一、轴向柱塞泵松靴故障特征信号的分析与选择（论文文献综述）
杜壮[1]（2021）在《基于变分模态分解与多轴融合轴向柱塞泵故障诊断研究》文中研究说明轴向柱塞泵具有结构紧凑、容积效率高、变量调节方便、适用于高压和超高压系统等特点被广泛的用于液压系统中,其可靠性对于液压系统的稳定运行具有关键作用。但由于轴向柱塞泵的结构复杂,工作中存在机械振动与流体振动,导致轴向柱塞泵故障诊断识别准确率不高。基于此,本文利用变分模态分解（VMD）与多轴信息融合的方式对轴向柱塞泵的故障特征进行提取,结合卷积神经网络（CNN）对故障进行准确识别。其研究内容如下:（1）本文选取A4VSO-125型轴向柱塞泵进行研究,根据轴向柱塞泵的结构与工作原理对轴向柱塞泵的振动机理与故障原因进行分析,针对轴向柱塞泵的常见故障:滑靴-斜盘磨损,松靴故障、配流盘磨损等,分析了轴向柱塞泵中各摩擦副之间的受力,找到了振动传递方式,得到了不同故障的振动特性和故障振动特征频率。（2）针对变分模态分解的分解层数K与惩罚因子?的选取问题,现有粒子群优化变分模态分解（PSO-VMD）在优化过程中运算量大,速度很慢,因此本文提出了基于香农熵的K值优化与基于贝叶斯优化的多参数协同优化方法,选出了最佳的参数组合[K,?],并与PSO-VMD进行实验对比,证明了贝叶斯优化变分模态分解（BOVMD）在参数寻优效率方面有很大的优势。（3）针对传统特征提取无法提取出信号更全面特征的缺点,本文引入RGB颜色模式对柱塞泵信号进行融合,将RGB颜色空间内的红-绿-蓝分别对应柱塞泵的X-YZ三轴的振动信息,将柱塞泵的三轴振动信息转换为一张彩色图片,与传统特征提取方法相比,不需要计算信号的特征参数,可以避免故障信息的大量丢失,更为全面的表征故障特征。通过建立卷积神经网络对轴向柱塞泵的故障特征图进行学习识别,与传统故障诊断模型的实验对比,验证了本模型对于轴向柱塞泵的故障诊断具有更高的准确率。本文以轴向柱塞泵的常见故障为研究对象,提出了基于变分模态分解的信号处理方法,并将RGB颜色模式引入到多轴信息融合中,通过实验验证了在不同工况下本模型对于轴向柱塞泵常见故障的诊断准确率均比传统故障诊断模型高,证明了其具有良好的可行性和推广性。
徐昌玲[2]（2021）在《基于卷积神经网络的轴向柱塞泵故障诊断》文中认为液压系统由于其功率大、精度高、响应快等优点,广泛应用于工程机械领域,然而一旦发生故障,轻则影响企业效益,重则引起人员伤亡。液压泵作为液压系统的核心元件,其性能的好坏将会直接影响整个液压系统的运转。轴向柱塞泵具有结构紧凑、寿命长、容积效率高等优点,在液压系统中广泛应用。随着科技的发展,轴向柱塞泵的结构越来越复杂,故障形式也越来越复杂多样。因此,有必要对轴向柱塞泵进行故障诊断,从而保证液压系统的正常运转。轴向柱塞泵的典型故障包括滑靴磨损、松靴、中心弹簧失效和配流盘磨损。由于柱塞泵的故障具有突发性,成因复杂性,使用提取特征与分类器结合的传统方法对柱塞泵的故障诊断变得十分困难。故障特征提取困难,浅层模型泛化能力差、在复杂工况适用性有限,使得传统方法在柱塞泵故障诊断方面存在一定的局限性。针对以上问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）对轴向柱塞泵进行诊断。本文主要开展以下几个方面的研究:（1）首先分析柱塞泵的结构和工作原理,分析柱塞泵的各个典型故障的机理以及故障带来的严重后果,从理论上分析柱塞泵各个工作状态的特征频率并将振动信号进行快速傅里叶变换,从幅频图上观察信号特征频率。（2）鉴于卷积神经网络有强大的图片分类能力,本文将柱塞泵的振动信号转化为包含信号特征的图片输入到卷积神经网络中进行故障诊断。由于柱塞泵的故障信号为非平稳信号,存在时变特性,从时间-频率二维平面的联合分析是处理非平稳信号的有力手段,因此本文采用时频分析的方法把故障信号转化成时频图。由于不同时频分析方法对柱塞泵故障特征的敏感程度不同,本文使用三种时频分析的方法,从中选出最适合轴向柱塞泵故障诊断的时频分析方法。（3）使用二维卷积神经网络进行故障诊断依然需要人工提取特征,因此本文使用一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）,不需要预先提取数据特征,可以将柱塞泵振动信号直接输入到模型中进行故障诊断。针对传统的1DCNN深度不足、提取特征不完善等问题,本文使用深度一维卷积神经网络（Deep One Dimensional Convolutional Neural Network,D-1DCNN）。D-1DCNN在传统的1DCNN上,增加了卷积层的层数,对信号特征提取更加完整。（4）柱塞泵的故障信号为一维时序信号,针对1DCNN提取故障信号的特征缺乏时间依赖性的问题,本文使用1DCNN与长短时间记忆网络（Long Short-Term Memory,LSTM）相结合的模型,即1DCNN-LSTM。首先由1DCNN提取特征数据,再对提取到的特征数据以序列的形式作为LSTM的输入,进行时序特征的提取,最后由分类器进行分类,完成柱塞泵的故障诊断。轴向柱塞泵的故障诊断是目前工程机械领域故障诊断的重点和难点,本文以轴向柱塞泵为研究对象,采取理论与实验相结合的方法,使用卷积神经网络进行故障诊断。本文将使用的卷积神经网络的几类模型进行分析对比,得出D-1DCNN在轴向柱塞泵的故障诊断中处于优势地位。
韩露[3]（2021）在《柱塞泵故障特征提取及辨识方法研究》文中研究表明柱塞泵作为工业生产中常见机械设备的动力源,是决定工业生产能否正常进行的关键元件,因此其工作状态的好坏对工业生产起着十分重要的作用。随着科学技术的不断进步,为了适应现代工业生产的需要,柱塞泵不断向大功率、高转速发展,同时为了满足输出流量压力的稳定,其内部零件的复杂度相应不断增大,导致各零件之间的接触运动也不断增多。正因如此,柱塞泵在运行中极易发生故障,一旦发生故障,就会对工业生产造成严重影响。因此及时有效地对柱塞泵进行故障诊断是对工业生产的必要保障。早期对柱塞泵进行故障诊断往往需要具有经验的工人进行人工识别,但该方法需要具有先验知识,且准确率也不够高。近代采用了通过对柱塞泵运行时的信号进行采集然后进行分析,从而判断出柱塞泵故障的方法,但由于柱塞泵运行时的复杂性,信号往往也表现为非线性非平稳性,传统信号分析手段对柱塞泵信号的分析效果不强,从而造成准确率低速度慢等缺点,难以满足工业生产的需要。为了能够在对柱塞泵进行故障诊断时保证高速度、高精度,本文对现代的柱塞泵故障诊断方法进行了分析研究。