作者简介 | 第1-4页 |
摘要 | 第4-6页 |
ABSTRACT | 第6-12页 |
第1章 绪论 | 第12-24页 |
·引言 | 第12页 |
·机械设备故障诊断的研究意义和研究内容 | 第12-14页 |
·机械设备故障诊断的研究意义 | 第12-13页 |
·机械设备故障诊断的研究内容 | 第13-14页 |
·旋转机械振动分析与故障诊断技术的研究现状 | 第14-21页 |
·旋转机械振动分析方法的研究现状 | 第14-18页 |
·旋转机械故障诊断方法的研究现状 | 第18-21页 |
·论文研究的目的和意义 | 第21-22页 |
·论文的主要研究内容 | 第22-24页 |
第2章 基于经验模态分解的齿轮和轴承故障诊断研究 | 第24-48页 |
·引言 | 第24页 |
·经验模态分解的原理与算法 | 第24-26页 |
·EMD 分解的原理与算法 | 第24-25页 |
·EMD 数值仿真 | 第25-26页 |
·经验模态分解和奇异值差分谱理论在轴承故障诊断中的应用 | 第26-36页 |
·奇异值差分谱理论及仿真 | 第27-31页 |
·应用 EMD 和奇异值差分谱理论进行轴承故障诊断实例 | 第31-36页 |
·小结 | 第36页 |
·EMD 能量熵和支持向量机在齿轮故障诊断中的应用 | 第36-43页 |
·能量熵的定义 | 第37页 |
·支持向量机的分类原理 | 第37-39页 |
·基于 EMD 能量熵和支持向量机的齿轮故障诊断实例 | 第39-42页 |
·小结 | 第42-43页 |
·基于经验模态分解奇异值熵和支持向量机的齿轮故障诊断 | 第43-47页 |
·奇异值熵的定义 | 第43-44页 |
·EMD 奇异值熵和支持向量机在齿轮故障诊断中的应用 | 第44-47页 |
·小结 | 第47页 |
·结论 | 第47-48页 |
第3章 基于总体平均经验模态分解的齿轮故障诊断研究 | 第48-60页 |
·引言 | 第48页 |
·基于 EEMD 能量熵和支持向量机的齿轮故障诊断 | 第48-54页 |
·EEMD 算法及仿真 | 第48-50页 |
·EEMD 能量熵和支持向量机在齿轮故障诊断中的应用 | 第50-53页 |
·小结 | 第53-54页 |
·基于 EEMD 奇异值熵和支持向量机的齿轮故障诊断 | 第54-59页 |
·EMD 和 EEMD 的比较 | 第54-57页 |
·EEMD 奇异值熵和支持向量机在齿轮故障诊断中的应用 | 第57-58页 |
·小结 | 第58-59页 |
·结论 | 第59-60页 |
第4章 基于局部均值分解的齿轮和轴承故障诊断研究 | 第60-90页 |
·引言 | 第60页 |
·LMD 分解的原理及算法仿真 | 第60-64页 |
·LMD 分解的原理与算法 | 第60-63页 |
·LMD 数值仿真 | 第63-64页 |
·基于随机共振消噪和 LMD 分解的轴承故障诊断 | 第64-77页 |
·LMD 和 EMD 的对比研究 | 第64-68页 |
·随机共振消噪和 LMD 分解在轴承故障诊断中的应用 | 第68-76页 |
·小结 | 第76-77页 |
·基于 LMD 近似熵和支持向量机的齿轮故障诊断 | 第77-82页 |
·近似熵的定义 | 第77-79页 |
·LMD 近似熵和支持向量机在齿轮故障诊断中的应用 | 第79-82页 |
·小结 | 第82页 |
·基于 LMD 分解和 Lempel-Ziv 指标的轴承故障诊断 | 第82-88页 |
·Lempel-Ziv 指标 | 第83-84页 |
·LMD 分解和 Lempel-Ziv 指标在轴承故障诊断中的应用 | 第84-88页 |
·小结 | 第88页 |
·结论 | 第88-90页 |
第5章 基于极值域均值模态分解的旋转机械故障诊断研究 | 第90-110页 |
·引言 | 第90页 |
·EMMD 分解算法 | 第90-91页 |
·EMMD 分解的轴承故障诊断研究 | 第91-99页 |
·第2 代小波和 EMMD 转子系统复合故障诊断研究 | 第99-109页 |
·第 2 代小波简介 | 第99-100页 |
·第 2 代小波和 EMMD 相结合在转子系统复合故障诊断中的应用 | 第100-109页 |
·小结 | 第109页 |
·结论 | 第109-110页 |
第6章 总结与展望 | 第110-113页 |
致谢 | 第113-114页 |
参考文献 | 第114-126页 |
攻读博士期间发表的论文和参加的科研项目 | 第126-127页 |