基于小波神经网络和支持向量机的电机故障诊断与研究
摘要 | 第1-5页 |
ABSTRACT | 第5-11页 |
第一章 绪论 | 第11-17页 |
·选课题的意义 | 第11-12页 |
·电机诊断技术的发展现况 | 第12-15页 |
·本论文的主要研究内容和工作 | 第15-17页 |
第二章 电机工作原理及常见故障分析 | 第17-27页 |
·异步电动机的组成 | 第17页 |
·电机工作原理 | 第17-18页 |
·异步电动机常见故障 | 第18-22页 |
·定子故障 | 第18-20页 |
·转子故障 | 第20-21页 |
·轴承故障 | 第21-22页 |
·基于定子电流法的电机故障诊断 | 第22-24页 |
·定子电流诊断转子断条的原理 | 第23页 |
·气隙偏心的监测与诊断方法 | 第23-24页 |
·轴承故障 | 第24页 |
·定子匝间短路 | 第24页 |
·基于振动法的电机故障诊断 | 第24-26页 |
·电动机定子异常产生的电磁振动 | 第24页 |
·电动机转子绕组故障产生的电磁振动 | 第24页 |
·气隙不均匀产生的电磁振动 | 第24页 |
·轴承故障时产生的电磁振动 | 第24-26页 |
·小结 | 第26-27页 |
第三章 小波包在电机信号消噪中的应用 | 第27-39页 |
·傅里叶分析 | 第27-28页 |
·小波变换 | 第28-30页 |
·一维连续小波变换 | 第28-29页 |
·离散小波变换 | 第29-30页 |
·多分辨和小波包分析 | 第30-35页 |
·多分辨分析 | 第30-31页 |
·小波包分析 | 第31-32页 |
·小波包去噪 | 第32-35页 |
·基于小波包的电机信号消噪 | 第35-37页 |
·小结 | 第37-39页 |
第四章 电机特征数据的提取 | 第39-53页 |
·试验时所需设备及试验设置 | 第39-40页 |
·试验时所需设备 | 第39页 |
·试验设计 | 第39-40页 |
·电机轴承故障时的特征频率 | 第40-46页 |
·电机信号能量频谱图 | 第46-48页 |
·基于小波包分析技术提取电机故障状态时的能量 | 第48-52页 |
·小结 | 第52-53页 |
第五章 基于神经网络的电机故障预测 | 第53-69页 |
·BP神经网络的组成 | 第53-54页 |
·小波神经网络 | 第54-56页 |
·松散型小波神经网络 | 第54-55页 |
·融合型小波神经网络 | 第55-56页 |
·基于松散型小波神经网络的电机故障诊断 | 第56-64页 |
·BP神经网络各参数的确定 | 第56-61页 |
·神经网络仿真及电机故障诊断 | 第61-64页 |
·基于融合型小波神经网络的电机故障诊断 | 第64-68页 |
·融合型小波神经网络参数的设置 | 第65页 |
·融合型小波神经网络仿真及电机故障诊断 | 第65-68页 |
·小结 | 第68-69页 |
第六章 基于支持向量机的电机故障诊断 | 第69-81页 |
·最优分类超平面 | 第69-72页 |
·线性可分最优超平面的求取 | 第69-71页 |
·线性不可分情况下最优超平面的求取 | 第71-72页 |
·分类支持向量机 | 第72-76页 |
·高维空间的最优分类超平面 | 第72-74页 |
·分类支持向量机 | 第74-75页 |
·支持向量机的核函数 | 第75页 |
·支持向量机的多分类问题 | 第75-76页 |
·基于支持向量机的电机故障诊断 | 第76-80页 |
·libsvm工具箱主要参数介绍 | 第77页 |
·向量机与神经网络数据输入的差别 | 第77页 |
·应用向量机进行电机故障诊断 | 第77-80页 |
·小结 | 第80-81页 |
第七章 全文总结与展望 | 第81-83页 |
·全文总结 | 第81-82页 |
·对未来的展望 | 第82-83页 |
参考文献 | 第83-87页 |
致谢 | 第87-89页 |
攻读硕士学位期间发表的学术论文 | 第89页 |