首先根据柱塞泵信号的特点,通过仿真寻找最适合柱塞泵信号的信号分析方法;然后以轴向柱塞泵为研究对象,搭建故障试验台采集在线的故障信号并进行分析,构建故障特征向量;最后利用粒子群算法（PSO）的优化性能与传统的支持向量机（SVM）结合,对柱塞泵常见的几种故障进行故障识别,以求达到高精度、高速度。本文的主要研究内容及工作安排如下:（1）通过分析柱塞泵工作原理,计算柱塞泵故障频率。首先通过分析柱塞泵应用的广泛性以及流量脉动率确定了以型号为A10VSO45的9柱塞孔斜盘式轴向柱塞泵为研究对象。然后分析其工作原理以及内部各零件之间的接触运动,判断出柱塞泵易发生的几种常见的故障类型,并通过公式计算出给定转速下柱塞泵不同故障的振动频率;最后分析了柱塞泵在工作时还产生的其它振动频率,并介绍了希尔伯特（hilbert）谱在对信号解调方面的应用性,为后续分析打下基础。（2）搭建属于柱塞泵特性的数学模型。由于工作过程中的柱塞泵信号所表现出来的特性具有非线性非平稳性,常见的信号分析方法对该类信号的分析效果不佳,因此本文通过分别构建两段非线性非平稳信号来模拟柱塞泵发生故障时所表现出来的特点,设计并搭建起其数学模型,然后进行仿真分析,通过仿真分析对比,寻找出适用于该类信号的算法。（3）搭建柱塞泵故障试验台并采集在线故障信号:根据对柱塞泵运行机理分析,完成对柱塞泵故障零件的制作;根据采集信号的需要,确定了试验所需器材,建立起柱塞泵故障试验台;根据信号传递路径,确定传感器的安装位置;最终采集了柱塞泵不同状态下的故障信号。然后通过柱塞泵的故障信号进一步确定了最佳的信号分析方法。（4）为了解决柱塞泵故障特征难以提取的问题,提出了将变分模态分解（VMD）、峭度准则、模糊熵三者相结合的方法。首先将采集到的五种不同状态下的信号进行VMD分解,应用峭度理论选取信息最丰富的IMF,利用模糊熵可以度量时间序列的复杂度的特点,计算模糊熵并将数据归一化处理组成特征向量。（5）针对传统SVM的识别速度与精度不够高的问题,提出采用PSO优化SVM核函数中的惩罚参数与核函数参数的故障识别方法。首先在MATLAB中搭建PSO-SVM智能故障诊断系统,将训练样本输入,利用PSO进行SVM参数寻优;然后采用寻优后的参数训练SVM,并对测试样本进行故障识别,经多次验证取平均值,准确度达到了99.5%,诊断时间达到了5.1s;最后为了验证PSO-SVM在速度与精度上的优势,分别与默认参数的SVM、交叉验证（CV）优化后的SVM、遗传算法（GA）优化后的SVM进行对比,验证本文提出的方法在速度与精度的优势;为了验证本文所提出的VMD相较于常见的EMD的优势,将EMD模糊熵作为特征向量,并输入到PSO优化过后的SVM与本文方法进行对比,验证VMD方法的可行性与优越性。
马红冬[4]（2021）在《基于大数据云平台和深度学习CNN网络的液压泵故障诊断方法研究》文中研究说明随着科技的进步,液压设备朝着智能化、大型化和系统化的方向发展。在大数据时代,液压设备监测点多,传感器采样频率高,设备使用周期长,运行数据量大。故障诊断技术从侧重于传统的知识驱动方法,正逐步过渡至侧重数据驱动的方法。如何从海量数据中自动挖掘特征,并保证故障诊断的准确率,已成为故障诊断的重中之重。深度学习善于从海量数据中自动挖掘特征,并且具有良好的泛化能力,受到了越来越多的研究人员的关注,而卷积神经网络（Convolutional Neural Network,CNN）是深度学习中一种经典而广泛应用的结构。因此本文在卷积神经网络的基础上提出了一种新的卷积神经网络“首层宽卷积核卷积神经网络”WCNN（Convolutional Neural Networks with Wide First-layer Kernel）,首层宽内核可以自动学习面向故障的特征,省去了传统故障诊断费时费力的特征提取环节,其余卷积核的尺寸均为3×1小卷积核,避免了卷积核参数过多,有效抑制了网络过拟合问题。以液压泵为研究对象,能够很好对原始振动信号进行故障诊断,模型在液压泵数据上识别准确率达到99.6%以上。而且在引入噪声的情况下,发现首层宽卷积核也具有良好的抑噪性,在改变信噪比的情况下将WCNN模型与其他的特征提取故障诊断算法FFT-SVM、FFT-KNN、FFT-BP和FFT-DNN进行对比。结果显示,所构建的WCNN模型具有最高的诊断准确率。本文对WCNN算法进行了详细阐述,介绍了训练模型所采用防止过拟合的方法,探究了不同参数对网络模型WCNN的影响,分析了在噪声环境下WCNN模型的性能。通过液压泵故障模拟实验台采集液压泵故障数据,利用WCNN模型对实验数据进行处理,得到的模型诊断结果同其他算法得到的结果相比,有较大提升。最后,基于华为云Model Arts云服务平台,将模型部署到云端,实现基于云平台的液压泵的故障诊断。
王腾[5]（2021）在《自适应信号分解算法对比研究及在液压泵故障诊断中的应用》文中研究表明自适应信号分解算法是用于信号分析的强大工具,它可以将一个信号分解为多个窄带分量,这有利于定量评估信号特性并对故障诊断的可靠性和准确性有着重要的影响。液压泵是整个液压系统的核心元件,液压泵故障检测大多通过振动信号、压力信号等数据的分析实现。信号处理是故障诊断流程的重要一环,其处理结果的优劣会直接影响后续模式识别过程的正确率,所以将自适应信号分解算法应用于液压泵的故障诊断中具有重要的意义。在本文中,对五种自适应信号分解算法分为基于时域和基于频域两类进行研究,其中五种自适应信号分解算法包括经验模态分解（Empirical Mode Decomposition,EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、自适应局部迭代滤波（Adaptive Local Iterative Filtering,ALIF）、经验小波变换（Empirical Wavelet Transform,EWT）,变分模态分解（Variational Mode Decomposition,VMD）。在第二、三章主要阐述了五种算法分解原理的不同点、算法执行的优缺点以及提供了一些仿真信号和西储大学实际轴承信号的案例来说明算法的分解效果和影响算法效果的主要因素。在第四章,针对实验台采集得到液压泵松靴故障、滑靴故障、中心弹簧失效、斜盘磨损和正常状态的振动信号,首先采用EEMD和EWT算法对振动信号进行消噪处理,随后对重构信号进行包络谱分析。由于EWT存在因频带分割而产生重构不完全的问题,所以最终EEMD重构信号的包络谱包含的信息要优于EWT。在第五章采用EEMD、ALIF和VMD三种方法对五种状态的振动信号进行消噪处理,随后在时域、频域和时频域提取偏斜度、峭度、排列熵、重心频率和小波包归一化能量作为特征组建特征向量,最后通过支持向量机（Support Vector Machines,SVM）故障分类的结果,得出VMD在这三种方法中最适合进行液压泵的消噪工作。
