基于小波包和支持向量机的轴承故障诊断研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1. 绪论 | 第10-15页 |
| ·课题研究的背景与意义 | 第10页 |
| ·国内外研究现状 | 第10-12页 |
| ·滚动轴承故障诊断的流程 | 第12页 |
| ·本文的研究内容及结构安排 | 第12-15页 |
| ·研究内容 | 第12-13页 |
| ·结构安排 | 第13-15页 |
| 2. 滚动轴承故障机理及振动分析 | 第15-18页 |
| ·滚动轴承振动信号的特性分析 | 第15-17页 |
| ·滚动轴承的结构以及特征频率 | 第15-16页 |
| ·滚动轴承的固有振动频率 | 第16页 |
| ·滚动轴承故障振动模型 | 第16-17页 |
| ·小结 | 第17-18页 |
| 3. 基于小波分析的特征提取 | 第18-29页 |
| ·小波分析 | 第18-20页 |
| ·连续小波变换(CWT) | 第18-19页 |
| ·离散小波变换(DWT) | 第19页 |
| ·多分辨率分析 | 第19-20页 |
| ·正交小波变换 | 第20页 |
| ·小波包分析 | 第20-23页 |
| ·小波包的定义 | 第20-21页 |
| ·小波包的子空间分解 | 第21-22页 |
| ·小波包重构 | 第22页 |
| ·母小波的选取 | 第22-23页 |
| ·小波的分解层数的选取 | 第23页 |
| ·小波降噪 | 第23-27页 |
| ·基本降噪模型 | 第23-24页 |
| ·常用的小波降噪方法 | 第24-25页 |
| ·软、硬阈值去噪的基本原理 | 第25-26页 |
| ·阈值的选取 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 4. 支持向量机识别方法研究 | 第29-42页 |
| ·引言 | 第29页 |
| ·遗传算法及其原理 | 第29-32页 |
| ·遗传算法的基本原理及特点 | 第29-30页 |
| ·遗传算法的实现步骤 | 第30-32页 |
| ·支持向量机分类器 | 第32-37页 |
| ·支持向量机分类的基本原理 | 第32-36页 |
| ·支持向量机的核函数 | 第36页 |
| ·支持向量机分类器的类型 | 第36-37页 |
| ·SVM分类器与核函数的选择 | 第37-39页 |
| ·SVM分类器的选择 | 第37-38页 |
| ·核函数以及参数优化方案的选择 | 第38-39页 |
| ·基于CV的遗传优化SVM的算法实现 | 第39-41页 |
| ·交叉验证原理 | 第39-40页 |
| ·CV-GA算法实现 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 5. 实验仿真 | 第42-55页 |
| ·故障诊断流程 | 第42-43页 |
| ·去噪以及特征提取 | 第43-48页 |
| ·小波包去噪实验 | 第43-45页 |
| ·小波包频带能量特征提取 | 第45-48页 |
| ·基于SVM的故障特征分类 | 第48-54页 |
| ·libsvm的介绍以及使用 | 第48-49页 |
| ·未经参数优化的SVM仿真分类实验 | 第49-51页 |
| ·基于GA-SVM的分类仿真实验 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 6. 结论 | 第55-57页 |
| ·总结 | 第55页 |
| ·研究工作展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者简历 | 第60-62页 |
| 学位论文数据集 | 第62页 |
