基于CEEMD和纹理特征的旋转机械智能故障诊断方法
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 相关问题的国内外研究现状 | 第12-15页 |
| 1.2.1 降低振动信号噪声影响方法研究 | 第12-13页 |
| 1.2.2 故障特征提取方法研究 | 第13-14页 |
| 1.2.3 故障诊断模式分类方法改进研究 | 第14-15页 |
| 1.3 主要研究内容及技术路线 | 第15-18页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16-18页 |
| 第2章 旋转机械故障振动信号降噪 | 第18-34页 |
| 2.1 CEEMD与小波阈值降噪方法的结合 | 第18-23页 |
| 2.1.1 CEEMD分解故障振动信号 | 第18-22页 |
| 2.1.2 CEEMD与小波阈值方法结合 | 第22-23页 |
| 2.2 降噪方法可行性仿真 | 第23-26页 |
| 2.2.1 降噪方法仿真 | 第23-26页 |
| 2.2.2 仿真效果分析 | 第26页 |
| 2.3 不同降噪方法降噪效果实例比较 | 第26-33页 |
| 2.3.1 不同降噪方法降噪处理实例 | 第26-32页 |
| 2.3.2 降噪处理方法效果对比分析 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 旋转机械故障特征提取方法研究 | 第34-47页 |
| 3.1 故障振动信号时频分析 | 第34-38页 |
| 3.2 SPWVD时频图纹理特征提取 | 第38-41页 |
| 3.2.1 时频图纹理特征提取 | 第38-40页 |
| 3.2.2 故障振动信号图像纹理特征选择 | 第40-41页 |
| 3.3 不同时频分析图像纹理特征对比 | 第41-46页 |
| 3.3.1 不同时频分析方法获取故障特征 | 第41-45页 |
| 3.3.2 比较验证故障特征诊断性能 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 旋转机械智能故障模式分类器参数优化 | 第47-58页 |
| 4.1 SVM智能故障分类器参数优化 | 第47-52页 |
| 4.1.1 SVM智能故障模式分类器的参数优化 | 第47-48页 |
| 4.1.2 基于混沌思想的自适应粒子群算法 | 第48-51页 |
| 4.1.3 改进参数优化算法优化分类器 | 第51-52页 |
| 4.2 故障模式分类器分类效果仿真验证 | 第52-53页 |
| 4.2.1 仿真验证过程 | 第52-53页 |
| 4.2.2 仿真结果分析 | 第53页 |
| 4.3 不同参数优化方法分类器分类效果对比 | 第53-57页 |
| 4.3.1 不同优化方法的分类器参数优化 | 第54-56页 |
| 4.3.2 比较分析模式分类效果 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 实例验证 | 第58-73页 |
| 5.1 智能故障诊断基本过程 | 第58-59页 |
| 5.2 实例验证及分析 | 第59-72页 |
| 5.2.1 旋转机械故障振动信号获取 | 第59-62页 |
| 5.2.2 故障振动信号降噪处理 | 第62-65页 |
| 5.2.3 故障振动信号特征提取与选择 | 第65-69页 |
| 5.2.4 智能故障诊断四组实验结果分析 | 第69-72页 |
| 5.3 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读学位期间发表的学术论文 | 第79-80页 |
| 致谢 | 第80页 |
