一、频率均匀随机波动信号采样方式对谱分析的影响（论文文献综述）
闫晓丽[1]（2021）在《基于数学形态学与混沌理论的滚动轴承故障诊断研究》文中研究指明滚动轴承作为组成旋转机械设备的重要部件,在其运行过程中发挥着关键性的作用。滚动轴承的健康状态直接影响着整个机械设备的安全性以及可靠性。及时判断滚动轴承的运行状态,在发生故障的情况下识别故障类型以及评估故障的严重程度,能有效避免设备陷入失效控制,最大程度的降低机械设备运行的风险与损失。本文以数学形态学与混沌理论为基础,以分析振动信号所反映的被测对象动力学特性为出发点,开展滚动轴承故障诊断的研究工作。本文的主要工作如下:（1）在数学形态学基本理论的基础上,研究了基于偏微分方程（Partial differential equations,PDEs）的形态学运算在滚动轴承振动信号降噪中的应用。针对传统形态滤波的参数选择以及波形失真问题,提出了一种基于PDEs的自适应平滑连续尺度形态学滤波（PDEs smoothed multiscale morphological filtering,PSMMF）的振动信号噪声抑制的方法。利用不同尺度形态学滤波结果残余差的多尺度排列熵自适应选取最优尺度组合,构造连续尺度形态学滤波器,采用B-样条插值平滑形态滤波后的结果改善波形失真问题。将所提方法应用于滚动轴承振动信号的降噪预处理过程中,通过提升振动信号的信噪比,增强信号的非线性动力学特征。仿真与实验表明所提方法在滚动轴承振动信号的信噪比提升方面具有优势性。（2）在基于PDEs的形态学运算和分形理论的基础上,提出了一种基于复合多尺度形态学（Composite multiscale morphological fractal dimension,CMMFD）的分形维数估算方法,并将该算法应用于滚动轴承故障信号的分形特征的提取中。首先,采用PSMMF方法对振动信号进行降噪预处理,在不破坏振动信号中所反映的被测对象动力学特性的情况下抑制干扰噪声。随后,利用复合尺度粗粒化分析对降噪后的振动信号进行处理,再利用基于通量校正传输（Flux-corrected transport,FCT）方案的形态学运算估计不同尺度粗粒化序列的分形维数,构造CMMFD特征向量。最后,将特征向量输入分类器识别故障类型。实验结果表明CMMFD方法能有效的解决单一尺度分形维数的状态空间重叠问题,实现滚动轴承不同故障类型的有效区分,可为设备健康状态分析和故障类型识别提供可靠的诊断依据。（3）滚动轴承在故障发生的早期阶段,表征故障特征的信号成分相对微弱,往往淹没于强背景噪声中难以识别。针对这一问题,提出了一种基于混沌振子与形态分析的滚动轴承微弱故障检测的方法。在研究典型混沌振子非线性动力学行为特性的基础上,利用混沌振子吸引子形态在不同状态下可能产生变化的特性,将基于PDEs的形态学运算应用于量化混沌振子输出信号的吸引子形态特征的分析中,采用CMMFD形态学分析方法,提取不同参数下混沌系统输出的振动信号形态特征,分析混沌振子状态发生变化时形态特征的变化,将其作为判断混沌振子状态发生变化的定量判断依据,最后利用变尺度与振子阵列结合的方法检测故障信号的特征频率,判断故障类型。仿真和实验分析表明CMMFD与混沌振子相结合的方法能够有效实现处于轻微退化阶段的滚动轴承故障的识别。（4）针对滚动轴承的性能退化程度难以有效评估的问题,以数学形态谱和PDEs形态运算为基础,提出了一种基于连续尺度形态学差值谱（Continuous-scale mathematical pattern difference spectrum,CMPDS）分析的轴承性能退化评估方法。首先利用CMPDS提取滚动轴承振动信号的形态谱特征,结合局部保留投影（Locality preserving projection,LPP）方法对高维特征进行降维。然后采用低维特征训练初始嵌入式隐马尔可夫模型（Embedded hidden Markov model,EHMM）,组合所有初始EHMM构造全局EHMM模型。最后将CMPDS特征向量输入全局EHMM训练滚动轴承退化性能模型。对全寿命周期滚动轴承振动信号进行分析的结果表明,所提方法能有效实现滚动轴承的性能退化评估。
李勇[2]（2021）在《基于数据驱动的带式输送机轴承故障诊断技术研究》文中提出带式输送机作为散料运输的主要装置,被广泛运用于矿山、冶金、港口等工业领域,具有输送能力强、结构简单、成本低廉和通用性好等优点。随着工业化进程的不断推进和科学技术的快速发展,长距离、大运量、高带速等大型带式输送机已成为发展的主要方向。但是由于带式输送机运行工况通常较为恶劣,重载、疲劳、腐蚀、高温等因素使其核心零部件不可避免地发生不同程度的故障。零部件中滚筒轴承作为主要支撑部件,其健康程度严重影响设备的运行状态和运行效率。相对于其他零部件而言,轴承封闭的结构往往很难判断其健康状态。故障一旦发生必将影响整个生产作业,甚至导致生产瘫痪,造成不可弥补的经济损失。因此,开展基于振动信号的轴承故障诊断研究具有重要意义。本文以带式输送机滚筒的主要支撑部件轴承为研究对象,通过对轴承振动信号自身特点以及运行工况中存在的噪声干扰和转速变化等问题开展研究,形成基于振动信号的轴承故障诊断技术,为保证轴承以及带式输送机的安全运行提供理论支撑和技术解决方案。主要内容包括:（1）针对轴承的具体机械机构和工作方式,探究轴承故障自身的振动信号特点以及实际运行工况对振动信号的影响方式。分析基于振动信号的带式输送机滚筒轴承故障诊断中需要解决的问题以及问题的难点所在。同时对样本数据的来源、采集方式以及轴承故障模拟实验台的搭建做了详细的介绍。（2）针对轴承振动信号中存在的噪声干扰问题,从频谱的角度提出了一种基于频带特征的轴承故障特征频率提取算法。首先通过构建Hankel矩阵拆解时域信号,获得信号中噪声的多样性表达。然后使用频谱融合的方法重构频谱,有效消除了背景噪声的随机特性,减少了噪声对频谱中共振频带的干扰。同时在频谱重构中引入PSO算法,以频谱幅值的标准差为适应度函数,优化Hankel中的延迟参数和嵌入维数,获得最优时域信号拆分矩阵,提高对样本内噪声随机特性的利用程度。最后利用MOMEDA算法,通过设计最优滤波器和对指定频率区间频率构建峭度谱图,有效提取边频带中包含的周期性故障成分,实现对轴承故障特征频率的准确提取。（3）针对单一故障频率特征指标无法区分故障程度的问题,提出了一种基于分步式VMD和多特征的轴承故障程度诊断算法。首先为了解决不同信号分量在VMD分解时无法统一分解参数的问题,提出了一种改进的分步式VMD算法。该方法采用单分量、欠分解的分解方式,逐次提取信号中的共振频带,有效避免了不同信号在特定分解参数下存在的分解效果不佳的问题。然后提出了一种基于片段标准差的初始化方式,通过滑移截取片段并计算标准差值有效预估中心频率位置,提高了中心频率位置搜索结果的稳定性。最终通过从信号分量中多角度提取基础特征并构建故障识别神经网络,建立多特征与轴承类别标签的映射关系,有效实现对不同程度轴承故障的精确诊断。（4）针对VMD分解参数选择困难和特征提取过程复杂的问题,基于VMD分量中心频率位置特征开展研究,提出了一种完备中心频率特征矩阵构建方法。首先通过研究不同的分量数量和边带约束大小对信号分解的影响,设置合适的完备信号分解参数组合。然后基于分解参数组合,依次对原始信号进行VMD分解,提取每次分解中各个信号分量的中心频率特征向量。并将得到的每一组中心频率位置结果重新组合,搭建一个完备中心频率特征向量。该方法有效避免了VMD分解参数差异对信号分解效果的影响,同时进一步提高了中心频率位置分布特征的完备性。最终通过神经网络构建完备中心频率特征与类别标签之间的映射关系,实现对不同轴承故障程度的有效诊断。（5）针对不同轴承转速下相同故障特征差异较大,无法实现多转速下的轴承故障诊断的问题,提出了一种基于图像特征和CNN的轴承故障诊断算法。首先通过对不同转速下的信号频谱进行分析研究,提出了一种基于VMD的图像特征提取方法。该方法通过VMD单分量搜索提取信号中幅值最为突出的共振频带分量,并基于该分量的中心频率从原始信号中截取特征图像。该方法既有效提取了信号的敏感频带,又避免了VMD分量重构中的边频细节丢失问题。最后将提取到的不同转速下的图像特征标记相同的类别标签,通过构建深度卷积神经网络和样本训练,实现网络参数的优化、内部特征的进一步提取和信号与标签之间映射关系的精准构建,最终实现不同转速下的轴承故障诊断。文章最后对论文的工作进行了总结,并对相关的研究技术进行了展望。该论文有图87幅,表10张,参考文献170篇。
