摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第9-19页 |
1.1 课题来源、研究目的及意义 | 第9-11页 |
1.1.1 课题来源 | 第9页 |
1.1.2 研究意义 | 第9-11页 |
1.2 变速箱故障诊断技术研究发展现状 | 第11-13页 |
1.2.1 机械设备故障诊断技术发展 | 第11-12页 |
1.2.2 车辆变速箱故障诊断技术的发展 | 第12页 |
1.2.3 变速箱故障诊断应用技术研究与发展方向 | 第12-13页 |
1.3 信息融合技术故障诊断方法概述 | 第13-15页 |
1.3.1 信息融合技术诊断简介 | 第13-14页 |
1.3.2 信息融合技术国内外发展现状 | 第14-15页 |
1.4 旋转机械设备故障诊断关键技术研究现状 | 第15-17页 |
1.5 论文研究内容和框架 | 第17-19页 |
1.5.1 本文研究内容 | 第17-19页 |
2 变速箱振动机理分析与台架实验 | 第19-35页 |
2.1 某特种装甲车变速箱结构 | 第19-22页 |
2.1.1 齿轮的故障机理分析 | 第20-21页 |
2.1.2 滚动轴承故障机理分析失效形式 | 第21-22页 |
2.3 变速箱故障诊断实验 | 第22-27页 |
2.3.1 实验目的和原理 | 第22页 |
2.3.2 实验件台的搭建 | 第22-25页 |
2.3.3 实验数据的采集 | 第25-27页 |
2.4 实验数据的预处理与时频分析 | 第27-34页 |
2.4.1 实验数据的预处理和消躁 | 第27-29页 |
2.4.2 变速箱故障频率计算和实验数据的时频分析 | 第29-31页 |
2.4.3 变速箱强冲击环境下模拟分析 | 第31-34页 |
2.5 本章小结 | 第34-35页 |
3 基于改进的LMD分解法的故障诊断研究 | 第35-49页 |
3.1 LMD分解的基本原理 | 第35-38页 |
3.1.1 LMD算法简介 | 第35-37页 |
3.1.2 仿真信号分解 | 第37-38页 |
3.2 局部均值分解方法的改进与能量算子解调的故障诊断方法 | 第38-43页 |
3.2.1 局部均值分解方法的改进 | 第38-40页 |
3.2.2 Teager能量算子调解原理 | 第40-41页 |
3.2.3 能量算子解调的故障诊断方法实验研究 | 第41-43页 |
3.5 基于改进LMD和L-V指标的轴承径向磨损程度识别 | 第43-48页 |
3.5.1 Lempel-Ziv复杂度 | 第44-46页 |
3.5.2 轴承径向磨损程度识别 | 第46-48页 |
3.6 本章小结 | 第48-49页 |
4 基于神经网络的单传感器局部智能故障诊断研究 | 第49-68页 |
4.1 引言 | 第49-51页 |
4.1.1 人工神经元模型原理 | 第50-51页 |
4.2 人工神经网络的建模 | 第51-57页 |
4.2.1 误差反向传播神经网络(BP) | 第51-53页 |
4.2.2 RBF神经网络 | 第53-54页 |
4.2.3 网络算法优化和改进 | 第54-55页 |
4.2.4 诊断网络参数的设置和模型构建 | 第55-57页 |
4.3 变速箱故障特征提取 | 第57-64页 |
4.3.1 故障特征参数选取的原则 | 第57页 |
4.3.2 时频特征参数 | 第57-60页 |
4.3.3 基于小波分解的特征向量提取 | 第60-62页 |
4.3.4 基于LMD分解的特征向量提取 | 第62-64页 |
4.4 局部诊断实验研究 | 第64-67页 |
4.5 本章小结 | 第67-68页 |
5 基于改进D-S加权证据理论的多传感器信息融合诊断决策研究 | 第68-79页 |
5.1 引言 | 第68页 |
5.2 证据理论基础 | 第68-71页 |
5.2.1 D-S证据理论基本内涵 | 第68-70页 |
5.2.2 D-S证据理论的决策方法 | 第70-71页 |
5.3 D-S证据理加权改进 | 第71-72页 |
5.3.1 现有理论存在的不足 | 第71页 |
5.3.2 证据理论的加权改进 | 第71-72页 |
5.4 基于加权证据理论的融合故障诊断方法 | 第72-74页 |
5.4.1 诊断系统结构框架 | 第72-73页 |
5.4.2 诊断具体实现步骤 | 第73-74页 |
5.5 决策融合在变速箱故障诊断中的实际应用 | 第74-78页 |
5.6 本章小结 | 第78-79页 |
6 结论与展望 | 第79-82页 |
6.1 本文主要内容和创新点 | 第79-81页 |
6.2 研究工作展望 | 第81-82页 |
参考文献 | 第82-86页 |
攻读学位期间主要的研究成果 | 第86-87页 |
致谢 | 第87页 |