油液信息在齿轮和滑动轴承磨损故障识别中的应用

1 绪论
1．1 研究背景及意义
1．2 摩擦磨损理论
1．2．1 摩擦理论
1．2．2 磨损理论
1．3 油液分析常用技术
1．3．1 理化指标分析技术
1．3．2 铁谱分析技术
1．3．3 光谱分析技术
1．3．4 颗粒计数分析
1．4 国内外研究动态
1．4．1 油液性能与设备磨损的关系
1．4．2 油液数据的分析处理技术
1．4．3 滑动轴承磨损与寿命预测
1．4．4 油液分析技术的智能化
1．5 主要研究内容
2 基于磨粒信息的齿轮磨损状态识别
2．1 铁谱数据的获取
2．1．1 取样时间
2．1．2 制谱
2．2 基于铁谱定性分析的齿轮磨损状态识别
2．2．1 磨粒的特征识别
2．2．2 铁谱图像的预处理
2．2．3 齿轮磨损状态的识别
2．3 基于铁谱定量分析的齿轮磨损状态识别
2．3．1 铁谱定量分析参数
2．3．2 铁谱定量分析参数的获取
2．3．3 铁谱定量分析参数正态分布检验
2．3．4 齿轮磨损状态的识别
2．4 基于形式磨损指数的齿轮磨损状态识别
2．4．1 形式磨损指数的计算
2．4．2 形式磨损指数定量评估流程
2．4．3 齿轮磨损状态的识别
2．5 小结
3 基于油液综合信息的齿轮磨损故障预测方法
3．1 基于偏最小二乘回归分析的齿轮故障预测
3．1．1 偏最小二乘回归分析简介
3．1．2 偏最小二乘回归分析建模方法
3．1．3 偏最小二乘回归的算法步骤
3．1．4 齿轮故障预测结果分析
3．2 基于主成分分析与BP神经网络的油液分析方法
3．2．1 主成分分析理论
3．2．2 BP神经网络理论
3．2．3 主成分与BP神经网络油液分析方法应用
3．3 小结
4 滑动轴承磨损磨粒浓度预测
4．1 预测理论
4．1．1 预测的基本原则
4．1．2 预测的基本步骤
4．2 试验
4．2．1 转子试验台
4．2．2 取样
4．2．3 分析式铁谱仪
4．2．4 滑动轴承磨损量
4．3 预测方法的选择
4．3．1 指数平滑法
4．3．2 灰色预测方法
4．3．3 LS-SVM预测方法
4．3．4 基于IOWGA算子的组合预测模型
4．4 不同预测方法的试验对比
4．4．1 三次指数平滑模型
4．4．2 GM（1，1）模型
4．4．3 LS-SVM模型
4．4．4 基于IOWGA算子的组合预测模型
4．5 预测结果分析
4．5．1 预测结果分析
4．5．2 评价指标体系
4．6 小结
5 滑动轴承磨损寿命预测方法
5．1 滑动轴承磨损及影响因素
5．1．1 滑动轴承磨损过程
5．1．2 滑动轴承磨损影响因素
5．2 滑动轴承磨损寿命试验分析
5．3 改进的Archard磨损模型
5．4 磨损量计算结果
5．5 磨损寿命预测
5．5．1 滑动轴承的磨损阈值
5．5．2 滑动轴承寿命预测模型
5．6 小结
6 油液检测与故障诊断网络服务平台的开发与实现
6．1 系统平台的总体设计
6．1．1 架构设计
6．1．2 功能设计
6．1．3 开发环境选择
6．1．4 系统平台的发布
6．2 平台整体框架的实现
6．2．1 平台网站的搭建
6．2．2 平台类的建立
6．2．3 平台界面布局设计
6．3 平台用户功能模块的实现
6．3．1 登录注册模块的实现
6．3．2 用户学习模块的实现
6．3．3 用户服务模块的实现
6．3．4 用户联系模块的实现
6．4 平台管理员功能模块的实现
6．4．1 设备管理模块的实现
6．4．2 报告管理模块的实现
6．4．3 故障诊断模块的实现
6．5 网络平台的测试与应用
6．5．1 平台测试
6．5．2 平台应用
6．6 小结
参考文献