| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 故障机理的研究 | 第12-13页 |
| 1.2.2 故障信息分析方法研究 | 第13-14页 |
| 1.2.3 故障的智能诊断 | 第14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 2 VMD算法原理 | 第16-29页 |
| 2.1 概述 | 第16页 |
| 2.2 基础概念 | 第16-21页 |
| 2.2.1 本征模态函数 | 第16-18页 |
| 2.2.2 维纳滤波 | 第18-19页 |
| 2.2.3 解析信号和频率混合 | 第19-21页 |
| 2.3 VMD方法原理 | 第21-22页 |
| 2.4 VMD信号仿真分析 | 第22-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于峭度准则VMD及平稳小波的轴承故障诊断 | 第29-42页 |
| 3.1 故障特征频率及包络谱 | 第29-32页 |
| 3.1.1 滚动轴承故障特征频率 | 第29-31页 |
| 3.1.2 包络谱分析 | 第31-32页 |
| 3.2 峭度准则 | 第32-33页 |
| 3.3 平稳小波 | 第33-34页 |
| 3.4 基于VMD及自适应阈值平稳小波的轴承故障诊断 | 第34-35页 |
| 3.5 验证分析 | 第35-40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 基于VMD瞬时能量法及MPSO-SVM滚动轴承故障诊断 | 第42-55页 |
| 4.1 瞬时能量法 | 第42页 |
| 4.2 变异粒子群算法优化的支持向量机 | 第42-48页 |
| 4.2.1 支持向量机分类算法 | 第42-46页 |
| 4.2.2 变异粒子群算法 | 第46-48页 |
| 4.3 基于VMD及变异粒子群优化的支持向量机轴承故障诊断 | 第48-49页 |
| 4.4 验证分析 | 第49-54页 |
| 4.4.1 瞬时能量特征提取 | 第49-51页 |
| 4.4.2 同负荷下故障诊断 | 第51-53页 |
| 4.4.3 变负荷下故障诊断 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 结论与展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间的研究成果 | 第60页 |
