一、振动攻丝扭矩信号处理中应用小波分析（论文文献综述）
尤晓萍[1]（2021）在《振动攻丝扭矩试验机的设计与分析》文中研究指明研制了一款基于ARM嵌入式系统的振动攻丝扭矩试验机。该机器在振动攻丝过程中实现了多轴联动插补,实时观测、扭矩变化记录与显示等多种功能。结合滤波算法和快速傅立叶变换,对扭矩变化曲线进行分析、处理、存储,通过数据和曲线的直观表示,为振动攻丝扭矩变化规律的研究提供准确可靠的依据。在对影响攻丝扭矩的振动方式、工艺参数组成、切削液特性等方面的研究应用上具有较好的借鉴作用。
李延峰[2]（2021）在《齿轮箱非平稳多分量信号的故障诊断方法研究》文中指出在工业过程中机械系统的安全性和可靠性决定了产品的质量,能否及时对故障进行识别和分类是保障系统安全运行并抑制故障恶化的关键。随着制造业数字化的快速发展,面对海量的数据,如何从中快速提取信号特征,再从中找到敏感特征集并对其进行准确识别分类,是高效发现机械系统故障,进而避免严重损坏发生的关键。而在工业生产中,作为传递动力的主要部件的齿轮箱,它的健康与否决定了机械系统能否高效的工作。齿轮箱由齿轮、轴承等多个部件装配而成,往往在变载荷、变转速的工况中运行,其振动信号具有非平稳性、非高斯性及非线性等特性,且包含各个部件的振动信息,成分复杂。对齿轮箱振动信号进行智能高效的故障诊断,则有必要对信号进行有效的信号分离,高效的提取特征信息和准确的故障分类。而这些难点的解决需要依据齿轮箱故障机理,结合其振动特性,利用信号处理算法自身的优势并根据齿轮箱运行特点来提出一系列适用于齿轮箱非平稳多分量信号的故障诊断方法。论文研究的主要内容和最终成果包括以下几个部分:（1）提出了基于同步压缩小波变换的谱峰检测自适应多脊提取的方法（SWT-AMRE）,该方法可以有效减少SWT算法的运行时间,为时频脊线的提取奠定了良好的基础;该方法可以自适应提取同步压缩小波变换的时频矩阵中的多个脊线;在不同噪声强度下,该方法能够保持较高的提取精度,SWT-AMRE与理论值的总体平均相对误差仅为2.92%,IF估计的平均相对误差比传统谱峰检测减少了约50%。（2）提出了基于DSWT-IMRE的VKF信号分离与特征提取方法,该方法利用DSWT-IMRE自适应获取高精度IF估计并使其值作为VKF滤波的瞬时频率参数,从而使复杂多分量非平稳信号能够直接在时域中实现信号分离,并转变为由多个平稳单分量信号和残余信息的信号组合;将各分量信号对应的IF估计作为参考频率,并对各分量信号分别进行阶比分析,同时对信号残余进行对角切片双谱分析,从而抑制高斯噪声并有效分离和提取振动信号中的故障特征。该方法在信号重构方面,相对误差比基于传统谱峰检测的VKF重构方法减少了约9%。（3）提出了基于VKF联合时域特征的循环GMM-FCM的模式识别方法,该方法将基于VKF的联合时域特征作为模式识别的特征集进行聚类分析,有效降低了特征集的维度;该方法能够对全局异常点和局部异常点进行检测,能够使分类边界更合理;该方法通过循环GMM算法自适应的确定FCM的类别数,能够使分类结果更准确,分类准确度达到98.77%。（4）搭建了功率流齿轮箱试验台并采集了无故障状态、点蚀过渡状态、齿面点蚀状态及复合故障状态等多种状态的齿轮箱振动信号。通过仿真和试验来验证了上述提出的方法的可行性、有效性、优越性和实用性,为齿轮箱非平稳多分量信号的故障诊断提供了研究基础。
党英[3]（2021）在《离散车间刀具磨损状态智能监测与剩余寿命预测研究》文中进行了进一步梳理随着现代化工业技术的发展,制造业生产模式从大批量少品种逐渐转向小批量多类型。目前在生产制造过程中仍以减材制造为主,刀具作为生产过程中关键部件,其直接影响零件质量、生产进程和生产成本。为了提高生产质量、保护设备和人身安全,对加工中的刀具进行状态监测具有重要价值。本文以铣刀为研究对象,提出了基于深度学习的方法实现铣刀磨损状态智能监测和剩余寿命预测,并通过实验验证上述方法的有效性。主要研究内容如下:（1）介绍了刀具磨损状态监测和剩余寿命预测的方法及研究现状及相关技术。在分析刀具磨损状态监测和剩余寿命预测的需求后,概述刀具磨损状态监测和剩余寿命预测的发展趋势及文章整体框架;分析刀具的磨损机理,确定将扭矩和振动信号作为监测信号;搭建铣刀加工状态监测试验平台,记录从新刀到磨钝过程的相关数据,为后续研究提供数据基础。（2）利用小波阈值降噪对采集的含有无效或干扰信号的监测信号降噪;为保持监测信号的同步性,对扭矩信号进行升采样处理,同时利用切片处理扩充样本数量;此外针对样本不均衡造成分类准确率较低的问题,使用SMOTE过采样方法平衡不同磨损阶段的样本数量,再提取相关时域、频域以及时频域特征;最后,使用主成分分析方法对刀具磨损状态监测和剩余寿命预测原始特征降维,去除与刀具磨损相关性较低的特征。（3）研究了铣刀磨损状态智能监测技术,建立P-1DCNN-ELM模型。针对传统的机器学习依靠人工进行特征提取的弊端,提出一维卷积神经网络自动提取特征的方法;由于传统的神经网络模型设置神经元数目方法造成训练参数较多,提出一种倒金字塔设计方法,使网络训练参数减少59.03%;针对Softmax分类器对特征分类不足以及识别效率慢的问题,采用极限学习机代替Softmax分类器,实现铣刀磨损状态智能监测。（4）研究了铣刀剩余寿命预测技术,建立1DCNN-Bi GRUs-CP回归模型。针对在有限样本下提高预测精度问题,提出基于一维卷积神经网络和双向门控循环单元的预测方法,为了提高模型收敛速度,改进了双向门控循环单元后的全连接层;结合评分函数能够对误差进行不同程度惩罚的优点,在均方误差函数基础上引入评分函数,构造了基于MSE-Score的调和平均损失函数HM-MSE-Score,实现铣刀剩余寿命预测。
