首页--工业技术论文--机械、仪表工业论文--机械运行与维修论文

自适应最稀疏时频方法及其在旋转机械故障诊断中的应用

摘要第5-7页
Abstract第7-8页
缩略语一览表第17-19页
第1章 绪论第19-35页
    1.1 研究背景与意义第19-20页
    1.2 基于振动信号的旋转故障诊断研究现状第20-29页
        1.2.1 传统信号分析方法第21-24页
        1.2.2 参数化自适应信号分析方法第24-25页
        1.2.3 非参数化自适应信号分析方法第25-29页
    1.3 课题来源及主要研究内容第29-35页
        1.3.1 问题提出与课题来源第29-31页
        1.3.2 研究内容和技术路线第31-33页
        1.3.3 论文的章节安排第33-35页
第2章 基于初值优化的自适应最稀疏时频分析方法第35-49页
    2.1 引言第35-36页
    2.2 EMD方法第36-38页
    2.3 MP算法第38-39页
    2.4 ASTFA方法第39-43页
        2.4.1 ASTFA方法理论第39-40页
        2.4.2 ASTFA与EMD对比分析第40-43页
    2.5 基于初值优化的ASTFA方法第43-44页
    2.6 仿真信号分析第44-48页
        2.6.1 ASTFA-OIV方法对ASTFA方法的改进效果分析第44-46页
        2.6.2 ASTFA-OIV方法在齿轮故障诊断中的应用第46-48页
    2.7 本章小结第48-49页
第3章 自适应最稀疏窄带分解方法第49-68页
    3.1 引言第49-50页
    3.2 ASNBD方法第50-53页
        3.2.1 内禀窄带分量第50页
        3.2.2 奇异局部线性算子第50-51页
        3.2.3 ASNBD方法的步骤第51-53页
    3.3 仿真信号分析第53-60页
    3.4 ASNBD方法在滚动轴承故障诊断中的应用第60-66页
    3.5 本章小结第66-68页
第4章 基于人工化学反应优化算法的ASNBD方法第68-84页
    4.1 引言第68-69页
    4.2 ACROA方法第69-72页
        4.2.1 化学反应第69-70页
        4.2.2 ACROA的基本原理第70-71页
        4.2.3 ASNBD-ACROA第71-72页
    4.3 仿真信号分析第72-79页
    4.4 ASNBD-ACROA在转子故障诊断中的应用第79-82页
    4.5 本章小结第82-84页
第5章 基于MMC-FCH和ASNBD的滚动轴承故障诊断第84-100页
    5.1 引言第84-85页
    5.2 弹性凸包第85-88页
    5.3 MMC-FCH第88-91页
        5.3.1 线性可分情况分析第88-90页
        5.3.2 线性不可分情况分析第90-91页
    5.4 基于MMC-FCH和ASNBD的滚动轴承故障诊断第91-99页
        5.4.1 特征值提取与选择第91-93页
        5.4.2 基于MMC-FCH和ASNBD的滚动轴承故障诊断方法第93页
        5.4.3 基于MMC-FCH和ASNBD的滚动轴承故障类型识别第93-99页
    5.5 本章小结第99-100页
第6章 基于ASNBD和GMM聚类的滚动轴承退化状态识别及寿命预测第100-116页
    6.1 引言第100-101页
    6.2 GMM算法理论第101-106页
        6.2.1 GMM理论第101-102页
        6.2.2 GMM参数估计第102-104页
        6.2.3 参数初始化第104-105页
        6.2.4 混合数目第105-106页
    6.3 LPP算法第106-107页
    6.4 基于ASNBD和GMM的滚动轴承退化状态识别和寿命预测第107页
    6.5 实验信号分析第107-115页
    6.6 本章小结第115-116页
结论与展望第116-119页
参考文献第119-136页
致谢第136-138页
附录A 攻读学位期间发表和录用的论文目录第138-139页
附录B 攻读学位期间参与的科研项目第139页

论文共139页,点击 下载论文
上一篇:激光-MAG复合焊42CrMo钢等离子体物理特征与焊接缺陷研究
下一篇:新型高阻尼气体箔片轴承及其转子系统的理论和实验研究