基于EMD和粒子群优化神经网络的齿轮箱故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·课题研究背景和意义 | 第9页 |
| ·课题来源 | 第9页 |
| ·选题意义 | 第9页 |
| ·齿轮箱故障诊断的研究现状 | 第9-12页 |
| ·经验模态分解方法的国内外研究动态 | 第12-13页 |
| ·本文的研究内容 | 第13-14页 |
| 2 齿轮箱故障类型及故障机理分析 | 第14-21页 |
| ·齿轮箱典型故障机理分析 | 第14-18页 |
| ·齿轮常见的失效形式 | 第14-16页 |
| ·齿轮的固有特性 | 第16-17页 |
| ·轴承的固有特性 | 第17页 |
| ·齿轮故障的振动信号特征 | 第17-18页 |
| ·齿轮箱振动信号的分析方法和特征提取 | 第18-20页 |
| ·时频域统计特征 | 第18-19页 |
| ·频谱分析 | 第19页 |
| ·时频分析技术 | 第19-20页 |
| ·包络解调分析 | 第20页 |
| ·本章小结 | 第20-21页 |
| 3 经验模态分解 | 第21-38页 |
| ·引言 | 第21页 |
| ·经验模态分解的理论基础 | 第21-24页 |
| ·解析信号 | 第21-22页 |
| ·瞬时频率 | 第22-24页 |
| ·本征模态函数（IMF） | 第24页 |
| ·经验模态分解的原理 | 第24-28页 |
| ·经验模态分解的主要性质 | 第28-30页 |
| ·完备性 | 第28页 |
| ·近似正交性 | 第28-29页 |
| ·IMF 分量的调制性 | 第29页 |
| ·自适应性 | 第29-30页 |
| ·经验模态分解方法端点效应问题及处理方法 | 第30-33页 |
| ·端点效应的机理 | 第30-31页 |
| ·现有端点问题处理方法存在的不足 | 第31-32页 |
| ·基于极值点延拓的端点问题处理 | 第32-33页 |
| ·EMD 仿真模型分析 | 第33-37页 |
| ·小结 | 第37-38页 |
| 4 齿轮箱故障诊断实验 | 第38-62页 |
| ·齿轮箱故障诊断实验系统 | 第38-42页 |
| ·齿轮箱故障诊断实验平台 | 第38-41页 |
| ·齿轮箱故障的设置 | 第41-42页 |
| ·传感器的安装 | 第42页 |
| ·信号预处理 | 第42-44页 |
| ·消除趋势项 | 第42-43页 |
| ·平滑处理 | 第43-44页 |
| ·正常信号分析 | 第44-47页 |
| ·齿轮箱故障信号分析 | 第47-57页 |
| ·断齿故障信号分析 | 第47-50页 |
| ·外圈故障信号分析 | 第50-53页 |
| ·内圈故障信号分析 | 第53-57页 |
| ·故障诊断分析 | 第57-61页 |
| ·实际使用中的注意事项 | 第61页 |
| ·小结 | 第61-62页 |
| 5 基于粒子群优化神经网络的故障识别 | 第62-72页 |
| ·神经网络原理及其在故障诊断中的应用 | 第62-63页 |
| ·基于粒子群优化的神经网络 | 第63-67页 |
| ·RBF 神经网络 | 第63-64页 |
| ·基于粒子群优化 RBF 神经网络的算法 | 第64-65页 |
| ·学习算法的设计 | 第65-66页 |
| ·PSO 学习算法的性能评价指标 | 第66-67页 |
| ·粒子群优化神经网络的创建 | 第67-69页 |
| ·粒子群优化神经网络故障识别 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 6 结论与展望 | 第72-74页 |
| ·本文研究工作总结 | 第72页 |
| ·进一步的工作和建议 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表的论文 | 第79-80页 |
| 致谢 | 第80页 |
