往复泵液力端故障诊断研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 机械故障诊断技术概况 | 第9-10页 |
| 1.2 往复泵液力端故障诊断的国内外研究现状 | 第10-11页 |
| 1.3 选题的目的与意义 | 第11页 |
| 1.4 论文的主要研究内容 | 第11-13页 |
| 第2章 往复泵液力端常见故障分析 | 第13-21页 |
| 2.1 往复泵液力端工作原理 | 第13-14页 |
| 2.2 活塞的结构与故障分析 | 第14-16页 |
| 2.3 柱塞的结构与故障分析 | 第16页 |
| 2.4 泵阀的结构与故障分析 | 第16-19页 |
| 2.5 往复泵液力端的主要故障形式 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 往复泵液力端故障实验研究 | 第21-40页 |
| 3.1 往复泵液力端振动信号的非平稳性 | 第21-23页 |
| 3.2 实验台架及测试系统的组成 | 第23-26页 |
| 3.2.1 实验台架的组成 | 第23页 |
| 3.2.2 实验泵液力端结构参数 | 第23-24页 |
| 3.2.3 信号采集系统组成 | 第24-26页 |
| 3.3 故障实验测点的振动模型 | 第26-28页 |
| 3.3.1 测点的选择 | 第26-27页 |
| 3.3.2 阀盖振动的力学模型 | 第27-28页 |
| 3.4 信号采集参数的确定 | 第28-29页 |
| 3.4.1 采样定理 | 第28-29页 |
| 3.4.2 采样时长的确定 | 第29页 |
| 3.5 振动信号的预处理 | 第29-33页 |
| 3.5.1 数据的标定变换 | 第29页 |
| 3.5.2 零均值化处理 | 第29页 |
| 3.5.3 消除多项式趋势项 | 第29-30页 |
| 3.5.4 滤波处理 | 第30-33页 |
| 3.6 故障实验方案的设计 | 第33-35页 |
| 3.7 振动信号的时域波形 | 第35-39页 |
| 3.8 本章小结 | 第39-40页 |
| 第4章 基于统计指标的柱塞磨损故障诊断 | 第40-50页 |
| 4.1 传统的振动信号分析方法 | 第40-46页 |
| 4.1.1 振动信号的时域统计分析 | 第40-43页 |
| 4.1.2 振动信号的频谱分析 | 第43-46页 |
| 4.2 统计方法在柱塞磨损故障诊断中的应用 | 第46-49页 |
| 4.2.1 柱塞磨损故障特征指标的选择 | 第46-47页 |
| 4.2.2 柱塞磨损程度诊断 | 第47-49页 |
| 4.2.3 柱塞故障程度值的验证 | 第49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 基于小波包理论的泵阀故障特征提取 | 第50-70页 |
| 5.1 非平稳信号的时频分析 | 第50-53页 |
| 5.1.1 短时傅里叶变换 | 第50-51页 |
| 5.1.2 WIGNER-VILLE分布 | 第51页 |
| 5.1.3 经验模态分解方法 | 第51-53页 |
| 5.2 小波分析基本理论 | 第53-57页 |
| 5.2.1 小波变换的定义 | 第53-55页 |
| 5.2.2 常用的小波函数 | 第55页 |
| 5.2.3 小波包分析与仿真实例 | 第55-57页 |
| 5.3 小波包分析在泵阀故障特征提取中的实现方案 | 第57-61页 |
| 5.3.1 泵阀故障诊断能量模型原理 | 第57-58页 |
| 5.3.2 小波基函数的选取 | 第58-60页 |
| 5.3.3 振动信号的小波包分解与能量模型建立 | 第60-61页 |
| 5.4 泵阀的故障特征提取 | 第61-69页 |
| 5.4.1 信号分解与重构 | 第61-64页 |
| 5.4.2 子频带能量计算 | 第64-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 BP神经网络在液力端故障识别中的研究应用 | 第70-85页 |
| 6.1 人工神经网络简介 | 第70页 |
| 6.2 BP神经网络的模型结构 | 第70-72页 |
| 6.2.1 BP神经元模型 | 第70-72页 |
| 6.2.2 BP网络结构 | 第72页 |
| 6.3 BP学习算法 | 第72-77页 |
| 6.3.1 BP网络权值的调整原理 | 第72-74页 |
| 6.3.2 BP学习算法的实现步骤 | 第74-75页 |
| 6.3.3 BP算法的不足与改进 | 第75-77页 |
| 6.4 BP神经网络在泵阀故障识别中的应用 | 第77-82页 |
| 6.4.1 输入和目标向量设计 | 第77页 |
| 6.4.2 BP网络的创建 | 第77-78页 |
| 6.4.3 网络训练与故障识别 | 第78-82页 |
| 6.5 BP神经网络在柱塞磨损故障识别中的应用 | 第82-84页 |
| 6.5.1 统计指标的归—化处理 | 第82-83页 |
| 6.5.2 BP网络的创建 | 第83页 |
| 6.5.3 柱塞磨损故障的网络训练与识别 | 第83-84页 |
| 6.6 本章小结 | 第84-85页 |
| 第7章 往复泵液力端故障诊断的整体方案设计 | 第85-90页 |
| 7.1 往复泵液力端振动诊断方案 | 第85-86页 |
| 7.2 往复泵液力端总体性能诊断方案 | 第86-88页 |
| 7.3 往复泵液力端故障诊断测试硬件系统方案 | 第88-89页 |
| 7.4 本章小结 | 第89-90页 |
| 第8章 结论与建议 | 第90-92页 |
| 8.1 结论 | 第90页 |
| 8.2 建议 | 第90-92页 |
| 致谢 | 第92-93页 |
| 参考文献 | 第93-96页 |
| 附录 | 第96-99页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第99页 |
