| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断技术在国内外的发展现状 | 第11-14页 |
| 1.2.1 国外的发展状况 | 第11-13页 |
| 1.2.2 国内的发展状况 | 第13-14页 |
| 1.3 滚动轴承的振动信号分析诊断方法 | 第14-17页 |
| 1.4 轴承故障智能诊断方法 | 第17-19页 |
| 1.5 论文研究思路与内容 | 第19-20页 |
| 2 滚动轴承振动特征研究 | 第20-30页 |
| 2.1 滚动轴承振动特征 | 第20-23页 |
| 2.1.1 滚动轴承的基本机构 | 第20-21页 |
| 2.1.2 滚动轴承振动机理 | 第21-22页 |
| 2.1.3 滚动轴承故障的基本形式 | 第22-23页 |
| 2.2 滚动轴承的振动信号特征 | 第23-24页 |
| 2.3 滚动轴承振动的特征频率 | 第24-28页 |
| 2.3.1 滚动轴承故障振动波形 | 第24-26页 |
| 2.3.2 滚动轴承的固有振动频率 | 第26-27页 |
| 2.3.3 滚动轴承的故障特征频率 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 滚动轴承诊断技术及故障特征提取 | 第30-60页 |
| 3.1 振动信号时域分析及其故障特征提取 | 第30-37页 |
| 3.1.1 时域诊断方法 | 第30-32页 |
| 3.1.2 时域故障特征分析 | 第32-37页 |
| 3.2 基于集合经验模态分解(EEMD)的振动信号时频分析 | 第37-56页 |
| 3.2.1 经验模态分解(EMD)基本原理 | 第38-41页 |
| 3.2.2 集合经验模态分解(EEMD)基本原理 | 第41-42页 |
| 3.2.3 EEMD方法的优化 | 第42-47页 |
| 3.2.4 基于EMD的Hilbert谱的基本原理 | 第47-49页 |
| 3.2.5 故障信号的Hilbert时频谱分析及边际谱分析 | 第49-56页 |
| 3.3 基于EEMD的滚动轴承频域故障特征提取 | 第56-58页 |
| 3.4 本章小结 | 第58-60页 |
| 4 基于BP神经网络的滚动轴承智能诊断技术 | 第60-76页 |
| 4.1 人工神经网络概述 | 第60-62页 |
| 4.2 BP神经网络及其算法 | 第62-66页 |
| 4.2.1 BP神经网络 | 第62页 |
| 4.2.2 BP算法研究 | 第62-65页 |
| 4.2.3 BP算法的改进 | 第65-66页 |
| 4.3 基于BP神经网络的动车组传动系统滚动轴承智能诊断 | 第66-69页 |
| 4.3.1 隐层数与隐层节点的确定 | 第66-67页 |
| 4.3.2 传递函数与训练算法的选择 | 第67-68页 |
| 4.3.3 学习速度与学习误差的确定 | 第68页 |
| 4.3.4 输入层、输出层节点数与样本选择 | 第68-69页 |
| 4.4 状态识别神经网络的训练与测试 | 第69-74页 |
| 4.4.1 状态识别神经网络训练样本 | 第69-70页 |
| 4.4.2 状态识别神经网络的建立 | 第70页 |
| 4.4.3 状态识别神经网络的训练与测试结论分析 | 第70-74页 |
| 4.5 本章小结 | 第74-76页 |
| 5 基于Matlab与LabVIEW的滚动轴承故障诊断系统 | 第76-84页 |
| 5.1 系统组成及工作过程 | 第76-77页 |
| 5.2 系统硬件组成 | 第77-79页 |
| 5.3 系统软件 | 第79-82页 |
| 5.3.1 LabVIEW虚拟仪器开发软件简介 | 第79页 |
| 5.3.2 LabVIEW与Matlab混合编程 | 第79-80页 |
| 5.3.3 基于LabVIEW的数据采集系统和人机交互界面 | 第80-82页 |
| 5.4 滚动轴承故障诊断实验 | 第82-83页 |
| 5.5 本章小结 | 第83-84页 |
| 6 总结与展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 作者简历 | 第90-94页 |
| 学位论文数据集 | 第94页 |
