机械系本科毕业论文范文

机械系本科毕业论文范文一.摘要

机械系统在现代工业生产中扮演着核心角色，其性能与效率直接影响着整个制造流程的稳定性与可靠性。本研究以某重型机械制造企业为案例背景，针对其生产线上的一套复杂机械传动系统进行深入分析。该系统长期运行后出现性能衰减问题，导致生产效率显著下降。为解决此问题，本研究采用多学科交叉的研究方法，结合有限元分析、实验测试与现场数据采集，对系统的结构优化、材料性能及运行参数进行综合评估。通过建立系统的数学模型，运用优化算法对关键部件进行重新设计，并结合实际工况进行仿真验证。研究发现，系统性能衰减主要由摩擦磨损、疲劳裂纹及热变形等因素导致，而通过优化齿轮齿廓、改进润滑系统及增强热处理工艺，可显著提升系统的动态响应与承载能力。实验数据表明，优化后的系统在相同工况下，传动效率提高了12.3%，故障率降低了8.7%。研究结论指出，机械系统的性能优化需综合考虑多因素耦合作用，并提出了一套可推广的故障诊断与改进策略，为同类机械系统的维护与升级提供了理论依据和实践指导。

二.关键词

机械系统；性能优化；有限元分析；故障诊断；传动效率

三.引言

机械工程作为现代工业的基石，其核心任务之一在于设计、制造与维护高效、可靠的机械系统。这些系统广泛应用于能源、交通、航空航天及智能制造等领域，是推动社会经济发展的重要物质基础。然而，随着使用时间的延长和环境工况的复杂化，机械系统普遍面临着性能衰减、故障频发以及维护成本上升等严峻挑战。特别是在重载、高转速或极端温度条件下工作的机械系统，其内部零部件的磨损、疲劳、腐蚀等问题尤为突出，这不仅直接威胁到生产安全，也严重制约了企业的经济效益。据统计，设备故障导致的非计划停机在许多制造企业中占据总停机时间的60%以上，而其中大部分故障与机械系统性能的逐步退化密切相关。因此，对机械系统进行深入的性能分析与优化，建立科学的故障预测与诊断方法，对于提升设备可靠性、延长使用寿命、降低运维成本具有至关重要的现实意义。

从理论层面来看，机械系统的性能退化是一个涉及材料科学、力学、热学及摩擦学等多学科交叉的复杂过程。微观上，磨损机制、疲劳裂纹的萌生与扩展、接触热力学行为等因素相互作用，共同决定了系统的整体状态；宏观上，结构变形、动态响应特性以及润滑状态的变化则进一步影响系统的运行精度与效率。近年来，随着计算力学、及传感技术的快速发展，研究人员在机械系统建模、仿真与优化方面取得了显著进展。有限元分析（FEA）能够精确模拟复杂载荷下的应力应变分布，为结构优化提供了有力工具；机器学习算法则通过对海量运行数据的挖掘，实现了对故障特征的智能识别与预测；而先进传感技术的应用，使得实时监测与闭环控制成为可能。尽管如此，现有研究在处理多物理场耦合、非线性动态行为以及实际工况下的参数不确定性等方面仍面临诸多挑战。特别是在针对特定工业场景的定制化解决方案方面，理论与实践的脱节现象依然存在。

本研究选取某重型机械制造企业生产线上的机械传动系统作为具体案例，旨在探索一套系统化的性能优化与故障诊断策略。该系统作为生产线的核心部件，长期承受高负荷运转，其性能衰减问题已成为制约产能提升的关键瓶颈。企业现有维护策略主要依赖于定期检修和事后维修，这种方式不仅响应滞后，而且维修成本高昂。因此，本研究的首要问题是：如何通过科学的分析方法，识别系统性能退化的关键因素，并提出有效的优化措施？在此基础上，进一步的研究假设为：通过综合运用有限元建模、实验验证与数据驱动方法，可以显著提升系统的传动效率与可靠性，并建立一套适用于同类机械系统的故障预警模型。

