| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 机械故障诊断国内外现状 | 第14-15页 |
| 1.2.2 信号处理技术应用现状 | 第15-17页 |
| 1.2.3 基于EMD方法的机械故障诊断现状 | 第17-18页 |
| 1.2.4 故障模式识别方法应用现状 | 第18-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 钻机实验台设计与故障信号模拟采集 | 第21-39页 |
| 2.1 钻机工作原理 | 第21页 |
| 2.2 总体方案设计 | 第21-24页 |
| 2.3 回转系统设计 | 第24-30页 |
| 2.3.1 回转系统结构 | 第24-25页 |
| 2.3.2 主电机选型 | 第25-27页 |
| 2.3.3 主轴设计 | 第27页 |
| 2.3.4 联轴器选型 | 第27-28页 |
| 2.3.5 组合轴承选型及校核 | 第28-30页 |
| 2.4 传动系统设计 | 第30-32页 |
| 2.4.1 钻杆设计 | 第30页 |
| 2.4.2 钻杆与钻杆装配连接 | 第30-31页 |
| 2.4.3 钻头与钻杆装配连接 | 第31页 |
| 2.4.4 钻杆与法兰装配连接 | 第31-32页 |
| 2.5 提升系统设计 | 第32-34页 |
| 2.5.1 升降电机选型 | 第32-33页 |
| 2.5.2 提升系统联轴器选型 | 第33-34页 |
| 2.6 实验台设计制造 | 第34-35页 |
| 2.7 钻杆故障信号模拟实验与信号采集 | 第35-37页 |
| 2.8 本章小结 | 第37-39页 |
| 第3章 基于EMD原理的钻杆故障信号分解 | 第39-52页 |
| 3.1 EMD基本原理 | 第39-43页 |
| 3.1.1 解析信号的概念 | 第39-40页 |
| 3.1.2 EMD原理 | 第40-43页 |
| 3.2 EMD信号频域特征 | 第43-45页 |
| 3.2.1 AR谱原理 | 第43-44页 |
| 3.2.2 边际谱原理 | 第44-45页 |
| 3.3 基于小波原理的钻杆信号去噪 | 第45-46页 |
| 3.4 钻杆振动信号的谱分析 | 第46-51页 |
| 3.4.1 信号的时频分析 | 第46页 |
| 3.4.2 信号的EMD分解 | 第46-48页 |
| 3.4.3 信号的EMD-AR谱分析 | 第48-49页 |
| 3.4.4 信号的EMD-边际谱分析 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 钻杆故障信号特征量的提取 | 第52-59页 |
| 4.1 信号EMD-IMF能量故障特征提取 | 第52-55页 |
| 4.1.1 EMD-IMF故障特征提取算法 | 第52-53页 |
| 4.1.2 信号EMD-IMF能量法故障特征提取分析 | 第53-55页 |
| 4.2 信号EMD-SVD奇异值故障特征提取 | 第55-58页 |
| 4.2.1 信号EMD-SVD奇异值特征提取算法 | 第55-56页 |
| 4.2.2 信号EMD-SVD奇异值特征提取分析 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 基于BP神经网络的钻杆故障模式分类 | 第59-69页 |
| 5.1 神经网络基本原理 | 第59-62页 |
| 5.1.1 人工神经元 | 第59-60页 |
| 5.1.2 BP神经网络算法原理 | 第60-62页 |
| 5.2 BP神经网络结构模型的建立 | 第62-63页 |
| 5.3 BP神经网络实验应用分类 | 第63-68页 |
| 5.3.1 基于EMD能量分布的BP神经网络分类 | 第63-66页 |
| 5.3.2 基于EMD-SVD(奇异值)的BP神经网络分类 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |