多传感器信息融合技术在电机故障诊断中的应用研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 插图索引 | 第11-13页 |
| 附表索引 | 第13-14页 |
| 第1章 绪论 | 第14-19页 |
| ·课题研究背景及意义 | 第14页 |
| ·电机故障诊断技术的发展和趋势 | 第14-16页 |
| ·多传感器信息融合技术 | 第16-18页 |
| ·本文的主要研究内容和工作 | 第18-19页 |
| 第2章 电机故障机理分析 | 第19-24页 |
| ·概述 | 第19页 |
| ·定子故障机理分析 | 第19-20页 |
| ·定子故障振动特征分析 | 第19-20页 |
| ·定子故障电流特征分析 | 第20页 |
| ·转子故障机理分析 | 第20-21页 |
| ·轴承故障 | 第21-22页 |
| ·轴承故障振动特征分析 | 第21-22页 |
| ·轴承故障电流特征分析 | 第22页 |
| ·气隙偏心故障 | 第22-23页 |
| ·气隙偏心故障振动特征分析 | 第22-23页 |
| ·气隙偏心故障电流特征分析 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于改进HHT的电机故障特征提取 | 第24-40页 |
| ·概述 | 第24页 |
| ·希尔伯特黄变换 | 第24-29页 |
| ·瞬时频率 | 第24-25页 |
| ·固有模态函数 | 第25页 |
| ·经验模态分解 | 第25-29页 |
| ·模态混叠和虚假分量的改进 | 第29-38页 |
| ·总体经验模态分解改善模态混叠 | 第29-33页 |
| ·基于灰色关联度的虚假分量识别 | 第33-38页 |
| ·故障特征向量构成 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于神经网络的电机故障诊断 | 第40-50页 |
| ·概述 | 第40页 |
| ·人工神经网络基本概念 | 第40-45页 |
| ·人工神经元模型 | 第40-42页 |
| ·神经网络结构及工作方式 | 第42-43页 |
| ·学习方式 | 第43-44页 |
| ·学习规则 | 第44-45页 |
| ·BP神经网络 | 第45-48页 |
| ·BP神经网络结构 | 第45页 |
| ·BP神经网络学习算法 | 第45-48页 |
| ·人工神经网络在故障诊断中的应用 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于DS证据理论的信息融合方法 | 第50-59页 |
| ·电机故障诊断中的不确定性 | 第50-51页 |
| ·D-S证据理论的基本概念 | 第51-54页 |
| ·基本定义 | 第51-52页 |
| ·D-S合成规则 | 第52-53页 |
| ·决策规则 | 第53-54页 |
| ·基本可信度分配函数构成方法 | 第54-55页 |
| ·D-S证据理论信息决策级融合的基本过程 | 第55-56页 |
| ·算例分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 多传感器信息融合系统故障诊断实例 | 第59-75页 |
| ·多传感器信息融合电机故障诊断系统概述 | 第59-60页 |
| ·实验数据介绍 | 第60-61页 |
| ·故障诊断具体步骤 | 第61-62页 |
| ·实验验证及数据分析 | 第62-74页 |
| ·原始信号预处理与特征提取 | 第62-65页 |
| ·BP神经网络局部故障诊断 | 第65-71页 |
| ·D-S证据理论数据融合 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 结论与展望 | 第75-78页 |
| 1 论文工作总结 | 第75-76页 |
| 2 论文创新点 | 第76页 |
| 3 展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-85页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第85-86页 |
| 附录B 神经网络训练样本 | 第86-91页 |