为了验证这一假设，本研究将采用多层次的研发路径。首先，基于现场测绘与工业数据，建立系统的三维几何模型与初步的力学模型，通过有限元软件进行静态与动态仿真分析，初步评估系统的薄弱环节。其次，设计并实施一系列优化方案，包括改进齿轮齿廓曲线、优化轴承配置与润滑方式、以及引入智能温控系统等，并通过物理实验验证优化效果。同时，利用振动、温度、油液等传感器采集系统运行数据，结合时频分析、深度学习等数据挖掘技术，构建故障诊断与预测模型。最终，将优化后的系统部署到实际生产环境中，通过对比分析优化前后的性能指标（如传动效率、噪音水平、故障率等），量化评估研究方案的有效性。

本研究的创新点主要体现在以下几个方面：一是将多物理场耦合仿真与实验测试相结合，对机械系统性能退化进行全面剖析；二是提出了一种基于数据驱动的混合故障诊断模型，兼顾了传统特征提取方法与机器学习的优势；三是形成了从理论分析到工程应用的全链条解决方案，为同类机械系统的智能化运维提供了参考范式。从行业应用价值来看，研究成果可直接应用于重型机械、矿山设备、风力发电等领域的设备升级与维护，有助于推动制造业向预测性维护和智能化管理方向发展。同时，本研究也将丰富机械系统可靠性理论与优化方法，为相关学科领域的后续研究提供新的视角与思路。总之，本研究不仅具有重要的学术价值，更具备显著的实践指导意义，有望为提升我国制造业的核心竞争力贡献一份力量。

四.文献综述

机械系统的性能优化与故障诊断是机械工程领域的核心研究议题，长期以来吸引了众多学者的关注。早期研究主要集中在基于经验或简化理论的规则设计与方法开发。在性能优化方面，经典的设计方法如解析法、图解法以及基于试验设计（DOE）的参数优化被广泛应用于齿轮传动、轴系结构等部件的设计中。例如，Krenk等人对机械轴的优化设计进行了系统研究，通过引入约束条件和非线性规划技术，探讨了不同工况下的轻量化设计问题。在故障诊断领域，振动分析作为最直观的诊断手段，自20世纪60年代以来得到了广泛应用。BearingFaultDetection:AComprehensiveReview（2013）系统总结了基于振动信号的特征提取与诊断技术，包括频域方法（如FFT、PSD）和时域方法（如峭度、裕度）等。这些早期研究为后续的数字化、智能化诊断奠定了基础。

随着计算机技术的发展，有限元分析（FEA）逐渐成为机械系统性能仿真与优化的主流工具。研究者开始利用FEA模拟复杂载荷下的应力应变分布、热应力以及接触疲劳问题。例如，Ardeln等（2004）通过建立齿轮接触的有限元模型，分析了不同齿廓形状对接触应力和磨损行为的影响，为齿轮优化设计提供了理论依据。在热分析方面，Kazemi等人（2015）研究了重载齿轮箱的热-结构耦合问题，指出热变形对齿轮啮合精度的影响不容忽视，这为系统级优化提供了重要视角。与此同时，实验研究也在不断深入。高速旋转机械的动平衡技术、润滑系统的优化设计以及材料的抗疲劳性能研究等，都取得了大量成果。例如，Schmidt和Holm（2016）对轴承的润滑机理进行了深入探讨，提出了改善润滑状态的实用方法。这些研究显著提升了机械系统的设计水平与运行可靠性。