章国红[4]（2020）在《基于LabVIEW的减速器综合性能测试系统研究与应用》文中指出工业领域中,减速器因其独特的优势在现代化机械工业中被广泛运用。本论文任务来源于校企合作产学研项目,企业研发生产的精密研磨机用蜗轮蜗杆减速器,因其性能的优劣会直接影响到研磨机以及硅片加工的质量,因此配合企业开发减速器综合性能测试台,用于检验减速器综合性能指标,保证减速器产品质量。蜗轮蜗杆减速器主要性能指标包含振动性能、传动效率、温升等,其中对减速器振动信号的研究,不仅可以进一步提升减速器整机性能,而且还可以根据振动信号的特征频率进行设备的故障诊断。为此,文中重点研究了减速器振动信号分析理论,并基于LabVIEW软件,开发了减速器综合性能测试系统,其功能包含拖动电机调速控制、模拟加载、温度测试、传动效率测试、转速转矩测试以及减速器振动信号分析处理模块。文中主要的研究工作如下:首先简要地说明了减速器以及测试系统的研究现状,对减速器振动信号分析方法从时域、频域以及时频域进行了较为详细地描述。重点介绍了希尔伯特-黄变换算法原理,并对其算法在信号分解过程中存在的端点效应问题提出了基于极值包络延拓组合余弦窗函数的方法来改进,并通过MATLAB进行信号仿真验证。其次研究了蜗轮蜗杆减速器性能测试理论方法,提出了测试系统总体设计要求以及总体测试方案,并在此基础上分别对拖动电机调速、温度测试以及振动测试等进行了硬件方案设计。接着对LabVIEW软件进行概述,并基于LabVIEW平台进行软件开发,分别实现了电机控制、磁粉加载、转速转矩测量、传动效率测试、温度检测及测试曲线存储等功能,并依据EMD信号分解流程图,结合LabVIEW软件自身特点,开发了希尔伯特-黄变换信号分析模块,并给出仿真谐波信号进行验证。最后对已开发的减速器性能测试系统进行测试分析,试验结果表明该系统能够满足减速器测试基本要求,操作方便,性能可靠。
密思佩[5]（2020）在《基于无监督学习的螺纹刀具在线状态监测》文中指出刀具状态在线监测可以提高刀具使用效率,预防因刀具崩刃、断刀而产生事故。目前该研究领域仍存在一些问题尚未解决:训练样本量不足、全生命周期数据获取成本高和模型对加工参数变化极度敏感等。本文为解决以上存在的问题,提出了以加工数据实时训练无监督模型进行监测的思想和概念,利用刀具实时切削的传感器信号作为训练样本,并采用一类支持向量机（One Class SVM）建立异常信号的监测模型,为了提高监测模型的精度,提出了改进一类支持向量机（One Class SVM）的改进思路,进而为刀具状态在线监测提供了一个新思路。其主要内容包括以下几个方面:1、多传感器融合技术,试验采集了刀具切削过程中主轴的功率信号和振动信号,采用时域、频域、时频域的信号分析手段,分别提取多个传感器信号的特征值,建立多维特征向量矩阵,并利用相关性分析技术进行筛选,结果表明通过采用多传感器融合技术,可弥补各信息之间的刀具状态表征缺陷,更好地监测刀具状态。2、有效信号截取方案,试验采用同一PLC信号触发的方式设置了功率信号和振动信号开始采集的同步性,并根据功率信号导数的特点和振动信号时域一致性的特点,建立了实时高效的有效信号截取算法,试验证明了所提出算法的有效性。3、建立基于改进的一类支持向量机（One Class SVM）的刀具状态在线监测模型,采用适用于小样本的支持向量机模型,建立了基于实时加工数据的One Class SVM网络模型,解决了模型通用性的问题,并通过将监测样本转换为训练样本,循环建模的方式提高了模型精度。
崔晓飞[6]（2018）在《梯形螺纹振动辅助冷挤压加工在线监测系统研发》文中研究指明梯形螺纹联接相比于普通三角螺纹具有牙根强度高,对中性和密封性好等优点,因此在工业领域占据相当重要的地位。本课题组设计了一款振动辅助冷挤压专用机床,因此本文以梯形螺纹振动辅助冷挤压的加工方法为研究对象,建立了基于虚拟仪器技术的机床专用在线监测系统。利用该系统,不仅从信号入手探究了激振装置的辅助振动在梯形螺纹冷挤压加工过程中所起的作用效果,而且在信号层面上分析了316L工件材料加工过程中挤压工艺参数的影响,为梯形螺纹挤压工艺参数的选取以及机床的更新改进提供了理论与实践基础。论文的主要研究内容如下:1.建立了基于虚拟仪器技术的梯形螺纹振动辅助冷挤压加工的在线监测系统。通过声发射传感器、加速度传感器、电阻应变片、红外温度传感器以及相应的信号调理器,经PCI或串口传输给LabVIEW软件,实现了信号的滤波采集、显示存储。2.介绍了信号分析理论方法及其MATLAB实现,进行了传感器信号预处理及特征提取。对声发射、振动信号进行了时域、频域以及小波包分析,提取了二者的均方值作为时域特征,峰值频率作为频域特征,小波包各层能量谱作为小波包特征。对扭矩、温度信号进行了时域分析,二者都提取了稳定阶段的平均值作为信号的时域特征。3.采用自主研发的在线监测系统,探究了激振装置的辅助振动在梯形螺纹的冷挤压加工过程中所起的作用效果。通过分析丝锥工作部分的振动角振幅在加工过程中的变化以及主轴转速、激振频率对其变化的影响,探究了辅助振动的积极作用。通过分析机床三个不同的工作状态下的声发射、振动信号的频谱峰值频率的变化,探究了辅助振动的消极影响。4.采用自主研发的在线监测系统,分析了316L工件材料的振动辅助冷挤压工艺参数的影响。从声发射、振动、扭矩以及温度的产生机理入手,结合各传感器信号特征的变化,探究了主轴转速、激振频率以及润滑油类型这三个挤压工艺参数的影响。为挤压工艺参数的优化选取提供了试验依据。
翟亚宁[7]（2014）在《转子系统扭矩激励与拖动电机电流耦合特性研究》文中认为随着旋转机械朝着大型化、复杂化和自动化的方向发展,对其核心部件转子系统的研究也显的更加重要。在电机拖动的转子系统中,机电耦合作用对转子系统工作性能和寿命有不可忽略的影响。转子系统在扭矩激励下,其拖动电机的电流和电机电磁转矩有着密切的关系,由于电磁转矩的变化使得转子系统轴系扭转振动变的复杂。本文在考虑弹性阻尼轴和刚性转盘的基础上,以扭矩和电流为接口建立转子系统机电耦合模型,在MATLAB/simulink环境下建立仿真模型,并利用四阶龙格库塔法计算模型的解析解,得到不同类型扭矩激励下轴系扭转振动、转子转速、电机电流和电磁转矩变化曲线。运用经典力学和电磁学理论分析仿真结果,并利用FFT、时频分析技术和小波分析研究不同扭矩激励下转子系统电机电流的变化规律。为了实现简单快速的扭矩识别,提出一种基于奇异值分解、小波包能量谱和BP神经网络的转子系统扭矩识别方法。设计转子试验台,通过试验验证模型和研究方法的正确性。通过对不同类型扭矩激励下转子系统拖动电机电流试验数据和仿真数据对比,研究发现电流信号的频谱主要由电磁转矩的频谱决定,且不同类型的扭矩激励下的拖动电机电流频谱成分和对应的能量都有所不同。转子系统的扭矩激励对电机电流有调制作用,电流信号的包络曲线近似于扭矩激励的曲线,利用小波分析对平方运算后的电流信号进行分解重构,可以得到不同扭矩激励下的电流包络曲线。采用神经网络对转子系统扭矩激励类型能够精确快速的识别,为转子系统故障诊断提供了一种可靠且有效的方法。