赫修智[3]（2021）在《齿轮箱关键部件故障振动特征提取与分析》文中认为齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:（1）结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。（2）研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。（3）针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解（AVMD）方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数（SII）,在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。（4）针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法（LEASgram）。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。（5）针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除（MSANC）的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
何其恢[4]（2021）在《卫星安全通信波形设计及性能优化研究》文中认为卫星通信能够以较低的成本获得极大的覆盖范围,能够对受到地理和政治因素制约的地面通信系统提供有效的补充。在地面通信系统逐渐发展至饱和的当下,拓展通信系统的边界,建立空天地一体化通信网络成为了通信技术发展的重要方向。卫星通信存在安全性问题,其通信信号容易被非合作方检测、截获并进行后续处理。有必要在卫星通信波形中使用安全技术以提高卫星通信的可靠性。传统卫星通信使用扩频技术,提高了安全性能,得到了广泛的应用。低截获概率信号检测问题获得了非常大的进展,产生了能够有效检测扩频信号特征的技术,使传统扩频技术不再具有足够的安全性。本文设计了一种卫星通信安全波形,在传统扩频通信的基础上提出以时间信息为根的伪随机码生成机制,使用生成的时变伪随机码作为控制序列选择当前信号使用的扩频码、跳频频点和调制方式,获得了理想的抗截获性能。卫星通信信道一般具有高动态与低信噪比的特点,卫星通信中的信号同步一直以来都是非常重要的问题。传统直扩技术在提高抗截获性能的同时能对信号同步提供帮助,但卫星通信安全波形使用了非平稳技术,抑制了信号中的周期特征,对同步技术提出了更高的要求。PMF-FFT算法具有优秀的同步性能,该算法的各种优化算法在卫星通信领域得到了广泛的应用。但在卫星通信环境下存在功率和处理能力的限制,使用该算法进行信号检测,在能耗与运算效率上仍然存在优化的空间。本文提出了一种基于跳频和跳码扩频双图案的能量检测算法,该算法能够以符号周期为步长进行搜索。本文分析了这种同步方法的性能,确定了最佳参数并进行了蒙特卡洛仿真。将该算法性能和复杂度与其他一些算法进行对比,证明了使用该算法作为粗同步算法,PMF-FFT算法作为精同步算法组成同步机制时,能够大幅降低运算量并维持PMF-FFT算法的良好同步性能。
杨静[5]（2020）在《旋转机械早期故障诊断关键技术研究》文中进行了进一步梳理旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
刘秋红[6]（2021）在《混叠条件下直扩信号的截获与分析》文中研究表明直接序列扩频（DSSS）是一种通过扩展频域带宽换取低信噪比的通信技术,具有频带宽、功率低、保密性好、截获率低、可实现码分多址等优点,被广泛应用于军事和民用通信中。在非合作接收条件下,如通信侦察、无线电频谱监测及非法通信电台的定位跟踪等,实现该类信号的截获和分析,具有重要的现实意义和研究价值。虽然目前针对DSSS信号的盲分析已取得了较多进展,但均基于单一的直扩信号。当非合作接收环境中存在其他通信体制的同频强功率干扰信号,或合作方采用非对称成对载波多址通信体制且为了提高保密性或实现多用户传输而将小站信号采用DSSS调制时,第三方所截获的DSSS信号是带有强信号干扰的混叠信号,再加上多径干扰、复杂的相位调制等,都使得直扩信号的检测和盲分析极具挑战。本文主要针对混叠条件下直接序列扩频信号的盲分析问题,做了以下几点研究:1、研究了混叠条件下直扩信号的强干扰信号抵消技术。分别讨论了窄带干扰和宽带干扰两种情况。其中,重点针对混叠窄带干扰的DSSS信号,提出了一种基于互补对称滤波器的干扰抵消算法,且研究了算法参数、信号参数等对算法性能的影响。仿真结果表明,针对混叠有功率较强、带宽较窄的干扰信号的DSSS信号,该算法能够实现精度较高的干扰抵消。此外,所提算法的实现思路有较多应用前景,如宽带多信号抵消、信道估计以及隐蔽传输下的扩频检测等。2、研究了强干扰信号抵消后直扩信号的检测与参数估计问题。从多相制（MPSK）和连续相位（CPM）两种调制方式出发,分别讨论了载波频率、码片速率、扩频（PN）码周期三类参数型特征检测器。针对信号检测与载波频率估计,讨论了倍频、循环谱两类算法,其中,重点对循环谱特性进行了详细梳理和证明,并分析了二者在常用的MPSK、CPM调制下的性能差异;针对信号检测与码片速率估计,首先研究了针对MPSK调制的延时相乘算法,并通过仿真分析了延时参数对其性能的影响,而后针对CPM调制,提出了一种基于小波时频分析的估计算法,该算法可适用于CPM灵活多变的调制参数;针对信号检测与PN码周期估计,研究了应用成熟的自相关波动和二次功率谱,并通过仿真分析了二者对MPSK、CPM调制的性能差异。3、针对短码直扩信号,分别研究了高斯信道和多径信道下的PN码估计问题。针对高斯信道,对比讨论了现有的三类成熟算法,矩阵分解、子空间跟踪、神经网络,其中,矩阵分解性能最优,可达到克拉美罗下界（CRB）,但算法存在复杂度高、跟踪性差等问题,子空间跟踪和神经网络避免了上述问题,但性能有所损失;针对多径信道,提出了一种基于最大似然的PN码和信道联合盲估计算法。为了降低低信噪比下信道估计误差对PN码估计带来的影响,进一步提出了一种改进的联合估计算法。此外,为了更好地评估算法对信道的估计性能,推导了合作通信下信道估计的CRB。所提算法不受PN码码型限制,且仿真结果表明,算法的PN码估计性能与理想情况下信道已知的PN码最大似然估计性能相当,信道估计性能逼近合作通信下的CRB。4、针对长码直扩信号,分别研究了高斯信道和多径信道下的PN码估计问题。针对高斯信道,对比分析了适用于复杂的非周期长码直扩信号的两类处理算法,分别是基于缺失数据模型转换的优化类算法和基于窄窗口重叠分段的矩阵分解类算法。其中,优化类算法可逼近CRB。而窄窗口分解类算法,由于存在概率上的近似性,因此算法性能低于优化算法。针对多径信道,提出了一种PN码和信道联合盲估计的算法。为了避免矩阵求逆等问题,给出了算法的自适应优化方式。此外,为了降低计算复杂度以及提高算法在低信噪比下的估计性能,进一步提出了一种基于近似模型的低复杂度联合盲估计算法。仿真结果表明,对于信道估计,所提方法性能优于基于已知PN码的信道半盲估计算法;对于PN码估计,所提方法性能优于基于已知多径信道均衡后的PN码盲估计算法。
