| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 机械故障诊断的背景和意义 | 第11-12页 |
| 1.2 机械故障诊断技术的研究现状 | 第12-13页 |
| 1.3 机械故障诊断的基本内容 | 第13-14页 |
| 1.4 滚动轴承的故障诊断 | 第14-18页 |
| 1.4.1 滚动轴承的结构与分类 | 第14页 |
| 1.4.2 滚动轴承的主要故障 | 第14-15页 |
| 1.4.3 滚动轴承的振动原理 | 第15-16页 |
| 1.4.4 滚动轴承的故障诊断方法 | 第16-18页 |
| 1.5 本文的主要研究内容 | 第18-19页 |
| 第2章 提升小波与局部均值分解算法研究 | 第19-31页 |
| 2.1 LMD局部均值分解理论 | 第19-24页 |
| 2.1.1 LMD算法的基本思想 | 第19-21页 |
| 2.1.2 LMD算法效果验证 | 第21-23页 |
| 2.1.3 噪声对LMD算法的影响 | 第23-24页 |
| 2.2 提升小波消噪 | 第24-28页 |
| 2.2.1 小波变换基本算法 | 第24-25页 |
| 2.2.2 Mallat算法 | 第25-26页 |
| 2.2.3 提升小波算法 | 第26-27页 |
| 2.2.4 提升小波去噪验证 | 第27-28页 |
| 2.3 提升小波结合LMD算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 状态特征提取 | 第31-40页 |
| 3.1 直接提取时域特征参数 | 第31-33页 |
| 3.1.1 时域特征指标 | 第31-32页 |
| 3.1.2 时域特征参数的提取 | 第32-33页 |
| 3.2 样本熵特征提取 | 第33-36页 |
| 3.2.1 熵的概念 | 第33-35页 |
| 3.2.2 样本熵的基本原理 | 第35-36页 |
| 3.2.3 基于样本熵的特征提取 | 第36页 |
| 3.3 基于能量的特征提取方法 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 PSO优化神经网络方法研究 | 第40-51页 |
| 4.1 人工神经网络 | 第40-41页 |
| 4.1.1 人工神经网络原理 | 第40-41页 |
| 4.1.2 人工神经网络的特征 | 第41页 |
| 4.2 BP神经网络 | 第41-46页 |
| 4.2.1 BP神经网络原理 | 第41-42页 |
| 4.2.2 BP神经网络学习算法 | 第42-44页 |
| 4.2.3 BP神经网络结构设计 | 第44-45页 |
| 4.2.4 BP神经网络的特点和不足 | 第45-46页 |
| 4.3 粒子群算法 | 第46-49页 |
| 4.3.1 粒子群算法原理 | 第46-47页 |
| 4.3.2 粒子群优化算法 | 第47-48页 |
| 4.3.3 改进的混合粒子群算法 | 第48-49页 |
| 4.4 混合粒子群算法优化BP神经网络 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 滚动轴承故障诊断实验 | 第51-69页 |
| 5.1 滚动轴承故障诊断实验数据 | 第51-52页 |
| 5.2 不同类型的滚动轴承故障诊断 | 第52-61页 |
| 5.2.1 不同类型故障信号时频分析 | 第52-55页 |
| 5.2.2 不同类型故障信号提升小波LMD分解 | 第55-57页 |
| 5.2.3 不同类型故障信号特征提取 | 第57-58页 |
| 5.2.4 不同类型信号故障诊断 | 第58-61页 |
| 5.3 不同损伤程度的滚动轴承故障诊断 | 第61-68页 |
| 5.3.1 不同损伤程度的故障信号时频分析 | 第61-64页 |
| 5.3.2 不同损伤程度故障信号提升小波LMD分解 | 第64-66页 |
| 5.3.3 不同损伤程度故障信号特征提取 | 第66页 |
| 5.3.4 不同损伤程度信号故障诊断 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76页 |