无故障数据驱动的高速列车轴箱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10-17页 |
1.1 研究意义 | 第10-11页 |
1.2 研究现状 | 第11-13页 |
1.2.1 机械故障诊断技术现状 | 第11页 |
1.2.2 轴箱轴承诊断技术现状 | 第11-12页 |
1.2.3 轴箱轴承诊断的工程应用现状 | 第12-13页 |
1.3 选题背景 | 第13-14页 |
1.4 研究内容、研究目标及技术路线 | 第14-15页 |
1.4.1 研究内容 | 第14页 |
1.4.2 研究目标 | 第14页 |
1.4.3 技术路线 | 第14-15页 |
1.5 组织结构 | 第15-17页 |
第2章 基础理论 | 第17-28页 |
2.1 引言 | 第17页 |
2.2 泛信息理论 | 第17-18页 |
2.3 安全域理论 | 第18-19页 |
2.4 轴承领域知识 | 第19-26页 |
2.4.1 高速列车轴箱轴承 | 第19页 |
2.4.2 滚动轴承失效分类 | 第19-21页 |
2.4.3 轴承正常振动特征 | 第21-22页 |
2.4.4 轴承异常振动特征 | 第22-23页 |
2.4.5 故障信号调制现象 | 第23-24页 |
2.4.6 故障信号共振现象 | 第24-26页 |
2.5 本章小结 | 第26-28页 |
第3章 数据预处理 | 第28-34页 |
3.1 引言 | 第28-29页 |
3.2 数据清洗 | 第29-31页 |
3.2.1 缺失数据 | 第29页 |
3.2.2 错值数据 | 第29-30页 |
3.2.3 冗余数据 | 第30页 |
3.2.4 不一致数据 | 第30-31页 |
3.3 零均值化 | 第31-32页 |
3.4 样本结构化 | 第32-33页 |
3.5 本章小结 | 第33-34页 |
第4章 特征提取 | 第34-58页 |
4.1 引言 | 第34页 |
4.2 信号增强 | 第34-49页 |
4.2.1 FIR低通滤波 | 第34-36页 |
4.2.2 双树复小波变换 | 第36-39页 |
4.2.3 希尔伯特-黄变换 | 第39-41页 |
4.2.4 Teager能量算子 | 第41-42页 |
4.2.5 变分模态分解 | 第42-45页 |
4.2.6 最小熵解卷积 | 第45-47页 |
4.2.7 时域同步平均 | 第47-49页 |
4.3 特征表征 | 第49-56页 |
4.3.1 有效值 | 第49页 |
4.3.2 峭度 | 第49-50页 |
4.3.3 偏度 | 第50-51页 |
4.3.4 信息熵 | 第51-52页 |
4.3.5 峰值因子 | 第52-53页 |
4.3.6 相似性因子 | 第53页 |
4.3.7 跳跃性因子 | 第53-54页 |
4.3.8 奇异谱熵 | 第54页 |
4.3.9 谱峭度 | 第54-55页 |
4.3.10 功率谱熵 | 第55-56页 |
4.4 本章小结 | 第56-58页 |
第5章 特征降维 | 第58-66页 |
5.1 引言 | 第58页 |
5.2 降维原理 | 第58-64页 |
5.2.1 t-分布 | 第58-59页 |
5.2.2 SNE | 第59-61页 |
5.2.3 t-SNE | 第61-64页 |
5.3 安全域边界 | 第64-65页 |
5.4 本章小结 | 第65-66页 |
第6章 数据建模 | 第66-77页 |
6.1 引言 | 第66页 |
6.2 模型基底 | 第66-68页 |
6.2.1 威布尔分布模型 | 第66-67页 |
6.2.2 比例风险模型 | 第67页 |
6.2.3 WPHM模型 | 第67-68页 |
6.3 参数估计 | 第68-72页 |
6.3.1 极大似然估计 | 第68-69页 |
6.3.2 粒子群优化 | 第69-72页 |
6.4 结果分析 | 第72-76页 |
6.4.1 数据退化模型 | 第72-76页 |
6.4.2 误差来源分析 | 第76页 |
6.5 本章小结 | 第76-77页 |
结论 | 第77-78页 |
致谢 | 第78-79页 |
参考文献 | 第79-84页 |
攻读硕士学位期间发表的论文 | 第84页 |
攻读硕士学位期间参与的研究项目 | 第84页 |