程云飞[7]（2021）在《可穿戴健康监护中的生理信号处理关键方法研究》文中指出随着可穿戴技术的快速发展,可穿戴健康监护也越来越受到更多人的关注,但是这也给生理信号的采集、处理和分析带来了一些新的挑战。首先,在目前应用最为广泛的可穿戴运动心率监测中,运动状态下采集腕部PPG信号极易受到运动伪影干扰,运动伪影由于其频率范围与PPG信号的频率范围高度重叠而很难去除;其次,在基于压缩感知采样的可穿戴健康监护中,由于现有压缩感知重构算法计算复杂度较高,很难满足实时监护的要求;最后,在对基于压缩感知采样的心电片段进行实时分析和诊断时,现有的基于心拍的心律失常自动诊断方法很容易出现漏诊或者误诊。为了应对这些挑战,本论文在项目组所研制的可穿戴远程健康监护系统的基础上分别针对运动伪影的去除问题、心电信号的重构问题和压缩心电的分类问题提出了一系列算法,主要研究内容与创新点包括以下几个方面:（1）针对腕部PPG信号中混入的强运动伪影难以去除从而导致心率估计准确性差的问题,分别提出了适用于两种不同应用场景的运动伪影去除及心率估计算法:①对于远程服务器端,本文提出了一种基于皮尔逊相关二元决策的混合去噪方法,充分利用非线性自适应滤波和奇异谱分析去噪优势,实验结果表明该算法可以有效去除PPG信号中混入的运动伪影干扰,从而提高了心率估计的准确度,并且所采用的去噪算法不依赖于个体数据,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备（如智能手表）,本文提出了一种基于条件生成对抗网络的运动伪影去除算法,实验结果表明,相对于现有的运动伪影去除及心率估计算法,其速度可以提升约一个数量级,并且训练好的运动伪影去除模型计算复杂度很低,可以很容易地嵌入到计算资源受限的可穿戴智能设备中。（2）针对现有的现有非稀疏心电信号重构算法计算复杂度高、实时性差的问题,分别提出了适用于两种不同应用场景的非稀疏心电信号重构算法:①对于远程服务器端,本文基于传统的块稀疏贝叶斯学习框架,利用交替方向乘子法优化其迭代流程,实验结果表明,该算法有效加快了重构算法的收敛速度,在保证信号重构精度的同时提高了信号重构的实时性,并且该算法不依赖于特定数据集,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备,传统的迭代式压缩感知重构算法计算复杂度偏高,因此本文提出了一种基于扩张残差网络的心电信号重构算法,实验结果表明,基于特定数据集训练好的信号重构模型相对于传统迭代式压缩感知重构算法不仅有着更好的重构精度,实时性也有着巨大的提升,其重构速度可以提升约两到三个数量级,因此很容易嵌入到计算资源受限的可穿戴智能设备中。（3）针对现有的分类算法对压缩的心电片段进行心律失常自动诊断时容易发生漏诊和误诊的问题,提出两种心律失常自动诊断算法:①对于心律失常自动诊断分类,与传统的基于心拍的心律失常自动诊断算法不同,本文提出了一种多标签分类算法对同一心电片段中可能存在的多种心律失常进行分类,实验结果表明,提出的算法可以对同一心电片段中存在多种心律失常的情况进行准确分类,从而减少漏诊或者误诊的发生;②对于房颤检测,本文利用测量矩阵的先验信息对深度模型的第一层进行初始化并进行微调,从而充分利用已有的信息来提高模型的分类性能,实验结果表明,该算法有效提高了基于压缩心电的房颤检测准确率,尤其是在较高的压缩率下可以有效减少漏诊或者误诊的发生。
刘瑾[8]（2020）在《希尔伯特-黄变换在空间物理瞬态时间序列数据分析中的应用》文中提出在日地空间系统中,无论是空基还是地基的观测数据,通常都会呈现出多尺度和非稳态的时间变化特征,这反映了空间物理中存在一些复杂的非线性动力学过程。因此,在空间物理瞬态时间序列观测数据的分析处理中,寻找合适的时频分析方法,获取关键物理参量各时间尺度的波形特征及其在时间-频率空间的瞬时能量分布,对我们深入了解日地空间系统的非线性物理特性具有重要意义。本文关注太阳风、地磁场相关的瞬时扰动和连续时间演化问题,尝试将希尔伯特-黄变换（Hilbert-Huang Transform,HHT）技术应用于空间物理中两种典型的非稳态时间序列数据,分别是中低纬局域地磁感应电流（Geomagnetically Induced Current,GIC）和太阳风中Alfvén波动数据的处理分析。HHT作为一种自适应的时频分析技术,能够根据信号本身的瞬时特性自适应地对其进行分解,并通过Hilbert变换获得信号的瞬时时频能量分布,近年来被广泛应用于各领域非线性非平稳时间序列的数据分析。在中低纬局域GIC效应及其驱动源的相关研究中,首先,针对中低纬电网GIC实际监测数据很有限且信号弱的问题,本文提出了一种GIC弱信号识别的方法,即基于局域电网GIC的监测数据、临近地磁场数据和太阳风能量输入参数,采用HHT方法分解和重构GIC的暴时扰动信号,通过综合分析GIC扰动信号的瞬时能量分布和磁暴各时间相扰动总能量的变化率来识别电网GIC对磁暴的响应。然后,运用短时 Fourier 变换（Short-Time Fourier Transform,STFT）、小波变换（Wavelet Transform,WT）和HHT三种不同的时频分析技术对一次超强磁暴期间的地基观测数据进行功率谱和时频能量谱分析,利用地磁场水平分量数据构建一组双频带GIC地磁振幅指数,并进一步分析了该指数与GIC监测信号的绝对振幅在波形和能量谱方面的对应关系。研究结果表明,在中强等级的磁暴期间,中低纬度局域电网监测到的GIC信号很弱,容易被其他周期信号或噪声掩盖,但经适当处理仍然可以将GIC弱信号用于分析空间天气的GIC潜在风险;在极端空间天气事件中,GIC监测信号存在两个频带上的能量集中分布,分别对应地磁水平分量的低频带能量和地磁水平分量差分信号的高频带能量。此外,本文基于上述两方面对GIC实际监测事例的分析,结合以往的相关研究,讨论并归纳了影响局域电网GIC效应的各方面因素,其中包括GIC的空间驱动源、大地深部电性结构和电网系统的自身因素。以上研究结果有助于扩充GIC实测事例的样本,对局域电网GIC潜在风险的评估、空间天气事件对地效应的统计分析和GIC预测模型的构建等方面的研究提供了重要的参考。Alfvén波是太阳风等离子体流中普遍存在一种磁流体电磁波,其主要的观测特征是等离子体速度和磁场波动呈强相关性且成比例,因此,基于单卫星太阳风观测数据,可以通过De Hoffmann-Teller（HT）坐标架中等离子体速度和磁场波动信号的Walen关系来判断识别太阳风中的Alfvén波。在太阳风Alfvén波的观测识别研究中,传统方法定义的HT坐标架是基于平稳化近似条件确定的,忽略了太阳风等离子体背景结构随时间的非稳态变化,同时,也没有考虑观测数据中有可能存在的其他波动或非传播磁结构的混杂干扰。