励文艳[6]（2020）在《轴向柱塞泵早期故障特征提取与模式识别方法研究》文中指出随着现代工业的迅速发展,液压泵作为液压系统的动力部件,在工程应用中发挥着不可替代的作用。轴向柱塞泵以其结构紧凑、工作压力高、容积效率高以及容易实现变量等优点而被广泛使用。柱塞泵在液压系统中负载最重且长时间高速运转,致其容易出现各种故障。轻则引起噪声增加、振动加剧,影响工作效率;重则危害人的生命安全、造成严重财产损失。因此对柱塞泵运行状态进行监测,实现其故障诊断,对保障高速运转柱塞泵正常、高效运行意义重大。柱塞泵内部结构复杂,故障类型多样,且同种类型不同程度的故障对泵产生不同程度的影响。尤其在故障的早期阶段,故障信号较为微弱,这些故障信号极易被强烈的背景噪声所淹没,不易察觉,导致故障特征提取和定位困难。针对上述问题,本论文以轴向柱塞泵为研究对象,运用合适的信号处理方法,以早期典型多故障诊断为出发点将不同程度故障诊断作为研究目标,在轴向柱塞泵振动信号中提取故障特征量,对轴向柱塞泵的早期典型多故障和不同程度故障的特征提取与模式识别方法做了深入的研究。论文主要从以下几个方面展开研究:（1）了解轴向柱塞泵内部结构和基本工作原理,分析其典型故障类型及故障振动机理,进而确定故障参量的采集方法。针对斜盘式轴向柱塞泵常见故障设计和搭建试验台,完成正常信号、松靴、柱塞磨损、配流盘磨损、不同程度的滑靴磨损故障信号的采集。（2）针对轴向柱塞泵结构复杂且早期故障易受噪声干扰的问题,本文提出了变分模态分解（Variational Mode Decomposition,VMD）、分位数排列熵（Quantile Permutation Entropy,QPE）和多分类支持向量机相结合的方法对几种典型故障（滑靴磨损、松靴、柱塞磨损和配流盘磨损故障）进行研究。首先将采集的振动信号进行VMD分解得若干固有模态分量（Intrinsic Mode Function,IMF）,根据相关系数法进行信号重构;然后计算各重构信号的QPE值作为特征向量;最后将提取的特征向量输入多分类支持向量机进行模式识别。并与其它方法进行对比分析,证明所提故障诊断方法的有效性。（3）针对轴向柱塞泵不同程度磨损的早期微弱故障诊断方法开展研究,其内容包括以下两个方面:1)针对轴向柱塞泵不同程度故障特征相近、难以识别的问题,提出基于局部S变换和ELM的故障诊断方法。采集正常状态和不同程度滑靴边缘磨损状态的振动信号进行局部S变换;然后对不同特征向量组进行定性和定量分析,选择提取S矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量;最后将特征向量输入ELM完成不同程度滑靴边缘磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法可以用较少的特征向量获得较高的模式识别效率。2)针对不同程度的早期微弱故障特征变化规律难以提取的问题,传统的信号处理方法难以满足需求,因此提出一种基于VMDF多尺度散布熵和ELM的柱塞泵早期故障诊断方法。在基于传统VMD基础之上,本文提出基于特征能量占比（Feature Energy Ratio,FER）的变分模态分解特征能量重构法（Variational Mode Decomposition Feature Energy Reconstruction,VMDF）实现信号重构;计算重构信号的多尺度散布熵（Multiscale Dispersion Entropy,MDE）,选择峰值尺度散布熵作为特征向量;最后将提取的特征向量输入ELM完成不同程度滑靴端面磨损故障模式的识别。并与其它方法进行对比分析,结果表明,所提方法既可以反映故障程度变化规律,又能获得较高的模式识别效率。
赵立红[7]（2020）在《基于机器学习的柱塞泵故障诊断方法研究》文中指出柱塞泵因其稳定性高和高压高效率等优点,在工业和生产应用中扮演着重要的角色,其工作状态运行好坏对保障设备能否安全运行起着关键作用。然而柱塞泵因结构复杂、持续高速运转等工作特点,在实际工作过程中会出现零件磨损和松靴等故障,造成生产安全事故。因此对柱塞泵进行故障诊断是确保设备安全运行的重要手段,也是保证维修工作精准高效完成的关键一步。传统的柱塞泵故障诊断方法有一定的缺陷,其诊断流程复杂,整体故障诊断效率低,适应性能较差,过于依赖故障特征提取技术和诊断经验,因此其诊断方法准确度有待进一步提高。为了高效、准确地识别出柱塞泵工作状态,本文对机器学习方法在柱塞泵故障诊断中的应用进行了研究。以轴向柱塞泵作为研究对象,设计并搭建了故障试验平台,对各状态振动信号进行分析处理,结合机器学习方法对柱塞泵故障诊断进行了探索研究。研究内容和主要工作如下:（1）对柱塞泵开展其工作原理和结构组成以及常见故障类型机理分析研究,并对四种机器学习算法理论模型进行应用说明;设计柱塞泵故障试验系统;根据试验要求,完成元件选型,传感器安装,试验参数确定以及数据传输通道设置和故障零件制造等准备工作,搭建柱塞泵故障试验平台,完成不同工况的振动信号样本采集工作。（2）对试验采集的柱塞泵不同故障振动信号进行时域特性分析,并针对柱塞泵工作环境嘈杂导致振动信号信噪比较低的现象,选用余弦邻域系数去噪法进行预处理,通过对仿真信号及实测信号去噪前后时域特性的对比分析,验证其有效性。（3）针对柱塞泵故障特征难以提取、诊断准确度不高的问题,提出基于支持向量机（SVM）的典型故障诊断方法。首先通过将试验采集的五种振动信号利用余弦邻域系数去噪法进行预处理,然后经LMD分解后利用相关系数法进行信号重构,进一步去除无关信息,最后利用样本熵进行故障特征提取,构建特征数据集,结合机器学习方法SVM算法对柱塞泵典型故障类型进行分类,诊断准确度达到97.5%以上。通过与KNN算法及BP神经网络算法的分类结果进行对比,证明所提方法具有更高的诊断速度和准确度。通过将原始信号以及重构信号特征数据集输入SVM中进行训练与诊断的结果进行对比,证明重构信号特征提取的优势。（4）针对低负载工况下柱塞泵磨损故障状态诊断准确度不高、诊断流程复杂且适应性较差的问题,提出基于随机森林的磨损故障状态诊断方法。以试验中采集的正常和四种不同程度的滑靴磨损振动信号为诊断对象,首先对其用余弦邻域系数去噪法进行预处理。然后提取时域特征量组成八维特征向量,构建特征数据集。最后结合随机森林算法进行故障诊断,诊断准确度达到99.6%。通过与SVM,KNN以及BP神经网络的分类结果进行对比,证明该方法的高准确度和有效性。通过对不同程度的轴向柱塞泵松靴故障利用所提方法进行诊断,诊断准确度达99.4%以上,证明该方法良好的适应性。
