基于LMD和HSMM的旋转机械故障诊断方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-22页 |
| ·课题研究的背景和意义 | 第12页 |
| ·旋转机械故障诊断技术概况 | 第12-19页 |
| ·旋转机械故障诊断的实现 | 第12-13页 |
| ·旋转机械故障诊断方法 | 第13-15页 |
| ·特征提取分析 | 第15-18页 |
| ·模式识别分析 | 第18-19页 |
| ·国内外研究现状 | 第19-21页 |
| ·主要研究内容及总体结构 | 第21-22页 |
| ·主要研究内容 | 第21页 |
| ·具体内容安排 | 第21-22页 |
| 第2章 LMD的基本理论与算法 | 第22-36页 |
| ·LMD相关基本概念 | 第22-26页 |
| ·信号的频率和瞬时频率 | 第22-23页 |
| ·单分量信号和多分量信号 | 第23-24页 |
| ·调幅信号和调频信号 | 第24-26页 |
| ·LMD分解原理和算法 | 第26-30页 |
| ·局部均值函数和包络估计函数 | 第26-27页 |
| ·LMD分解具体算法 | 第27-30页 |
| ·LMD与EMD方法比较 | 第30-35页 |
| ·EMD方法简介 | 第30-31页 |
| ·LMD和EMD理论对比 | 第31-32页 |
| ·仿真信号分析 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 基于小波包降噪与LMD分解的信号特征提取 | 第36-49页 |
| ·信号零均值化 | 第36-37页 |
| ·小波包降噪 | 第37-42页 |
| ·小波分析基本原理 | 第37-39页 |
| ·小波包分析基本原理 | 第39-40页 |
| ·小波包降噪过程及性能分析 | 第40-42页 |
| ·小波包降噪与LMD分解相结合的分析方法 | 第42-44页 |
| ·噪声对LMD分解性能的影响 | 第42-43页 |
| ·小波包降噪与LMD分解相结合性能分析 | 第43-44页 |
| ·基于小波包降噪与LMD分解的特征参数提取 | 第44-48页 |
| ·实际信号小波包降噪及LMD分解 | 第44-45页 |
| ·伪PF分量的判定与剔除 | 第45-46页 |
| ·特征参数提取 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 HSMM基本理论及其在状态识别中的应用 | 第49-64页 |
| ·HSMM理论基础 | 第49-53页 |
| ·MARKOV模型 | 第49-50页 |
| ·隐MARKOV模型 | 第50-53页 |
| ·HSMM基本理论与算法 | 第53-59页 |
| ·HSMM的定义 | 第53-55页 |
| ·HSMM的算法 | 第55-59页 |
| ·HSMM算法实现中的部分问题与改进 | 第59-62页 |
| ·初始模型参数的选择 | 第59-60页 |
| ·多组观测序列的训练 | 第60-62页 |
| ·基于HSMM的故障诊断与状态识别方法 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 基于LMD和HSMM的滚动轴承故障诊断 | 第64-72页 |
| ·滚动轴承故障诊断实验系统 | 第64-65页 |
| ·实验对象 | 第64页 |
| ·实验装置和系统 | 第64-65页 |
| ·实验验证 | 第65-71页 |
| ·滚动轴承振动信号特征提取 | 第65-68页 |
| ·HSMM模型建立与训练 | 第68-70页 |
| ·HSMM故障诊断结果 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第6章 基于LMD和HSMM的机械密封状态监测 | 第72-80页 |
| ·机械密封状态监测实验系统 | 第72-73页 |
| ·实验装置及监测方案 | 第72-73页 |
| ·实验信号观察与分析 | 第73页 |
| ·实验验证 | 第73-78页 |
| ·机械密封声发射信号特征提取 | 第73-75页 |
| ·HSMM模型建立与训练 | 第75-76页 |
| ·HSMM状态识别结果 | 第76-78页 |
| ·HSMM和神经网络方法的对比 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 结论和展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士研究生期间发表的论文 | 第88页 |