因此,针对传统方法的局限性和不确定性,本文提出了 一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）技术进行Alfvén波动分析的新方法,并通过两种Alfvén波的测试方式与现有的分析方法进行对比。在基于HT参考系的常规Walen测试中,通过对等离子体和Alfvén速度各分量之差进行EEMD分解直接提取出一组随时间变化的HT速度分量,由此得到的测试结果可与传统的最小剩余电场法（Minimum Variance Analysis on Electric Field,MVAE）和平均速度差法进行对比;在改进的Walen测试中,本文利用EEMD方法分解并重构出多种组合的等离子体速度和Alfvén速度波动分量,测试结果与速度时间差分方法进行比较。在综合考虑各个Alfvén波参数后,测试结果表明:本文提出的EEMD方法能显着优化Walen判据的认证效果,相对于传统的分析方法,EEMD方法不但可以自适应地获得一个随时间变化的HT参考系速度,还提供了一种重构Alfvén波动的灵活方案,有助于消除与Alfvén波性质无关的高频和低频干扰,更适用于存在非平稳的等离子体背景运动和磁场结构的复杂情况,可以作为基于单卫星数据识别太阳风中大振幅Alfvén波的一种有效方法来使用。
张志民[9]（2020）在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中提出睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:（1）详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。（2）研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。（3）提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。（4）针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。（5）研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
杨枫[10]（2020）在《基于深度学习的行星齿轮箱故障诊断研究》文中研究表明行星齿轮箱以其高传动比、强承载力及优良的传动平稳性广泛应用于以工程机械为代表的重要机械产品中。作为工程机械设备之核心传动部件,一旦有故障产生,很有可能造成不可估量的生产亏损和高昂的维修用度。在面向行星齿轮箱智能故障诊断研究上,特别是在面向非平稳工作状况之下设备的研究方面依然不够深入。故此,研究变加速度工况之下行星齿轮箱之振动信号处理方法,开发更加适用于行星齿轮箱故障特征提取与分类的智能故障诊断技术,对于行星齿轮箱智能故障诊断平台之搭建将大有助益,进而落实对其早期故障的诊断与预警,减少检修成本或安全事故,对于工程机械之智能监测连同健康维护具有极高应用价值。针对上述关键问题,本文以山推工程机械公司生产的SD 16推土机变速箱和中车风电公司生产的风机齿轮箱为研究对象,以促成不同工作状况中行星齿轮箱故障特征之提取及智能识别为研究目标,提及并阐述了基于小波包阈值消噪之信号预处理手段和基于语谱分析之非平稳信号时频特征提炼方法,建立了基于深度卷积神经网络之行星齿轮箱及迁移学习故障诊断模型,并进行了试验验证。（1）针对提取到的行星齿轮箱非平稳振动信号中的噪声扰动的滤除问题,对国内外常用的信号滤波消噪方法进行了调研分析,利用小波变换和小波包变换理论改进针对行星齿轮箱非平稳振动信号的消噪方法,并以信噪比和均方差作为判断指标进行消噪对比试验,确定了小波包阈值消噪之成效相对更优。进一步地,通过对小波包阈值去噪进程内基函数之选用、软硬阈值之使用以及分解层数的确定,设计出多组对比试验,最终确定小波包软闽值消噪措施:以Sym4函数为基函数在分解层数为5的情况下,对含噪加速度变化振动信号的消噪效果最佳。最终确立了行星齿轮箱非平稳振动信号滤波降噪之有效方法。（2）考虑变化工作状况之下行星齿轮箱振动信号速度不平稳之表现,调研在各领域中非平稳信号处理方法,借鉴语谱分析于语音特征提取中之良好表现,提出了基于语谱分析的行星齿轮箱非平稳振动信号处理方法。在具体应用中,根据所采集的行星齿轮箱原始振动信号的频率、强度、时变速率等参数,调整语谱分析里窗函数、帧长、帧移等参变量之选取,以获得最佳的语谱时频特征,并利用短时傅里叶变换技术将分段的频谱特征按照顺序映射到时域中,完成频谱图的制作。该方法能够将变工况下行星齿轮箱非平稳振动信号中的初级故障特征以时频图像的方式有效提取出来,为进一步贯彻行星齿轮箱故障之辨识与分类提供技术支撑。（3）深度神经网络可以将数据中有用的特征信息进行深入挖掘,并对识别对象进行智能分类。为了强化行星齿轮箱故障诊断模型之深层特征提取功能和模型诊断精度,本文结合深度学习理论,完成了建立于深度卷积神经网络上的行星齿轮箱故障诊断模型设计与训练。该模型在VGG16卷积神经网络的基础上结合批标准化的正则化方法和Adam参数优化算法,在提升模型泛化能力的同时加快其收敛速度,在针对不同工况下不同结构行星齿轮箱的故障诊断实例中都有着较高的识别准确率和诊断效率,实现了面向具体研究目标之深层故障特征获取及健康状态高效捕捉。（4）深度神经网络能够自适应地提取故障信息的深层特征,但不适用于非独立同分布样本及小数据集样本的训练。针对工程应用中行星齿轮箱故障样本获取难,及相似机型的故障诊断模型重建耗费研发成本,以致诊断精度低、生产效率低的问题,本文结合迁移学习知识,以山推工程机械公司生产的SD16推土机变速箱为试验研究对象,完成了基于卷积神经网络的迁移学习故障诊断模型的设计和训练,利用先验知识,完成了数据样本缺乏的故障诊断任务,并有效降低了相似机型的故障诊断模型训练成本,提高了故障诊断效率。
二、频率均匀随机波动信号采样方式对谱分析的影响（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、频率均匀随机波动信号采样方式对谱分析的影响（论文提纲范文）
（1）基于数学形态学与混沌理论的滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于振动信号分析的滚动轴承故障诊断研究现状 |
| 1.2.1 故障特征增强方法研究现状 |
| 1.2.2 故障特征提取方法研究现状 |
| 1.2.3 故障模式识别方法研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第2章 基于数学形态学滤波的滚动轴承振动信号降噪方法 |
| 2.1 引言 |
| 2.2 数学形态学理论 |
| 2.2.1 形态学基本运算 |
| 2.2.2 多尺度形态学滤波 |
| 2.3 基于偏微分方程理论的形态学运算 |
| 2.3.1 偏微分方程基本理论 |
| 2.3.2 P-M各向异质扩散滤波 |
| 2.3.3 基于PDEs的形态学运算 |
| 2.4 振动信号的平滑形态滤波降噪 |
| 2.4.1 多尺度形态学降噪滤波器的构造 |
| 2.4.2 基于PDEs的形态学降噪滤波器的构造 |
| 2.4.3 信号聚合与平滑 |
| 2.5 轴承故障仿真信号分析 |
| 2.5.1 轴承局部缺陷故障模型 |
| 2.5.2 基于PSMMF的降噪分析 |
