基于EMD和特征融合的电机故障诊断
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-12页 |
| 图目录 | 第12-14页 |
| 表目录 | 第14-15页 |
| 第1章 绪论 | 第15-25页 |
| ·课题的研究背景与研究意义 | 第15-16页 |
| ·课题研究现状和存在的问题 | 第16-21页 |
| ·国内外研究现状 | 第16页 |
| ·电机故障诊断常用方法 | 第16-19页 |
| ·非平稳信号常用分析方法及存在的问题 | 第19-21页 |
| ·论文的主要内容及各章节简介 | 第21-25页 |
| 第2章 电机声音采集系统的设计 | 第25-37页 |
| ·采集系统的整体框架 | 第25-26页 |
| ·驻极体传声器 | 第26-27页 |
| ·前置放大电路设计 | 第27-28页 |
| ·抗混叠滤波电路设计 | 第28-30页 |
| ·二级放大电路设计 | 第30-31页 |
| ·数据采集卡 | 第31-32页 |
| ·LabVIEW平台下的声音信号采集 | 第32-36页 |
| ·LabVIEW开发平台 | 第32-33页 |
| ·声音信号采集界面设计 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 EMD方法在电机声音信号中的应用 | 第37-53页 |
| ·引言 | 第37页 |
| ·EMD方法 | 第37-41页 |
| ·固有模态函数 | 第37-38页 |
| ·EMD的基本原理 | 第38-41页 |
| ·EMD方法和小波分解方法的比较 | 第41-48页 |
| ·小波变换简介 | 第42-43页 |
| ·仿真信号分析 | 第43-48页 |
| ·基于EMD的电机声音信号处理 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第4章 基于特征融合的特征向量构造 | 第53-59页 |
| ·引言 | 第53页 |
| ·基于固有模态函数能量的特征参数提取 | 第53-54页 |
| ·多传感器数据融合 | 第54-56页 |
| ·多传感器数据融合简述 | 第54页 |
| ·多传感器数据融合分类 | 第54-56页 |
| ·特征向量构造 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 电机故障模式分类方法的研究 | 第59-79页 |
| ·引言 | 第59页 |
| ·基于BP神经网络的电机故障模式分类方法 | 第59-67页 |
| ·BP神经网络及其算法 | 第60-61页 |
| ·电机故障诊断中BP神经网络的实现 | 第61-64页 |
| ·基于BP神经网络的电机故障分类结果研究 | 第64-67页 |
| ·基于支持向量机的电机故障模式分类方法 | 第67-77页 |
| ·统计学习理论 | 第67-70页 |
| ·支持向量机理论 | 第70-74页 |
| ·电机故障诊断中SVM的实现 | 第74-76页 |
| ·基于SVM的电机故障分类结果研究 | 第76-77页 |
| ·本章小结 | 第77-79页 |
| 第6章 总结与展望 | 第79-81页 |
| ·研究工作总结 | 第79-80页 |
| ·进一步工作展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 附录 攻读硕士学位期间的研究成果 | 第85页 |