刘生政,张琳,曾祥辉,兰媛,王志坚,程珩[8]（2020）在《基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究》文中进行了进一步梳理针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。
杜名喆[9]（2020）在《基于深度学习的柱塞泵故障诊断方法研究》文中进行了进一步梳理液压泵是液压系统的能量来源和故障源,液压泵中的轴向柱塞泵具有结构紧凑、泄漏少、容积效率高、压力大和易于控制流量等优点。由于轴向柱塞泵的故障十分隐秘难于发现,且故障多样化,因果关系复杂,使其故障难以诊断。因此,对轴向柱塞泵典型故障特征进行提取并进行故障诊断十分必要。首先,对柱塞泵进行结构与工作原理分析,以便了解柱塞泵常见的故障位置及其特性,并应用柱塞泵故障采集系统对相关故障信号进行采集。其次,分别使用一维卷积神经网络与二维卷积神经网络对柱塞泵进行故障诊断。结果表明两种卷积神经网络均可以对柱塞泵故障进行有效诊断,但二维卷积神经网络可以简化卷积层层数,且模型训练时间更短,故障诊断性能优于一维卷积神经网络,平均故障诊断准确率达到98.26%,同时通过滚动轴承故障数据集验证了CNN-2D模型的泛化性与鲁棒性。再次,采用EMD与EWT算法将故障信号分解成有限的内禀模态函数,结合二维卷积神经网络对柱塞泵进行故障诊断。结果表明EWT结合二维卷积神经网络的方法优于EMD结合二维卷积神经网络,且在更加精简神经网络层数的基础上故障诊断准确率仍可达到100%。最后,选取循环神经网络中的LSTM模型对柱塞泵进行故障诊断,并对模型各参数进行分析,结果表明LSTM方法可以有效对柱塞泵进行故障诊断。通过选取多种深度学习的方法对柱塞泵故障进行诊断与分类,对监测柱塞泵的实时工况具有重要意义,同时在工程实际应用中具有重要的理论意义和应用价值。图46幅;表11个;参63篇。
曾祥辉[10]（2019）在《基于超限学习机的轴向柱塞泵多故障诊断》文中提出随着科学技术的飞速发展和生产力的大幅度提升,液压系统在工程应用中扮演着不可替代的作用。轴向柱塞泵具有寿命长,能量密度高,结构紧凑,泄露小等优点,所以常作为液压系统的动力部件。但是其工作环境比较恶劣,而且长时间处于高压和高速运转的工作状态,所以不可避免会出现各种故障,因此对柱塞泵进行状态监测与诊断是系统正常运转的重要保证。大量工程实践表明,轴向柱塞泵发生故障时通常不止一处,往往表现为多种故障。不同部位,不同形式,不同程度的故障会对泵体产生不同程度的影响,而这些故障信号通常都被背景强噪声信号所埋没,不易察觉,从而给故障诊断带来了挑战。本论文针对上述问题,以轴向柱塞泵为研究对象,运用适合的降噪方法,将单一故障作为出发点以多故障作为研究目标,对强噪声干扰的环境下,从轴向柱塞泵振动信号、流量信号、压力信号中提取出故障特征量,结合智能分类算法对单一故障和复合故障的模式分类做了深入的研究。本文主要开展以下几个方面的研究:（1）分析轴向柱塞泵的结构与工作原理,了解轴向柱塞泵的常见故障包括:滑靴磨损、配流盘磨损,中心弹簧失效和松靴。针对以上故障摸清各个故障的产生机理以及对轴向柱塞泵外特性的影响,设计了合理的故障试验方案,完成了对实验所需信号的采集。（2）本文所分析的振动信号属于非线性,非平稳信号,更重要的是受到各种背景噪声的干扰,针对强噪声环境下轴向柱塞泵故障信息微弱,故障特征提取困难的问题,本文提出了基于最大相关峭度反褶积（MCKD）,完备集合经验模态分解（CEEMDAN）与超限学习机（ELM）相结合的轴向柱塞泵故障诊断方法。先用MCKD对振动信号进行滤波降噪处理使微弱冲击成分得到增强,然后将去噪信号用CEEMDAN分解成若干个固有模态函数分量,并提取故障特征向量,通过ELM分类算法来诊断柱塞泵的故障类型。（3）针对轴向柱塞泵复合故障的特征提取与分离问题,提出了基于多标签分类的轴向柱塞泵复合故障诊断方法。首先将振动信号通过小波去噪之后进行CEEMDAN分解提取每个分量的包络谱熵,压力信号和流量信号则直接提取时域特征指标,最终将上述特征指标进行融合之后,运用多标签分类的思想,实现对轴向柱塞泵复合故障的分离。
二、轴向柱塞泵松靴故障特征信号的分析与选择（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、轴向柱塞泵松靴故障特征信号的分析与选择（论文提纲范文）
（1）基于变分模态分解与多轴融合轴向柱塞泵故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 柱塞泵故障诊断研究现状 |
| 1.3 轴向柱塞泵故障诊断方法 |
| 1.4 轴向柱塞泵故障特征提取方法 |
| 1.5 研究内容 |
| 2 轴向柱塞泵故障机理 |
| 2.1 轴向柱塞泵工作原理 |
| 2.2 轴向柱塞泵故障机理 |
| 2.3 轴向柱塞泵振动机理 |
| 2.3.1 轴向柱塞泵机械振动机理 |
| 2.3.2 轴向柱塞泵流体振动机理 |
| 2.3.3 振动传递路径 |
| 2.4 本章小结 |
| 3 变分模态分解 |
| 3.1 变分模态分解基础理论 |
| 3.2 变分模态分解基本原理 |
| 3.3 变分模态分解性能分析 |
| 3.3.1 第一类模态混叠 |
| 3.3.2 第二类模态混叠 |
| 3.4 变分模态分解参数选取分析 |
| 3.4.1 模态分解数量K的选取 |
| 3.4.2 惩罚因子?的选取 |
| 3.5 本章小结 |
| 4 参数优化变分模态分解 |
| 4.1 基于香农熵的K值优化 |
| 4.1.1 归一化香农熵 |
| 4.1.2 合成信号研究 |
| 4.2 基于贝叶斯优化的多参数协同优化 |
| 4.2.1 函数替代模型 |
| 4.2.2 采集函数 |
| 4.2.3 参数优化 |
| 4.3 参数优化性能分析 |
| 4.3.1 轴向柱塞泵状态监测 |
| 4.3.2 基于香农熵的K值参数优化性能分析 |
| 4.3.3 基于贝叶斯优化的多参数协同优化性能分析 |
| 4.4 本章小结 |
