基于FVMD多尺度排列熵和GK模糊聚类的故障诊断方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 故障诊断主要内容 | 第12-13页 |
| 1.3 故障诊断技术研究现状 | 第13-19页 |
| 1.3.1 发展历程 | 第13-14页 |
| 1.3.2 特征提取方法 | 第14-19页 |
| 1.3.3 模式识别技术 | 第19页 |
| 1.4 课题来源 | 第19-20页 |
| 1.5 研究思路与内容安排 | 第20-22页 |
| 1.5.1 研究思路 | 第20-21页 |
| 1.5.2 内容安排 | 第21-22页 |
| 第2章 快速变分模态分解方法的提出 | 第22-42页 |
| 2.1 FVMD基础理论 | 第22-30页 |
| 2.1.1 希尔伯特变换与解析信号 | 第22-23页 |
| 2.1.2 瞬时频率与频率混合 | 第23-24页 |
| 2.1.3 EMD原理 | 第24-27页 |
| 2.1.4 模态的定义 | 第27页 |
| 2.1.5 带宽估计 | 第27-28页 |
| 2.1.6 VMD分解过程 | 第28-30页 |
| 2.2 FVMD方法 | 第30-32页 |
| 2.2.1 FVMD原理 | 第30-31页 |
| 2.2.2 FVMD分解过程 | 第31-32页 |
| 2.3 FVMD方法分析 | 第32-40页 |
| 2.3.1 噪声鲁棒性分析 | 第32-35页 |
| 2.3.2 非平稳多分量信号分析 | 第35-38页 |
| 2.3.3 实测信号分析 | 第38-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第3章 参数优化多尺度排列熵算法 | 第42-61页 |
| 3.1 多尺度排列熵原理 | 第42-49页 |
| 3.1.1 排列熵算法 | 第42-43页 |
| 3.1.2 多尺度排列熵 | 第43-44页 |
| 3.1.3 不同参数研究 | 第44-49页 |
| 3.2 参数优化方法 | 第49-53页 |
| 3.2.1 遗传算法 | 第49-51页 |
| 3.2.2 微粒群算法 | 第51页 |
| 3.2.3 多作用力微粒群算法 | 第51-53页 |
| 3.3 多尺度排列熵参数优化 | 第53-55页 |
| 3.3.1 适应度函数的确定 | 第54页 |
| 3.3.2 参数优化过程 | 第54-55页 |
| 3.4 实例验证 | 第55-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 基于特征加权的GK模糊聚类方法 | 第61-77页 |
| 4.1 GK模糊聚类 | 第61-63页 |
| 4.1.1 模糊聚类基本概念 | 第61-62页 |
| 4.1.2 GK模糊聚类原理 | 第62-63页 |
| 4.1.3 聚类效果检验 | 第63页 |
| 4.2 特征加权GK模糊聚类新方法 | 第63-67页 |
| 4.2.1 Relief算法 | 第64页 |
| 4.2.2 ReliefF算法 | 第64-66页 |
| 4.2.3 ReliefF特征加权GK模糊聚类 | 第66-67页 |
| 4.3 模糊模式识别 | 第67-70页 |
| 4.3.1 最大隶属度原则 | 第67-68页 |
| 4.3.2 择近原则 | 第68-69页 |
| 4.3.3 识别过程 | 第69-70页 |
| 4.4 实例验证 | 第70-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第5章 故障诊断实验分析 | 第77-90页 |
| 5.1 实验方案 | 第77-79页 |
| 5.1.1 实验装置 | 第77页 |
| 5.1.2 测试对象 | 第77-78页 |
| 5.1.3 传感器选择 | 第78-79页 |
| 5.1.4 测试点确定 | 第79页 |
| 5.2 数据采集系统 | 第79-81页 |
| 5.3 测试参数 | 第81-82页 |
| 5.3.1 轴承测试参数 | 第81页 |
| 5.3.2 齿轮箱测试参数 | 第81-82页 |
| 5.4 数据处理 | 第82-89页 |
| 5.4.1 FVMD分解与重构 | 第83-85页 |
| 5.4.2 特征向量提取 | 第85-86页 |
| 5.4.3 故障识别 | 第86-89页 |
| 5.5 本章小结 | 第89-90页 |
| 结论 | 第90-92页 |
| 参考文献 | 第92-99页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第99-100页 |
| 致谢 | 第100页 |
