| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 滚动轴承故障诊断的研究意义及其内容 | 第9-12页 |
| 1.1.1 滚动轴承故障诊断的研究背景与意义 | 第9-10页 |
| 1.1.2 滚动轴承故障诊断方法内容的研究 | 第10-12页 |
| 1.2 滚动轴承故障诊断研究现状 | 第12-16页 |
| 1.2.1 时域分析法 | 第12页 |
| 1.2.2 频域分析法 | 第12-13页 |
| 1.2.3 时频分析法 | 第13-16页 |
| 1.3 项目来源及本文研究内容 | 第16-18页 |
| 第2章 LMD时频分析方法研究 | 第18-27页 |
| 2.1 前言 | 第18页 |
| 2.2 基本理论 | 第18-20页 |
| 2.2.1 调制信号 | 第18-20页 |
| 2.2.2 EMD分解方法 | 第20页 |
| 2.3 LMD基本原理 | 第20-25页 |
| 2.3.1 LMD基本原理和算法 | 第20-23页 |
| 2.3.2 基于LMD的瞬时频率 | 第23-25页 |
| 2.4 LMD存在的不足 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于LMD虚假分量问题的改进方法 | 第27-36页 |
| 3.1 前言 | 第27页 |
| 3.2 基于相关系数法的LMD虚假分量问题处理方法 | 第27-28页 |
| 3.2.1 相关系数 | 第27页 |
| 3.2.2 虚假分量问题处理方法 | 第27-28页 |
| 3.3 能量比和功率谱的基本概念 | 第28-29页 |
| 3.3.1 能量比 | 第28页 |
| 3.3.2 功率谱 | 第28-29页 |
| 3.4 仿真实验分析 | 第29-31页 |
| 3.5 实验研究 | 第31-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法 | 第36-46页 |
| 4.1 前言 | 第36页 |
| 4.2 多尺度熵 | 第36-38页 |
| 4.2.1 样本熵 | 第37页 |
| 4.2.2 多尺度熵 | 第37-38页 |
| 4.3 概率神经网络 | 第38-39页 |
| 4.3.1 概率神经网络基础 | 第38页 |
| 4.3.2 概率神经网络的模型 | 第38-39页 |
| 4.4 基于LMD和神经网络的故障诊断 | 第39-44页 |
| 4.4.1 诊断方法 | 第39-40页 |
| 4.4.2 实验研究 | 第40-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 基于LMD与多尺度谱熵的滚动轴承故障诊断方法 | 第46-57页 |
| 5.1 前言 | 第46页 |
| 5.2 多尺度形态学 | 第46-48页 |
| 5.2.1 多尺度形态学理论 | 第46-47页 |
| 5.2.2 形态谱与形态谱熵 | 第47-48页 |
| 5.3 多尺度谱熵 | 第48页 |
| 5.4 小波半软阈值去噪理论 | 第48-50页 |
| 5.5 基于LMD与多尺度谱熵的故障诊断 | 第50-51页 |
| 5.6 实验研究 | 第51-56页 |
| 5.7 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65页 |
