油液信息在齒輪和滑動軸承磨損故障識別中的應用

1 緒論
1．1 研究背景及意義
1．2 摩擦磨損理論
1．2．1 摩擦理論
1．2．2 磨損理論
1．3 油液分析常用技術
1．3．1 理化指標分析技術
1．3．2 鐵譜分析技術
1．3．3 光譜分析技術
1．3．4 顆粒計數(shù)分析
1．4 國內(nèi)外研究動態(tài)
1．4．1 油液性能與設備磨損的關系
1．4．2 油液數(shù)據(jù)的分析處理技術
1．4．3 滑動軸承磨損與壽命預測
1．4．4 油液分析技術的智能化
1．5 主要研究內(nèi)容
2 基于磨粒信息的齒輪磨損狀態(tài)識別
2．1 鐵譜數(shù)據(jù)的獲取
2．1．1 取樣時間
2．1．2 制譜
2．2 基于鐵譜定性分析的齒輪磨損狀態(tài)識別
2．2．1 磨粒的特征識別
2．2．2 鐵譜圖像的預處理
2．2．3 齒輪磨損狀態(tài)的識別
2．3 基于鐵譜定量分析的齒輪磨損狀態(tài)識別
2．3．1 鐵譜定量分析參數(shù)
2．3．2 鐵譜定量分析參數(shù)的獲取
2．3．3 鐵譜定量分析參數(shù)正態(tài)分布檢驗
2．3．4 齒輪磨損狀態(tài)的識別
2．4 基于形式磨損指數(shù)的齒輪磨損狀態(tài)識別
2．4．1 形式磨損指數(shù)的計算
2．4．2 形式磨損指數(shù)定量評估流程
2．4．3 齒輪磨損狀態(tài)的識別
2．5 小結(jié)
3 基于油液綜合信息的齒輪磨損故障預測方法
3．1 基于偏最小二乘回歸分析的齒輪故障預測
3．1．1 偏最小二乘回歸分析簡介
3．1．2 偏最小二乘回歸分析建模方法
3．1．3 偏最小二乘回歸的算法步驟
3．1．4 齒輪故障預測結(jié)果分析
3．2 基于主成分分析與BP神經(jīng)網(wǎng)絡的油液分析方法
3．2．1 主成分分析理論
3．2．2 BP神經(jīng)網(wǎng)絡理論
3．2．3 主成分與BP神經(jīng)網(wǎng)絡油液分析方法應用
3．3 小結(jié)
4 滑動軸承磨損磨粒濃度預測
4．1 預測理論
4．1．1 預測的基本原則
4．1．2 預測的基本步驟
4．2 試驗
4．2．1 轉(zhuǎn)子試驗臺
4．2．2 取樣
4．2．3 分析式鐵譜儀
4．2．4 滑動軸承磨損量
4．3 預測方法的選擇
4．3．1 指數(shù)平滑法
4．3．2 灰色預測方法
4．3．3 LS-SVM預測方法
4．3．4 基于IOWGA算子的組合預測模型
4．4 不同預測方法的試驗對比
4．4．1 三次指數(shù)平滑模型
4．4．2 GM（1，1）模型
4．4．3 LS-SVM模型
4．4．4 基于IOWGA算子的組合預測模型
4．5 預測結(jié)果分析
4．5．1 預測結(jié)果分析
4．5．2 評價指標體系
4．6 小結(jié)
5 滑動軸承磨損壽命預測方法
5．1 滑動軸承磨損及影響因素
5．1．1 滑動軸承磨損過程
5．1．2 滑動軸承磨損影響因素
5．2 滑動軸承磨損壽命試驗分析
5．3 改進的Archard磨損模型
5．4 磨損量計算結(jié)果
5．5 磨損壽命預測
5．5．1 滑動軸承的磨損閾值
5．5．2 滑動軸承壽命預測模型
5．6 小結(jié)
6 油液檢測與故障診斷網(wǎng)絡服務平臺的開發(fā)與實現(xiàn)
6．1 系統(tǒng)平臺的總體設計
6．1．1 架構(gòu)設計
6．1．2 功能設計
6．1．3 開發(fā)環(huán)境選擇
6．1．4 系統(tǒng)平臺的發(fā)布
6．2 平臺整體框架的實現(xiàn)
6．2．1 平臺網(wǎng)站的搭建
6．2．2 平臺類的建立
6．2．3 平臺界面布局設計
6．3 平臺用戶功能模塊的實現(xiàn)
6．3．1 登錄注冊模塊的實現(xiàn)
6．3．2 用戶學習模塊的實現(xiàn)
6．3．3 用戶服務模塊的實現(xiàn)
6．3．4 用戶聯(lián)系模塊的實現(xiàn)
6．4 平臺管理員功能模塊的實現(xiàn)
6．4．1 設備管理模塊的實現(xiàn)
6．4．2 報告管理模塊的實現(xiàn)
6．4．3 故障診斷模塊的實現(xiàn)
6．5 網(wǎng)絡平臺的測試與應用
6．5．1 平臺測試
6．5．2 平臺應用
6．6 小結(jié)
參考文獻