史大彬[8]（2013）在《内螺纹冷挤压在线监测技术研究》文中认为内螺纹冷挤压成形的螺纹牙形表面完整性较好，其表面及其次表面均出现冷作硬化状态，由此保证了重要结构螺纹连接件的机械性能及其疲劳寿命，使之迄今已在航空航天、汽车制造、石油机械、农机等重工机械行业中都得到了广泛的应用。内螺纹冷挤压成形过程中的振动信号对于挤压丝锥磨损量和冷挤压内螺纹质量的预测具有重要的研究价值，但目前振动信号的时频特性方面的研究还很匮乏。本文针对内螺纹冷挤压振动信号非平稳这一特性，提出一种基于HHT变换的分析方法；以获得振动信号的时频特性及其能量分布规律。本文的主要研究成果如下：1.针对内螺纹冷挤压成形过程中振动信号的典型非平稳信号特点，提出一种基于HHT变换的方法，给出其算法的实现步骤。通过实例证明了该HHT变换具有良好的信号分析效果。2.根据内螺纹冷挤压成形过程中挤压丝锥挤入工件部位的不同及其相对位置的不断变化，提出将内螺纹冷挤压成形全过程分为开机等待、挤压、挤压校正和校正等四阶段。对四阶段振动信号进行HHT变换，结果表明：在挤压阶段开始出现高频振动，在挤压校正阶段其高频振动的能量逐渐变强，并随着挤压丝锥的退出而进入到校正阶段，其高频振动的能量开始变小；由此揭示出在内螺纹冷挤压成形过程中，由于挤压丝锥与工件底孔间接触的变化而造成的高频摩擦的变化规律，从而为内螺纹冷挤压成形机理研究奠定了基础。3.对不同工件底孔直径、不同机床转速、不同润滑液类型下的内螺纹冷挤压振动信号进行了分组对比时频分析，结果表明：内螺纹冷挤压成形过程中，随着工件底孔直径的增加，其振动信号高频成分的能量有逐渐减小的趋势；随着机床转速的增加，其振动信号高频成分的能量出现先减小后增大的趋势，而在机床转速为25r/min时高频振动最小；润滑液为PDMS时的高频振动最小。4.对施加了不同振动频率、激振力以及激振力臂的各组内螺纹低频振动冷挤压振动信号进行时频分析，结果表明：随着激振频率和激振力的增加，挤压丝锥振动信号的高频部分均会出现先变小后增大的趋势；随着激振力臂的增加，挤压丝锥振动信号的高频部分不断增大。5.在对施加振动频率为单一变量的内螺纹低频振动冷挤压成形过程中的振动信号时频分析过程中引入了多分辨分析，利用db5小波对其进行三层分解，得到其三层的低频近似，以便将内螺纹冷挤压成形过程中施加的不同频率的振动信号提取出来。6.利用LabSQL实现了LabVIEW对数据库的访问，既保证了信号采集分析的准确性。又可以通过LabVIEW的友好界面实现其与数据库间数据的交流，从而简化了繁琐的人工操作。
吴吉利[9]（2012）在《新型扭矩轴向力传感器研制及复合振动挤压攻丝参数测试》文中认为由于工业产品对材料性能的要求越来越高，钛合金等难加工材料被广泛地应用。但由于其弹性模量小，比强度高，攻丝时加工表面易发生弹性恢复和硬化，造成攻丝扭矩剧增，所以小孔攻丝难度较大，尤其是M6以下螺纹攻丝相当困难。因此钛合金小内螺纹加工一直是钛合金加工中的工艺瓶颈。陕西理工学院杨明亮教授发明了新型的复合振动攻丝机，并提出了复合振动挤压攻丝的新工艺。该攻丝机可以实现周向及轴向的复合振动，可以用于难加工材料小螺纹孔的复合振动挤压攻丝。为了尽快使该复合振动攻丝机的试验样机产品化，需要研究不同工作参数对复合振动挤压攻丝扭矩的影响。为此本文的主要工作如下：（1）设计了一种新型的四梁式扭矩-轴向力传感器。为了提高传感器的灵敏度，满足小螺纹攻丝时扭矩和轴向力测量要求，扭矩测量采用了四立梁结构，轴向力测量采用了四平梁结构，将两者组合起来，实现了小的扭矩与轴向力同时测量。（2）为了使传感器的结构参数达到最优，以灵敏度为目标函数，建立了传感器的数学模型，对传感器结构参数进行了优化。由于该传感器用于振动攻丝的状态下，为了防止传感器工作时发生共振，对该传感器进行了模态分析，来获得各阶振型下的固有频率。（3）使用NI USB-9237数据采集卡进行信号采集，搭建了测试通道。并采用图形化语言LabVIEW编程，完成了测试程序的开发，包括信号采集、信号处理、数据保存、曲线拟合等模块。（4）对传感器进行了标定，试验了测量时轴向力和扭矩相互之间的影响。（5）使用该传感器分别对铝、铜、不锈钢、钛合金等材料进行了振动挤压攻丝条件下的扭矩和轴向力测量，通过改变振频、主轴转速，得出不同材料，不同工作状态对攻丝扭矩的影响。并对相互关系进行了分析总结，为产品样机的设计提供了依据。实验结果表明，研制的扭矩-轴向力传感器能够准确的测量扭矩与轴向力的信号，灵敏度高，可以满足小孔振动攻丝、振动钻孔时扭矩和轴向力测量的要求。通过对振动挤压攻丝的参数测量，证明复合振动挤压攻丝可以减小攻丝扭矩。研究了不同条件下攻丝扭矩与轴向力关系，能够为攻丝机产品化参数制定提供依据。
梁瑜轩[10]（2012）在《内螺纹低频振动冷挤压成形技术研究》文中研究表明目前伴随着现代工业的迅猛发展，螺纹联接类零件已经广泛应用于机械制造、仪器仪表制造、船舶及航空航天工业中，且越来越多的应用于高速度、大载荷及动载荷等情况下。因此，对螺纹联接类零件的强度、硬度、精度及表面质量提出了更高的要求。内螺纹冷挤压加工利用了金属的塑性变形理论，确保了成形后的内螺纹牙形表层金属组织纤维的连续性，从而可以充分满足对螺纹联接类零件的更高要求。但内螺纹冷挤压加工仍然存在挤压温度和挤压扭矩高、冷却润滑液不易进入挤压区和挤压丝锥易磨损及折断等问题。本文针对现有内螺纹冷挤压加工中普遍存在的问题，通过将振动加工技术引入到内螺纹冷挤压加工中，以达到改善现有挤压区恶劣挤压环境的目的。本文完成的主要工作和取得的成果如下：（1）结合现有的传统内螺纹冷挤压加工原理和振动加工原理建立了内螺纹低频振动冷挤压加工原理。通过该原理分析了低频振动冷挤压可以有效减小挤压丝锥同工件底孔材料之间的摩擦的原因。由于传统内螺纹冷挤压加工过程中挤压丝锥对工件底孔材料产生的高挤压力作用，使得冷却润滑液大部分被挤出挤压区，从而造成挤压丝锥同工件底孔材料之间的摩擦成为干摩擦。这大大增加了挤压丝锥的磨损，同时带来了挤压温度和挤压扭矩的增大，并且使挤压丝锥极易折断。而内螺纹低频振动冷挤压由于挤压丝锥的有规律的振动，使得挤压丝锥不是一直处于同工件底孔材料的接触状态，因此使得被封存在挤压丝锥棱齿间凹槽处的冷却润滑液重新回到挤压区，形成边界润滑膜。将干摩擦变为了边界摩擦，从而大大减小了挤压丝锥的磨损，进而减小了挤压温度和挤压扭矩，提高挤压丝锥的使用寿命。（2）根据内螺纹低频振动冷挤压加工原理和现有内螺纹冷挤压加工环境，确定了振动加工装置施加振动的方式和所施加振动频率的范围。设计内螺纹低频振动冷挤压振动加工装置，保证振动源处产生的振动能有效地、稳定地传递到挤压丝锥上，从而实现挤压丝锥沿其主挤压方向上的低频振动冷挤压加工。（3）对设计的内螺纹低频振动冷挤压振动加工装置进行模态分析并进行结构改进。由所提取的前12阶模态的振型可知，该振动加工装置的振动变形主要为振动加工装置整体的振动变形和振动板的振动变形两类。