基于粒子滤波方法的齿轮箱故障诊断技术
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·课题研究背景及意义概述 | 第10-11页 |
| ·课题来源 | 第10页 |
| ·选题背景及意义 | 第10-11页 |
| ·齿轮箱故障诊断技术及其发展现状 | 第11-13页 |
| ·故障诊断起源和发展现状概述 | 第11页 |
| ·齿轮箱故障诊断技术 | 第11-13页 |
| ·粒子滤波理论及其发展应用 | 第13-14页 |
| ·粒子滤波理论及其发展 | 第13-14页 |
| ·粒子滤波及其在故障诊断中的应用 | 第14页 |
| ·本论文主要的工作安排如下 | 第14-16页 |
| 2 齿轮箱故障原理和特征信号分析 | 第16-26页 |
| ·齿轮典型故障及其原因分析 | 第16-17页 |
| ·齿轮典型故障 | 第16-17页 |
| ·齿轮典型故障原因分析 | 第17页 |
| ·轴承常见故障类型及其原因分析 | 第17-18页 |
| ·齿轮振动原理分析及其信号特征 | 第18-20页 |
| ·齿轮振动原理分析 | 第18-19页 |
| ·齿轮故障信号的特征 | 第19-20页 |
| ·滚动轴承的振动原理及其信号特征 | 第20-22页 |
| ·滚动轴承的结构 | 第20页 |
| ·滚动轴承的振动原理 | 第20-21页 |
| ·滚动轴承的信号特点 | 第21-22页 |
| ·齿轮箱故障诊断的信号处理方法 | 第22-25页 |
| ·信号的时域分析 | 第22-24页 |
| ·信号的频域分析 | 第24-25页 |
| ·信号的时频分析 | 第25页 |
| ·本章小结 | 第25-26页 |
| 3 粒子滤波原理 | 第26-37页 |
| ·粒子滤波基础 | 第26-28页 |
| ·贝叶斯估计应用到动态空间模型 | 第26-27页 |
| ·蒙特卡罗积分方法 | 第27-28页 |
| ·重要性采样和序列重要性采样 | 第28-29页 |
| ·粒子匮乏与重采样算法 | 第29-30页 |
| ·不敏粒子滤波算法（UPF） | 第30-31页 |
| ·改进粒子滤波算法状态估计仿真例证 | 第31-34页 |
| ·粒子滤波降噪实验仿真 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 4. 粒子滤波在齿轮箱故障诊断中的应用 | 第37-62页 |
| ·实验装置和仪器 | 第37-39页 |
| ·实验装置的组成 | 第37-38页 |
| ·实验仪器设备的规格 | 第38-39页 |
| ·实验总体规划 | 第39-42页 |
| ·测点的位置的布置 | 第39-40页 |
| ·齿轮箱故障类型的设置 | 第40-42页 |
| ·实验振动信号的采集分析 | 第42-43页 |
| ·实验数据的平稳化与初降噪 | 第43-47页 |
| ·实验数据的 EMD 分解 | 第43-44页 |
| ·小波阈值降噪与 IMF 的选择性重构 | 第44-47页 |
| ·齿轮箱信号 UPF 降噪处理 | 第47-60页 |
| ·齿轮箱信号模型的判定 | 第47-49页 |
| ·AR 信号模型阶数的确定 | 第49-54页 |
| ·AR 信号模型参数辨识 | 第54-55页 |
| ·运用 UPF 粒子滤波降噪 | 第55-60页 |
| ·本章小结 | 第60-62页 |
| 5 基于支持向量机的故障识别 | 第62-75页 |
| ·支持向量机概述 | 第62-65页 |
| ·VC 维 | 第62页 |
| ·推广性的界 | 第62-63页 |
| ·结构化风险最小化原则 | 第63页 |
| ·最优分类超平面 | 第63-64页 |
| ·支持向量机的分类 | 第64-65页 |
| ·支持向量机多分类的应用 | 第65页 |
| ·支持向量机齿轮箱故障识别 | 第65-70页 |
| ·数据的预处理 | 第65-69页 |
| ·支持向量机分类器的构建和故障识别 | 第69-70页 |
| ·滤波前后 SVM 故障识别对比分析 | 第70-72页 |
| ·滤波效果的对比 | 第72-74页 |
| ·SVM 对滤波效果的对比 | 第72-73页 |
| ·BP 神经网络对滤波效果的对比 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 6 总结与展望 | 第75-77页 |
| ·总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
