基于振动信号分析的滚动轴承故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及其意义 | 第9-10页 |
| 1.2 滚动轴承故障诊断的研究现状与趋势 | 第10-12页 |
| 1.3 智能诊断的应用 | 第12-13页 |
| 1.4 课题研究内容及安排 | 第13-15页 |
| 第2章 滚动轴承故障机理分析 | 第15-19页 |
| 2.1 滚动轴承基本结构 | 第15-16页 |
| 2.2 滚动轴承失效的表现形式 | 第16页 |
| 2.3 滚动轴承故障机理以及故障特征频率计算 | 第16-18页 |
| 2.3.1 振动机理 | 第16-18页 |
| 2.3.2 故障特征频率计算 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 滚动轴承振动信号特征提取 | 第19-36页 |
| 3.1 数据来源 | 第19-20页 |
| 3.2 基于统计指标的振动信号特征提取方法 | 第20-31页 |
| 3.2.1 时、频域统计指标介绍 | 第20-22页 |
| 3.2.2 滚动轴承时域、频域统计指标分析 | 第22-31页 |
| 3.3 基于小波包样本熵的振动信号特征提取方法 | 第31-35页 |
| 3.3.1 样本熵算法简介 | 第31-32页 |
| 3.3.2 小波包分解基本原理 | 第32-33页 |
| 3.3.3 轴承振动信号小波包样本熵分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于支持向量机的模式识别方法 | 第36-46页 |
| 4.1 支持向量机基本原理原理介绍 | 第36-39页 |
| 4.1.1 线性情况下构建最优超平面 | 第36-37页 |
| 4.1.2 非线性情况下构建最优超平面 | 第37-38页 |
| 4.1.3 核函数的参数寻优 | 第38-39页 |
| 4.2 基于支持向量机的滚动轴承故障诊断实例 | 第39-44页 |
| 4.2.1 基于统计指标和SVM的诊断方法 | 第39-41页 |
| 4.2.2 基于小波包样本熵的诊断方法 | 第41-44页 |
| 4.3 稳定性验证和优越性验证 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 总结和展望 | 第46-47页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |
