| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 概述 | 第14-15页 |
| 1.1.1 课题来源 | 第14页 |
| 1.1.2 课题研究的目的及意义 | 第14-15页 |
| 1.2 复合故障诊断技术综述 | 第15-18页 |
| 1.2.1 复合故障诊断技术的国内外研究现状 | 第15-16页 |
| 1.2.2 复合故障的主要特征 | 第16页 |
| 1.2.3 复合故障诊断的主要方法 | 第16-18页 |
| 1.2.4 基于多源信息融合的复合故障诊断 | 第18页 |
| 1.3 本文研究的主要内容 | 第18-20页 |
| 第2章 数控机床进给系统典型故障机理分析 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 滚动轴承及其故障机理分析 | 第20-24页 |
| 2.2.1 滚动轴承简介 | 第20-21页 |
| 2.2.2 滚动轴承结构 | 第21-22页 |
| 2.2.3 滚动轴承常见失效形式 | 第22-23页 |
| 2.2.4 滚动轴承振动特征分析 | 第23-24页 |
| 2.3 滚珠丝杠副及其故障机理分析 | 第24-27页 |
| 2.3.1 滚珠丝杠副简介 | 第24页 |
| 2.3.2 滚珠丝杠副结构 | 第24-25页 |
| 2.3.3 滚珠丝杠副常见失效形式 | 第25-26页 |
| 2.3.4 滚珠丝杠副振动特征分析 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 复合故障信号采集系统设计与特征提取 | 第28-50页 |
| 3.1 引言 | 第28-29页 |
| 3.2 试验故障件的制备与仪器选择 | 第29-33页 |
| 3.2.1 滚动轴承故障件制备 | 第29页 |
| 3.2.2 滚珠丝杠副故障件制备 | 第29-30页 |
| 3.2.3 试验传感器的选择 | 第30-33页 |
| 3.2.4 数据采集平台及数据采集卡选择 | 第33页 |
| 3.3 复合故障信号采集系统设计 | 第33-36页 |
| 3.3.1 试验台简介与传感器的安装 | 第33-35页 |
| 3.3.2 基于LabVIEW的信号采集编程 | 第35-36页 |
| 3.4 进给系统复合故障信号特征提取 | 第36-43页 |
| 3.4.1 时域特征参数提取 | 第36-37页 |
| 3.4.2 频域特征参数提取 | 第37-39页 |
| 3.4.3 时频域特征参数提取 | 第39-43页 |
| 3.5 基于SLLE方法的特征向量构造 | 第43-49页 |
| 3.5.1 LLE方法原理 | 第43-45页 |
| 3.5.2 SLLE方法 | 第45-46页 |
| 3.5.3 SLLE降维处理及性能比较 | 第46-48页 |
| 3.5.4 SLLE方法在复合故障特征筛选中的应用 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于EEMD-FASTICA的复合故障振动信号分离诊断方法 | 第50-68页 |
| 4.1 引言 | 第50页 |
| 4.2 ICA基本原理 | 第50-55页 |
| 4.2.1 ICA问题的提出 | 第50页 |
| 4.2.2 ICA算法模型 | 第50-52页 |
| 4.2.3 ICA信号独立性判据 | 第52-53页 |
| 4.2.4 FastICA算法及步骤 | 第53-55页 |
| 4.3 EEMD与ICA相结合的分离方法 | 第55-56页 |
| 4.3.1 信号相关性判据 | 第55-56页 |
| 4.3.2 EEMD-ICA方法的分离模型 | 第56页 |
| 4.4 复合故障仿真信号研究 | 第56-62页 |
| 4.4.1 仿真信号的建立 | 第56-59页 |
| 4.4.2 仿真信号的分离及故障识别 | 第59-62页 |
| 4.5 复合故障振动信号分离试验分析 | 第62-67页 |
| 4.5.1 轴承内圈磨损和外圈磨损信号分离 | 第63-65页 |
| 4.5.2 轴承外圈磨损和丝杠滚道磨损信号分离 | 第65-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 基于流形聚类分析的复合故障诊断方法 | 第68-76页 |
| 5.1 引言 | 第68页 |
| 5.2 聚类算法 | 第68-69页 |
| 5.2.1 聚类分析原理 | 第68-69页 |
| 5.2.2 传统聚类方法存在的问题 | 第69页 |
| 5.3 基于流形距离的聚类算法 | 第69-74页 |
| 5.3.1 流形学习概念 | 第69-70页 |
| 5.3.2 流形距离方法 | 第70-71页 |
| 5.3.3 基于流形距离的聚类方法在复合故障诊断中的应用 | 第71-74页 |
| 5.4 本章小结 | 第74-76页 |
| 第6章 复合故障诊断的智能识别方法研究 | 第76-90页 |
| 6.1 引言 | 第76页 |
| 6.2 基于BP神经网络的复合故障诊断方法 | 第76-78页 |
| 6.2.1 BP神经网络概述 | 第76-77页 |
| 6.2.2 BP神经网络算法及结构特点 | 第77-78页 |
| 6.3 基于RBF神经网络的复合故障诊断方法 | 第78-80页 |
| 6.3.1 RBF神经网络概述 | 第78-79页 |
| 6.3.2 RBF神经网络算法及结构特点 | 第79-80页 |
| 6.4 基于GRNN神经网络的复合故障诊断方法 | 第80-82页 |
| 6.4.1 GRNN神经网络概述 | 第80-81页 |
| 6.4.2 GRNN神经网络算法及结构特点 | 第81-82页 |
| 6.5 三种神经网络模型在复合故障诊断中的应用 | 第82-88页 |
| 6.6 本章小结 | 第88-90页 |
| 第7章 基于改进D-S证据理论的复合故障诊断方法 | 第90-100页 |
| 7.1 引言 | 第90页 |
| 7.2 D-S证据理论 | 第90-93页 |
| 7.2.1 D-S证据理论基本原理 | 第90-92页 |
| 7.2.2 聚类系数 | 第92-93页 |
| 7.2.3 改进的D-S证据理论融合步骤 | 第93页 |
| 7.3 进给系统复合故障的决策级融合 | 第93-99页 |
| 7.3.1 改进D-S证据理论的复合故障诊断模型设计 | 第93-94页 |
| 7.3.2 改进D-S证据理论在复合故障诊断中的应用 | 第94-99页 |
| 7.4 本章小结 | 第99-100页 |
| 第8章 结论与展望 | 第100-102页 |
| 8.1 论文工作总结 | 第100-101页 |
| 8.2 研究展望 | 第101-102页 |
| 参考文献 | 第102-107页 |
| 攻读硕士学位期间发表的学术论文 | 第107-108页 |
| 致谢 | 第108页 |
