| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 选题的背景和意义 | 第12页 |
| 1.2 滚动轴承故障诊断方法综述 | 第12-17页 |
| 1.2.1 特征提取方法概述 | 第13-15页 |
| 1.2.2 故障诊断算法概述 | 第15-17页 |
| 1.3 滚动轴承故障诊断设备与系统研究情况 | 第17-19页 |
| 1.3.1 国外研究现状 | 第17-18页 |
| 1.3.2 国内研究现状 | 第18-19页 |
| 1.4 本文的研究内容及论文结构 | 第19-21页 |
| 1.4.1 本文研究内容与创新点 | 第19-20页 |
| 1.4.2 论文结构 | 第20-21页 |
| 第2章 滚动轴承故障的机理与特征 | 第21-30页 |
| 2.1 滚动轴承的振动机理 | 第21-22页 |
| 2.2 滚动轴承的振动信号特征 | 第22-29页 |
| 2.2.1 滚动轴承的固有频率和故障特征频率 | 第22-26页 |
| 2.2.2 滚动轴承的故障振动信号特征 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于小波包和EMD分解的滚动轴承故障特征提取方法研究 | 第30-54页 |
| 3.1 小波包与EMD算法的基本理论 | 第30-38页 |
| 3.1.1 本征模态函数 | 第30-31页 |
| 3.1.2 EMD分解 | 第31-33页 |
| 3.1.3 希尔伯特谱分析 | 第33-34页 |
| 3.1.4 EMD算法的不足 | 第34-35页 |
| 3.1.5 小波包分析 | 第35-38页 |
| 3.2 优化的EMD算法 | 第38-39页 |
| 3.3 仿真研究 | 第39-53页 |
| 3.3.1 实验平台与实验数据 | 第39页 |
| 3.3.2 实验结果分析 | 第39-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 基于优化GA-BP神经网络的滚动轴承故障诊断算法研究 | 第54-73页 |
| 4.1 BP神经网络概论 | 第54-65页 |
| 4.1.1 BP神经网络模型与算法 | 第54-58页 |
| 4.1.2 BP神经网络学习算法 | 第58-62页 |
| 4.1.3 BP神经网络局限性 | 第62-63页 |
| 4.1.4 遗传算法基本思想 | 第63-65页 |
| 4.2 优化GA-BP神经网络算法 | 第65-71页 |
| 4.2.1 优化GA-BP神经网络算法 | 第65-66页 |
| 4.2.2 BP神经网络算法实现 | 第66-68页 |
| 4.2.3 遗传算法实现 | 第68-69页 |
| 4.2.4 实验仿真研究 | 第69-71页 |
| 4.3 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80页 |