| 5 基于多轴信息融合的柱塞泵故障诊断 |
| 5.1 多轴信息融合故障特征图 |
| 5.2 卷积神经网络基本结构 |
| 5.2.1 卷积层 |
| 5.2.2 激活层 |
| 5.2.3 池化层 |
| 5.3 基于Alexnet柱塞泵故障试验研究 |
| 5.3.1 Alexnet模型 |
| 5.3.2 柱塞泵故障实验研究结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（2）基于卷积神经网络的轴向柱塞泵故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于人工的诊断方法 |
| 1.2.2 基于数学模型的诊断方法 |
| 1.2.3 基于信号处理的诊断方法 |
| 1.2.4 基于人工智能的诊断方法 |
| 1.3 深度学习应用于故障诊断研究现状 |
| 1.4 本文研究的主要内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容与章节安排 |
| 第2章 柱塞泵故障诊断试验系统与故障诊断模型 |
| 2.1 实验对象 |
| 2.2 轴向柱塞泵的故障机理 |
| 2.3 轴向柱塞泵特征频率 |
| 2.4 轴向柱塞泵故障诊断实验系统 |
| 2.4.1 轴向柱塞泵故障试验台介绍 |
| 2.4.2 传感器的布设以及采集参数设置 |
| 2.4.3 实验运行软件与环境配置 |
| 2.5 卷积神经网络 |
| 2.5.1 二维卷积神经网络 |
| 2.5.2 一维卷积神经网络 |
| 2.5.3 卷积神经网络的特性 |
| 2.6 本章小结 |
| 第3章 基于CNN的轴向柱塞泵故障诊断 |
| 3.1 柱塞泵不同工作状态的振动信号 |
| 3.2 信号处理理论 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 小波变换 |
| 3.2.3 维格纳-威尔分布 |
| 3.3 基于CNN的轴向柱塞泵故障诊断 |
| 3.3.1 样本长度的选择 |
| 3.3.2 时频图样本 |
| 3.3.3 卷积神经网络故障诊断流程 |
| 3.3.4 卷积神经网络参数调试 |
| 3.3.5 不同时频图对准确率的影响 |
| 3.4 深度学习中其他算法对斜盘式轴向柱塞泵的故障诊断 |
| 3.4.1 深度置信网络 |
| 3.4.2 堆叠自动编码器 |
| 3.4.3 实验过程与结果 |
| 3.5 本章小结 |
| 第4章 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1.1 D-1DCNN网络构建与参数设置 |
| 4.1.2 D-1DCNN网络参数调节 |
| 4.1.3 实验结果 |
| 4.2 基于1DCNN的轴向柱塞泵故障诊断 |
| 4.2.1 1DCNN的参数设置 |
| 4.2.2 1DCNN网络参数调节 |
| 4.2.3 实验结果 |
| 4.3 实验结果对比 |
| 4.4 本章小结 |
| 第5章 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1.1 长短时间记忆网络 |
| 5.1.2 1DCNN-LSTM结构 |
| 5.1.3 1DCNN-LSTM具体参数 |
| 5.1.4 dropout参数调节 |
| 5.1.5 实验结果 |
| 5.2 基于LSTM的轴向柱塞泵故障诊断 |
| 5.2.1 LSTM结构与具体参数 |
| 5.2.2 实验结果对比 |
| 5.3 CNN模型性能对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作与结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）柱塞泵故障特征提取及辨识方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柱塞泵故障诊断技术的发展 |
| 1.2.2 智能诊断方法研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构 |
| 第2章 柱塞泵故障机理分析 |
| 2.1 柱塞泵结构组成及其工作原理 |
| 2.2 柱塞泵常见故障及其分析 |
| 2.3 柱塞泵振动频率分析 |
| 2.4 希尔伯特(hilbert)谱简介 |
| 2.5 本章小结 |
| 第3章 信号特征提取方法类比分析及仿真分析 |
| 3.1 特征提取方法类比分析 |
| 3.1.1 短时傅里叶变换(STFT) |
| 3.1.2 小波变换(WT) |
| 3.1.3 经验模态分解(EMD) |
| 3.1.4 变分模态分解(VMD) |
| 3.2 非线性非平稳信号的仿真分析 |
| 3.2.1 模拟频率突变信号 |
| 3.2.2 模拟调幅调频信号 |
| 3.3 本章小结 |
| 第4章 柱塞泵故障试验及实测信号分析 |
| 4.1 试验配置简介 |
| 4.1.1 试验搭建 |
| 4.1.2 故障类型的设置 |
| 4.1.3 信号采集系统简介 |
| 4.2 实测信号分析 |
| 4.3 本章小结 |
| 第5章 基于VMD模糊熵和PSO-SVM的故障诊断 |
| 5.1 基于VMD模糊熵的柱塞泵故障诊断研究 |
| 5.1.1 模糊熵简介 |
| 5.1.2 特征向量的提取 |
| 5.2 PSO-SVM故障识别 |
| 5.2.1 支持向量机(SVM)简介 |
| 5.2.2 SVM多分类问题 |
| 5.2.3 SVM的参数分析 |
| 5.2.4 粒子群算法(PSO)简介 |
| 5.2.5 PSO-SVM故障识别 |
| 5.2.6 诊断结果对比 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于大数据云平台和深度学习CNN网络的液压泵故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究意义 |
| 1.2 国内外研究动态 |
| 1.2.1 故障诊断方法的研究现状 |
| 1.2.2 云平台的国内外发展现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 论文研究目标和研究内容 |
| 1.3.1 课题研究目标 |
| 1.3.2 课题的研究内容 |