因此，可以通过在底座增设加强筋和增大底座壁厚来达到增加该振动加工装置整体刚度的目的。（4）对设计的内螺纹低频振动冷挤压振动加工装置进行动力学仿真分析。通过对该装置进行动力学分析可以得到不同激振参数下对振动板位移和振动杆角位移的变化规律，从而可以指导内螺纹低频振动冷挤压试验。（5）充分利用LabVIEW软件和MATLAB软件各自的优势来混合设计开发了一个信号分析软件，并且该软件最终通过实验验证表明，可以十分方便的完成信号的分析处理。（6）通过内螺纹低频振动冷挤压试验在三种振动工艺参数条件下分别对内螺纹冷挤压的影响可知：随着激振频率的不断增大，挤压丝锥棱齿同工件底孔材料在单位时间内的摩擦次数也在不断增多，使得挤压扭矩也不断增大；随着激振力的不断增大，挤压扭矩呈现为先减小后增大的趋势；随着激振力臂的不断增大，挤压扭矩总体呈不断增大的趋势；在其它工艺参数相同条件下，低频振动冷挤压内螺纹可以进一步提高内螺纹的牙高率和改善牙顶处的缺陷，同时还可以进一步提高内螺纹表层显微硬度和获得更好的表面形貌。
二、振动攻丝扭矩信号处理中应用小波分析（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、振动攻丝扭矩信号处理中应用小波分析（论文提纲范文）
（1）振动攻丝扭矩试验机的设计与分析（论文提纲范文）
| 引言 |
| 1 系统设计 |
| 2 快速傅立叶变换与滤波器设计 |
| 3 频谱与信号分析 |
| 4 结论 |
（2）齿轮箱非平稳多分量信号的故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 非平稳多分量信号的分离与特征提取方法的研究现状 |
| 1.2.1 多分量信号分离方法的研究现状 |
| 1.2.2 非平稳信号的特征提取方法的研究现状 |
| 1.3 故障信号模式识别方法的研究现状 |
| 1.3.1 无监督异常检测的研究现状 |
| 1.3.2 模式识别方法的研究现状 |
| 1.4 本文主要研究思路和研究内容 |
| 1.4.1 本文研究的思路 |
| 1.4.2 本文研究的内容和具体章节安排 |
| 1.5 本章小结 |
| 第2章 齿轮箱的故障分析与试验设计 |
| 2.1 齿轮和滚动轴承的常见故障及故障特征分析 |
| 2.1.1 齿轮的常见故障及故障特征分析 |
| 2.1.2 滚动轴承的常见故障及故障特征分析 |
| 2.2 基于功率流齿轮箱试验台的试验设计 |
| 2.2.1 试验条件 |
| 2.2.2 试验方案 |
| 2.2.3 试验扭矩加载与采集记录的设计 |
| 2.3 齿轮接触疲劳失效的判定标准 |
| 2.3.1 齿轮接触疲劳失效的判别方法 |
| 2.3.2 齿轮接触疲劳失效判别准则 |
| 2.4 基于风电传动齿轮箱的试验设计 |
| 2.4.1 试验条件 |
| 2.4.2 试验方案 |
| 2.5 本章小结 |
| 第3章 基于SWT的谱峰检测自适应多脊提取的方法的研究 |
| 3.1 基于SWT的谱峰检测自适应多脊提取(SWT-AMRE)的理论 |
| 3.1.1 IF定义及谱峰检测理论 |
| 3.1.2 SWT定义与理论 |
| 3.1.3 SWT-AMRE的算法流程与创新 |
| 3.1.4 SWT-AMRE的具体算法实现 |
| 3.2 非平稳多分量仿真信号的分析 |
| 3.2.1 基于CWT和基于EMD的IF估计的比较 |
| 3.2.2 SWT-AMRE和基于CWT的IF估计的比较 |
| 3.2.3 SWT-AMRE和传统谱峰检测的IF估计的比较 |
| 3.3 齿轮箱非平稳多分量信号的试验验证 |
| 3.3.1 基于EMD和基于CWT的齿轮箱非平稳多分量信号IF估计 |
| 3.3.2 SWT-AMRE的齿轮箱非平稳多分量信号IF估计 |
| 3.4 SWT-AMRE的风电齿轮箱现场复合故障信号的IF估计 |
| 3.5 本章小结 |
| 第4章 基十DSWT-IMRE的VKF信号分离与特征提取的研究 |
| 4.1 基于DSWT-IMRE的VKF信号分离与特征提取方法的理论 |
| 4.1.1 DSWT的原理 |
| 4.1.2 DSWT-IMRE的原理 |
| 4.1.3 基于VKF信号分离与特征提取方法的理论 |
| 4.1.4 基于DSWT-IMRE的VKF信号分离与特征提取方法的算法实现 |
| 4.2 仿真分析基于DSWT-IMRE的VKF信号分离与特征提取的可行性 |
| 4.2.1 DSWT与SWT的仿真信号分析 |
| 4.2.2 DSWT-IMRE与SWT-AMRE的仿真信号分析 |
| 4.2.3 基于DSWT-IMRE的VKF信号分离与特征提取的仿真信号分析 |
| 4.3 仿真分析基于DSWT-IMRE的VKF信号分离与特征提取的优越性 |
| 4.3.1 基于DSWT-IMRE的VKF信号分离方法和EMD的仿真分析 |
| 4.3.2 基于DSWT-IMRE的VKF特征提取方法和转速阶比的仿真分析 |
| 4.3.3 基于DSWT-IMRE的VKF信号分离与特征提取的多转速仿真分析 |
| 4.4 实例分析基于DSWT-IMRE的VKF信号分离与特征提取的实用性 |
| 4.4.1 DSWT-IMRE与SWT-AMRE的实例信号对比分析 |
| 4.4.2 基于转速阶比分析和切片双谱的齿轮箱多种故障信号分析 |
| 4.4.3 基于EMD和切片双谱的齿轮箱多种故障信号分析 |
| 4.4.4 基于DSWT-IMRE的VKF信号分离与特征提取的齿轮箱信号分析 |
| 4.5 本章小结 |
| 第5章 基于VKF联合时域特征的循环GMM-FCM模式识别 |
| 5.1 分量信号的联合时域特征的选择 |
| 5.1.1 独立特征的试验 |
| 5.1.2 组合特征的应用试验 |
| 5.1.3 基于VKF的联合时域特征 |
| 5.2 基于VKF联合时域特征的循环GMM-FCM模式识别理论基础 |
| 5.2.1 GMM-EM与异常检测的原理 |
| 5.2.2 FCM理论 |
| 5.2.3 基于VKF联合时频特征的循环GMM-FCM模式识别的算法流程 |
| 5.3 基于VKF联合时频特征的循环GMM-FCM模式识别的试验数据分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）离散车间刀具磨损状态智能监测与剩余寿命预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 刀具磨损状态监测国内外研究现状 |
