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 |