| 第2章 一维卷积神经网络结构 |
| 2.1 引言 |
| 2.2 卷积神经网络结构 |
| 2.2.1 卷积层 |
| 2.2.2 激活层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.3 卷积神经网络特性 |
| 2.3.1 稀疏连接 |
| 2.3.2 权值共享 |
| 2.4 卷积神经网络构建与训练 |
| 2.4.1 卷积神经网络构建方法 |
| 2.4.2 卷积神经网络前向传播训练过程 |
| 2.4.3 卷积神经网络反向传播训练过程 |
| 2.4.4 常用优化算法 |
| 2.5 本章小结 |
| 第3章 液压泵故障诊断模型WCNN网络结构分析 |
| 3.1 引言 |
| 3.2 WCNN算法描述 |
| 3.2.1 WCNN结构原理图和参数设置 |
| 3.2.2 WCNN算法训练流程 |
| 3.3 训练模型采用防止过拟合方法 |
| 3.3.1 数据集增强技术 |
| 3.3.2 批量归一化处理 |
| 3.3.3 正则化方法 |
| 3.4 不同参数对网络模型WCNN影响研究 |
| 3.4.1 批数据量大小对网络模型影响 |
| 3.4.2 卷积层数对网络模型影响 |
| 3.4.3 学习率对网络模型影响 |
| 3.4.4 批量归一化对网络模型影响 |
| 3.5 噪声环境下液压泵故障诊断模型性能分析 |
| 3.5.1 噪声信号的引入 |
| 3.5.2 首层卷积核大小对模型抗噪性影响 |
| 3.5.3 不同去噪算法抗噪性对比分析 |
| 3.6 本章小结 |
| 第4章 基于WCNN液压泵故障诊断及实验结果分析 |
| 4.1 液压泵故障诊断实验 |
| 4.1.1 实验系统的构成 |
| 4.1.2 数据采集系统 |
| 4.1.3 轴向柱塞泵故障分析 |
| 4.2 液压泵故障诊断数据集获取 |
| 4.2.1 实验数据集描述 |
| 4.2.2 数据集样本个数变化对模型训练精度影响 |
| 4.3 WCNN模型对液压泵故障诊断实验结果分析 |
| 4.3.1 故障诊断结果 |
| 4.3.2 与其他算法的结果对比 |
| 4.3.3 WCNN模型可视化分析 |
| 4.4 本章小结 |
| 第5章 WCNN模型在云平台部署 |
| 5.1 引言 |
| 5.2 云计算平台研究 |
| 5.2.1 云计算类型 |
| 5.2.2 云存储技术 |
| 5.3 云平台的选择 |
| 5.3.1 华为云产品和服务简介 |
| 5.3.2 华为云对象存储服务 |
| 5.4 WCNN模型在云端部署 |
| 5.4.1 人工智能服务架构ModelArts云服务 |
| 5.4.2 基于ModelArts云服务的诊断模型部署 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）自适应信号分解算法对比研究及在液压泵故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 自适应信号分解算法的研究现状 |
| 1.3 论文研究内容 |
| 第2章 时域自适应信号分解算法研究 |
| 2.1 引言 |
| 2.2 经验模态分解的原理与流程 |
| 2.3 集合经验模态分解(EEMD) |
| 2.3.1 集合经验模态分解(EEMD)原理 |
| 2.3.2 同步压缩变换(SST)原理 |
| 2.3.3 EEMD解决模态混叠问题 |
| 2.4 自适应局部迭代滤波(AILF) |
| 2.4.1 迭代滤波(IF)的原理 |
| 2.4.2 自适应局部迭代滤波(ALIF) |
| 2.5 EMD、EEMD和ALIF仿真信号分析 |
| 2.5.1 正弦加噪声信号 |
| 2.5.2 非平稳信号 |
| 2.6 ALIF算法实现轴承故障诊断 |
| 2.7 EMD、EEMD和ALIF算法的对比分析 |
| 2.8 本章小结 |
| 第3章 频域自适应信号分解算法研究 |
| 3.1 引言 |
| 3.2 经验小波变换(EWT) |
| 3.2.1 小波分解和小波包分解 |
| 3.2.2 经验小波变换原理 |
| 3.2.3 经验小波变换的频带划分 |
| 3.2.4 模态合并方法(MCCM) |
| 3.3 变分模态分解(VMD) |
| 3.3.1 变分模态分解的原理 |
| 3.3.2 参数K的设定方法 |
| 3.4 EWT,VMD仿真信号的分析 |
| 3.4.1 正弦加噪声信号 |
| 3.4.2 调幅调频(AM-FM)信号 |
| 3.4.3 EWT和VMD在故障诊断中的应用 |
| 3.5 EWT和VMD的对比 |
| 3.6 本章小结 |
| 第4章 基于EEMD和EWT的液压泵包络谱分析 |
| 4.1 引言 |
| 4.2 实验设备及故障信号采集 |
| 4.2.1 实验设备介绍 |
| 4.2.2 数据采集和存储部分 |
| 4.2.3 基于LabVIEW的数据采集面板 |
| 4.2.4 实验过程 |
| 4.3 基于EEMD和EWT柱塞泵故障信号包络解调分析 |
| 4.3.1 柱塞泵松靴故障分析 |
| 4.3.2 柱塞泵滑靴磨损和斜盘磨损故障分析 |
| 4.3.3 柱塞泵中心弹簧失效故障分析 |
| 4.4 基于EWT柱塞泵故障信号包络解调分析 |
| 4.4.1 EWT松靴故障振动信号包络谱分析 |
| 4.4.2 EWT滑靴磨损故障振动信号包络谱分析 |
| 4.5 本章小结 |
| 第5章 基于EEMD、ALIF和VMD柱塞泵故障分类对比分析 |
| 5.1 引言 |
| 5.2 基于EEMD、ALIF、VMD故障信号消噪处理 |
| 5.3 特征向量的构造 |
| 5.3.1 时域特征提取 |
| 5.3.2 频域特征提取 |
| 5.3.3 时频域特征提取 |
| 5.4 支持向量机的基本原理 |
| 5.4.1 线性可分问题 |
| 5.4.2 线性不可分问题 |
| 5.4.3 非线性问题 |
| 5.4.4 多分类支持向量机 |
| 5.4.5 交叉验证与网格搜索 |
| 5.5 故障分类过程及结果 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）轴向柱塞泵早期故障特征提取与模式识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于信号处理的诊断方法 |
| 1.2.2 基于人工智能的诊断方法 |
| 1.3 本文主要研究内容 |
| 1.3.1 研究路径 |
| 1.3.2 主要研究内容 |
| 第二章 轴向柱塞泵故障机理分析与故障参量选择 |
| 2.1 轴向柱塞泵内部结构及工作原理 |
| 2.2 轴向柱塞泵故障振动机理分析 |
| 2.2.1 轴向柱塞泵机械振动机理分析 |
| 2.2.2 轴向柱塞泵流体振动机理分析 |
| 2.3 轴向柱塞泵典型故障类型及振动传递路径 |
| 2.3.1 轴向柱塞泵典型故障类型 |
| 2.3.2 轴向柱塞泵振动传递路径 |
| 2.4 轴向柱塞泵故障参量选择 |
| 2.5 本章小结 |
| 第三章 轴向柱塞泵故障特征提取与模式识别方法模型建立 |
| 3.1 信号预处理及特征提取算法介绍 |
| 3.1.1 S变换与希尔伯特变换 |
| 3.1.2 变分模态分解 |
| 3.1.3 分位数排列熵 |
| 3.1.4 多尺度散布熵 |
| 3.2 模式识别算法介绍 |
| 3.2.1 支持向量机 |
| 3.2.2 极限学习机 |
| 3.3 基于VMD分位数排列熵和多分类SVM的故障诊断方法 |
| 3.3.1 前言 |
| 3.3.2 数学模型建立 |
| 3.4 基于局部S变换和极限学习机的故障诊断方法 |
| 3.4.1 前言 |
| 3.4.2 数学模型建立 |
| 3.5 基于VMDF多尺度散布熵和极限学习机的故障诊断方法 |
| 3.5.1 前言 |
| 3.5.2 数学模型建立 |
| 3.6 本章小结 |
| 第四章 轴向柱塞泵试验台搭建及早期典型多故障诊断方法研究 |
| 4.1 轴向柱塞泵故障实验平台的搭建 |
| 4.1.1 实验平台系统原理及设备选择 |
| 4.1.2 传感器安装位置及方向 |
| 4.1.3 故障实验台的搭建 |
| 4.2 基于VMD分位数排列熵和多分类SVM的轴向柱塞泵早期典型多故障诊断方法研究 |
| 4.2.1 信号采集 |
| 4.2.2 信号VMD分解和重构 |
| 4.2.3 特征提取与结果分析 |
| 4.2.4 模式识别与结果分析 |
| 4.2.5 结论 |
| 4.3 本章小结 |
| 第五章 轴向柱塞泵不同程度早期磨损故障诊断方法研究 |
| 5.1 基于局部S变换和ELM的轴向柱塞泵磨损故障诊断方法研究 |
| 5.1.1 信号采集 |
| 5.1.2 特征提取与结果分析 |
| 5.1.3 模式识别与结果分析 |
| 5.1.4 结论 |
| 5.2 基于VMDF多尺度散布熵和ELM的轴向柱塞泵早期磨损故障诊断方法研究 |
| 5.2.1 信号采集 |
| 5.2.2 信号VMDF分解和重构 |
| 5.2.3 特征提取及结果分析 |
| 5.2.4 模式识别及结果分析 |
| 5.2.5 结论 |
| 5.3 本章小节 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表成果 |
| 致谢 |
（7）基于机器学习的柱塞泵故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 故障诊断技术发展及研究现状 |
| 1.2.1 信号获取 |
| 1.2.2 构造故障特征集 |
| 1.2.3 智能故障识别 |
| 1.3 柱塞泵故障诊断技术研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 柱塞泵结构机理与机器学习方法及理论研究 |
| 2.1 柱塞泵概述 |
| 2.2 轴向柱塞泵常见故障类型 |
| 2.2.1 配流盘磨损 |
| 2.2.2 柱塞磨损 |
| 2.2.3 滑靴磨损 |
| 2.2.4 松靴 |
| 2.3 A10VSO45型柱塞泵概述 |
| 2.4 机器学习故障诊断方法及理论 |
| 2.4.1 K-近邻算法(KNN) |
| 2.4.2 BP神经网络 |
| 2.4.3 支持向量机(SVM) |
| 2.4.4 随机森林 |
| 2.5 本章小结 |
| 第三章 柱塞泵故障试验与信号预处理 |
| 3.1 柱塞泵故障试验原理及系统设计 |
| 3.2 柱塞泵故障试验平台的搭建 |
| 3.2.1 故障模拟 |
| 3.2.2 加速度传感器安装位置选取 |
| 3.2.3 试验台参数设定及搭建与信号采集 |
| 3.3 基于余弦邻域系数去噪理论及信号预处理 |
| 3.3.1 余弦邻域系数法(CNC) |
| 3.3.2 仿真信号CNC去噪分析 |
| 3.3.3 试验信号CNC去噪分析 |
| 3.4 本章小结 |
| 第四章 基于支持向量机的柱塞泵典型故障诊断 |
| 4.1 特征提取方法理论 |
| 4.1.1 局部均值分解(LMD)原理 |
| 4.1.2 样本熵 |
| 4.2 轴向柱塞泵典型故障特征提取 |
| 4.2.1 故障信号分解与重构 |
| 4.2.2 样本熵参数选择 |
| 4.2.3 故障特征提取 |
| 4.3 故障诊断与对比分析 |
| 4.3.1 SVM多类分类器的构建 |
| 4.3.2 轴向柱塞泵典型故障诊断 |
| 4.3.3 对比分析 |
| 4.4 本章小结 |
| 第五章 基于随机森林的柱塞泵磨损故障状态诊断 |
| 5.1 柱塞泵滑靴磨损状态振动信号分析 |
| 5.2 柱塞泵故障特征量的提取 |
| 5.3 随机森林参数确定 |
| 5.4 故障识别与对比分析 |
| 5.4.1 柱塞泵故障状态诊断 |
| 5.4.2 对比分析 |
| 5.5 诊断方法验证 |
| 5.6 本章小结 |
| 第六章 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（8）基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究（论文提纲范文）
| 0 引 言 |
| 1 最小熵反褶积(MED) |
| 2 集合经验模态分解(EEMD) |
| 3 超限学习机(ELM) |
| 4 实验及结果分析 |
| 4.1 实验装置 |
| 4.2 实验数据分析 |
| 4.3 故障特征提取 |
| 4.4 数据集分配 |
| 4.5 实验结果分析 |
| 5 结束语 |
（9）基于深度学习的柱塞泵故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断方法研究现状 |
| 1.2.2 柱塞泵故障诊断研究现状 |
| 1.2.3 深度学习在机械故障诊断领域研究现状 |
