摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
创新点摘要 | 第7-11页 |
第一章 绪论 | 第11-16页 |
1.1 课题研究的背景和意义 | 第11页 |
1.2 滚动轴承故障诊断的发展现状 | 第11-13页 |
1.2.1 旋转机械振动信号去噪的研究现状 | 第12页 |
1.2.2 故障诊断特征提取的研究现状 | 第12页 |
1.2.3 故障模式识别的研究现状 | 第12-13页 |
1.3 滚动轴承失效形式 | 第13-14页 |
1.3.1 滚动轴承的基本结构 | 第13页 |
1.3.2 滚动轴承的失效形式 | 第13-14页 |
1.4 旋转机械故障模拟试验平台QPPZ-II | 第14-15页 |
1.5 本文研究内容及章节安排 | 第15-16页 |
第二章 基于经验模态分解的小波熵阈值去噪 | 第16-23页 |
2.1 EMD基本原理 | 第16-17页 |
2.1.1 EMD分解与重构 | 第16-17页 |
2.1.2 EMD阈值去噪算法 | 第17页 |
2.2 基于EMD的小波熵阈值去噪方法 | 第17-19页 |
2.2.1 改进的基本思想 | 第17-18页 |
2.2.2 小波熵的计算方法 | 第18页 |
2.2.3 阈值的计算 | 第18-19页 |
2.2.4 阈值函数的选取 | 第19页 |
2.3 基于EMD的小波熵阈值去噪算法步骤 | 第19页 |
2.4 仿真与实验 | 第19-22页 |
2.4.1 仿真信号去噪效果对比 | 第19-21页 |
2.4.2 滚动轴承信号去噪 | 第21-22页 |
2.5 本章小结 | 第22-23页 |
第三章 基于EMD多尺度熵均偏值的滚动轴承特征提取 | 第23-31页 |
3.1 样本熵的定义及算法 | 第23-24页 |
3.1.1 样本熵 | 第23页 |
3.1.2 参数选择 | 第23-24页 |
3.2 多尺度熵及多尺度熵均偏值的定义及算法 | 第24-25页 |
3.2.1 多尺度熵 | 第24-25页 |
3.2.2 多尺度熵均偏值算法描述 | 第25页 |
3.3 基于EMD多尺度熵均偏值的滚动轴承特征提取步骤 | 第25-26页 |
3.4 实际轴承信号的特征提取研究 | 第26-27页 |
3.5 基于BP神经网络的实验效果验证 | 第27-30页 |
3.5.1 BP网络结构 | 第27-28页 |
3.5.2 BP神经网络故障诊断模型建立 | 第28-29页 |
3.5.3 实际信号的时域特征参数值在BP神经网络的分类验证 | 第29-30页 |
3.5.4 实际信号的PMME值在BP神经网络的分类验证 | 第30页 |
3.6 本章小结 | 第30-31页 |
第四章 混沌思维进化算法优化BP神经网络的故障诊断分类 | 第31-44页 |
4.1 BP网络训练过程 | 第31-32页 |
4.2 思维进化算法 | 第32-35页 |
4.2.1 思维进化算法的基本原理 | 第33-34页 |
4.2.2 混沌思维进化算法 | 第34-35页 |
4.2.3 混沌思维进化算法流程 | 第35页 |
4.3 混沌思维进化算法的BP神经网络参数优化 | 第35-37页 |
4.3.1 混沌思维进化算法 | 第35-36页 |
4.3.2 改进思维进化算法对BP神经网络的参数优化 | 第36-37页 |
4.4 算法性能测试实验 | 第37-41页 |
4.4.1 测试函数的选择 | 第37-39页 |
4.4.2 测试结果分析 | 第39-41页 |
4.5 基于混沌思维进化算法的BP神经网络故障诊断 | 第41-43页 |
4.6 本章小结 | 第43-44页 |
第五章 滚动轴承故障诊断系统设计与开发 | 第44-51页 |
5.1 开发平台软件简介 | 第44页 |
5.2 系统总体方案设计 | 第44-45页 |
5.3 故障诊断系统各模块研制 | 第45-50页 |
5.3.1 欢迎界面的设计 | 第45-46页 |
5.3.2 采集信号的回放模块设计 | 第46页 |
5.3.3 时域特征参数提取模块的设计 | 第46-47页 |
5.3.4 频域特征分析模块的设计 | 第47-48页 |
5.3.5 EMD小波熵阈值去噪模块的设计 | 第48-49页 |
5.3.6 基于Hilbert的共振解调特征分析模块的设计 | 第49页 |
5.3.7 EMD多尺度熵均偏值特征提取模块的设计 | 第49-50页 |
5.3.8 混沌思维进化算法优化BP神经网络故障分类模块的设计 | 第50页 |
5.4 本章小结 | 第50-51页 |
结论 | 第51-52页 |
参考文献 | 第52-55页 |
发表文章目录 | 第55-56页 |
致谢 | 第56-57页 |