| 2.5.3 对比分析 |
| 2.6 实例信号验证 |
| 2.7 本章小结 |
| 第3章 基于复合尺度形态分形维数的滚动轴承故障特征提取方法 |
| 3.1 引言 |
| 3.2 形态学分形维数基本理论 |
| 3.2.1 基于MC的分形维数估计 |
| 3.2.2 基于FCT方案的形态学分形维数估计 |
| 3.2.3 参数对PDEs-MFD估计的影响 |
| 3.2.4 形态学分形维数估计方法比较 |
| 3.3 复合多尺度形态学分形维数 |
| 3.3.1 多尺度形态学分形维数估计 |
| 3.3.2 复合多尺度形态学分形维数 |
| 3.3.3 基于CMMFD的故障特征提取方法流程 |
| 3.4 仿真信号分析 |
| 3.5 实测故障信号分析 |
| 3.6 本章小结 |
| 第4章 混沌振子与形态分析相结合的滚动轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 典型的混沌振子动力学特性分析 |
| 4.2.1 Duffing振子的动力学特性分析 |
| 4.2.2 Lorenz振子的动力学特性分析 |
| 4.2.3 定性判据的抗噪性能分析 |
| 4.3 典型的混沌振子的形态特征分析 |
| 4.3.1 Duffing振子的CMMFD特征提取 |
| 4.3.2 Lorenz振子的CMMFD特征提取 |
| 4.4 基于形态学分形维数与混沌振子的故障诊断方法 |
| 4.4.1 抗噪性能分析 |
| 4.4.2 混沌振子状态判断 |
| 4.4.3 检测盲区的消除 |
| 4.4.4 故障诊断流程 |
| 4.5 仿真实验分析 |
| 4.6 实验信号验证 |
| 4.7 本章小结 |
| 第5章 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.1 引言 |
| 5.2 连续尺度数学形态谱 |
| 5.2.1 数学形态谱基本理论 |
| 5.2.2 广义数学形态谱 |
| 5.2.3 连续尺度数学形态谱 |
| 5.2.4 不同方法对比分析 |
| 5.3 基于连续尺度形态差值谱的轴承性能退化评估方法 |
| 5.3.1 基于局部保留投影的高维特征降维的方法 |
| 5.3.2 基于嵌入式隐马尔可夫模型的分类方法 |
| 5.3.3 基于连续尺度数学形态谱的轴承退化性能评估流程 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 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 |
（2）基于数据驱动的带式输送机轴承故障诊断技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 课题国内外研究现状 |
| 1.4 主要研究内容和技术路线 |
| 2 轴承故障分析及滚动轴承故障模拟实验台搭建 |
| 2.1 引言 |
| 2.2 轴承结构及故障诊断难点 |
| 2.3 轴故障特征频率计算 |
| 2.4 轴承数据采集 |
| 2.5 小结 |
| 3 噪声干扰下轴承故障诊断技术研究 |
| 3.1 引言 |
| 3.2 基于频谱重构和MOMEDA的故障频率提取方法 |
| 3.3 基于实验数据的算法验证 |
| 3.4 小结 |
| 4 基于分步式VMD和多特征轴承故障诊断技术研究 |
| 4.1 引言 |
| 4.2 分步式VMD和多特征提取 |
| 4.3 基于实验数据的算法验证 |
| 4.4 小结 |
| 5 基于完备中心频率特征的轴承故障诊断技术研究 |
| 5.1 引言 |
| 5.2 完备中心频率故障特征提取 |
| 5.3 基于实验数据的算法验证 |
| 5.4 小结 |
| 6 多种转速工况下轴承故障诊断技术研究 |
| 6.1 引言 |
| 6.2 基于VMD和 CNN的故障诊断方法 |
| 6.3 基于实验数据的算法验证 |
| 6.4 小结 |
| 7 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）齿轮箱关键部件故障振动特征提取与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 基于振动信号处理技术的故障特征提取方法概述 |
| 1.2.2 自适应信号分解在故障特征提取中的研究现状 |
| 1.2.3 信号解调分析在故障特征提取中的研究现状 |
| 1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 主要研究内容及章节安排 |
| 第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
| 2.1 引言 |
| 2.2 齿轮啮合振动的产生机理 |
| 2.3 齿轮故障振动建模与特征分析 |
| 2.3.1 齿轮的典型故障形式 |
| 2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
| 2.4 滚动轴承的振动产生机理 |
| 2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
| 2.5.1 滚动轴承的典型故障形式 |
| 2.5.2 滚动轴承的典型故障振动信号特征 |
| 2.5.3 滚动轴承局部冲击故障振动的数学模型 |
| 2.6 本章小结 |
| 第3章 齿轮箱故障试验系统设计及试验条件 |
| 3.1 引言 |
| 3.2 齿轮箱故障试验系统设计 |
| 3.2.1 试验台架搭建 |
| 3.2.2 振动数据采集系统 |
| 3.3 齿轮箱故障试验条件 |
| 3.3.1 齿轮故障设置 |
| 3.3.2 测点布置与试验工况 |
| 3.4 现有齿轮与滚动轴承故障试验台 |
| 3.4.1 CWRU滚动轴承故障模拟试验台 |
| 3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
| 3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
| 3.5 本章小结 |
| 第4章 滚动轴承故障振动信号自适应分解与特征提取 |
| 4.1 引言 |
| 4.2 变分模态分解的基本原理 |
| 4.2.1 模态的定义 |
| 4.2.2 变分模态分解的实现过程 |
| 4.2.3 变分模态分解的主要影响参数及局限性 |
| 4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
| 4.3.1 人工蜂群优化算法概述 |
| 4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
| 4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
| 4.4 滚动轴承故障仿真验证 |
| 4.4.1 滚动轴承局部冲击故障振动信号模型 |
| 4.4.2 AVMD与现有方法的对比分析 |
| 4.5 滚动轴承故障试验验证 |
| 4.5.1 滚动轴承故障模拟试验验证 |
| 4.5.2 滚动轴承加速寿命试验验证 |
| 4.6 本章小结 |
| 第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
