| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 第一章 绪论 | 第12-20页 |
| ·课题研究的背景及意义 | 第12页 |
| ·旋转机械故障诊断技术综述 | 第12-16页 |
| ·旋转机械故障诊断的含义及发展概况 | 第12-14页 |
| ·旋转机械故障诊断的主要内容 | 第14-15页 |
| ·旋转机械故障诊断的主要方法 | 第15-16页 |
| ·常用时频分析方法及在故障诊断中的应用 | 第16-18页 |
| ·传统的时频分析方法 | 第16-17页 |
| ·希尔伯特黄变换方法 | 第17-18页 |
| ·人工神经网络概述 | 第18-19页 |
| ·神经网络的发展概况 | 第18-19页 |
| ·神经网络在机械故障诊断中的应用 | 第19页 |
| ·本文主要研究内容 | 第19-20页 |
| 第二章 HILBERT-HUANG 变换的基本理论 | 第20-33页 |
| ·HILBERT-HUANG 变换的基本概念 | 第20-22页 |
| ·时间特征尺度 | 第20页 |
| ·瞬时频率 | 第20-21页 |
| ·内禀模态函数 | 第21-22页 |
| ·HILBERT-HUANG 变换的实现过程 | 第22-25页 |
| ·经验模态分解方法 | 第22-24页 |
| ·Hilbert 谱和 Hilbert 边际谱 | 第24-25页 |
| ·HILBERT-HUANG 变换的端点效应处理 | 第25-27页 |
| ·端点效应的产生原因及影响 | 第25页 |
| ·端点效应处理方法 | 第25-27页 |
| ·虚假模态问题及消除方法 | 第27-32页 |
| ·采样频率对 EMD 分解的影响 | 第27-28页 |
| ·虚假模态消除方法研究 | 第28-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 BP 神经网络及优化研究 | 第33-48页 |
| ·人工神经网络 | 第33-35页 |
| ·人工神经元的基本知识 | 第33-34页 |
| ·人工神经网络的类型 | 第34页 |
| ·人工神经网络的学习规则 | 第34-35页 |
| ·人工神经网络的基本性质和功能 | 第35页 |
| ·BP 神经网络 | 第35-38页 |
| ·BP 神经网络结构 | 第35-36页 |
| ·BP 网络的学习算法 | 第36-37页 |
| ·BP 网络的设计原则 | 第37-38页 |
| ·BP 网络的缺点和优化方案 | 第38页 |
| ·遗传算法 | 第38-43页 |
| ·遗传算法概述 | 第38-39页 |
| ·基本遗传算法及实现技术 | 第39-43页 |
| ·遗传算法优化 BP 神经网络 | 第43-46页 |
| ·遗传算法和神经网络的融合 | 第43页 |
| ·遗传算法优化 BP 神经网络的方法 | 第43-46页 |
| ·BP 网络及其优化的仿真分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于 HHT 的旋转机械故障振动特征分析 | 第48-60页 |
| ·常见旋转机械故障机理概述 | 第48-49页 |
| ·转子系统故障试验概述 | 第49-51页 |
| ·基于 HHT 的转子故障特征分析 | 第51-59页 |
| ·转子不平衡故障 | 第51-52页 |
| ·转子不对中故障 | 第52-54页 |
| ·转子摩碰故障 | 第54-57页 |
| ·油膜涡动故障 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 基于 HHT 和神经网络的旋转机械故障诊断研究 | 第60-73页 |
| ·基于 EMD 和模糊熵的转子故障特征提取技术研究 | 第60-65页 |
| ·模糊熵定义 | 第60-61页 |
| ·模糊熵的特性分析 | 第61-63页 |
| ·基于 EMD 和模糊熵的特征提取方法 | 第63-65页 |
| ·转子系统故障诊断研究 | 第65-72页 |
| ·转子系统故障的特征提取 | 第65-68页 |
| ·基于 BP 神经网络的转子系统故障诊断 | 第68-70页 |
| ·基于遗传算法优化 BP 网络的转子系统故障诊断 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-74页 |
| ·工作总结 | 第73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士期间所发表的论文 | 第79页 |
