1. 研究目的与意义（文献综述）

1.1 目的及意义

随着科学技术和工业技术的不断发展，智能化、自动化、高精度成为机械设备发展的趋势[1]，同时也导致其结构日趋复杂、各部分之间的关联愈加密切。在实际的生产过程中，往往会因为零件的损坏或故障影响系统的正常工作，造成严重甚至无法挽回的后果，而且在全球范围内，由机械故障导致的事故也屡屡发生。例如，2008年9月俄罗斯波音737客机发生故障导致88人遇难；2003年“哥伦比亚号”失事，美国航天事业受到严重影响；2016年7月19日，因车门故障导致的台湾游览车事故造成24名游客、2名台湾导游死亡；2003年9月至2004年10期间，由于车轴疲劳断裂，我国铁路浙赣线、京沪线等发生了4次货物列车脱轨事故，经济损失高达20亿人民币。上述事故大多数是机械故障引起的，类似的事故也数不胜数，因此利用故障诊断技术，提高设备的安全可靠性，对保障人身安全、设备正常运行、降低经济损失具有极其重要的意义[2][3][4]。

机械产业是制造业的核心产业，同时也是国防和国民经济的战略性产业，而轴承又是制造业中的基础零件[5]。由于机械效率高、具有互换性、摩擦阻力小等优点，滚动轴承在机械、航空航天、水电等众多领域中得到广泛使用，成为机械设备特别是旋转机械系统的不可或缺的零件。由于滚动轴承通常与固定件、旋转件连接，在工作过程中必然会受到多种交变载荷，长时间处于这样的工作状态，轴承遭受损伤或故障是避免不了的。另外，考虑到机加工误差、不合理操作等原因，轴承表面也会出现不同程度的损伤，这些原因导致滚动轴承是机械设备中最容易发生故障的零件之一。资料表明，旋转机械中70%的故障是由滚动轴承引起的，电机故障中80%表现为电机轴承故障[6]。有关数据显示，对机械设备应用状态检测与故障诊断技术后，75%的事故可以避免，维修费用甚至可减少25%~50%。由此可见滚动轴承故障诊断的重要性和必要性。

2. 研究的基本内容与方案

实际生产过程中的机械设备产生的故障信号绝大多数是非线性、非平稳的信号，然而传统的信号分析方法无法有效识别、分析这些信号，为了提取能够反映信号本质特征的信号，找出机械设备故障的原因，本文将采用小波包技术[33]、边界fisher分析、k近邻算法[34]等近年来新发展的方法，进一步说明流形学习在故障诊断中的实用性和高效性。本论文的内容安排如下：

第一章，绪论。介绍研究背景及意义，从滚动轴承故障诊断发展概况及研究现状展开，指出传统方法的不足并介绍非线性、非平稳信号的分析方法；综述流形学习在故障诊断中的应用并简单介绍基于监督学习的流形学习算法。

第二章，基于时域分析、频域分析的诊断研究。使用传统的时域、频域分析方法对故障轴承信号进行诊断，分析传统时域、频域分析方法处理非线性、非平稳信号的不足。

3. 研究计划与安排

第1-3周：完成开题报告和英文翻译；
第4-5周：完成毕业设计相关内容的总体方案设计；
第6-8周：完成毕业设计相关内容的详细方案设计；
第8-12周：完成相关的分析计算工作；
第13-16周：毕业设计论文修订，评阅，与毕业答辩。

4. 参考文献（12篇以上）

[1] n.baydar,q.chen,et al,detection of incipient tooth defect in helical gearsusing multivariate statistics[j],mechanical system and signalprocessing,2001,15;303-321.

[2]屈梁生，何正嘉.机械故障诊断学[m].上海：上海科学技术出版社，1986.