| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及研究意义 | 第10页 |
| 1.2 故障诊断技术国内外发展 | 第10-11页 |
| 1.2.1 国外故障诊断技术的发展概况 | 第10-11页 |
| 1.2.2 我国故障诊断技术的发展概况 | 第11页 |
| 1.3 滚动轴承智能故障诊断方法研究及现状 | 第11-18页 |
| 1.3.1 故障信号获取研究 | 第12-13页 |
| 1.3.2 故障特征提取研究 | 第13-16页 |
| 1.3.3 故障模式识别研究 | 第16-18页 |
| 1.4 本文主要研究内容及结构安排 | 第18-20页 |
| 第二章 振动机械滚动轴承故障理论研究及信号采集 | 第20-29页 |
| 2.1 振动机械的工作特点、结构及分类 | 第20-21页 |
| 2.1.1 振动机械的工作特点 | 第20页 |
| 2.1.2 振动机械的构造与工作原理 | 第20-21页 |
| 2.1.3 振动机械的分类 | 第21页 |
| 2.2 振动机械滚动轴承故障分析 | 第21-26页 |
| 2.2.1 滚动轴承常见故障类型与分析 | 第22-23页 |
| 2.2.2 滚动轴承振动机理 | 第23页 |
| 2.2.3 滚动轴承故障频率计算 | 第23-26页 |
| 2.2.4 滚动轴承故障信号特点分析 | 第26页 |
| 2.3 振动机械滚动轴承故障信号获取介绍 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 振动机械滚动轴承故障特征提取研究 | 第29-44页 |
| 3.1 概述 | 第29页 |
| 3.2 MED算法原理及仿真实现 | 第29-33页 |
| 3.2.1 MED算法原理 | 第29-31页 |
| 3.2.2 MED仿真分析 | 第31-33页 |
| 3.3 VMD算法原理及仿真实现 | 第33-37页 |
| 3.3.1 VMD算法原理 | 第33-35页 |
| 3.3.2 VMD仿真分析 | 第35-37页 |
| 3.4 基于MED-VMD的振动机械滚动轴承故障诊断 | 第37-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 振动机械滚动轴承故障模式识别研究 | 第44-58页 |
| 4.1 多尺度排列熵理论 | 第44-45页 |
| 4.1.1 多尺度排列熵原理 | 第44-45页 |
| 4.2 人工神经网络理论 | 第45-51页 |
| 4.2.1 SOM神经网络 | 第46-47页 |
| 4.2.2 SOM神经网络学习算法 | 第47-48页 |
| 4.2.3 SOM神经网络参数设置 | 第48页 |
| 4.2.4 PNN神经网络 | 第48-49页 |
| 4.2.5 PNN神经网络学习算法 | 第49-51页 |
| 4.3 基于神经网络的振动机械滚动轴承故障模式识别 | 第51-57页 |
| 4.3.1 基于VMD-MPE振动机械滚动轴承故障特征向量构造 | 第51-54页 |
| 4.3.2 基于SOM网络的故障诊断仿真 | 第54-55页 |
| 4.3.3 基于PNN网络的故障诊断仿真 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 振动机械滚动轴承故障诊断系统实现 | 第58-68页 |
| 5.1 概述 | 第58页 |
| 5.2 开发工具介绍 | 第58-60页 |
| 5.2.1 MATLAB 与 Visual C | 第58-59页 |
| 5.2.2 MATLAB 与 Visual C | 第59-60页 |
| 5.3 振动机械滚动轴承故障诊断功能介绍 | 第60-67页 |
| 5.3.1 振动机械滚动轴承故障诊断系统数据处理模块设计 | 第62-63页 |
| 5.3.2 振动机械滚动轴承故障诊断系统时频域分析模块设计 | 第63-65页 |
| 5.3.3 振动机械滚动轴承故障诊断系统特征向量提取模块设计 | 第65-66页 |
| 5.3.4 振动机械滚动轴承故障诊断系统故障模式识别模块设计 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 攻读学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78页 |
