| 摘要 | 第3-5页 |
| abstract | 第5-8页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究动态 | 第13-19页 |
| 1.2.1 转子系统振动故障机理分析 | 第13-15页 |
| 1.2.2 轴心轨迹信号提纯 | 第15-16页 |
| 1.2.3 轴心轨迹特征提取 | 第16-17页 |
| 1.2.4 轴心轨迹模式识别 | 第17-19页 |
| 1.3 主要研究内容 | 第19-22页 |
| 1.3.1 主要研究内容 | 第19页 |
| 1.3.2 试验方案及技术路线 | 第19-22页 |
| 1.4 小结 | 第22-24页 |
| 第二章 课题相关理论与方法 | 第24-40页 |
| 2.1 引言 | 第24页 |
| 2.2 轴心轨迹信号提纯 | 第24-30页 |
| 2.2.1 小波变换 | 第24-26页 |
| 2.2.2 EEMD分解 | 第26-30页 |
| 2.3 轴心轨迹图像处理 | 第30-34页 |
| 2.3.1 图像数字化 | 第30-31页 |
| 2.3.2 图像处理基本算法 | 第31-32页 |
| 2.3.3 图像变换 | 第32-33页 |
| 2.3.4 图像分割 | 第33-34页 |
| 2.3.5 图像目标描述 | 第34页 |
| 2.3.6 图像识别 | 第34页 |
| 2.4 基于神经网络的轴心轨迹自动识别 | 第34-38页 |
| 2.5 小结 | 第38-40页 |
| 第三章 融合不变矩和分形维数的轴心轨迹特征提取与自动识别 | 第40-52页 |
| 3.1 引言 | 第40-41页 |
| 3.2 转子系统轴心轨迹获取 | 第41页 |
| 3.3 轴心轨迹图像特征提取 | 第41-46页 |
| 3.3.1 轴心轨迹图像边缘获取 | 第41-43页 |
| 3.3.2 轴心轨迹图像分形盒维数计算 | 第43-44页 |
| 3.3.3 轴心轨迹图像Hu不变矩构造 | 第44-46页 |
| 3.4 BP神经网络训练与验证试验 | 第46-50页 |
| 3.4.1 轴心轨迹样本训练 | 第46-50页 |
| 3.4.2 待测试轴心轨迹识别 | 第50页 |
| 3.5 小结 | 第50-52页 |
| 第四章 基于数学形态学的轴心轨迹图像处理与自动识别 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 转子系统轴心轨迹获取 | 第53-54页 |
| 4.3 轴心轨迹数学形态学处理 | 第54-55页 |
| 4.4 轴心轨迹图像不变矩构造 | 第55-56页 |
| 4.5 基于形态学和不变矩的轴心轨迹自动识别 | 第56-60页 |
| 4.5.1 轴心轨迹特征向量提取 | 第56-58页 |
| 4.5.2 BP神经网络识别与分析 | 第58-60页 |
| 4.6 实例应用 | 第60-64页 |
| 4.6.1 试验设备介绍及数据获取 | 第60-63页 |
| 4.6.2 轴心轨迹识别 | 第63-64页 |
| 4.7 小结 | 第64-66页 |
| 第五章 双跨转子系统轴心轨迹特征提取与故障诊断 | 第66-84页 |
| 5.1 引言 | 第66页 |
| 5.2 三维轴心轨迹 | 第66-67页 |
| 5.3 基于流形学习的三维轴心轨迹特征提取 | 第67-70页 |
| 5.3.1 流形学习 | 第67-69页 |
| 5.3.2 LTSA特征提取 | 第69-70页 |
| 5.4 三维轴心轨迹故障识别试验 | 第70-77页 |
| 5.4.1 试验系统介绍 | 第70-72页 |
| 5.4.2 三维轴心轨迹信号提取及EEMD降噪 | 第72-74页 |
| 5.4.3 三维轴心轨迹流形图获取 | 第74-76页 |
| 5.4.4 Hu不变矩特征提取 | 第76页 |
| 5.4.5 BP神经网络训练与识别 | 第76-77页 |
| 5.5 双跨转子系统双转子处轴心轨迹分析 | 第77-82页 |
| 5.5.1 双转子三维轴心轨迹 | 第77-79页 |
| 5.5.2 双转子流形图及Hu不变矩特征提取 | 第79-81页 |
| 5.5.3 故障状态识别与分析 | 第81-82页 |
| 5.6 小结 | 第82-84页 |
| 第六章 全文总结与展望 | 第84-88页 |
| 6.1 工作总结 | 第84页 |
| 6.2 主要结论 | 第84-85页 |
| 6.3 研究展望 | 第85-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-94页 |
| 攻读硕士期间发表的学术论文及成果 | 第94页 |