| 1.2.1 传感器技术研究现状 |
| 1.2.2 特征提取与选择研究现状 |
| 1.2.3 刀具磨损状态监测方法研究现状 |
| 1.3 刀具剩余寿命预测国内外研究现状 |
| 1.4 刀具状态监测未来发展趋势 |
| 1.5 课题来源及研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 研究内容 |
| 1.6 本章小结 |
| 第二章 刀具磨损机理与试验设计 |
| 2.1 刀具磨损概述 |
| 2.1.1 刀具磨损基本原理 |
| 2.1.2 刀具磨损形式 |
| 2.1.3 刀具磨损过程 |
| 2.1.4 刀具磨钝标准 |
| 2.2 铣削磨损试验设计 |
| 2.2.1 传感器信号选择 |
| 2.2.2 铣削磨损实验系统硬件搭建 |
| 2.2.3 铣削磨损模型验证软件环境搭建 |
| 2.3 本章小结 |
| 第三章 铣刀监测信号数据处理及特征提取 |
| 3.1 铣刀磨损信号小波降噪 |
| 3.1.1 小波阈值降噪 |
| 3.1.2 扭矩和振动信号降噪 |
| 3.2 数据增强 |
| 3.3 铣刀磨损信号特征提取 |
| 3.3.1 时域特征提取 |
| 3.3.2 频域特征提取 |
| 3.3.3 时频域特征提取 |
| 3.4 监测信号特征向量及特征筛选 |
| 3.4.1 特征向量 |
| 3.4.2 基于主成分分析方法特征筛选 |
| 3.4.3 特征选择结果 |
| 3.5 本章小结 |
| 第四章 基于P-1DCNN-ELM的铣刀磨损状态智能监测方法研究 |
| 4.1 相关理论基础 |
| 4.1.1 卷积神经网络 |
| 4.1.2 极限学习机 |
| 4.2 基于支持向量机的铣刀磨损状态监测 |
| 4.3 基于P-1DCNN-ELM的铣刀磨损状态监测 |
| 4.3.1 数据预处理 |
| 4.3.2 分类模型评价指标 |
| 4.3.3 P-1DCNN-ELM模型的监测方案 |
| 4.3.4 P-1DCNN-ELM模型结构 |
| 4.3.5 模型参数调优 |
| 4.4 评估结果与对比分析 |
| 4.4.1 P-1DCNN-ELM与机器学习模型对比 |
| 4.4.2 P-1DCNN-ELM与深度学习模型对比 |
| 4.5 本章小结 |
| 第五章 基于1DCNN-Bi GRUs-CP的铣刀剩余寿命预测方法研究 |
| 5.1 相关理论基础 |
| 5.1.1 循环神经网络 |
| 5.1.2 门控循环单元神经网络 |
| 5.2 基于SVR的铣刀剩余寿命预测方法 |
| 5.3 基于1DCNN-Bi GRUs-CP的铣刀剩余寿命预测方法 |
| 5.3.1 数据预处理与模型评价指标 |
| 5.3.2 1DCNN-Bi GRUs-CP的铣刀剩余寿命预测方案与结构 |
| 5.3.3 HM-MSE-Score损失函数 |
| 5.3.4 模型参数调优 |
| 5.3.5 1DCNN-Bi GRUs-CP模型训练 |
| 5.4 评估结果与对比分析 |
| 5.5 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表论文 |
（4）基于LabVIEW的减速器综合性能测试系统研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 减速器研究现状 |
| 1.2.2 减速器测试系统研究现状 |
| 1.3 论文主要研究内容与章节安排 |
| 第2章 减速器振动信号分析方法研究 |
| 2.1 引言 |
| 2.2 振动概述 |
| 2.3 振动信号时域分析方法 |
| 2.3.1 时域统计分析 |
| 2.3.2 相关分析 |
| 2.4 振动信号频域分析方法 |
| 2.4.1 傅里叶变换 |
| 2.4.2 功率谱分析 |
| 2.5 振动信号时频分析方法 |
| 2.5.1 不定原理 |
| 2.5.2 短时傅里叶变换 |
| 2.5.3 Wigner-Ville分布 |
| 2.5.4 小波分析 |
| 2.5.5 希尔伯特-黄变换 |
| 2.6 基于极值延拓组合窗函数的端点效应改进算法 |
| 2.7 本章小结 |
| 第3章 减速器性能测试系统方案设计 |
| 3.1 测试系统总体要求 |
| 3.2 减速器性能测试系统方案设计 |
| 3.3 硬件系统设计 |
| 3.3.1 试验台设计 |
| 3.3.2 硬件单元设计 |
| 3.4 控制柜电路设计 |
| 3.5 本章小结 |
| 第4章 测控系统软件设计与开发 |
| 4.1 LabVIEW软件概述 |
| 4.2 软件实现 |
| 4.2.1 电机控制程序 |
| 4.2.2 磁粉加载程序 |
| 4.2.3 转速转矩测量程序 |
| 4.2.4 传动效率计算程序 |
| 4.2.5 温度检测程序 |
| 4.2.6 报表生成程序 |
| 4.3 振动信号检测与处理 |
| 4.3.1 三次样条插值构造包络线 |
| 4.3.2 本征模态函数(IMF) |
| 4.3.3 残余分量判断 |
| 4.3.4 Hilbert变换程序 |
| 4.3.5 仿真信号HHT实现 |
| 4.4 本章小结 |
| 第5章 系统测试与性能分析 |
| 5.1 系统测试 |
| 5.1.1 电机调速测试 |
| 5.1.2 模拟加载模块测试 |
| 5.1.3 传动效率测试 |
| 5.1.4 温升试验测试 |
| 5.1.5 测试曲线存储 |
| 5.2 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
（5）基于无监督学习的螺纹刀具在线状态监测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 刀具状态监测国内外研究现状 |
| 1.2.1 刀具磨损监测信号 |
| 1.2.2 信号处理及特征提取 |
| 1.2.3 刀具磨损监测模型概述 |
| 1.3 论文研究目的 |
| 1.4 本文主要内容和章节安排 |
| 第二章 基于 OneClass SVM 的螺纹刀具状态监测方法 |
| 2.1 刀具监测数据分析 |
| 2.1.1 工业大数据分析 |
| 2.1.2 主轴传感器数据分析 |
| 2.2 OneClass SVM的基本原理 |