| 5.1 引言 |
| 5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
| 5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
| 5.2.2 盲识别谱图类解调频带选取方法的局限性 |
| 5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
| 5.3.1 LEASgram的基本原理 |
| 5.3.2 LEASgram的实现步骤 |
| 5.4 齿轮故障仿真验证 |
| 5.4.1 齿轮故障振动信号模型 |
| 5.4.2 相同共振频率激励的齿轮故障仿真验证 |
| 5.4.3 不同共振频率激励的齿轮故障仿真验证 |
| 5.5 齿轮箱齿轮故障试验验证 |
| 5.5.1 单级齿轮箱齿轮故障试验验证 |
| 5.5.2 二级齿轮箱齿轮故障试验验证 |
| 5.6 本章小结 |
| 第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
| 6.1 引言 |
| 6.2 自参考自适应噪声消除 |
| 6.2.1 自参考自适应噪声消除原理概述 |
| 6.2.2 最小均方算法 |
| 6.2.3 归一化最小均方算法 |
| 6.3 改进自参考自适应噪声消除(MSANC) |
| 6.3.1 收敛因子的选取 |
| 6.3.2 滤波器长度和时延长度的选取 |
| 6.3.3 MSANC的实现步骤小结 |
| 6.3.4 MSANC与现有方法的有效性对比 |
| 6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
| 6.4.1 快速谱相关 |
| 6.4.2 多点最优最小熵解卷积 |
| 6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
| 6.5 齿根裂纹故障仿真验证 |
| 6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
| 6.5.2 仿真验证结果分析 |
| 6.6 二级齿轮箱齿轮故障试验验证 |
| 6.6.1 齿轮齿根裂纹故障试验验证 |
| 6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结与结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（4）卫星安全通信波形设计及性能优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 研究现状 |
| 1.2.1 信号抗截获技术发展现状 |
| 1.2.2 扩频信号同步技术发展现状 |
| 1.3 本论文的主要创新与贡献 |
| 1.4 本论文的结构安排 |
| 第二章 卫星安全通信中的扩频技术基本原理 |
| 2.1 直扩通信系统 |
| 2.1.1 扩频码的性质 |
| 2.2 跳码扩频技术 |
| 2.3 非平稳卫星通信信号波形设计 |
| 2.4 本章小结 |
| 第三章 基于时间的伪随机序列生成机制设计 |
| 3.1 伪随机序列定义及其性质 |
| 3.2 一种基于时间信息映射和混沌序列的伪随机序列生成机制 |
| 3.2.1 时间映射函数与隐藏变量的选择 |
| 3.2.2 混沌序列生成器设计 |
| 3.3 混沌序列的有限字长效应对随机性的影响 |
| 3.3.1 定点环境对控制序列生成的具体影响 |
| 3.3.2 线性部分映射的改进 |
| 3.4 混沌序列性质及其随机性验证 |
| 3.5 本章小结 |
| 第四章 基于伪随机控制序列的非平稳信号波形设计 |
| 4.1 随机相位调制技术 |
| 4.1.1 原理与模块结构 |
| 4.1.2 控制序列的控制逻辑 |
| 4.1.3 系统性能计算 |
| 4.1.4 系统性能仿真 |
| 4.2 基于伪随机控制序列的非平稳波形仿真与性能测试 |
| 4.2.1 循环谱法 |
| 4.2.2 高阶累积量法 |
| 4.3 本章小结 |
| 第五章 基于非平稳波形的低复杂度同步方法 |
| 5.1 传统同步方法 |
| 5.1.1 设计信号同步的主要问题 |
| 5.1.2 经典直扩信号同步算法 |
| 5.2 PMF-FFT算法及其存在的问题 |
| 5.2.1 PMF-FFT介绍 |
| 5.2.2 PMF-FFT检测性能分析 |
| 5.2.3 优势与缺陷 |
| 5.3 基于双图案的能量检测粗同步算法 |
| 5.3.1 双本地信号同步 |
| 5.3.2 能量检测法 |
| 5.3.3 同步头长度确定与虚警、检测概率 |
| 5.3.4 同步算法仿真 |
| 5.4 复杂度对比 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 个人简历 |
（5）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（6）混叠条件下直扩信号的截获与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 混叠条件下DSSS信号盲分析相关技术研究现状 |
| 1.2.1 混叠的强干扰信号的抵消研究现状 |
| 1.2.2 DSSS信号检测与参数估计研究现状 |
| 1.2.3 SC-DSSS信号PN码盲估计研究现状 |
| 1.2.4 LC-DSSS信号PN码盲估计研究现状 |
| 1.3 主要研究工作 |
| 1.4 论文章节安排 |
| 第二章 DSSS信号强功率干扰抵消 |
| 2.1 引言 |
| 2.2 信号模型 |
| 2.3 基于强信号波形重构的干扰抵消算法 |
| 2.3.1 定时同步 |
| 2.3.2 载波同步 |
| 2.3.3 幅度估计 |
| 2.4 基于强信号硬判决值的干扰抵消算法 |
| 2.4.1 算法原理 |
| 2.4.2 性能仿真 |
| 2.5 基于互补对称滤波器的干扰抵消算法 |
| 2.5.1 互补对称滤波器滤波 |
| 2.5.2 强弱信号分离 |
| 2.5.3 算法总结 |
| 2.5.4 性能仿真 |
| 2.6 本章小结 |
| 第三章 DSSS信号检测与参数估计 |
| 3.1 引言 |
| 3.2 信号模型 |
| 3.3 DSSS信号检测与载波频率估计 |
| 3.3.1 倍频法检测 |
| 3.3.2 循环谱检测 |
| 3.3.3 性能仿真 |
| 3.4 DSSS信号检测与码片速率估计 |
| 3.4.1 延时相乘算法 |
| 3.4.2 小波时频分析算法 |
| 3.4.3 性能仿真 |
| 3.5 DSSS信号检测与PN码周期估计 |
| 3.5.1 自相关波动 |
| 3.5.2 二次功率谱 |
| 3.5.3 性能仿真 |
| 3.6 本章小结 |
| 第四章 短码直扩信号PN码盲估计 |
| 4.1 引言 |
| 4.2 信号模型 |
| 4.3 高斯信道下短码直扩信号PN码估计 |
| 4.3.1 矩阵分解 |
| 4.3.2 子空间跟踪 |
| 4.3.3 神经网络 |
| 4.3.4 性能仿真 |
| 4.4 多径信道下短码直扩信号PN码估计 |
| 4.4.1 信号二阶统计特性 |
| 4.4.2 最大似然模型 |
