甄冬,师占群[5]（2021）在《基于SSD和ICA降噪的滚动轴承故障诊断》文中进行了进一步梳理针对轴承故障信号在早期由于能量小容易受到噪声影响而被淹没的问题,提出了一种奇异谱分解（SSD）和独立分量分析（ICA）的滚动轴承故障诊断方法。首先,通过SSD对原始故障信号分解,得到一系列不同频段的奇异谱分量（SSC）;其次,利用SSC分量构造观测信号和虚拟噪声信号,将观测信号与虚拟噪声信号组成观测矩阵;然后通过ICA对观测信号降噪;构造虚拟噪声通道信号;最后,将分离出来的独立分量进行Hilbert解调,对解调后的信号做FFT运算,并识别故障类别。通过仿真和实验表明了所述方法能够满足对滚动轴承振动信号降噪要求,准确清晰地提取故障特征频率。通过与EMD-ICA方法对比分析,验证了该方法对滚动轴承的早期故障诊断更加有效。
邢彬,王秋菊,牟佳信,陈维涛,陈思雨[6]（2021）在《挤压油膜阻尼器在锥齿轮系统中减振特性分析》文中指出航空发动机中央传动弧齿锥齿轮系统从高压转子上提取功率,高压转子的高转速使得齿轮系统的振动加剧。通常,采用挤压油膜阻尼器（SFD）作为弧齿锥齿轮-转子系统的减振装置。为研究SFD在锥齿轮系统中起到的减振特性,通过建立SFD的雷诺方程,基于有限元方法实时计算SFD的非线性油膜力,并采用有限元法及Timoshenko梁单元对柔性齿轮轴进行建模,将SFD的非线性油膜力与弧齿锥齿轮系统的静态传动误差、时变啮合刚度相耦合,建立SFD支承下的弧齿锥齿轮系统动力学模型,对弧齿锥齿轮系统在SFD支承下的动力学响应进行理论分析及实测。结果表明:在高转速工况下,SFD可以有效地抑制弧齿锥齿轮系统的振动幅值,低频区域的振幅从38g降到9.8g;理论分析和实测结果的振幅在同一量级,并且变化趋势一致,最大振幅出现在第1阶啮合频率上,理论分析结果为19.7g,实测结果为16.9g。
张珈翊[7]（2021）在《石墨烯润滑条件下轴承摩擦噪声特性研究》文中认为
刘家庆[8]（2021）在《基于线性麦克风阵列的滚动轴承声学故障诊断研究》文中进行了进一步梳理
刘子涵[9]（2021）在《噪声背景下基于时频分析的滚动轴承微弱故障诊断方法研究》文中研究指明
孙懿[10]（2021）在《基于改进SVD差分谱的盲源分离故障诊断方法研究》文中提出
二、滚动轴承振动与噪声关系的实验研究（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、滚动轴承振动与噪声关系的实验研究（论文提纲范文）
（1）变工况下滚动轴承双谱分析及智能故障诊断（论文提纲范文）
| 1 变工况下滚动轴承振动信号双谱特性 |
| 1.1 滚动轴承振动加速度信号模型 |
| 1.2 滚动轴承双谱分析 |
| 2 基于K近邻算法的变工况智能故障诊断 |
| 2.1 K近邻算法原理 |
| 2.2 基于双谱和K近邻算法的变工况故障判别 |
| 3 实验研究 |
| 3.1 滚动轴承双谱特性仿真验证 |
| 3.2 滚动轴承双谱实测数据验证 |
| 3.3 基于双谱和K近邻算法的变工况故障诊断 |
| 3.4 对比研究 |
| 4 结语 |
（2）强噪声背景下动车组轴承微弱故障信号检测（论文提纲范文）
| 1 引言 |
| 2 基于小波包预处理的周期势振动共振方法 |
| 2.1 小波包降噪原理 |
| 2.2 周期势振动共振原理 |
| 2.3 蚁群算法优化参数 |
| 2.4 算法流程 |
| 3 仿真验证 |
| 4 实验验证 |
| 5 结论 |
（3）基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究（论文提纲范文）
| 引言 |
| 1 CEEMDAN算法 |
| 1.1 CEEMDAN算法原理 |
| 1.2 模态分量的选取 |
| 2 MOMEDA算法原理 |
| 2.1 MOMEDA算法原理 |
| 2.2 参数优化MOMEDA |
| 2.2.1 确定故障周期T |
| 2.2.2 确定滤波器长度L |
| 3 基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取 |
| 4 仿真信号分析 |
| 5 实测信号分析 |
| 5.1 轴承内圈故障分析 |
| 5.2 轴承外圈故障分析 |
| 6 结论 |
（4）旋转机械内激励源的振动响应分离方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 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 多分量信号分离研究现状 |
| 1.3 机械振动信号中的多分量分离研究现状 |
| 1.3.1 滤波类分离方法 |
| 1.3.2 盲源分离方法 |
| 1.3.3 其它分离方法 |
| 1.3.4 现有分离方法的局限性 |
| 1.4 研究内容及章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 2 内激励响应及其性质 |
