基于弱信号特征提取的早期诊断方法及其应用研究
摘要 | 第1-5页 |
Abstract | 第5-9页 |
第1章 绪论 | 第9-17页 |
·课题来源 | 第9页 |
·课题研究的背景和意义 | 第9-10页 |
·国内外的研究现状 | 第10页 |
·故障特征提取方法 | 第10-13页 |
·时域分析 | 第10-11页 |
·频谱分析 | 第11页 |
·小波变换 | 第11-12页 |
·Hilbert-Huang变换 | 第12-13页 |
·故障诊断方法 | 第13-15页 |
·专家系统 | 第13页 |
·神经网络 | 第13-14页 |
·模糊逻辑推理 | 第14-15页 |
·支持向量机 | 第15页 |
·本文的主要研究内容 | 第15-17页 |
第2章 基于小波变换的微弱特征提取 | 第17-29页 |
·小波变换的算法原理 | 第17-19页 |
·小波基函数 | 第17-18页 |
·连续小波变换 | 第18-19页 |
·离散小波变换 | 第19页 |
·小波变换的多分辨率算法 | 第19-23页 |
·基于小波变换的去噪 | 第23-27页 |
·模极大值去噪方法 | 第24-25页 |
·小波阈值去噪方法 | 第25-27页 |
·基于小波变换的微弱特征提取 | 第27-28页 |
·本章小结 | 第28-29页 |
第3章 基于改进的HHT变换的微弱特征提取 | 第29-42页 |
·HHT方法的基本原理 | 第29-32页 |
·EMD分解 | 第29-30页 |
·Hilbert谱 | 第30-32页 |
·EMD方法的端点效应 | 第32-33页 |
·基于SVD的周期性特征检测 | 第33-35页 |
·基于SVR的端点延拓 | 第35-40页 |
·支持向量回归机 | 第35-38页 |
·基于SVR的预测延拓 | 第38-40页 |
·HHT方法在微弱信号特征提取中的应用 | 第40-41页 |
·本章小结 | 第41-42页 |
第4章 基于SVM的轴承故障诊断 | 第42-53页 |
·统计学习理论 | 第42-43页 |
·支持向量机 | 第43-46页 |
·最优分类超平面 | 第43-44页 |
·广义最优分类超平面 | 第44-45页 |
·SVM多分类算法 | 第45-46页 |
·基于SVM的轴承故障诊断 | 第46-52页 |
·本章小结 | 第52-53页 |
第5章 早期故障诊断可视化系统的开发 | 第53-59页 |
·MATLAB与VB混合编程 | 第53-54页 |
·混合编程的原理 | 第54-55页 |
·故障诊断系统可视化界面 | 第55-58页 |
·本章小结 | 第58-59页 |
结论 | 第59-60页 |
参考文献 | 第60-66页 |
攻读硕士学位期间发表的论文 | 第66-68页 |
致谢 | 第68页 |