| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 滚动轴承故障诊断背景 | 第10-11页 |
| 1.2 滚动轴承故障诊断的内容 | 第11页 |
| 1.3 滚动轴承故障诊断国内外研究现状 | 第11-14页 |
| 1.3.1 基于信号分析的滚动轴承常规故障诊断 | 第12页 |
| 1.3.2 基于知识推理的滚动轴承智能故障诊断 | 第12-14页 |
| 1.3.3 基于神经网络的滚动轴承故障诊断 | 第14页 |
| 1.4 制约轴承故障诊断技术发展的主要因素 | 第14-15页 |
| 1.5 本论文各章节主要研究内容 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 滚动轴承故障理论分析 | 第17-27页 |
| 2.1 滚动轴承故障形式与原因 | 第17-18页 |
| 2.1.1 滚动轴承故障形式 | 第17-18页 |
| 2.1.2 滚动轴承故障原因 | 第18页 |
| 2.2 滚动轴承故障机理分析 | 第18-20页 |
| 2.2.1 滚动轴承振动的基本参数 | 第18-19页 |
| 2.2.2 滚动轴承的特征频率 | 第19-20页 |
| 2.2.3 滚动轴承的固有振动频率 | 第20页 |
| 2.3 滚动轴承的振动信号特征 | 第20-23页 |
| 2.4 滚动轴承故障诊断的方法 | 第23-25页 |
| 2.5 滚动轴承故障诊断的振动测量 | 第25-26页 |
| 2.5.1 测点的选择 | 第25页 |
| 2.5.2 传感器的选择与固定方式 | 第25-26页 |
| 2.5.3 分析谱带的选择 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于小波理论的滚动轴承振动信号预处理 | 第27-42页 |
| 3.1 小波变换的数学基础 | 第27-28页 |
| 3.2 小波包变换的数学基础 | 第28-29页 |
| 3.3 信号去噪性能的评价标准 | 第29-30页 |
| 3.4 小波降噪的数学基础 | 第30-32页 |
| 3.4.1 噪声在小波分解下的特性 | 第31页 |
| 3.4.2 小波降噪的步骤和方法 | 第31-32页 |
| 3.5 小波降噪参数的选取 | 第32-35页 |
| 3.5.1 小波降噪阈值的选择 | 第32-33页 |
| 3.5.2 小波降噪函数的选择 | 第33-35页 |
| 3.6 滚动轴承实测信号的验证 | 第35-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于概率神经网络的滚动轴承故障诊断 | 第42-55页 |
| 4.1 神经网络简介 | 第42-43页 |
| 4.2 神经网络的应用 | 第43-44页 |
| 4.3 神经网络的学习方式 | 第44页 |
| 4.4 神经网络的分类 | 第44-45页 |
| 4.5 概率神经网络 | 第45-48页 |
| 4.5.1 概率神经网络的理论基础 | 第46-47页 |
| 4.5.2 概率神经网络的结构 | 第47-48页 |
| 4.5.3 概率神经网络的特性 | 第48页 |
| 4.6 概率神经网络在故障诊断中的应用 | 第48-51页 |
| 4.7 基于概率神经网络的滚动轴承故障诊断 | 第51-54页 |
| 4.8 本章小结 | 第54-55页 |
| 第5章 基于小波理论与PNN网络相结合的滚动轴承故障诊断 | 第55-64页 |
| 5.1 振动信号的降噪 | 第56-58页 |
| 5.1.1 正常模式振动信号的降噪 | 第56-57页 |
| 5.1.2 内圈故障振动信号的降噪 | 第57-58页 |
| 5.2 降噪信号的小波包分解 | 第58-60页 |
| 5.2.1 正常模式降噪信号的小波包分解 | 第58页 |
| 5.2.2 内圈故障降噪信号的小波包分解 | 第58-60页 |
| 5.3 小波包系数的归一化处理 | 第60-61页 |
| 5.3.1 正常模式小波包系数的归一化 | 第60页 |
| 5.3.2 内圈故障小波包系数的归一化 | 第60-61页 |
| 5.4 概率神经网络的训练与故障模式的分类 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简介 | 第70页 |
| 攻读硕士学位期间发表的论文 | 第70-71页 |