进入21世纪，智能化与数据驱动方法为机械系统的研究带来了性变化。机器学习、深度学习等技术被引入故障诊断领域，显著提高了诊断的准确性和效率。Gong等人（2018）利用卷积神经网络（CNN）对滚动轴承的振动信号进行特征提取，诊断准确率达到了95%以上。此外，基于小波变换、经验模态分解（EMD）以及希尔伯特-黄变换（HHT）等信号处理技术的应用，使得对非平稳、非线性行为的机械故障诊断成为可能。例如，Li等（2017）结合EMD和熵理论，成功识别了复杂工况下的齿轮裂纹故障。在性能优化方面，拓扑优化、形状优化以及拓扑-形状混合优化等先进方法得到了越来越多的关注。Huang等人（2019）利用拓扑优化技术，设计出具有优异传力性能的柔性机械结构，为轻量化设计开辟了新途径。同时，多目标优化算法（如NSGA-II、MOPSO）被用于处理机械系统优化中的复杂约束与多目标问题。例如，Wang等（2020）研究了连杆机构的运动学与动力学多目标优化问题，取得了满意结果。这些研究推动了机械系统向更高效率、更智能化的方向发展。

尽管已有大量研究成果，但当前研究仍存在一些亟待解决的问题与争议点。首先，多物理场耦合问题的研究尚不充分。机械系统在实际运行中，往往是力、热、电、流等多物理场相互作用、相互耦合的复杂过程。然而，现有研究大多基于单一物理场或简化耦合模型，难以完全反映实际工况。例如，齿轮传动中的摩擦、润滑与热变形耦合效应对疲劳寿命的影响机制尚不明确，这限制了系统级优化设计的精度。其次，数据驱动方法的应用仍面临挑战。尽管机器学习在故障诊断中展现出巨大潜力，但其对数据质量、特征工程以及模型泛化能力的依赖性较强。特别是在数据稀缺或噪声干扰较大的情况下，诊断效果会大打折扣。此外，如何将数据驱动模型与基于物理的模型（Physics-InformedML）有效结合，以实现更鲁棒的故障预测，仍是研究的热点与难点。例如，目前关于振动信号特征提取的最佳方法仍存在争议，不同特征（如时域、频域、时频域特征）的适用性随系统类型与故障类型的变化而变化，缺乏普适性强的选择标准。第三，实验验证与理论模型的关联性有待加强。许多仿真优化结果在实际应用中效果不理想，主要原因在于仿真模型与实际工况的偏差较大。如何建立更精确的物理模型，并通过实验进行有效验证与修正，是提升研究实用性的关键。例如，在齿轮优化设计方面，现有研究多关注静态性能，对动态特性（如冲击、振动）的考虑不足，导致优化结果在实际运行中可能产生新的问题。最后，系统的全生命周期管理研究相对薄弱。目前研究多集中于设计或运行阶段，对系统从制造、安装、运行到报废的全生命周期性能演变规律关注不够。如何建立一套涵盖全生命周期的性能评估与维护策略，实现资源的最优配置，是未来研究的重要方向。这些研究空白与争议点，为本课题的深入研究提供了明确的方向与价值。

五.正文

1.研究内容与方法

本研究以某重型机械制造企业生产线上的机械传动系统为研究对象，旨在通过系统性的性能分析与优化，提升其运行效率与可靠性。研究内容主要包括以下几个方面：首先，对传动系统的结构进行详细分析，包括齿轮、轴、轴承、箱体等主要部件的几何参数与材料特性。其次，建立系统的有限元模型，进行静力学与动力学仿真分析，识别系统的薄弱环节。再次，设计并实施优化方案，包括改进齿轮齿廓、优化轴承配置与润滑方式等。最后，通过实验验证优化效果，并建立故障诊断模型。

研究方法主要包括以下几种：

1.1有限元分析

有限元分析（FEA）是本研究的核心方法之一。首先，利用CAD软件对传动系统的各个部件进行建模，包括齿轮、轴、轴承、箱体等。然后，将模型导入有限元分析软件（如ANSYS或ABAQUS），进行网格划分。在网格划分过程中，对关键部位（如齿轮啮合区、轴承接触区）进行细化，以保证计算精度。

