旋转机械典型故障特征提取方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-14页 |
| 第一章 概述 | 第14-18页 |
| ·引言 | 第14页 |
| ·旋转故障诊断研究的内容与实质 | 第14-16页 |
| ·故障机理研究 | 第14-15页 |
| ·故障信息检测与采集 | 第15页 |
| ·故障特征提取与分析 | 第15页 |
| ·故障诊断推理技术 | 第15-16页 |
| ·旋转机械故障诊断的现状以及发展趋势 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第二章 旋转机械故障诊断常用方法 | 第18-40页 |
| ·旋转机械常见的故障类型及机理分析 | 第18-21页 |
| ·旋转机械故障诊断方法分析 | 第21-29页 |
| ·旋转机械故障诊断常规流程 | 第21页 |
| ·传统的旋转机械故障特征提取方法 | 第21-22页 |
| ·旋转机械故障特征提取中的时频分析方法 | 第22-27页 |
| ·时域特征提取 | 第22-23页 |
| ·频域特征提取 | 第23-24页 |
| ·小波变换原理 | 第24-25页 |
| ·小波包分析原理 | 第25-26页 |
| ·小波包特征提取算法 | 第26-27页 |
| ·旋转机械故障特征提取中的其他方法 | 第27-28页 |
| ·特征评估方法 | 第28-29页 |
| ·旋转机械故障诊断推理的方法分析 | 第29-39页 |
| ·基于控制模型的故障诊断 | 第29页 |
| ·基于人工智能的故障诊断 | 第29-31页 |
| ·基于神经网络的故障诊断 | 第31-36页 |
| ·BP神经网络 | 第31-34页 |
| ·网络结构 | 第31-32页 |
| ·学习过程 | 第32-34页 |
| ·自组织竞争神经网络(SOC网络) | 第34-36页 |
| ·网络结构 | 第34-35页 |
| ·学习过程 | 第35-36页 |
| ·支持向量机(SVM) | 第36-38页 |
| ·最优分类 | 第36-37页 |
| ·非线性问题求解 | 第37-38页 |
| ·其他方法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 旋转机械故障诊断实验装置介绍 | 第40-48页 |
| ·试验台旋转机械模块介绍 | 第40-47页 |
| ·传感器 | 第42-44页 |
| ·信号调理模块 | 第44-45页 |
| ·数据采集卡 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 旋转机械故障诊断数据分析 | 第48-72页 |
| ·数据采集 | 第48-52页 |
| ·数据采集 | 第48页 |
| ·数据预处理 | 第48-52页 |
| ·几种滤波器介绍 | 第48-49页 |
| ·几种滤波器的比较 | 第49-52页 |
| ·故障特征分析 | 第52-64页 |
| ·时域特征分析 | 第52-58页 |
| ·频域特征分析 | 第58-61页 |
| ·fft功率谱分析 | 第58-59页 |
| ·小波包分解能量分析 | 第59-61页 |
| ·特征评估分析 | 第61-64页 |
| ·故障推理分析 | 第64-69页 |
| ·特征数量分析 | 第64-66页 |
| ·训练样本数量分析 | 第66页 |
| ·BP网络、SOC网络和SVM比较分析 | 第66-69页 |
| ·故障特征提取方法改进 | 第69-71页 |
| ·方法改进 | 第69页 |
| ·改进效果 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| ·总结 | 第72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 研究成果及发表的学术论文 | 第80-82页 |
| 作者及导师简介 | 第82-83页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第83-84页 |