| 2.2.1 支持向量分类机概述 |
| 2.2.2 OneClass SVM原理 |
| 2.3 基于OneClass SVM的螺纹刀具状态监测模型改进 |
| 2.4 本章小结 |
| 第三章 基于发动机生产线缸盖螺纹加工工艺的刀具监测方案 |
| 3.1 发动机生产线缸盖攻丝工艺分析 |
| 3.2 基于振动、功率信号刀具磨损监测原理 |
| 3.2.1 螺纹加工刀具切削过程和磨损分析 |
| 3.2.2 螺纹加工中功率、振动信号分析 |
| 3.3 发动机缸盖螺纹刀具试验台搭建 |
| 3.3.1 试验材料和刀具 |
| 3.3.2 试验条件与试验方案 |
| 3.4 本章小结 |
| 第四章 主轴功率、振动信号的处理和特征筛选 |
| 4.1 功率、振动信号预处理 |
| 4.1.1 功率信号预处理 |
| 4.1.2 振动信号预处理 |
| 4.2 功率、振动信号特征提取 |
| 4.2.1 功率信号特征提取 |
| 4.2.2 振动信号特征提取 |
| 4.3 刀具磨损特征相关性分析 |
| 4.3.1 刀具磨损曲线分析 |
| 4.3.2 功率、振动特征分析 |
| 4.4 本章总结 |
| 第五章 螺纹刀具状态监测模型的应用 |
| 5.1 基于OneClass SVM网络的刀具磨损监测 |
| 5.2 模型精度验证 |
| 5.3 与BP网络对比分析 |
| 5.3.1 BP网络概述 |
| 5.3.2 BP网络模型与OneClass SVM模型对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究结论 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间已公开或申请的国家发明专利 |
（6）梯形螺纹振动辅助冷挤压加工在线监测系统研发（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 振动辅助冷挤压加工工艺的提出 |
| 1.1.2 基于虚拟仪器的在线监测系统的提出 |
| 1.1.3 课题研究意义 |
| 1.2 振动辅助冷挤压加工在线监测技术研究现状 |
| 1.2.1 梯形螺纹振动辅助冷挤压加工 |
| 1.2.2 机床在线监测技术 |
| 1.2.3 信号分析理论方法 |
| 1.3 本文的主要研究内容及安排 |
| 1.3.1 问题的提出 |
| 1.3.2 本文的研究内容 |
| 1.3.3 本文的内容安排 |
| 第二章 梯形螺纹振动辅助冷挤压加工在线监测系统设计 |
| 2.1 在线监测系统的总体设计 |
| 2.1.1 梯形螺纹振动辅助冷挤压加工特点 |
| 2.1.2 监测需求分析 |
| 2.1.3 在线监测系统的总体设计 |
| 2.2 在线监测系统的硬件设备 |
| 2.2.1 在线监测系统的硬件总体结构 |
| 2.2.2 振动监测原理及硬件实现 |
| 2.2.3 声发射监测原理及硬件实现 |
| 2.2.4 扭矩监测原理及硬件实现 |
| 2.2.5 温度监测原理及硬件实现 |
| 2.3 基于总线的软硬件媒介设计 |
| 2.3.1 虚拟仪器总线技术 |
| 2.3.2 媒介硬件选择 |
| 2.3.3 媒介软件程序 |
| 2.4 在线监测系统的软件程序设计 |
| 2.4.1 在线监测系统的软件平台-LabVIEW |
| 2.4.2 数据采集的LabVIEW实现 |
| 2.4.3 数据前处理的LabVIEW实现 |
| 2.4.4 数据显示的LabVIEW实现 |
| 2.4.5 数据存储的LabVIEW实现 |
| 2.4.6 数据后处理 |
| 2.5 机床在线监测系统的运行检验 |
| 2.6 本章小结 |
| 第三章 信号处理方法及传感器信号预处理 |
| 3.1 信号的处理方法及其MATLAB实现 |
| 3.1.1 滤波和采样率转换及其MATLAB实现 |
| 3.1.2 信号的时域分析及其MATLAB实现 |
| 3.1.3 信号的频域分析及其MATLAB实现 |
| 3.1.4 信号的时频域分析及其MATLAB实现 |
| 3.1.5 信号的小波包分析及其MATLAB实现 |
| 3.2 声发射传感器信号预处理及特征提取 |
| 3.2.1 声发射信号的时域分析及特征提取 |
| 3.2.2 声发射信号的频域分析及特征提取 |
| 3.2.3 声发射信号的时频域分析及特征提取 |
| 3.2.4 声发射信号的小波包分析及特征提取 |
| 3.3 加速度传感器信号预处理及特征提取 |
| 3.3.1 振动信号分析及特征提取 |
| 3.3.2 扭振信号分析及特征提取 |
| 3.4 扭矩及温度传感器信号预处理及特征提取 |
| 3.4.1 扭矩信号分析及特征提取 |
| 3.4.2 温度信号分析及特征提取 |
| 3.5 本章小结 |
| 第四章 激振装置作用效果探究 |
| 4.1 激振装置振动的两重性 |
| 4.1.1 激振装置的结构及工作原理 |
| 4.1.2 挤压丝锥工作部分的振动角振幅 |
| 4.1.3 机床主要部件的受迫振动 |
| 4.2 挤压丝锥振动角振幅的影响因素探究 |
| 4.2.1 加工过程中的角振幅变化 |
| 4.2.2 挤压工艺参数对角振幅的影响 |
| 4.3 机床主要部件受迫振动的影响因素探究 |
| 4.3.1 试验方案选择 |
| 4.3.2 振动信号的频域分析 |
| 4.3.3 振动信号的时频域分析 |
| 4.4 激振装置的辅助振动作用效果 |
| 4.5 本章小结 |
| 第五章 振动辅助冷挤压工艺参数影响分析 |
| 5.1 梯形螺纹振动冷挤压过程中的理论分析 |
| 5.1.1 振动冷挤压过程中的振动 |
| 5.1.2 振动冷挤压过程中的声发射 |
| 5.1.3 振动冷挤压过程中的扭矩 |
| 5.1.4 振动冷挤压过程中的温度 |
| 5.2 工艺试验方案设计 |
| 5.2.1 工艺试验设备与材料 |
| 5.2.2 试验设计 |
| 5.3 振动和声发射信号的时域分析 |
| 5.3.1 振动和声发射信号的时域波形 |
| 5.3.2 振动和声发射信号的时域特征分析 |
| 5.4 振动和声发射信号的小波包分析 |
| 5.4.1 振动和声发射信号的小波包分解 |
| 5.4.2 振动和声发射信号的小波包能量特征分析 |
| 5.5 扭矩和温度信号的时域分析 |
| 5.5.1 扭矩信号的时域分析 |
