| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 故障诊断主要研究内容 | 第12-13页 |
| 1.2.1 故障机理研究 | 第12页 |
| 1.2.2 信号的采集 | 第12-13页 |
| 1.2.3 信号处理与特征提取 | 第13页 |
| 1.2.4 故障识别方法研究 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 转子故障诊断方法 | 第15-18页 |
| 1.5 本文主要工作 | 第18-19页 |
| 第二章 常见转子故障机理研究和实验分析 | 第19-33页 |
| 2.1 常见转子故障的机理研究 | 第19-27页 |
| 2.1.1 转子不平衡 | 第19-20页 |
| 2.1.2 转子不对中 | 第20-23页 |
| 2.1.3 支座松动故障 | 第23-25页 |
| 2.1.4 动静碰摩 | 第25-27页 |
| 2.2 转子故障仿真实验装置介绍 | 第27-29页 |
| 2.3 转子故障仿真实验方法和结果 | 第29-32页 |
| 2.3.1 故障模拟方法介绍 | 第29-30页 |
| 2.3.2 实验参数设置 | 第30页 |
| 2.3.3 实验结果 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 故障特征提取方法研究 | 第33-62页 |
| 3.1 傅里叶分析方法 | 第33-37页 |
| 3.1.1 傅里叶变换基本理论 | 第33-34页 |
| 3.1.2 转子实验信号的傅里叶分析 | 第34-36页 |
| 3.1.3 傅里叶变换的局限性分析 | 第36-37页 |
| 3.2 小波分析方法 | 第37-54页 |
| 3.2.1 连续小波变换 | 第37-38页 |
| 3.2.2 离散小波变换 | 第38-39页 |
| 3.2.3 多分辨率分析 | 第39-40页 |
| 3.2.4 小波包分解理论 | 第40-41页 |
| 3.2.5 基于小波分析的信号消噪 | 第41-43页 |
| 3.2.6 基于小波时频等高图的故障诊断方法 | 第43-48页 |
| 3.2.7 基于小波包能量法的故障特征提取 | 第48-52页 |
| 3.2.8 小波包能量特征提取的自适应方法 | 第52-54页 |
| 3.3 样本熵分析方法 | 第54-56页 |
| 3.3.1 样本熵理论和计算方法 | 第54-55页 |
| 3.3.2 样本熵方法对实验信号的故障特征提取 | 第55-56页 |
| 3.3.3 样本熵方法局限性分析 | 第56页 |
| 3.4 小波包样本熵分析方法 | 第56-57页 |
| 3.5 经验模态分解在故障特征提取上的应用 | 第57-60页 |
| 3.5.1 经验模态分解基本理论 | 第57-58页 |
| 3.5.2 基于经验模态分解的故障特征提取 | 第58-60页 |
| 3.6 小波分析和经验模态分解方法的比较分析 | 第60-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第四章 故障模式识别方法研究 | 第62-78页 |
| 4.1 神经网络法 | 第62-66页 |
| 4.1.1 神经网络方法介绍 | 第62-63页 |
| 4.1.2 BP 神经网络算法 | 第63-65页 |
| 4.1.3 基于 BP 神经网络方法的故障诊断模式识别 | 第65-66页 |
| 4.2 支持向量机法 | 第66-72页 |
| 4.2.1 统计学习理论 | 第66-69页 |
| 4.2.2 支持向量机算法 | 第69-72页 |
| 4.2.3 基于支持向量机的故障诊断模式识别 | 第72页 |
| 4.3 神经网络和支持向量机法比较 | 第72-73页 |
| 4.4 基于 MATLAB 平台的故障诊断系统设计 | 第73-77页 |
| 4.4.1 MATLAB GUI 设计简介 | 第73页 |
| 4.4.2 转子故障诊断系统设计 | 第73-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 总结和展望 | 第78-80页 |
| 5.1 总结 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 在学期间的研究成果及发表的学术论文 | 第85页 |