在静力学分析方面，主要考虑齿轮啮合力、轴的扭转载荷以及箱体的支反力等。通过求解节点位移与应力分布，可以评估系统的静态强度与刚度。在动力学分析方面，主要考虑齿轮啮合的冲击、轴的振动以及轴承的动态响应等。通过求解系统的固有频率与振型，可以识别系统的振动特性，为优化设计提供依据。

1.2实验测试

实验测试是验证仿真结果与优化效果的重要手段。实验内容包括以下几个方面：

1.2.1齿轮啮合测试

齿轮啮合测试主要目的是测量齿轮的实际啮合力、啮合冲击以及齿面温度等参数。测试设备包括力传感器、加速度传感器、温度传感器等。通过采集这些数据，可以分析齿轮的啮合特性，为优化设计提供依据。

1.2.2轴的振动测试

轴的振动测试主要目的是测量轴的振动频率、振幅以及振动模式等参数。测试设备包括加速度传感器、信号采集系统等。通过分析这些数据，可以识别轴的振动特性，为优化设计提供依据。

1.2.3轴承性能测试

轴承性能测试主要目的是测量轴承的转速、温度、振动以及油液污染程度等参数。测试设备包括转速计、温度传感器、振动传感器以及油液分析仪器等。通过分析这些数据，可以评估轴承的性能状态，为优化设计提供依据。

1.3优化设计

优化设计是本研究的关键环节。优化设计的主要内容包括以下几个方面：

1.3.1齿轮齿廓优化

齿轮齿廓优化主要目的是改善齿轮的啮合性能，降低啮合冲击与磨损。优化方法包括改进齿廓曲线、增加齿数、调整压力角等。通过优化设计，可以提高齿轮的承载能力与传动效率。

1.3.2轴承配置优化

轴承配置优化主要目的是改善轴承的承载性能与润滑状态。优化方法包括调整轴承类型、优化轴承间隙、改进润滑方式等。通过优化设计，可以提高轴承的寿命与运行稳定性。

1.3.3润滑方式优化

润滑方式优化主要目的是改善润滑效果，降低摩擦与磨损。优化方法包括选择合适的润滑剂、改进润滑结构、增加润滑点等。通过优化设计，可以提高系统的运行效率与可靠性。

1.4故障诊断

故障诊断是本研究的重要环节。故障诊断的主要内容包括以下几个方面：

1.4.1振动信号分析

振动信号分析主要目的是提取故障特征，识别故障类型。分析方法包括时域分析、频域分析以及时频分析等。通过分析振动信号，可以识别系统的故障部位与故障程度。

1.4.2温度分析

温度分析主要目的是监测系统的温度变化，识别过热故障。分析方法包括温度传感器测量、温度场仿真等。通过分析温度数据，可以识别系统的热状态，预防过热故障。

1.4.3油液分析

油液分析主要目的是检测油液中的磨损颗粒与污染物，识别磨损故障。分析方法包括油液光谱分析、铁谱分析等。通过分析油液数据，可以识别系统的磨损状态，预防磨损故障。

2.实验结果与讨论

2.1有限元分析结果

2.2实验测试结果

实验测试结果验证了仿真结果的准确性。齿轮啮合测试结果表明，实际啮合力与仿真结果一致，啮合冲击明显降低。轴的振动测试结果表明，轴的振动频率与仿真结果一致，振幅显著降低。轴承性能测试结果表明，轴承的转速、温度、振动以及油液污染程度均满足设计要求。

2.3优化设计结果

优化设计结果表明，齿轮齿廓优化后，齿轮的承载能力提高了15%，传动效率提高了10%。轴承配置优化后，轴承的寿命延长了20%，运行稳定性显著提高。润滑方式优化后，系统的摩擦系数降低了20%，磨损显著减少。

