摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第16-25页 |
1.1 选题的背景与意义 | 第16-17页 |
1.2 旋转机械故障诊断国内外研究现状 | 第17页 |
1.3 基于时频分析与模式识别的旋转机械故障诊断方法 | 第17-22页 |
1.3.1 基于时频分析方法的旋转机械故障诊断方法 | 第18-21页 |
1.3.2 基于模式识别方法的旋转机械故障诊断方法 | 第21-22页 |
1.4 论文的研究思路与主要内容 | 第22-25页 |
1.4.1 论文的研究思路 | 第22-23页 |
1.4.2 论文的内容安排 | 第23-25页 |
第2章 ASTFA方法及其在旋转机械故障诊断中的应用 | 第25-43页 |
2.1 引言 | 第25页 |
2.2 自适应最稀疏时频分析方法 | 第25-27页 |
2.2.1 建立过完备字典库 | 第25-26页 |
2.2.2 最优化求解 | 第26-27页 |
2.3 ASTFA方法仿真信号分析 | 第27-36页 |
2.3.1 调频信号仿真分析 | 第28-30页 |
2.3.2 调幅信号仿真分析 | 第30-32页 |
2.3.3 调幅调频信号仿真分析 | 第32-34页 |
2.3.4 间歇信号仿真分析 | 第34-36页 |
2.4 ASTFA方法在旋转机械故障中的应用 | 第36-41页 |
2.4.1 ASTFA方法在滚动轴承故障诊断中的应用 | 第37-40页 |
2.4.2 ASTFA方法在齿轮故障诊断中的应用 | 第40-41页 |
2.5 本章小结 | 第41-43页 |
第3章 IASTFA方法及其在转子故障诊断中的应用 | 第43-56页 |
3.1 引言 | 第43页 |
3.2 基于粒子群算法初值优化的ASTFA方法 | 第43-47页 |
3.2.1 粒子群算法 | 第43-44页 |
3.2.2 基于粒子群优化初值的ASTFA方法分解步骤 | 第44-45页 |
3.2.3 仿真分析 | 第45-47页 |
3.3 基于频率掩蔽信号改进的IASTFA方法 | 第47-51页 |
3.3.1 ASTFA方法的频率分解能力 | 第47-48页 |
3.3.2 基于频率掩蔽信号改进的IASTFA方法分解步骤 | 第48-49页 |
3.3.3 仿真分析 | 第49-51页 |
3.4 IASTFA方法在转子碰摩故障诊断中的应用 | 第51-54页 |
3.5 本章小结 | 第54-56页 |
第4章 IASTFA-BSS方法及其在旋转机械复合故障诊断中的应用 | 第56-71页 |
4.1 引言 | 第56-57页 |
4.2 盲源分离的基本理论 | 第57-59页 |
4.2.1 盲源分离的数学理论模型 | 第57页 |
4.2.2 盲源分离的预处理方法 | 第57-58页 |
4.2.3 盲源分离结果的不确定性 | 第58-59页 |
4.3 基于IASTFA的单通道盲源分离方法 | 第59-62页 |
4.3.1 单通道盲源分离的数学模型 | 第59页 |
4.3.2 IASTFA-BSS方法 | 第59-62页 |
4.4 IASTFA-BSS在旋转机械复合故障诊断的仿真分析 | 第62-66页 |
4.4.1 无噪声复合故障仿真信号分析 | 第63-65页 |
4.4.2 含噪声复合故障仿真信号分析 | 第65-66页 |
4.5 IASTFA-BSS在旋转机械复合故障诊断中的试验分析 | 第66-70页 |
4.6 本章小结 | 第70-71页 |
第5章 基于IASTFA和QRVPMCD的滚动轴承故障诊断方法 | 第71-82页 |
5.1 引言 | 第71-72页 |
5.2 变量预测模型 | 第72-73页 |
5.3 QRVPMCD方法 | 第73-77页 |
5.3.1 分位数回归 | 第73-75页 |
5.3.2 QRVPMCD模型 | 第75-76页 |
5.3.3 QRVPMCD方法在UCI标准数据中的应用 | 第76-77页 |
5.4 基于IASTFA和QRVPMCD的滚动轴承故障诊断方法步骤 | 第77-78页 |
5.5 滚动轴承故障诊断试验分析 | 第78-81页 |
5.6 本章小结 | 第81-82页 |
结论与展望 | 第82-84页 |
参考文献 | 第84-91页 |
致谢 | 第91-92页 |
附录A 攻读学位期间发表和录用的论文目录 | 第92-93页 |
附录B 攻读学位期间参与的科研项目 | 第93页 |