| 5.5.2 温度信号的时域分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）转子系统扭矩激励与拖动电机电流耦合特性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 选题目的及意义 |
| 1.3 国内外研究动态 |
| 1.3.1 转子系统扭矩激励特性 |
| 1.3.2 转子系统的机电耦合模型 |
| 1.3.3 定子电流法的应用 |
| 1.3.4 电机电流信号的分析处理方法 |
| 1.3.5 有关问题的讨论 |
| 1.4 主要研究内容 |
| 1.5 小结 |
| 第二章 扭矩激励下转子系统的机电耦合特性 |
| 2.1 引言 |
| 2.2 耦合模型原理 |
| 2.2.1 转子扭矩传递特性 |
| 2.2.2 扭矩与电流的关系 |
| 2.3 耦合数学模型 |
| 2.3.1 机械系统模型 |
| 2.3.2 电磁系统模型 |
| 2.4 转子系统仿真模型 |
| 2.4.1 MATLAB/simulink简介 |
| 2.4.2 基于simulink转子系统仿真模型 |
| 2.5 不同类型扭矩激励仿真结果 |
| 2.5.1 无扭矩激励 |
| 2.5.2 暂态扭矩激励 |
| 2.5.3 正弦扭矩激励 |
| 2.5.4 线性扭矩激励 |
| 2.5.5 突变扭矩激励 |
| 2.6 小结 |
| 第三章 扭矩激励下转子系统电机电流特征分析 |
| 3.1 引言 |
| 3.2 基于FFT电机电流特征分析 |
| 3.3 基于奇异值分解电机电流特征分析 |
| 3.3.1 奇异值分解原理 |
| 3.3.2 奇异值分解步骤 |
| 3.3.3 电流信号的奇异值分解 |
| 3.4 基于时频技术电机电流特征分析 |
| 3.5 基于小波变换电机电流特征分析 |
| 3.5.1 小波变换原理 |
| 3.5.2 小波变换在信号处理中的应用 |
| 3.5.3 转子系统电流信号的小波分析 |
| 3.6 小结 |
| 第四章 基于小波包和BP神经网络的扭矩识别方法 |
| 4.1 引言 |
| 4.2 小波包与BP神经网络基本原理 |
| 4.2.1 小波包能量谱原理 |
| 4.2.2 BP神经网络 |
| 4.3 提取特征向量 |
| 4.4 BP神经网络的设计 |
| 4.5 神经网络训练以及扭矩识别 |
| 4.6 小结 |
| 第五章 转子系统试验台设计 |
| 5.1 引言 |
| 5.2 试验台设计方案 |
| 5.3 试验台功能模块设计 |
| 5.3.1 转子系统机械模块 |
| 5.3.2 信号采集处理模块 |
| 5.3.3 转速控制模块 |
| 5.3.4 扭矩输出控制模块 |
| 5.4 试验台加工与制造 |
| 5.5 小结 |
| 第六章 扭矩激励下的电机电流特性试验与分析 |
| 6.1 引言 |
| 6.2 试验方案 |
| 6.2.1 试验目的 |
| 6.2.2 试验内容 |
| 6.2.3 试验步骤 |
| 6.2.4 注意事项 |
| 6.3 试验及其结果分析 |
| 6.3.1 不同扭矩激励下电流信号变化试验 |
| 6.3.2 不同扭矩激励下电流信号的时域分析 |
| 6.3.3 不同扭矩激励下电流信号的频域分析 |
| 6.4 小结 |
| 第七章 结论与展望 |
| 7.1 工作总结 |
| 7.2 主要结论 |
| 7.3 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）内螺纹冷挤压在线监测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图表清单 |
| 注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 内螺纹冷挤压研究现状 |
| 1.3 振动加工技术的研究进展 |
| 1.4 在线监测系统发展现状 |
| 1.5 振动信号分析方法的研究发展 |
| 1.6 本文的主要研究内容 |
| 第二章 Hilbert-Huang 变换理论 |
| 2.1 EMD 分解原理 |
| 2.1.1 瞬时频率 |
| 2.1.2 固有模态函数 |
| 2.1.3 EMD 分解过程 |
| 2.1.4 EMD 分解的性质 |
| 2.2 Hilbert 变换 |
| 2.2.1 解析信号 |
| 2.2.2 Hilbert 变换 |
| 2.2.3 Hilbert 谱和边际谱 |
| 2.3 应用实例 |
| 2.4 本章小结 |
| 第三章 内螺纹冷挤压成形过程振动信号分析 |
| 3.1 内螺纹冷挤压成形过程分析 |
| 3.1.1 内螺纹冷挤压成形过程 |
| 3.1.2 内螺纹冷挤压成形过程阶段划分 |
| 3.2 内螺纹冷挤压各阶段振动信号时频分析 |
| 3.2.1 内螺纹冷挤压各阶段振动信号 EMD 分解 |
| 3.2.2 内螺纹冷挤压各阶段振动信号 HHT 时频分析 |
| 3.2.3 内螺纹冷挤压各阶段振动信号时频变化原理揭示 |
| 3.3 本章小结 |
| 第四章 不同工艺参数下内螺纹冷挤压振动信号研究 |
| 4.1 内螺纹冷挤压实验材料与方法 |
| 4.2 不同参数下内螺纹冷挤压振动信号分析 |
| 4.2.1 工件底孔直径的影响 |
| 4.2.2 机床转速的影响 |
| 4.2.3 润滑液的影响 |
| 4.3 本章小结 |
| 第五章 内螺纹低频振动冷挤压振动信号时频分析 |
| 5.1 内螺纹低频振动冷挤压实验材料与方法 |
| 5.2 内螺纹低频振动冷挤压实验不同工艺参数下振动信号研究 |
| 5.2.1 激振频率的影响 |
| 5.2.2 激振力的影响 |
| 5.2.3 激振力臂的影响 |
| 5.3 本章小结 |
| 第六章 内螺纹冷挤压信号分析存储软件设计 |
| 6.1 内螺纹冷挤压信号分析基本方法 |
| 6.1.1 时域分析 |
| 6.1.2 频域分析 |
| 6.1.3 时频域分析 |
| 6.2 内螺纹冷挤压信号分析存储软件设计 |
| 6.2.1 LabSQL 功能概述 |
| 6.2.2 LabSQL 与数据库的连接 |
| 6.2.3 信号分析存储系统设计 |
| 6.2.4 信号查询系统设计 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文 |
