摘要 | 第3-4页 |
abstract | 第4-5页 |
第一章 绪论 | 第9-16页 |
1.1 研究目的及意义 | 第9-10页 |
1.2 声学故障诊断研究概况 | 第10-12页 |
1.2.1 声学故障诊断技术国内外研究现状 | 第10-12页 |
1.2.2 声学故障诊断基本过程 | 第12页 |
1.3 声学信号在轴承故障诊断中的优缺点 | 第12-14页 |
1.4 主要研究内容及创新点 | 第14-16页 |
1.4.1 主要研究内容 | 第14-15页 |
1.4.2 创新点 | 第15-16页 |
第二章 声学信号轴承故障诊断研究综述 | 第16-22页 |
2.1 声学基础 | 第16-19页 |
2.1.1 声波性质 | 第16页 |
2.1.2 声音描述 | 第16-18页 |
2.1.3 噪声 | 第18页 |
2.1.4 声波与振动的联系与区别 | 第18-19页 |
2.2 声学信号诊断综述 | 第19-21页 |
2.2.1 滚动轴承的噪声与振动 | 第19-20页 |
2.2.2 噪声诊断方法 | 第20-21页 |
2.2.3 滚动轴承噪声信号特点 | 第21页 |
2.3 本章小结 | 第21-22页 |
第三章 基于小波包分解的轴承声学故障信号的欠定盲源分离 | 第22-38页 |
3.1 盲源分离理论 | 第22-23页 |
3.1.1 盲源分离数学模型 | 第22-23页 |
3.1.2 盲源分离基本假设 | 第23页 |
3.2 Fast ICA算法 | 第23-25页 |
3.2.1 Fast ICA算法原理 | 第23-24页 |
3.2.2 Fast ICA算法的优点 | 第24-25页 |
3.3 基于小波包的相关声学信号的欠定盲源分离 | 第25-37页 |
3.3.1 单一通道盲源分离模型 | 第25页 |
3.3.2 可分离性分析 | 第25-26页 |
3.3.3 小波包分解理论 | 第26-28页 |
3.3.4 基于滚动轴承声学信号的母小波包函数选择 | 第28-31页 |
3.3.5 基于小波包—Fast ICA的欠定盲源分离算法 | 第31-32页 |
3.3.6 源信号数目估计 | 第32-33页 |
3.3.7 仿真实验 | 第33-37页 |
3.4 本章小结 | 第37-38页 |
第四章 基于滚动轴承声学信号的特征提取方法的研究 | 第38-59页 |
4.1 Shannon熵 | 第38-39页 |
4.1.1 Shannon熵概念 | 第38-39页 |
4.1.2 基于Shannon熵的轴承故障诊断方法 | 第39页 |
4.2 声学信号奇异值能量谱熵的特征提取 | 第39-44页 |
4.2.1 奇异值分解原理 | 第40-41页 |
4.2.2 仿真信号分析 | 第41-44页 |
4.3 声学信号功率谱熵的特征提取 | 第44-46页 |
4.3.1 功率谱原理 | 第44-45页 |
4.3.2 仿真信号分析 | 第45-46页 |
4.4 声学信号小波包分解的能量谱熵的特征提取 | 第46-50页 |
4.4.1 小波包发展史 | 第46-47页 |
4.4.2 基于小波包分解的能量谱熵的特征提取 | 第47-49页 |
4.4.3 仿真信号分析 | 第49-50页 |
4.5 支持向量机 | 第50-52页 |
4.6 实验分析 | 第52-58页 |
4.7 本章小结 | 第58-59页 |
第五章 实验验证 | 第59-80页 |
5.1 实验系统设计 | 第59-64页 |
5.1.1 整体结构 | 第59页 |
5.1.2 硬件系统 | 第59-62页 |
5.1.3 软件系统 | 第62-64页 |
5.2 实验数据 | 第64页 |
5.2.1 滚动轴承参数 | 第64页 |
5.2.2 实验工况及数据 | 第64页 |
5.3 基于小波包分解的欠定盲源分离的实例分析 | 第64-73页 |
5.3.1 滚动轴承外圈数据分析 | 第64-70页 |
5.3.2 滚动轴承内圈数据分析 | 第70-73页 |
5.4 基于滚动轴承声学信号的特征提取的实例分析 | 第73-78页 |
5.5 本章小结 | 第78-80页 |
第六章 结论与展望 | 第80-83页 |
6.1 结论 | 第80-81页 |
6.2 展望 | 第81-83页 |
参考文献 | 第83-87页 |
致谢 | 第87-88页 |
个人简历、在学期间的研究成果及发表的学术论文 | 第88页 |