基于两路信号融合分析的螺栓松动故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究的目的意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 有模型辨识方法 | 第11-12页 |
| 1.2.2 无模型辨识方法 | 第12-14页 |
| 1.3 本文研究内容 | 第14-17页 |
| 第2章 螺栓松动试验及信号初步处理 | 第17-33页 |
| 2.1 振动实验台的建立 | 第17-21页 |
| 2.1.1 激励系统 | 第18-21页 |
| 2.1.2 数据采集系统 | 第21页 |
| 2.2 信号时频统计分析 | 第21-28页 |
| 2.2.1 时域分析 | 第21-24页 |
| 2.2.2 频域分析 | 第24-28页 |
| 2.3 时域位移融合信号 | 第28-30页 |
| 2.4 本章小结 | 第30-33页 |
| 第3章 基于双耳听觉模型识别松动 | 第33-41页 |
| 3.1 听觉系统 | 第33-34页 |
| 3.2 双耳听觉模型 | 第34-40页 |
| 3.2.1 基底膜带通滤波 | 第34-36页 |
| 3.2.2 内毛细胞半波整流 | 第36页 |
| 3.2.3 传入神经侧抑制 | 第36页 |
| 3.2.4 时差和强度差的计算 | 第36-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于概率密度和PCA决策层融合辨识 | 第41-63页 |
| 4.1 基于概率密度和PCA的决策层融合辨识 | 第41-42页 |
| 4.2 概率密度函数 | 第42-48页 |
| 4.2.1 用统计学方法计算概率密度函数 | 第42-43页 |
| 4.2.2 不同松动状态下实验信号的概率密度函数 | 第43-48页 |
| 4.3 PCA的概念和原理 | 第48-49页 |
| 4.3.1 主元分析PCA概念 | 第48页 |
| 4.3.2 主元分析PCA识别原理 | 第48-49页 |
| 4.4 基于PCA辨识松动 | 第49-60页 |
| 4.4.1 图像平滑 | 第49-52页 |
| 4.4.2 特征的提取 | 第52-54页 |
| 4.4.3 样本信号在特征空间的映射 | 第54-58页 |
| 4.4.4 两路信号融合辨识 | 第58-60页 |
| 4.5 本章小结 | 第60-63页 |
| 第5章 基于概率密度和PCA特征层融合辨识 | 第63-73页 |
| 5.1 基于概率密度和PCA的特征层融合辨识 | 第63页 |
| 5.2 利用平滑后概率密度曲线辨识松动 | 第63-64页 |
| 5.3 利用原始信号概率密度曲线辨识松动 | 第64-66页 |
| 5.4 松动状态诊断 | 第66-67页 |
| 5.5 其他机构螺栓松动识别 | 第67-72页 |
| 5.5.1 减速器试验台螺栓松动 | 第67-70页 |
| 5.5.2 桁架试验台螺栓松动 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第6章 结论与展望 | 第73-75页 |
| 6.1 结论 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