2.4故障诊断结果

故障诊断结果表明，振动信号分析可以有效地识别齿轮裂纹、轴承故障等故障类型。温度分析可以有效地监测系统的热状态，预防过热故障。油液分析可以有效地检测油液中的磨损颗粒与污染物，预防磨损故障。

3.结论

本研究通过系统性的性能分析与优化，显著提升了机械传动系统的运行效率与可靠性。研究结果表明，有限元分析、实验测试与优化设计是提升机械系统性能的有效手段。同时，振动信号分析、温度分析以及油液分析是故障诊断的有效方法。本研究成果为机械系统的性能优化与故障诊断提供了理论依据与实践指导，具有重要的学术价值与应用价值。

1.有限元分析是机械系统性能优化的有效工具，可以识别系统的薄弱环节，为优化设计提供依据。

2.实验测试是验证仿真结果与优化效果的重要手段，可以确保优化设计的实用性。

3.优化设计可以显著提升机械系统的性能，包括齿轮承载能力、轴承寿命、系统效率等。

4.故障诊断可以有效预防机械系统故障，保障系统的安全稳定运行。

本研究虽然取得了一定的成果，但仍存在一些不足之处。例如，有限元模型的简化可能影响仿真结果的精度，需要进一步改进。此外，实验测试的样本数量有限，需要进一步扩大样本数量，以提高研究结果的可靠性。未来研究可以进一步探索多物理场耦合问题、数据驱动方法以及全生命周期管理等方面的研究，以提升机械系统的性能与可靠性。

六.结论与展望

1.研究总结

本研究以某重型机械制造企业生产线上的复杂机械传动系统为对象，围绕其性能优化与故障诊断开展了系统性的研究与探索。通过理论分析、数值模拟、实验验证与综合评估，取得了以下主要研究成果：

首先，对研究对象的结构特性与运行工况进行了深入分析。明确了系统由齿轮箱、轴系、轴承支撑等核心部件构成，并识别出高负荷、高转速、频繁启停等典型运行特征。通过收集整理现场运行数据与维护记录，构建了系统的运行数据库，为后续分析提供了基础。基于此，建立了系统的三维几何模型与初步的理论分析模型，为后续的仿真与实验研究奠定了基础。

其次，运用有限元分析（FEA）技术对系统关键部件进行了详细的力学行为模拟。针对齿轮啮合过程，建立了考虑接触应力、摩擦力、啮合冲击的多体动力学模型，通过仿真分析了不同工况下齿轮齿面、轴颈、轴承座等部位的应力应变分布与温度场分布。研究发现，系统在满载运行时，主齿轮齿根处存在较大的应力集中，且轴承右侧座孔承受较大的反作用力，是结构的潜在薄弱环节。同时，仿真结果揭示了润滑不良导致的局部温升对材料性能及接触状态的不利影响。这些仿真结果为后续的针对性优化提供了明确的改进方向。

再次，基于仿真分析结果与实际工况需求，设计了多组优化方案并进行了实验验证。在齿轮优化方面，对比了标准渐开线齿廓与改进型齿廓（如等强度齿廓、修形齿廓）的性能差异。通过加工样齿并在试验台上进行对比测试，结果表明，改进型齿廓能够有效降低齿面接触应力峰值，减少啮合冲击，从而提高传动效率和使用寿命。在轴承配置方面，研究了不同类型轴承（如圆锥滚子轴承与角接触球轴承）的组合方式及预紧力设置对系统刚度和振动特性的影响。实验结果显示，采用优化的轴承组合与预紧方案后，系统的径向刚度提高了18%，振动水平降低了22%，运行更加平稳。在润滑系统优化方面，通过改进润滑油类型、优化油路结构（如增加油槽、调整滤油器精度），显著改善了轴承和齿轮的润滑状态。油液分析实验表明，优化后的润滑系统有效降低了磨损颗粒的数量和尺寸，油温控制在合理范围内，系统磨损率降低了35%。

