| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 信号分析方法研究现状 | 第11-13页 |
| 1.2.1 非自适应分析方法 | 第11-12页 |
| 1.2.2 自适应分析方法 | 第12-13页 |
| 1.3 性能退化评估方法研究现状 | 第13-16页 |
| 1.3.1 基于物理模型的方法 | 第13页 |
| 1.3.2 基于人工智能的方法 | 第13-14页 |
| 1.3.3 基于统计理论的方法 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 变分模态分解方法 | 第18-32页 |
| 2.1 EMD基本原理 | 第18-22页 |
| 2.1.1 瞬时频率 | 第18-19页 |
| 2.1.2 固有模态函数 | 第19-20页 |
| 2.1.3 EMD的分解过程 | 第20-22页 |
| 2.1.4 模态混叠 | 第22页 |
| 2.2 VMD基本原理 | 第22-25页 |
| 2.2.1 VMD的原理 | 第23-24页 |
| 2.2.2 VMD的分解过程 | 第24-25页 |
| 2.3 仿真信号分析 | 第25-29页 |
| 2.4 液压泵实测信号分析 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 支持向量数据描述方法 | 第32-40页 |
| 3.1 统计学习理论基础 | 第32-34页 |
| 3.1.1 机器学习问题 | 第32-33页 |
| 3.1.2 ERM准则和SRM准则 | 第33-34页 |
| 3.2 核函数 | 第34-35页 |
| 3.3 KKT条件 | 第35-36页 |
| 3.4 SVDD基本原理 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于支持向量数据描述的综合评估方法 | 第40-54页 |
| 4.1 基于VMD和SVDD的特征提取方法 | 第40-45页 |
| 4.1.1 VMD预设尺度数的确定 | 第40-41页 |
| 4.1.2 特征提取 | 第41-44页 |
| 4.1.3 传统时域特征提取 | 第44-45页 |
| 4.2 性能退化评估流程 | 第45-47页 |
| 4.3 实验验证 | 第47-52页 |
| 4.3.1 性能退化评估 | 第48-51页 |
| 4.3.2 与传统时域特征作对比 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 基于SVDD综合评估方法的液压泵性能退化评估 | 第54-71页 |
| 5.1 液压泵状态信号采集 | 第54-59页 |
| 5.1.1 实验系统的组成 | 第54-57页 |
| 5.1.2 基于LabVIEW的数据采集系统 | 第57-58页 |
| 5.1.3 实验过程 | 第58-59页 |
| 5.2 液压泵滑靴磨损性能退化评估 | 第59-65页 |
| 5.2.1 时频分析 | 第59-60页 |
| 5.2.2 性能退化评估 | 第60-64页 |
| 5.2.3 与传统时域特征作对比 | 第64-65页 |
| 5.3 液压泵松靴性能退化评估 | 第65-70页 |
| 5.3.1 时频分析 | 第65-66页 |
| 5.3.2 性能退化评估 | 第66-69页 |
| 5.3.3 与传统时域特征作对比 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第77-78页 |
| 致谢 | 第78页 |