| 1.3 深度学习基本模型简介 |
| 1.4 本文主要研究内容 |
| 第2章 柱塞泵结构与故障机理分析 |
| 2.1 斜盘式轴向柱塞泵工作原理 |
| 2.2 柱塞泵常见故障及特性分析 |
| 2.2.1 常见故障 |
| 2.2.2 轴向柱塞泵不同状态振动的特征频率 |
| 2.3 柱塞泵故障模拟实验系统设计 |
| 2.4 轴向柱塞泵Hilbert包络谱分析 |
| 2.5 本章小结 |
| 第3章 基于卷积神经网络的柱塞泵故障诊断 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络结构 |
| 3.1.2 卷积神经网络中常见的激活函数 |
| 3.1.3 卷积神经网络中的反向传播算法 |
| 3.1.4 卷积神经网络中的Dropout优化方法 |
| 3.2 基于卷积神经网络的柱塞泵故障诊断 |
| 3.2.1 基于CNN-1D的柱塞泵故障诊断方法 |
| 3.2.2 基于CNN-2D的柱塞泵故障诊断方法 |
| 3.2.3 模型参数优化 |
| 3.2.4 主成分分析法 |
| 3.3 网络泛化能力验证 |
| 3.4 本章小结 |
| 第4章 基于经验小波变换与卷积神经网络的柱塞泵故障诊断 |
| 4.1 经验模态分解 |
| 4.1.1 内禀模态函数 |
| 4.1.2 经验模态分解 |
| 4.2 经验小波变换 |
| 4.3 峭度值 |
| 4.4 基于经验小波变换与CNN-2D的柱塞泵故障诊断 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 第5章 基于LSTM网络的柱塞泵故障诊断 |
| 5.1 循环神经网络的概念和结构 |
| 5.2 LSTM网络结构和算法分析 |
| 5.3 基于LSTM的柱塞泵故障诊断 |
| 5.4 模型参数优化 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 企业导师简介 |
| 作者简介 |
| 学位论文数据集 |
（10）基于超限学习机的轴向柱塞泵多故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于信号处理的方法 |
| 1.2.2 基于解析模型的诊断方法 |
| 1.2.3 基于人工智能的诊断方法 |
| 1.3 复合故障诊断技术研究现状 |
| 1.4 本文研究的主要内容 |
| 1.4.1 研究路线 |
| 1.4.2 论文主要研究内容 |
| 第二章 轴向柱塞泵故障机理分析与故障参量的选择 |
| 2.1 轴向柱塞泵简述 |
| 2.2 轴向柱塞泵的结构及工作原理 |
| 2.3 柱塞泵常见故障及故障机理分析 |
| 2.3.1 柱塞泵典型故障类型 |
| 2.3.2 柱塞泵故障振动特性分析 |
| 2.3.3 柱塞泵故障流量信号分析 |
| 2.3.4 柱塞泵故障压力信号分析 |
| 2.4 轴向柱塞泵故障参量选择 |
| 2.5 本章小结 |
| 第三章 轴向柱塞泵试验与特征提取理论概述 |
| 3.1 轴向柱塞泵故障试验台介绍 |
| 3.2 传感器布设及采集参数设置 |
| 3.3 轴向柱塞泵典型故障类型 |
| 3.4 试验软硬件环境 |
| 3.5 信号去噪及特征提取的理论方法 |
| 3.5.1 小波包去噪及希尔伯特解调 |
| 3.5.2 最大相关峭度反褶积(MCKD) |
| 3.5.3 完备集合经验模态分解(CEEMDAN)理论 |
| 3.5.4 局部切空间对齐算法(LTSA) |
| 3.6 模式识别方法及理论 |
| 3.6.1 超限学习机(ELM) |
| 3.6.2 核超限学习机(KELM) |
| 3.7 本章小结 |
| 第四章 轴向柱塞泵故障诊断研究 |
| 4.1 基于ELM的柱塞泵滑靴磨损故障诊断 |
| 4.1.1 故障特征量提取 |
| 4.1.2 模式识别及结果分析 |
| 4.2 基于KELM的轴向柱塞泵故障诊断 |
| 4.2.1 故障特征量提取 |
| 4.2.2 模式识别与结果分析 |
| 4.3 基于MCKD-CEEMDAN-ELM的轴向柱塞泵故障诊断 |
| 4.3.1 故障特征量提取 |
| 4.3.2 模式识别与结果分析 |
| 4.4 本章小结 |
| 第五章 基于多标签分类的轴向柱塞泵复合故障诊断方法 |
| 5.1 多标签分类的基本理论 |
| 5.2 多标签分类算法 |
| 5.2.1 算法自适应方法 |
| 5.2.2 问题转化方法 |
| 5.3 分类评价标准 |
| 5.4 基于转化的ELM多标签分类算法 |
| 5.5 标准数据集测试 |
| 5.6 轴向柱塞泵复合故障诊断方法 |
| 5.6.1 复合故障特征提取 |
| 5.6.2 模式识别与结果对比分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要工作与结论 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
四、轴向柱塞泵松靴故障特征信号的分析与选择（论文参考文献）
- [1]基于变分模态分解与多轴融合轴向柱塞泵故障诊断研究[D]. 杜壮. 内蒙古科技大学, 2021
- [2]基于卷积神经网络的轴向柱塞泵故障诊断[D]. 徐昌玲. 太原理工大学, 2021(01)
- [3]柱塞泵故障特征提取及辨识方法研究[D]. 韩露. 太原理工大学, 2021(01)
- [4]基于大数据云平台和深度学习CNN网络的液压泵故障诊断方法研究[D]. 马红冬. 燕山大学, 2021
- [5]自适应信号分解算法对比研究及在液压泵故障诊断中的应用[D]. 王腾. 燕山大学, 2021
- [6]轴向柱塞泵早期故障特征提取与模式识别方法研究[D]. 励文艳. 太原理工大学, 2020(07)
- [7]基于机器学习的柱塞泵故障诊断方法研究[D]. 赵立红. 太原理工大学, 2020(07)
- [8]基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究[J]. 刘生政,张琳,曾祥辉,兰媛,王志坚,程珩. 机电工程, 2020(03)
- [9]基于深度学习的柱塞泵故障诊断方法研究[D]. 杜名喆. 华北理工大学, 2020(02)
- [10]基于超限学习机的轴向柱塞泵多故障诊断[D]. 曾祥辉. 太原理工大学, 2019(08)