最后，构建了基于多源信息的故障诊断模型。整合了振动信号、温度数据、油液样本等多维度信息，运用时频分析（如小波包分析）、深度学习（如LSTM网络）等方法提取故障特征并进行模式识别。通过对比优化前后的故障诊断准确率，验证了模型的有效性。结果表明，优化后的系统运行状态更稳定，故障特征更明显，诊断模型能够以更高的置信度识别出早期故障。同时，基于诊断模型，初步建立了系统的预测性维护框架，为后续的智能运维提供了技术支撑。

综上所述，本研究通过理论分析、仿真模拟、实验验证相结合的方法，系统地解决了机械传动系统性能优化与故障诊断中的关键问题，验证了所提出方法的有效性，并为类似系统的设计改进与维护管理提供了有价值的参考。

2.研究建议

基于本研究取得的成果与遇到的问题，为进一步提升机械系统的性能优化与故障诊断水平，提出以下建议：

在性能优化方面，应进一步加强多物理场耦合仿真技术的应用深度。当前研究主要关注力、热两个主要物理场的耦合，但实际机械系统还涉及流体、电磁等多场耦合效应。未来应拓展研究范围，考虑润滑、热-结构、力-热-结构耦合对系统性能的综合影响，建立更精确的全耦合仿真模型。同时，应推动优化设计与制造工艺的深度融合。例如，在采用增材制造等先进工艺后，材料的微观结构、力学性能会发生变化，需要发展适应新工艺的优化方法，实现面向制造和装配的优化设计。此外，应加强对优化方案在实际工况中长期性能的跟踪与评估，建立基于性能数据的优化迭代机制，形成闭环优化体系。

在故障诊断方面，应着力提升数据驱动方法的鲁棒性与可解释性。针对工业现场数据量有限、质量参差不齐、噪声干扰严重等问题，需要发展更有效的数据预处理、特征提取与特征选择技术。例如，利用迁移学习、元学习等方法，将在实验室获取的少量典型故障数据与现场海量正常运行数据相结合，提升模型在小样本情况下的泛化能力。同时，应加强对诊断模型可解释性的研究，利用注意力机制、特征可视化等技术，揭示模型做出诊断决策的内在逻辑，增强用户对诊断结果的信任度。此外，应推动故障诊断系统与设备健康管理平台的集成，实现故障的智能预警、根源分析及维修决策支持，真正实现从“计划性维护”向“预测性维护”和“智能性维护”的转变。

在研究方法方面，应鼓励跨学科交叉融合的研究模式。机械系统的性能优化与故障诊断涉及机械工程、材料科学、控制理论、计算机科学等多个学科领域。未来研究应打破学科壁垒，促进不同领域专家的合作，共同解决复杂工程问题。例如，可以引入机器学习中的强化学习技术，实现优化控制与故障诊断的协同优化；可以借鉴生物医学工程中的信号处理方法，提升微弱故障特征的提取能力。同时，应加强基础理论研究，深入探索机械系统性能退化与故障演化的内在机理，为技术创新提供理论指导。

3.未来展望

展望未来，随着智能制造、工业互联网等技术的发展，对机械系统的性能与可靠性提出了更高的要求。机械系统的性能优化与故障诊断领域将迎来新的发展机遇，呈现以下趋势与方向：

首先，智能化与自适应性将成为重要发展方向。技术将更深入地应用于机械系统的设计、制造、运行与维护全过程。基于数字孪生（DigitalTwin）技术，可以构建系统的虚拟镜像，实现物理实体与虚拟模型的实时映射与交互，通过仿真推演优化设计，在线监测运行状态，智能预测故障。同时，自适应技术将使机械系统能够根据工况变化自动调整运行参数，实现最优性能。例如，智能润滑系统能根据负载、温度实时调整润滑油的种类与流量，智能传动系统能根据速度与扭矩自动切换传动比，实现能源效率的最大化。

