| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究动态 | 第13-18页 |
| 1.2.1 转子系统的典型故障激励特性 | 第13-14页 |
| 1.2.2 转子系统的机电耦合模型 | 第14-15页 |
| 1.2.3 电流信号的特征提取 | 第15-17页 |
| 1.2.4 其他相关问题讨论 | 第17-18页 |
| 1.3 主要研究内容 | 第18页 |
| 1.4 技术路线图 | 第18-19页 |
| 1.5 小结 | 第19-20页 |
| 第二章 故障激励下的转子系统机电耦合模型 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 故障激励下的转子系统数学模型 | 第20-30页 |
| 2.2.1 单跨不平衡故障激励 | 第21-23页 |
| 2.2.2 单跨平行不对中故障激励 | 第23-25页 |
| 2.2.3 单跨转角不对中故障激励 | 第25-27页 |
| 2.2.4 双跨平行不对中-质量偏心故障激励 | 第27-30页 |
| 2.3 电机数学模型 | 第30-31页 |
| 2.4 机电耦合仿真模型 | 第31-33页 |
| 2.5 小结 | 第33-36页 |
| 第三章 典型故障激励下的电机电流频谱分析 | 第36-52页 |
| 3.1 引言 | 第36页 |
| 3.2 单跨不平衡故障的电流频谱分析 | 第36-42页 |
| 3.2.1 空载对电流频谱的影响 | 第36-38页 |
| 3.2.2 负载对电流频谱的影响 | 第38-41页 |
| 3.2.3 分析讨论 | 第41-42页 |
| 3.3 单跨平行不对中故障的电流频谱分析 | 第42-43页 |
| 3.4 单跨转角不对中故障的电流频谱分析 | 第43-46页 |
| 3.4.1 转角不对中量对电磁扭矩的影响 | 第43-44页 |
| 3.4.2 转角不对中量对电流频谱的影响 | 第44-46页 |
| 3.4.3 分析讨论 | 第46页 |
| 3.5 双跨平行不对中-质量偏心故障的电流频谱分析 | 第46-50页 |
| 3.5.1 平行不对中量对电流频谱的影响 | 第46-47页 |
| 3.5.2 质量偏心对电流频谱的影响 | 第47-48页 |
| 3.5.3 综合故障对电流频谱的影响 | 第48-49页 |
| 3.5.4 分析讨论 | 第49-50页 |
| 3.6 小结 | 第50-52页 |
| 第四章 典型故障识别试验 | 第52-66页 |
| 4.1 引言 | 第52页 |
| 4.2 转子系统试验台简介 | 第52-55页 |
| 4.2.1 机电系统模块 | 第52-53页 |
| 4.2.2 信号采集模块 | 第53-55页 |
| 4.3 试验方案设计 | 第55-57页 |
| 4.3.1 试验目的 | 第55页 |
| 4.3.2 试验内容 | 第55-56页 |
| 4.3.3 试验步骤 | 第56-57页 |
| 4.3.4 注意事项 | 第57页 |
| 4.4 试验结果分析 | 第57-64页 |
| 4.4.1 电流信号的时域分析 | 第57-59页 |
| 4.4.2 电流信号的频域分析 | 第59-62页 |
| 4.4.3 电流信号的奇异值分解 | 第62-64页 |
| 4.5 小结 | 第64-66页 |
| 第五章 基于小波包能量的典型故障识别方法 | 第66-76页 |
| 5.1 引言 | 第66页 |
| 5.2 电流信号的小波包能量法特征提取 | 第66-69页 |
| 5.2.1 小波包能量法基本原理 | 第66-68页 |
| 5.2.2 电流信号的特征提取 | 第68-69页 |
| 5.3 BP神经网络故障识别方法 | 第69-72页 |
| 5.3.1 BP神经网络基本原理 | 第69-70页 |
| 5.3.2 识别结果分析 | 第70-72页 |
| 5.4 GA-SVM故障识别方法 | 第72-74页 |
| 5.4.1 GA-SVM的基本原理 | 第72-73页 |
| 5.4.2 识别结果分析 | 第73-74页 |
| 5.5 两种识别方法对比分析 | 第74-75页 |
| 5.6 小结 | 第75-76页 |
| 第六章 基于经验模态分解的典型故障识别方法 | 第76-88页 |
| 6.1 引言 | 第76页 |
| 6.2 电流信号的EMD分解及特征提取 | 第76-81页 |
| 6.2.1 EMD分解原理 | 第76-79页 |
| 6.2.2 基于IMF能量的特征提取 | 第79-80页 |
| 6.2.3 基于IMF峭度的特征提取 | 第80-81页 |
| 6.3 GA-SVM的典型故障识别方法 | 第81-86页 |
| 6.3.1 识别结果分析 | 第81-85页 |
| 6.3.2 识别结果对比 | 第85-86页 |
| 6.4 小结 | 第86-88页 |
| 第七章 结论和展望 | 第88-90页 |
| 7.1 工作总结 | 第88-89页 |
| 7.2 主要结论 | 第89页 |
| 7.3 展望 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-98页 |
| 攻读学位期间发表的学术论文目录 | 第98页 |