| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 着墨辊滚动轴承分析 | 第9-11页 |
| 1.2.1 着墨辊滚动轴承的基本结构 | 第9-10页 |
| 1.2.2 滚动轴承故障形式分析 | 第10-11页 |
| 1.3 印刷机故障诊断研究现状 | 第11-13页 |
| 1.4 研究内容及章节安排 | 第13-16页 |
| 2 振动信号处理方法研究 | 第16-26页 |
| 2.1 经验模态分解(EMD)方法研究 | 第16-19页 |
| 2.1.1 本征模式函数概念 | 第16页 |
| 2.1.2 经验模态分解原理及算法流程 | 第16-18页 |
| 2.1.3 经验模态分解缺限分析 | 第18-19页 |
| 2.2 集合经验模态分解(EEMD)方法研究 | 第19-25页 |
| 2.2.1 集合经验模态分解原理及算法流程 | 第19-21页 |
| 2.2.2 EMD和EEMD方法仿真对比 | 第21-24页 |
| 2.2.3 HHT和瞬时频率 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 着墨辊滚动轴承故障诊断模型建立 | 第26-36页 |
| 3.1 卷积神经网络 | 第26-30页 |
| 3.1.1 卷积神经网络基本结构 | 第26-30页 |
| 3.1.2 卷积神经网络的特性 | 第30页 |
| 3.2 基于EEMD与CNN的滚动轴承故障诊断模型 | 第30-35页 |
| 3.2.1 故障诊断模型设计 | 第31-32页 |
| 3.2.2 故障分类模型的训练过程 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 胶印机着墨辊滚动轴承故障诊断实验研究 | 第36-50页 |
| 4.1 实验设备与仪器介绍 | 第36-38页 |
| 4.2 轴承振动信号时域及时频分析 | 第38-43页 |
| 4.3 轴承振动信号时频特征的识别 | 第43-49页 |
| 4.3.1 数据集增强 | 第43页 |
| 4.3.2 故障分类模型的构建 | 第43-44页 |
| 4.3.3 故障诊断结果分析 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-56页 |