| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-14页 |
| 1 绪论 | 第14-28页 |
| ·研究背景与意义 | 第14页 |
| ·机械故障诊断研究的国内外研究现状 | 第14-15页 |
| ·机械振动信号处理技术研究综述 | 第15-23页 |
| ·时域信号处理技术 | 第16-17页 |
| ·频域信号处理技术 | 第17-19页 |
| ·时频域信号处理技术 | 第19-23页 |
| ·机械故障识别方法概述 | 第23-24页 |
| ·基于神经网络的识别方法 | 第23页 |
| ·基于支持向量机的识别方法 | 第23-24页 |
| ·基于聚类分析的识别方法 | 第24页 |
| ·主要研究内容 | 第24-28页 |
| 2 基于经验模态分解的信号降噪方法 | 第28-42页 |
| ·引言 | 第28页 |
| ·经验模态分解方法 | 第28-30页 |
| ·内蕴模态函数 | 第29页 |
| ·“筛分”过程 | 第29-30页 |
| ·基于EMD的降噪原理 | 第30-31页 |
| ·基于阈值处理的降噪方法 | 第31页 |
| ·基于滤波的降噪方法 | 第31页 |
| ·改进的基于EMD的降噪方法 | 第31-32页 |
| ·仿真信号实验 | 第32-36页 |
| ·多普勒信号 | 第32-34页 |
| ·方波信号 | 第34-35页 |
| ·调制信号 | 第35-36页 |
| ·轴承实测信号实验 | 第36-40页 |
| ·实验描述 | 第37-39页 |
| ·实验结果 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 3. 基于相对小波能量的机械故障诊断 | 第42-60页 |
| ·引言 | 第42页 |
| ·小波变换基本理论 | 第42-46页 |
| ·连续小波变换 | 第43页 |
| ·离散小波变换 | 第43-44页 |
| ·Daubechies小波 | 第44-46页 |
| ·相对小波能量 | 第46页 |
| ·支持向量机 | 第46-50页 |
| ·最优分类面 | 第46-47页 |
| ·线性支持向量机 | 第47-48页 |
| ·非线性支持向量机 | 第48-49页 |
| ·多分类支持向量机 | 第49-50页 |
| ·基于相对小波能量的故障诊断方法 | 第50-51页 |
| ·在轴承故障诊断中的应用 | 第51-59页 |
| ·实验数据 | 第51-53页 |
| ·轴承振动信号的小波分析 | 第53-57页 |
| ·轴承振动信号的特征提取 | 第57-58页 |
| ·基于SVM的分类实验 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 4 基于小波包与样本熵的机械故障诊断 | 第60-78页 |
| ·引言 | 第60-61页 |
| ·小波包变换 | 第61-63页 |
| ·小波包定义与性质 | 第61-62页 |
| ·小波包变换与小波变换的比较 | 第62-63页 |
| ·样本熵介绍 | 第63-65页 |
| ·近似熵 | 第63页 |
| ·样本熵 | 第63-65页 |
| ·轴承振动信号的样本熵分析 | 第65-67页 |
| ·数据长度对样本熵的影响 | 第65-66页 |
| ·损伤程度对样本熵的影响 | 第66-67页 |
| ·载荷对样本熵的影响 | 第67页 |
| ·基于小波包分解和样本熵的故障诊断方法 | 第67-76页 |
| ·原始信号样本熵在故障诊断中的局限性 | 第67-68页 |
| ·轴承信号的小波包分解 | 第68-71页 |
| ·测试数据集描述 | 第71-72页 |
| ·轴承不同工况小波包分解样本熵值比较 | 第72页 |
| ·轴承故障诊断实验 | 第72-76页 |
| ·本章小结 | 第76-78页 |
| 5 基于Hilbert-Huang变换的机械故障诊断 | 第78-96页 |
| ·引言 | 第78-79页 |
| ·Hilbert-Huang变换 | 第79-84页 |
| ·Hilbert变换 | 第79-80页 |
| ·瞬时频率 | 第80-81页 |
| ·Hilbert谱 | 第81-82页 |
| ·Hilbert谱与小波尺度谱的比较 | 第82-84页 |
| ·奇异值分解 | 第84-85页 |
| ·轴承振动信号的Hilbert谱奇异值分析 | 第85-90页 |
| ·轴承振动信号的EMD分解 | 第86-88页 |
| ·轴承振动信号的Hilbert谱分析 | 第88-89页 |
| ·轴承振动信号的Hilbert谱奇异值 | 第89-90页 |
| ·基于Hilbert谱奇异值的轴承故障诊断 | 第90-92页 |
| ·测试数据集描述 | 第90-91页 |
| ·基于SVM的轴承故障诊断实验 | 第91-92页 |
| ·铁路货车轴承Hilbert谱奇异值分析 | 第92-94页 |
| ·本章小结 | 第94-96页 |
| 6 基于独立分量分析的机械故障诊断 | 第96-118页 |
| ·引言 | 第96-97页 |
| ·独立分量分析基本理论 | 第97-102页 |
| ·ICA模型 | 第97-98页 |
| ·ICA的预处理 | 第98-99页 |
| ·独立性判据 | 第99-101页 |
| ·FastICA算法 | 第101-102页 |
| ·基于ICA的机械故障诊断方法之一 | 第102-106页 |
| ·基于所有样本ICA的特征提取 | 第102-103页 |
| ·轴承振动信号的ICA分析 | 第103-104页 |
| ·最近邻分类器 | 第104页 |
| ·基于ICA的故障诊断实验 | 第104-106页 |
| ·基于ICA的机械故障诊断方法之二 | 第106-116页 |
| ·类别ICA特征提取原理 | 第106页 |
| ·相关系数 | 第106-107页 |
| ·基于ICA与相关系数的故障诊断方法 | 第107页 |
| ·齿轮故障诊断实验 | 第107-111页 |
| ·轴承故障诊断实验 | 第111-116页 |
| ·本章小结 | 第116-118页 |
| 7 结论与展望 | 第118-122页 |
| ·全文工作总结 | 第118-119页 |
| ·主要创新点 | 第119-120页 |
| ·研究展望 | 第120-122页 |
| 参考文献 | 第122-132页 |
| 作者简历 | 第132-136页 |
| 学位论文数据集 | 第136页 |