| 4.4.3 基于ILSP的联合估计算法 |
| 4.4.4 基于ITLSP的联合估计算法 |
| 4.4.5 合作通信下信道估计的CRB |
| 4.4.6 性能仿真 |
| 4.5 本章小结 |
| 第五章 长码直扩信号PN码盲估计 |
| 5.1 引言 |
| 5.2 信号模型 |
| 5.3 高斯信道下长码直扩信号PN码估计 |
| 5.3.1 基于缺失数据模型的交替投影算法 |
| 5.3.2 基于窄窗口重叠分段的矩阵分解算法 |
| 5.3.3 性能仿真 |
| 5.4 多径信道下长码直扩信号PN码估计 |
| 5.4.1 基于最大似然的PN码和信道的联合盲估计 |
| 5.4.2 基于近似模型的PN码和信道的联合盲估计 |
| 5.4.3 性能仿真 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）可穿戴健康监护中的生理信号处理关键方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 论文相关理论及方法介绍 |
| 2.1 光电容积脉搏波与心率监测 |
| 2.2 心电信号与心律失常 |
| 2.3 压缩感知理论 |
| 2.4 深度学习与卷积神经网络 |
| 2.5 本章小结 |
| 第三章 强运动伪影下的PPG信号运动伪影去除及心率估计算法 |
| 3.1 问题的提出 |
| 3.2 基于皮尔逊相关二元决策的运动伪影去除及心率估计 |
| 3.2.1 RLS Volterra非线性自适应滤波 |
| 3.2.2 皮尔逊相关二元决策 |
| 3.2.3 奇异谱分析去噪 |
| 3.2.4 谱峰追踪 |
| 3.2.5 实验结果与分析 |
| 3.3 基于条件生成对抗网络的运动伪影去除及心率估计 |
| 3.3.1 生成对抗网络 |
| 3.3.2 基于条件生成对抗网络的运动伪影去除 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于压缩感知的非稀疏心电信号快速重构算法 |
| 4.1 问题的提出 |
| 4.2 基于交替方向乘子法的心电信号重构算法 |
| 4.2.1 心电信号重构的块稀疏贝叶斯学习框架 |
| 4.2.2 基于交替向量乘子法的块稀疏贝叶斯学习 |
| 4.2.3 实验结果与分析 |
| 4.3 基于扩张残差网络的心电信号重构算法 |
| 4.3.1 问题描述 |
| 4.3.2 基于扩张残差网络的心电信号重构模型 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的心律失常自动诊断算法 |
| 5.1 问题的提出 |
| 5.2 针对压缩心电的多标签心律失常分类算法 |
| 5.2.1 针对压缩心电的多标签分类模型 |
| 5.2.2 实验结果与分析 |
| 5.3 基于测量矩阵先验的压缩心电房颤检测算法 |
| 5.3.1 针对压缩心电的房颤检测模型 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（8）希尔伯特-黄变换在空间物理瞬态时间序列数据分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 地磁扰动事件及其驱动源特征 |
| 1.1.1 空间天气历史事件及其影响 |
| 1.1.2 GIC问题的研究意义和背景 |
| 1.1.3 GMD事件的多尺度特性 |
| 1.2 太阳风中Alfvén波的概述 |
| 1.2.1 太阳风的基本观测属性 |
| 1.2.2 太阳风中Alfvén波的观测研究进展 |
| 1.3 数据处理思路和数据来源 |
| 1.3.1 瞬态数据处理思路 |
| 1.3.2 数据来源简介 |
| 1.4 论文研究的主要内容 |
| 第2章 瞬态时间序列观测数据的分析方法 |
| 2.1 引言 |
| 2.2 时间序列的数据分析 |
| 2.2.1 相关性分析 |
| 2.2.2 功率谱及时频能量谱分析 |
| 2.3 常用的时频分析方法 |
| 2.3.1 短Fourier变换 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 Wavelet分析 |
| 2.4 HHT方法原理及步骤 |
| 2.4.1 HHT的基本概念 |
| 2.4.2 经验模态分解 |
| 2.4.3 集合经验模态分解 |
| 2.4.4 Hilbert谱分析 |
| 2.4.5 HHT尚待解决的问题 |
| 2.5 本章小结 |
| 第3章 中低纬电网GIC效应及其空间驱动源的研究 |
| 3.1 引言 |
| 3.1.1 中低纬GIC研究面临的困难 |
| 3.1.2 GIC的基础理论 |
| 3.2 中低纬电网GIC弱信号的处理分析 |
| 3.2.1 事件选取和数据来源 |
| 3.2.2 暴时扰动信号的分解和重构 |
| 3.3 极端GIC事件相关数据的谱分析 |
| 3.3.1 事件选取和数据来源 |
| 3.3.2 GIC的功率谱和边际谱 |
| 3.3.3 地磁及GIC信号的时频能量谱 |
| 3.3.4 双频带GIC地磁振幅指数 |
| 3.4 局域电网GIC易损性因素分析 |
| 3.4.1 GIC的空间驱动源 |
| 3.4.2 大地深部电性分布 |
| 3.4.3 电网系统的自身因素 |
| 3.5 本章小结 |
| 第4章 太阳风中Alfvén波的观测识别研究 |
| 4.1 引言 |
| 4.1.1 Alfvén波的理论基础 |
| 4.1.2 De Hoffmann-Teller分析 |
| 4.2 Alfvén波的传统识别方法 |
| 4.2.1 Walén测试 |
| 4.2.2 Alfvén波的纯度指标 |
| 4.3 基于EEMD的Alfvén波判定方法 |
| 4.3.1 Alfvén波动事件的选取 |
| 4.3.2 基于HT坐标架进行的Walén测试 |
| 4.3.3 基于速度变化量的改进Walén测试 |
| 4.4 本章小结 |
| 第5章 总结和展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（9）熵测度及压缩感知理论在睡眠质量评估中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 睡眠问题研究现状及面临的挑战 |
| 1.3 睡眠分期的研究进展 |
| 1.3.1 睡眠分期的定义 |
| 1.3.2 R&K睡眠分期标准 |
| 1.3.3 睡眠分期的分析方法 |
| 1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
| 1.4.1 阻塞性睡眠呼吸暂停 |
| 1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
| 1.5 基于心电信号的睡眠问题研究概述 |
| 1.6 本文主要工作及章节安排 |
| 1.6.1 本文的主要工作 |
| 1.6.2 章节安排 |
| 第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
| 2.1 时间序列熵测度 |
| 2.1.1 近似熵 |
| 2.1.2 样本熵 |
| 2.1.3 模糊熵 |
| 2.1.4 模糊测度熵 |
| 2.1.5 熵测度在生理信号分析中的应用 |
| 2.2 压缩感知 |
