基于小波变换的机械轴承磨损故障特征提取方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 问题的提出 | 第11页 |
| 1.2 滚动轴承故障诊断技术的发展现状 | 第11-13页 |
| 1.3 信号的特征提取常用时频分析方法 | 第13-15页 |
| 1.4 本文研究内容 | 第15页 |
| 1.5 本文结构安排 | 第15-16页 |
| 第2章 小波变换相关理论 | 第16-23页 |
| 2.1 小波变换理论基础 | 第16-17页 |
| 2.1.1 小波变换 | 第16页 |
| 2.1.2 小波包分解 | 第16-17页 |
| 2.2 基于小波变换的特征提取方法研究 | 第17-19页 |
| 2.2.1 近似熵算法 | 第17-18页 |
| 2.2.2 样本熵算法 | 第18-19页 |
| 2.2.3 排列熵算法 | 第19页 |
| 2.3 基于小波包的特征提取算法研究 | 第19-20页 |
| 2.3.1 能量谱 | 第20页 |
| 2.3.2 能量矩 | 第20页 |
| 2.4 小波基函数及分解层数的选择 | 第20-22页 |
| 2.4.1 小波基函数的选择 | 第20-22页 |
| 2.4.2 分解层数的确定 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于小波变换的滚动轴承内圈故障特征提取 | 第23-43页 |
| 3.1 监测数据分析 | 第23-25页 |
| 3.1.1 监测数据采集的滚动轴承相关参数 | 第23-24页 |
| 3.1.2 监测数据时频分析 | 第24-25页 |
| 3.2 基于小波近似熵的特征提取及识别 | 第25-30页 |
| 3.2.1 特征提取 | 第25-29页 |
| 3.2.2 特征识别 | 第29-30页 |
| 3.3 基于小波样本熵的特征提取及识别 | 第30-36页 |
| 3.3.1 特征提取 | 第30-35页 |
| 3.3.2 特征识别 | 第35-36页 |
| 3.4 基于小波排列熵的特征提取及识别 | 第36-41页 |
| 3.4.1 特征提取 | 第36-40页 |
| 3.4.2 特征识别 | 第40-41页 |
| 3.5 基于小波变换的三种特征提取方法分析比较 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于小波包的滚动轴承内圈故障特征提取 | 第43-64页 |
| 4.1 基于小波包能量谱的特征提取及识别 | 第43-50页 |
| 4.1.1 特征提取 | 第43-49页 |
| 4.1.2 特征识别 | 第49-50页 |
| 4.2 基于小波包能量矩的特征提取及识别 | 第50-56页 |
| 4.2.1 特征提取 | 第50-55页 |
| 4.2.2 特征识别 | 第55-56页 |
| 4.3 基于小波包变换的两种特征提取方法分析比较 | 第56-57页 |
| 4.4 基于标准数据集的特征提取方法比较 | 第57-63页 |
| 4.5 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 总结 | 第64-65页 |
| 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