| 2.1 引言 |
| 2.2 内激励 |
| 2.3 内激励响应 |
| 2.4 内激励响应的混合机制 |
| 2.5 内激励响应的可分离性 |
| 2.6 内激励响应的性质 |
| 2.7 内激励响应性质的验证 |
| 2.8 本章小结 |
| 3 共有成分重构的内激励响应分离研究 |
| 3.1 引言 |
| 3.2 共有成分重构的内激励响应分离方法 |
| 3.2.1 确定内激励响应的位置 |
| 3.2.2 分离内激励响应 |
| 3.3 单一分解方法的分离性能 |
| 3.3.1 分解方法 |
| 3.3.2 振动信号中噪声的类型 |
| 3.3.3 分离性能分析 |
| 3.4 多分解方法配合使用的分离性能 |
| 3.4.1 多分解方法配合方式 |
| 3.4.2 分离性能分析 |
| 3.4.3 分解方法不同顺序对分离性能的影响 |
| 3.5 实验验证 |
| 3.6 本章小结 |
| 4 低秩噪声模型的内激励响应分离研究 |
| 4.1 引言 |
| 4.2 低秩稀疏分离模型的局限 |
| 4.2.1 低秩稀疏模型 |
| 4.2.2 低秩稀疏分离模型的局限性 |
| 4.3 低秩噪声模型 |
| 4.3.1 低秩噪声模型 |
| 4.3.2 低秩噪声模型中观测矩阵相位差修正 |
| 4.4 低秩噪声模型的分离方法及其分离性能 |
| 4.4.1 分离方法 |
| 4.4.2 分离性能 |
| 4.5 实验验证 |
| 4.5.1 仿真分析 |
| 4.5.2 实验验证 |
| 4.6 本章小结 |
| 5 多低秩噪声模型的内激励响应分离研究 |
| 5.1 引言 |
| 5.2 多个内激励响应依次分离的局限 |
| 5.2.1 依次分离的成分残留问题 |
| 5.2.2 分离顺序的影响 |
| 5.3 多低秩噪声模型的内激励响应分离 |
| 5.3.1 多低秩噪声模型 |
| 5.3.2 多低秩噪声模型的分离方法 |
| 5.4 实验验证 |
| 5.4.1 仿真验证 |
| 5.4.2 实验验证 |
| 5.4.3 对比分析 |
| 5.5 本章小结 |
| 6 变转速工况下内激励响应的分离 |
| 6.1 引言 |
| 6.2 内激励响应相空间的几何不变性 |
| 6.3 内激励响应的网格相空间映射 |
| 6.3.1 网格相空间映射 |
| 6.3.2 延时参数τ的设定以及增采样 |
| 6.4 内激励响应的分离方法 |
| 6.5 实验验证 |
| 6.5.1 仿真分析 |
| 6.5.2 实验验证 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于SSD和ICA降噪的滚动轴承故障诊断（论文提纲范文）
| 0 引言 |
| 1 理论分析 |
| 1.1 奇异谱分解 |
| (1)新轨迹矩阵的创建。 |
| (2)嵌入维数M的自适应选择。 |
| (3)从高频到低频顺序重构SSC。 |
| (4)设置迭代终止条件。 |
| 1.2 独立分量分析 |
| 2 SSD-ICA的联合降噪方法 |
| 3 仿真信号分析 |
| 4 实验研究 |
| 5 结论 |
（6）挤压油膜阻尼器在锥齿轮系统中减振特性分析（论文提纲范文）
| 0 引言 |
| 2 弧齿锥齿轮-SFD系统动力学模型 |
| 2.1 弧齿锥齿轮系统动力学建模 |
| 2.1.1 轴系建模 |
| 2.1.2 齿轮副耦合作用 |
| 2.2 SFD非线性油膜力 |
| 2.3 齿轮副啮合刚度及静态传动误差 |
| 3 SFD减振特性分析 |
| 4 原理性试验验证 |
| 5 结论 |
四、滚动轴承振动与噪声关系的实验研究（论文参考文献）
- [1]变工况下滚动轴承双谱分析及智能故障诊断[J]. 张锐戈,肖荣辉,高忠坚. 噪声与振动控制, 2021
- [2]强噪声背景下动车组轴承微弱故障信号检测[J]. 孙鑫威,纪爱敏,陈曦晖,林新海,许行. 电子学报, 2021(11)
- [3]基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究[J]. 韩雪飞,施展,华云松. 机械强度, 2021(05)
- [4]旋转机械内激励源的振动响应分离方法研究[D]. 贺志洋. 北京交通大学, 2021
- [5]基于SSD和ICA降噪的滚动轴承故障诊断[J]. 陈森,张浩,甄冬,师占群. 组合机床与自动化加工技术, 2021(08)
- [6]挤压油膜阻尼器在锥齿轮系统中减振特性分析[J]. 邢彬,王秋菊,牟佳信,陈维涛,陈思雨. 航空发动机, 2021(04)
- [7]石墨烯润滑条件下轴承摩擦噪声特性研究[D]. 张珈翊. 沈阳建筑大学, 2021
- [8]基于线性麦克风阵列的滚动轴承声学故障诊断研究[D]. 刘家庆. 安徽大学, 2021
- [9]噪声背景下基于时频分析的滚动轴承微弱故障诊断方法研究[D]. 刘子涵. 燕山大学, 2021
- [10]基于改进SVD差分谱的盲源分离故障诊断方法研究[D]. 孙懿. 沈阳建筑大学, 2021