| 2.2.1 压缩感知理论的数学模型 |
| 2.2.2 压缩感知在生理信号分析中的应用 |
| 2.3 本章小结 |
| 第三章 基于时间序列熵测度的睡眠分期方法 |
| 3.1 理论及方法 |
| 3.1.1 熵值特征提取 |
| 3.1.2 一对多支持向量机 |
| 3.1.3 性能评估指标 |
| 3.1.4 方法流程 |
| 3.2 实验数据及预处理 |
| 3.3 实验结果 |
| 3.3.1 熵值特征 |
| 3.3.2 独立样本t检验 |
| 3.3.3 非独立样本训练与测试 |
| 3.3.4 独立样本训练与测试 |
| 3.4 讨论 |
| 3.4.1 与现有睡眠分期方法的对比 |
| 3.4.2 睡眠分期结果分析 |
| 3.5 本章小结 |
| 第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
| 4.1 张量近似熵的提出 |
| 4.2 张量近似熵的定义 |
| 4.3 实验设计 |
| 4.3.1 由传统的时间序列构造普通张量 |
| 4.3.2 由多导睡眠数据构造睡眠张量 |
| 4.3.3 张量近似熵的一致性分析 |
| 4.3.4 张量近似熵的辨识能力分析 |
| 4.3.5 张量近似熵的统计检验 |
| 4.4 实验数据 |
| 4.5 实验结果 |
| 4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
| 4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
| 4.5.3 统计检验结果 |
| 4.5.4 张量近似熵在睡眠分期中的应用 |
| 4.6 讨论 |
| 4.6.1 张量近似熵在普通张量上的性能分析 |
| 4.6.2 张量近似熵在睡眠分期上的性能对比 |
| 4.7 本章小结 |
| 附录—张量近似熵的MATLAB代码 |
| 第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
| 5.1 理论与方法 |
| 5.1.1 模糊熵与偏侧化指数 |
| 5.1.2 增强偏侧化指数 |
| 5.2 实验数据 |
| 5.2.1 UCDDB公开睡眠数据 |
| 5.2.2 临床睡眠数据 |
| 5.3 实验结果 |
| 5.3.1 模糊熵特征提取 |
| 5.3.2 偏侧化指数LI分布 |
| 5.3.3 增强偏侧化指数ELI分布 |
| 5.3.4 统计检验 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
| 6.1 一维睡眠心电信号的压缩感知应用 |
| 6.1.1 模型框架 |
| 6.1.2 评价指标 |
| 6.1.3 数据及仿真流程 |
| 6.1.4 实验结果 |
| 6.2 二维心电信号的压缩感知应用 |
| 6.2.1 模型框架 |
| 6.2.2 实验结果 |
| 6.3 讨论 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与的科研项目 |
| 发表的学术论文 |
| 申请专利 |
| 主持的科研项目 |
| 参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（10）基于深度学习的行星齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景和意义 |
| 1.1.1 课题的背景 |
| 1.1.2 课题的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行星齿轮箱振动信号处理方法探究进展 |
| 1.2.2 依据深度学习的智能故障诊断探究进展 |
| 1.3 课题来源 |
| 1.4 论文的研究内容及总体框架 |
| 第2章 依据小波包阈值消噪的振动信号预处理方法 |
| 2.1 引言 |
| 2.2 小波消噪原理 |
| 2.3 小波包消噪原理 |
| 2.4 基于阈值法的小波和小波包消噪对比 |
| 2.4.1 阈值函数的选取 |
| 2.4.2 基函数和分解层数的选取 |
| 2.4.3 消噪效果的评价标准 |
| 2.4.4 小波和小波包消噪仿真及分析 |
| 2.5 本章小结 |
| 第3章 依据语谱分析的振动信号处理方法 |
| 3.1 引言 |
| 3.2 语谱图 |
| 3.3 语谱图的产生机理 |
| 3.4 风机增速箱非平稳加速度信号语谱分析 |
| 3.4.1 风机增速箱加速度信号的短时加窗处理 |
| 3.4.2 风机增速箱加速度信号语谱的生成 |
| 3.5 本章小结 |
| 第4章 依据CNN的行星齿轮箱故障诊断方法 |
| 4.1 引言 |
| 4.2 卷积神经网络 |
| 4.2.1 卷积神经网络的组成 |
| 4.2.2 卷积神经网络的激活函数 |
| 4.2.3 反向传播算法 |
| 4.3 卷积神经网络的优化方法 |
| 4.3.1 正则化—Batch normalization |
| 4.3.2 参数优化—Adam算法 |
| 4.4 基于CNN的行星齿轮箱故障诊断实例 |
| 4.4.1 面向行星齿轮箱故障诊断的CNN设计 |
| 4.4.2 平稳工况下的复合行星减速箱太阳轮故障诊断试验 |
| 4.4.3 非平稳工况下的风机增速箱齿轮故障诊断试验 |
| 4.5 本章小结 |
| 第5章 依据CNN的行星齿轮箱迁移学习故障诊断方法 |
| 5.1 引言 |
| 5.2 迁移学习故障诊断原理 |
| 5.3 依据CNN的迁移学习故障诊断模型结构搭建及训练方法 |
| 5.4 依据CNN的推土机变速箱太阳轮迁移学习故障诊断实例 |
| 5.4.1 样本集制作 |
| 5.4.2 迁移学习神经网络的搭建与训练 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文及参与科研项目的情况 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
四、频率均匀随机波动信号采样方式对谱分析的影响（论文参考文献）
- [1]基于数学形态学与混沌理论的滚动轴承故障诊断研究[D]. 闫晓丽. 华北电力大学(北京), 2021(01)
- [2]基于数据驱动的带式输送机轴承故障诊断技术研究[D]. 李勇. 中国矿业大学, 2021
- [3]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [4]卫星安全通信波形设计及性能优化研究[D]. 何其恢. 电子科技大学, 2021
- [5]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [6]混叠条件下直扩信号的截获与分析[D]. 刘秋红. 战略支援部队信息工程大学, 2021(03)
- [7]可穿戴健康监护中的生理信号处理关键方法研究[D]. 程云飞. 电子科技大学, 2021(01)
- [8]希尔伯特-黄变换在空间物理瞬态时间序列数据分析中的应用[D]. 刘瑾. 中国科学技术大学, 2020(01)
- [9]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)
- [10]基于深度学习的行星齿轮箱故障诊断研究[D]. 杨枫. 山东大学, 2020