| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 电机轴承故障诊断的研究目的和意义 | 第8-9页 |
| 1.2 电机轴承状态监测方法 | 第9-10页 |
| 1.3 电机轴承故障诊断研究现状 | 第10-13页 |
| 1.3.1 电机轴承故障特征提取 | 第12页 |
| 1.3.2 电机轴承故障识别 | 第12-13页 |
| 1.4 主要研究内容 | 第13-15页 |
| 1.5 论文的创新点 | 第15-16页 |
| 第二章 电机轴承故障机理及诊断方法分析 | 第16-26页 |
| 2.1 滚动轴承的基本结构 | 第16-17页 |
| 2.2 滚动轴承失效形式 | 第17页 |
| 2.3 滚动轴承的振动机理 | 第17-19页 |
| 2.3.1 滚动轴承故障的基本频率 | 第17-18页 |
| 2.3.2 滚动轴承故障的通过频率 | 第18-19页 |
| 2.4 基于振动信号的电机轴承故障诊断方法 | 第19-23页 |
| 2.4.1 常用时域指标 | 第19-20页 |
| 2.4.2 频域分析法 | 第20-21页 |
| 2.4.3 时频域分析法 | 第21-23页 |
| 2.5 数据来源及介绍 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 基于LabVIEW的电机轴承远程状态监测系统设计 | 第26-40页 |
| 3.1 电机轴承振动监测分析系统的硬件平台搭建 | 第26-27页 |
| 3.1.1 传感器选型 | 第26-27页 |
| 3.1.2 数据采集卡选型 | 第27页 |
| 3.2 电机轴承振动监测分析系统开发测试 | 第27-39页 |
| 3.2.1 实验台介绍 | 第28页 |
| 3.2.2 系统工作流程 | 第28-29页 |
| 3.2.3 系统功能模块开发测试 | 第29-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于AR-MED和改进多尺度排列熵的电机轴承故障信号特征提取 | 第40-58页 |
| 4.1 自回归最小熵反褶积 | 第40-46页 |
| 4.1.1 自回归(AR)模型 | 第40-41页 |
| 4.1.2 最小熵反褶积 | 第41页 |
| 4.1.3 自回归最小熵反褶积基本流程 | 第41-43页 |
| 4.1.4 基于AR-MED的电机轴承故障诊断应用实例 | 第43-46页 |
| 4.2 改进多尺度排列熵 | 第46-55页 |
| 4.2.1 排列熵算法 | 第46-48页 |
| 4.2.2 多尺度排列熵算法 | 第48-49页 |
| 4.2.3 改进的多尺度排列熵算法 | 第49-50页 |
| 4.2.4 IMPE参数选取及影响 | 第50页 |
| 4.2.5 基于IMPE及MPE的电机轴承故障特征提取性能对比 | 第50-55页 |
| 4.3 电机轴承故障特征向量构建 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于灰狼优化支持向量机的电机轴承故障识别 | 第58-76页 |
| 5.1 统计学习理论 | 第58-59页 |
| 5.1.1 VC维 | 第58页 |
| 5.1.2 推广性的界 | 第58-59页 |
| 5.1.3 结构风险最小化 | 第59页 |
| 5.2 支持向量机 | 第59-63页 |
| 5.3 灰狼优化支持向量机 | 第63-65页 |
| 5.4 GWO-SVM电机轴承故障识别结果及分析 | 第65-71页 |
| 5.5 综合实验验证 | 第71-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 在学期间发表的学术论文与研究成果 | 第86页 |
