基于拉普拉斯特征映射算法的旋转机械故障诊断研究
| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 机械故障诊断技术研究现状 | 第16-18页 |
| 1.3 常见旋转机械故障概述 | 第18-22页 |
| 1.3.1 滚动轴承故障 | 第18-20页 |
| 1.3.2 齿轮故障 | 第20-22页 |
| 1.4 流形学习在机械故障诊断中的研究与应用现状 | 第22-26页 |
| 1.5 主要内容与结构安排 | 第26-30页 |
| 第二章 旋转机械旋转零部件分析与实验设计 | 第30-50页 |
| 2.1 滚动轴承振动特征及故障测试方案 | 第30-33页 |
| 2.1.1 滚动轴承振动特征 | 第30-31页 |
| 2.1.2 实验对象与方案设计 | 第31-33页 |
| 2.2 齿轮振动特征及故障测试方案 | 第33-38页 |
| 2.2.1 振动信号分析 | 第33-34页 |
| 2.2.2 齿轮故障实验设计 | 第34-38页 |
| 2.3 转子系统故障特征及测试方案 | 第38-40页 |
| 2.3.1 转子主要失效形式和故障特征 | 第38-39页 |
| 2.3.2 转子故障方案设计 | 第39-40页 |
| 2.4 振动信号分析 | 第40-48页 |
| 2.4.1 信号采集 | 第40-41页 |
| 2.4.2 信号降噪及特征提取 | 第41-42页 |
| 2.4.3 时域分析 | 第42-43页 |
| 2.4.4 小波包分解 | 第43-46页 |
| 2.4.5 经验模态分解 | 第46-48页 |
| 2.5 本章小结 | 第48-50页 |
| 第三章 传统降维方法与分析 | 第50-62页 |
| 3.1 线性降维方法的故障特性分析 | 第50-55页 |
| 3.1.1 主元分析法PCA | 第50-52页 |
| 3.1.2 多维尺度分析MDS | 第52-53页 |
| 3.1.3 经典高维数据集的线性方法降维分析 | 第53-55页 |
| 3.2 非线性降维方法的故障特性分析 | 第55-60页 |
| 3.2.1 支持向量机SVM | 第55-59页 |
| 3.2.2 核主元分析法KPCA | 第59-60页 |
| 3.3 本章小结 | 第60-62页 |
| 第四章 基于流形学习方法的降维分析 | 第62-86页 |
| 4.1 流形学习的理论基础 | 第62-63页 |
| 4.2 流形学习方法及其案例分析 | 第63-76页 |
| 4.2.1 全局特性保持方法 | 第63-66页 |
| 4.2.2 局部特性保持方法 | 第66-72页 |
| 4.2.3 经典高维流形的案例分析 | 第72-76页 |
| 4.3 流形学习方法参数选择 | 第76-85页 |
| 4.3.1 近邻域参数值K的选取 | 第77-81页 |
| 4.3.2 样本数据值N的选择 | 第81-85页 |
| 4.4 本章小结 | 第85-86页 |
| 第五章 基于LE算法的故障识别 | 第86-120页 |
| 5.1 滚动轴承故障分类识别 | 第86-104页 |
| 5.1.1 滚动轴承仿真信号故障识别 | 第86-89页 |
| 5.1.2 滚动轴承不同故障分类识别 | 第89-102页 |
| 5.1.3 评价指标 | 第102-104页 |
| 5.2 齿轮故障分类识别 | 第104-113页 |
| 5.2.1 齿轮仿真信号故障识别 | 第104-106页 |
| 5.2.2 齿轮故障实验特征矩阵构建 | 第106-111页 |
| 5.2.3 故障分类识别 | 第111-113页 |
| 5.3 转子故障分类识别 | 第113-118页 |
| 5.3.1 转子系统故障仿真信号分析 | 第113-114页 |
| 5.3.2 转子系统故障分类识别 | 第114-117页 |
| 5.3.3 评价指标 | 第117-118页 |
| 5.4 本章小结 | 第118-120页 |
| 第六章 结论与展望 | 第120-124页 |
| 6.1 全文总结 | 第120-121页 |
| 6.2 主要创新点 | 第121页 |
| 6.3 下一步展望 | 第121-124页 |
| 参考文献 | 第124-136页 |
| 致谢 | 第136-138页 |
| 攻读博士期间发表学术论文 | 第138页 |
| 承担基金项目情况 | 第138-140页 |
