| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 风机故障诊断技术概论 | 第12-13页 |
| 1.1.1 对风机进行故障诊断的意义 | 第12页 |
| 1.1.2 对风机进行故障诊断的目的 | 第12-13页 |
| 1.2 信息融合诊断方法国内外研究概况 | 第13-15页 |
| 1.2.1 信息融合技术简介 | 第13页 |
| 1.2.2 多信息融合技术国内外研究概况 | 第13-14页 |
| 1.2.3 风机的故障诊断中引入信息融合技术的优点 | 第14-15页 |
| 1.3 本论文的主要研究内容和结构安排 | 第15-17页 |
| 1.3.1 本论文的主要研究内容 | 第15-16页 |
| 1.3.2 本论文的结构安排 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 风机故障原因分析及案例分析 | 第18-26页 |
| 2.1 风机的定义及其组成结构 | 第18-19页 |
| 2.1.1 风机的定义 | 第18页 |
| 2.1.2 风机的组成 | 第18-19页 |
| 2.2 风机产生故障的种类及案例分析 | 第19-25页 |
| 2.2.1 转子不平衡 | 第19-20页 |
| 2.2.2 轴承故障 | 第20-21页 |
| 2.2.3 轴不对中 | 第21-22页 |
| 2.2.4 油膜涡动及振荡 | 第22-23页 |
| 2.2.5 旋转失速 | 第23-24页 |
| 2.2.6 喘振 | 第24-25页 |
| 2.2.7 其他 | 第25页 |
| 2.3 风机故障原因及其诊断方法的总结 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 信号处理的小波包方法及特征参数的提取 | 第26-43页 |
| 3.1 信号分析处理的小波方法 | 第26-31页 |
| 3.1.1 小波分析的基本原理 | 第26-27页 |
| 3.1.2 基本小波函数的选取 | 第27页 |
| 3.1.3 连续小波变换的定义及特点 | 第27-30页 |
| 3.1.4 多分辨分析的特性 | 第30-31页 |
| 3.1.5 分层阈值去噪法 | 第31页 |
| 3.2 非平稳信号特征提取方法及步骤 | 第31-32页 |
| 3.2.1 特征提取的一般步骤 | 第31-32页 |
| 3.2.2 基于小波系数的特征提取方法 | 第32页 |
| 3.3 基于小波包频带能量的特征提取方法 | 第32-35页 |
| 3.3.1 基于小波包分解的频带能量 | 第32-33页 |
| 3.3.2 基于小波包分解和频带局部能量法相结合特征提取 | 第33-35页 |
| 3.4 风机故障信号的处理 | 第35-41页 |
| 3.4.1 实验基本信息 | 第35-36页 |
| 3.4.2 信号处理以及特征提取 | 第36-40页 |
| 3.4.3 故障信号分析处理总结 | 第40-41页 |
| 3.5 Matlab软件应用介绍 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 信息融合技术的风机故障诊断模型 | 第43-52页 |
| 4.1 信息融合技术的基本理论 | 第43-47页 |
| 4.2 信息融合和故障诊断关系 | 第47-48页 |
| 4.3 信息融合的故障诊断模型 | 第48-51页 |
| 4.3.1 基于模糊理论信息融合故障诊断方法 | 第49页 |
| 4.3.2 基于神经网络信息融合故障诊断方法 | 第49-50页 |
| 4.3.3 基于贝叶斯定理信息融合故障诊断方法 | 第50页 |
| 4.3.4 基于证据理论信息融合故障诊断方法 | 第50-51页 |
| 4.3.5 基于集成信息融合故障诊断方法 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于D-S证据理论的信息融合故障诊断方法 | 第52-60页 |
| 5.1 D-S证据理论基础 | 第52-55页 |
| 5.1.1 证据理论的基本概念 | 第52-53页 |
| 5.1.2 基本概率赋值的获取 | 第53-54页 |
| 5.1.3 证据理论与贝叶斯理论的比较 | 第54-55页 |
| 5.2 D-S证据理论的组合规则 | 第55-56页 |
| 5.3 D-S证据理论的不足之处 | 第56-57页 |
| 5.4 用于故障诊断模型中的D-S方法的改进 | 第57-59页 |
| 5.4.1 Yager改进方法 | 第57页 |
| 5.4.2 Zhang改进方法 | 第57-58页 |
| 5.4.3 Dubois-Prade改进方法 | 第58页 |
| 5.4.4 Discount平均方法 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 基于D-S证据理论风机故障诊断的应用实例 | 第60-76页 |
| 6.1 基于D-S证据理论的风机故障诊断过程 | 第60-62页 |
| 6.1.1 风机故障诊断模型的构建 | 第61-62页 |
| 6.1.2 风机故障诊断的基本步骤 | 第62页 |
| 6.2 基于D-S证据理论风机故障诊断的实施 | 第62-70页 |
| 6.2.1 故障识别框架的确立 | 第62-63页 |
| 6.2.2 风机典型故障频率特征表的建立 | 第63-64页 |
| 6.2.3 证据体的选择及故障相似度的构造 | 第64-65页 |
| 6.2.4 证据的基本可信度函数的构造 | 第65-67页 |
| 6.2.6 信任函数的合成 | 第67-69页 |
| 6.2.7 故障诊断决策规则的制定 | 第69-70页 |
| 6.3 利用Dempster-Shafer Engine软件进行融合 | 第70-74页 |
| 6.3.1 Dempster-Shafer Engine软件介绍 | 第70页 |
| 6.3.2 Dempster-Shafer Engine软件的融合过程 | 第70-74页 |
| 6.4 结果说明及D-S证据理论方法的优点 | 第74-75页 |
| 6.5 本章小结 | 第75-76页 |
| 第7章 论文总结与展望 | 第76-78页 |
| 7.1 论文总结 | 第76-77页 |
| 7.2 未来工作的展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