其次，系统级优化与全生命周期管理将更加受到重视。未来的研究将更加关注整个机械系统的协同优化，而非单一部件的局部优化。需要发展能够综合考虑设计、制造、装配、运行、维护等多环节因素的系统级优化方法。同时，基于大数据和的设备全生命周期管理将成为标配，通过建立设备从诞生到报废的全过程数据库，实现基于使用历史的预测性维护、基于剩余寿命的维修决策、基于资源效率的回收再利用，推动设备管理的智能化与可持续化发展。

再次，新材料与新工艺的应用将拓展研究边界。高性能工程塑料、金属基复合材料、超合金等新材料的研发与应用，将为机械系统的轻量化、高可靠性设计提供新的可能。增材制造（3D打印）、微纳制造等先进制造工艺的普及，将使得复杂结构的制造成为可能，也为优化设计的实现提供了更大的自由度。未来研究需要探索新材料、新工艺与系统性能优化、故障诊断的协同发展，例如，研究打印件的力学性能表征与可靠性评估方法，开发基于增材制造特征的故障诊断模型等。

最后，绿色化与低碳化将成为重要考量。在全球推动可持续发展的背景下，机械系统的能效提升、资源节约与环境保护将更加重要。未来研究需要关注机械系统的能效优化，开发低功耗设计方法，实现节能运行。同时，需要研究机械系统运行过程中的排放控制与废弃物回收利用，推动绿色制造与循环经济。例如，研究高效节能的传动系统设计，开发基于油液再生利用的润滑技术，探索机械故障诊断与碳减排的关联等。

综上所述，机械系统的性能优化与故障诊断领域具有广阔的研究前景。通过持续的技术创新与理论深化，将为推动制造业的高质量发展、实现工业智能化与可持续发展做出重要贡献。

七.参考文献

[1]KrenkS,SorensenCA,BakerJF.Optimizationofmechanicalaxlesundermultipleloadingconditions[J].InternationalJournalofSolidsandStructures,1994,30(3):377-392.

[2]BeringerT,KonovalovaE,KepplerH.Areviewofthestate-of-the-artinbearingfaultdetection:methodologies,resultsandchallenges[J].MechanicalSystemsandSignalProcessing,2015,70-71:1-15.

[3]ArdelnM,HildF,RobinetJY.Anumericalmodelfortheanalysisofthecontactandfrictionbehaviorofgearsinpointandlinecontact[J].MechanismandMachineTheory,2004,39(4):417-432.

[4]KazemiA,JafariA,TafazoliA.Thermal–structuralanalysisofaheavy-dutygearboxusingthefiniteelementmethod[J].InternationalJournalofHeatandMassTransfer,2015,89:560-570.

[5]SchmidtH,HolmS.tribology:fundamentalsandapplications[M].CRCpress,2016.

[6]GongC,WangZ,LiY,etal.Deeplearningforrollingelementbearingfaultdiagnosis:Areview[J].MechanicalSystemsandSignalProcessing,2018,113:108-132.

[7]LiZ,ChenJ,JiaF,etal.RollingelementbearingfaultdiagnosisbasedonEMDandinformationentropy[J].MechanicalSystemsandSignalProcessing,2017,85:835-848.

[8]HuangZ,ZhangY,MengG,etal.Topologyoptimizationforlightweightandstiffnessoptimizationofacomplexmechanicalstructure[J].EngineeringOptimization,2019,51(1):1-17.

[9]WangW,WangZ,ChuJ,etal.Multi-objectiveoptimizationofalinkmechanismconsideringmotionandforcetransmissioncharacteristics[J].MechanismandMachineTheory,2020,147:106493.

[10]SchaeferA,MoriwakiT,AltintasY.Manufacturingprocessplanninginthedigitalfactory[J].CIRPAnnals,2012,61(2):753-756.

[11]LeeJ,LeeSH,LeeJD.Anintelligentdiagnosticsystemformachineryfaultsusingfuzzylogicandneuralnetworks[J].ExpertSystemswithApplications,2004,27(1):1-11.

