基于盲源分离和多尺度熵（MSE）的滚动轴承故障诊断
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 滚动轴承故障诊断的意义 | 第9-10页 |
| 1.2 滚动轴承故障诊断技术的发展概况 | 第10-13页 |
| 1.2.1 滚动轴承故障诊断技术国外发展概况 | 第10-11页 |
| 1.2.2 滚动轴承故障诊断技术国内发展概况 | 第11-13页 |
| 1.3 盲源分离和熵的发展概况 | 第13-16页 |
| 1.3.1 盲源分离技术的发展概况 | 第13-15页 |
| 1.3.2 熵的发展概况 | 第15-16页 |
| 1.4 论文主要研究工作 | 第16-19页 |
| 1.4.1 本文的研究内容 | 第16-17页 |
| 1.4.2 论文组织结构 | 第17页 |
| 1.4.3 本文创新点 | 第17-19页 |
| 2 滚动轴承故障机理分析与实验平台 | 第19-27页 |
| 2.1 滚动轴承故障的主要形式与原因 | 第19-20页 |
| 2.2 滚动轴承的基本结构与特征频率分析 | 第20-24页 |
| 2.2.1 滚动轴承的基本结构 | 第20页 |
| 2.2.2 滚动轴承的振动分析 | 第20-24页 |
| 2.3 滚动轴承故障诊断平台 | 第24-25页 |
| 2.3.1 实验装置 | 第24-25页 |
| 2.3.2 实验平台典型故障特征频率 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于盲源分离的单通道振动信号分离方法 | 第27-56页 |
| 3.1 极点对称模态分解方法 | 第28-33页 |
| 3.1.1 极点对称模态分解 | 第28-31页 |
| 3.1.2 极点对称模态分解方法仿真 | 第31-33页 |
| 3.2 源信号个数估计及最优观察信号选取 | 第33-40页 |
| 3.2.1 源信号个数估计 | 第33-39页 |
| 3.2.2 最优观察信号选取 | 第39-40页 |
| 3.3 基于时频分析的盲源分离方法 | 第40-45页 |
| 3.3.1 盲源分离模型 | 第40-41页 |
| 3.3.2 信号预处理 | 第41-42页 |
| 3.3.3 时频点选择 | 第42-43页 |
| 3.3.4 联合近似对角化 | 第43-45页 |
| 3.3.5 基于时频分析的盲源分离算法 | 第45页 |
| 3.4 仿真及实验数据分析 | 第45-54页 |
| 3.4.1 仿真信号分析 | 第45-51页 |
| 3.4.2 实验数据分析 | 第51-54页 |
| 3.5 本章小结 | 第54-56页 |
| 4 基于经验模态分解和多尺度熵的滚动轴承故障诊断 | 第56-78页 |
| 4.1 基于经验模态分解的滚动轴承振动信号分解 | 第56-65页 |
| 4.1.1 经验模态分解 | 第56-58页 |
| 4.1.2 基于波形平均的端点效应抑制方法 | 第58-65页 |
| 4.2 基于多尺度熵的信号特征提取 | 第65-72页 |
| 4.2.1 多尺度熵 | 第65-67页 |
| 4.2.2 实验分析 | 第67-72页 |
| 4.3 基于BP神经网络的滚动轴承故障识别 | 第72-77页 |
| 4.3.1 BP神经网络 | 第72-76页 |
| 4.3.2 实验分析 | 第76-77页 |
| 4.4 本章小结 | 第77-78页 |
| 5 基于C | 第78-85页 |
| 5.1 软件平台框架结构 | 第78-79页 |
| 5.2 滚动轴承离线故障诊断分析软件功能设计 | 第79-84页 |
| 5.2.1 信号加载与混合 | 第79-80页 |
| 5.2.2 盲源分离 | 第80-82页 |
| 5.2.3 信号特征量提取 | 第82-83页 |
| 5.2.4 故障识别 | 第83-84页 |
| 5.3 本章小结 | 第84-85页 |
| 结论 | 第85-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-94页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第94页 |