（9）新型扭矩轴向力传感器研制及复合振动挤压攻丝参数测试（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题的研究意义 |
| 1.2 扭矩测量 |
| 1.2.1 现阶段国内外扭矩测量现状 |
| 1.2.2 扭矩测量的发展趋势 |
| 1.3 本文的主要研究内容 |
| 第2章 扭矩-轴向力传感器设计 |
| 2.1 传感器设计方案 |
| 2.2 结构设计 |
| 2.2.1 弹性元件设计 |
| 2.2.2 理论计算 |
| 2.2.3 应变式传感器测量原理分析 |
| 2.2.4 信号转换电路 |
| 2.3 立梁结构参数的优化设计 |
| 2.3.1 优化的目标函数 |
| 2.3.2 约束条件 |
| 2.3.3 优化的数学模型 |
| 2.3.4 优化和优化结果分析 |
| 2.4 平梁结构参数的优化设计 |
| 2.4.1 目标函数 |
| 2.4.2 主要的约束条件 |
| 2.4.3 数学模型 |
| 2.4.4 优化结果 |
| 2.5 模态分析 |
| 2.6 本章小结 |
| 第3章 测量系统研究 |
| 3.1 虚拟仪器 |
| 3.2 硬件介绍 |
| 3.2.1 传感器 |
| 3.2.2 数据采集模块信号 |
| 3.3 测量系统软件 |
| 3.3.1 数据采集 |
| 3.3.2 信号分析 |
| 3.3.3 数据保存和回放 |
| 3.3.4 数据拟合 |
| 3.4 本章小结 |
| 第4章 传感器标定 |
| 4.1 传感器静态标定 |
| 4.1.1 传感器静态特性 |
| 4.1.2 扭矩-轴向力传感器静态标定 |
| 4.2 传感器的动态标定 |
| 4.2.1 传感器动态特性的数学模型 |
| 4.2.2 动态响应特性 |
| 4.2.3 传感器的动态标定 |
| 4.3 本章小结 |
| 第5章 复合振动挤压攻丝扭矩和轴向力测试 |
| 5.1 复合振动挤压攻丝工艺特点 |
| 5.2 试验条件介绍 |
| 5.2.1 攻丝过程信号特征分析 |
| 5.2.2 不同材料攻丝扭矩和轴向力特性 |
| 5.3 本章小结 |
| 全文总结与展望 |
| 1. 全文总结 |
| 2. 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间学术成果 |
| 致谢 |
（10）内螺纹低频振动冷挤压成形技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 内螺纹冷挤压加工技术的研究现状 |
| 1.3 振动加工技术的研究现状 |
| 1.4 振动攻丝的研究现状 |
| 1.5 本文主要研究内容 |
| 第二章 内螺纹低频振动冷挤压振动加工装置设计 |
| 2.1 内螺纹冷挤压成形加工原理 |
| 2.1.1 内螺纹冷挤压成形的理论依据 |
| 2.1.2 内螺纹冷挤压成形过程分析 |
| 2.2 内螺纹低频振动冷挤压加工原理 |
| 2.2.1 振动加工原理 |
| 2.2.2 内螺纹低频振动冷挤压加工原理 |
| 2.3 内螺纹低频振动冷挤压振动加工装置设计 |
| 2.3.1 总体方案的设计 |
| 2.3.2 振动加工装置设计 |
| 2.4 本章小结 |
| 第三章 振动加工装置模态分析及动力学仿真 |
| 3.1 振动加工装置模态分析 |
| 3.1.1 有限元模态分析理论 |
| 3.1.2 振动加工装置实体模型的建立 |
| 3.1.3 振动加工装置有限元模型的建立 |
| 3.1.4 加载和求解 |
| 3.1.5 结果分析及结构改进 |
| 3.2 振动加工装置动力学仿真分析 |
| 3.2.1 ADAMS 动力学仿真软件简介 |
| 3.2.2 振动加工装置的动力学仿真 |
| 3.3 本章小结 |
| 第四章 内螺纹低频振动冷挤压信号分析软件的设计 |
| 4.1 内螺纹低频振动冷挤压信号分析方法 |
| 4.1.1 时域信号分析方法 |
| 4.1.2 频域信号分析方法 |
| 4.1.3 时频域信号分析方法 |
| 4.2 内螺纹低频振动冷挤压信号分析软件设计 |
| 4.2.1 信号分析软件的总体框架设计 |
| 4.2.2 LabVIEW 和 MATLAB 软件概述 |
| 4.2.3 基于 LabVIEW 的用户界面设计 |
| 4.2.4 基于 LabVIEW 和 MATLAB 混合编程的后台程序设计 |
| 4.3 本章小结 |
| 第五章 内螺纹低频振动冷挤压试验研究 |
| 5.1 振动加工装置振动衰减试验 |
| 5.2 内螺纹低频振动冷挤压试验材料与方法 |
| 5.2.1 内螺纹低频振动冷挤压试验材料 |
| 5.2.2 内螺纹低频振动冷挤压试验方法 |
| 5.3 内螺纹低频振动冷挤压振动工艺参数的优化研究 |
| 5.3.1 激振频率的影响 |
| 5.3.2 激振力的影响 |
| 5.3.3 激振力臂的影响 |
| 5.4 内螺纹低频振动冷挤压同传统内螺纹冷挤压试验对比 |
| 5.4.1 两种情况下信号的分析对比 |
| 5.4.2 两种情况下内螺纹成形质量的对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文 |
四、振动攻丝扭矩信号处理中应用小波分析（论文参考文献）
- [1]振动攻丝扭矩试验机的设计与分析[J]. 尤晓萍. 现代工业经济和信息化, 2021(08)
- [2]齿轮箱非平稳多分量信号的故障诊断方法研究[D]. 李延峰. 太原理工大学, 2021(01)
- [3]离散车间刀具磨损状态智能监测与剩余寿命预测研究[D]. 党英. 江南大学, 2021(01)
- [4]基于LabVIEW的减速器综合性能测试系统研究与应用[D]. 章国红. 兰州理工大学, 2020(12)
- [5]基于无监督学习的螺纹刀具在线状态监测[D]. 密思佩. 上海交通大学, 2020(09)
- [6]梯形螺纹振动辅助冷挤压加工在线监测系统研发[D]. 崔晓飞. 南京航空航天大学, 2018(02)
- [7]转子系统扭矩激励与拖动电机电流耦合特性研究[D]. 翟亚宁. 太原理工大学, 2014(04)
- [8]内螺纹冷挤压在线监测技术研究[D]. 史大彬. 南京航空航天大学, 2013(02)
- [9]新型扭矩轴向力传感器研制及复合振动挤压攻丝参数测试[D]. 吴吉利. 陕西理工学院, 2012(08)
- [10]内螺纹低频振动冷挤压成形技术研究[D]. 梁瑜轩. 南京航空航天大学, 2012(04)