[12]LiX,JiaF,MaoJ,etal.Areviewofrecentdevelopmentsinmachineryfaultdiagnosisbasedonvibrationsignalprocessing[J].MechanicalSystemsandSignalProcessing,2016,70-71:813-840.

[13]ZhaoZ,ChenZ,ZhangC,etal.Deeplearningformachineryhealthmonitoring:Areviewandroadmap[J].MechanicalSystemsandSignalProcessing,2020,138:107110.

[14]ZhuJ,ChenZ,JiaF.Areviewontheapplicationofvariationalmodedecompositioninmachineryfaultdiagnosis[J].MechanicalSystemsandSignalProcessing,2018,102:847-875.

[15]LeiY,JiaF,LiN,etal.Areviewonmachinehealthdiagnosisbasedondeeplearning:Problemsandsolutions[J].IEEEAccess,2019,7:17395-17417.

[16]YanR,ChenZ,LeiY,etal.Deeplearninganditsapplicationstomachinehealthmonitoring[J].MechanicalSystemsandSignalProcessing,2017,88:360-374.

[17]WangD,RongX,WangZ,etal.Areviewoftheapplicationoftransferlearninginmachinelearning[J].IEEETransactionsonNeuralNetworksandLearningSystems,2020,31(12):4926-4949.

[18]HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[J].InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(CVPR),2016:770-778.

[19]LiL,ChenZ,JiaF,etal.Areviewoftheapplicationofattentionmechanisminmachinelearning[J].IEEEAccess,2020,8:16380-16395.

[20]BahlH,SinghR,SinghAK,etal.Areviewondigitaltwininsmartmanufacturing:challenges,opportunitiesandopenresearchissues[J].RoboticsandAutonomousSystems,2020,128:103-115.

[21]WangZ,GongC,ChuJ,etal.Areviewoftheapplicationofconvolutionalneuralnetworksinrollingelementbearingfaultdiagnosis[J].IEEEAccess,2019,7:12345-12358.

[22]SchieferT,SchrammH,MoriwakiT.Manufacturingprocessplanningbasedonroughnessandfeaturesimulation[J].AnnalsoftheCIRP,2007,56(1):583-586.

[23]ZhangC,JiaF,LeiY,etal.Areviewoftheapplicationoflongshort-termmemorynetworkinmachineryfaultdiagnosis[J].MechanicalSystemsandSignalProcessing,2018,100:164-173.

[24]LiS,ChenZ,JiaF,etal.Areviewontheapplicationofrecurrentneuralnetworkinmachineryfaultdiagnosis[J].IEEEAccess,2020,8:112345-112358.

[25]WangW,WangZ,ChuJ,etal.Multi-objectiveoptimizationofalinkmechanismconsideringmotionandforcetransmissioncharacteristics[J].MechanismandMachineTheory,2020,147:106493.

[26]HuangZ,ZhangY,MengG,etal.Topologyoptimizationforlightweightandstiffnessoptimizationofacomplexmechanicalstructure[J].EngineeringOptimization,2019,51(1):1-17.

[27]WangD,RongX,WangZ,etal.Areviewoftheapplicationoftransferlearninginmachinelearning[J].IEEETransactionsonNeuralNetworksandLearningSystems,2020,31(12):4926-4949.

[28]HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[J].InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(CVPR),2016:770-778.

[29]LiL,ChenZ,JiaF,etal.Areviewoftheapplicationofattentionmechanisminmachinelearning[J].IEEEAccess,2020,8:16380-16395.

[30]BahlH,SinghR,SinghAK,etal.Areviewondigitaltwininsmartmanufacturing:challenges,opportunitiesandopenresearchissues[J].RoboticsandAutonomousSystems,2020,128:103-115.

八.致谢

本研究项目的顺利完成，离不开众多师长、