| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题研究的意义 | 第12页 |
| 1.2 机械故障微弱信号检测研究现状 | 第12-17页 |
| 1.2.1 基于经验模式分解的弱信号提取研究现状 | 第13-15页 |
| 1.2.2 基于随机共振技术的弱信号提取研究现状 | 第15-16页 |
| 1.2.3 基于独立分量分析的弱信号提取研究现状 | 第16-17页 |
| 1.3 智能故障诊断技术研究现状 | 第17-18页 |
| 1.4 论文的主要研究内容和结构安排 | 第18-21页 |
| 1.4.1 论文的主要研究内容 | 第18-20页 |
| 1.4.2 论文的结构安排 | 第20-21页 |
| 第2章 基于降噪及经验模式分解的微弱信号检测 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 经验模式分解的基本原理 | 第21-23页 |
| 2.3 基于降噪的EMD分解及其仿真分析 | 第23-29页 |
| 2.3.1 噪声对EMD分解的影响 | 第23页 |
| 2.3.2 形态滤波原理 | 第23-24页 |
| 2.3.3 奇异值分解降噪原理 | 第24-26页 |
| 2.3.4 基于降噪的EMD仿真分析 | 第26-29页 |
| 2.4 轴承故障诊断 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于随机共振的微弱信号检测研究 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 随机共振原理 | 第34-38页 |
| 3.3 随机共振系统参数的选取 | 第38-41页 |
| 3.3.1 遗传算法 | 第38-40页 |
| 3.3.2 应用遗传算法优化随机共振系统参数 | 第40-41页 |
| 3.4 小参数信号随机共振分析 | 第41-43页 |
| 3.5 大参数信号随机共振分析 | 第43-44页 |
| 3.6 轴承故障诊断 | 第44-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第4章 基于ICA的微弱信号检测研究 | 第48-66页 |
| 4.1 引言 | 第48页 |
| 4.2 ICA分离基本原理 | 第48-53页 |
| 4.2.1 ICA模型 | 第48-49页 |
| 4.2.2 ICA算法的实现 | 第49-51页 |
| 4.2.3 FastICA仿真分析 | 第51-53页 |
| 4.3 独立分量分析的具体应用 | 第53页 |
| 4.4 单通道信号的盲分离方法 | 第53-59页 |
| 4.4.1 独立分量分析中含噪的欠定问题研究 | 第53-57页 |
| 4.4.2 齿轮箱单一故障诊断 | 第57-59页 |
| 4.5 多通道源信号频域盲分离方法 | 第59-64页 |
| 4.5.1 盲解卷系统 | 第59-61页 |
| 4.5.2 基于频域的解混算法 | 第61-63页 |
| 4.5.3 齿轮箱多故障诊断 | 第63-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第5章 基于GA-B样条模糊神经网络的机械故障诊断研究 | 第66-89页 |
| 5.1 引言 | 第66-67页 |
| 5.2 B样条模糊神经网络 | 第67-71页 |
| 5.2.1 B样条基函数 | 第67-69页 |
| 5.2.2 B样条模糊神经网络 | 第69-71页 |
| 5.3 B样条模糊神经网络的学习算法 | 第71-74页 |
| 5.3.1 传统学习算法 | 第71-72页 |
| 5.3.2 遗传算法优化的B样条模糊神经网络 | 第72-74页 |
| 5.4 刀具磨损监测实验装置搭建 | 第74-76页 |
| 5.5 基于EMD的刀具磨损故障诊断 | 第76-82页 |
| 5.5.1 基于EMD的刀具磨损特征提取 | 第76-79页 |
| 5.5.2 刀具磨损故障智能诊断 | 第79-82页 |
| 5.6 基于随机共振的刀具磨损特征提取 | 第82-84页 |
| 5.7 基于ICA分析的刀具磨损特征提取 | 第84-86页 |
| 5.8 基于多特征提取的刀具磨损故障诊断 | 第86-88页 |
| 5.9 本章小结 | 第88-89页 |
| 结论 | 第89-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-105页 |
| 攻读博士学位期间发表的论文及科研成果 | 第105-106页 |