| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9页 |
| 1.2 印刷设备故障诊断方法的国内外研究现状 | 第9-10页 |
| 1.3 变分模态分解方法的国内外研究现状 | 第10-12页 |
| 1.3.1 变分模态分解方法的研究历程 | 第10-11页 |
| 1.3.2 变分模态分解的特点及面临的问题 | 第11-12页 |
| 1.4 随机共振的国内外研究现状 | 第12-13页 |
| 1.4.1 随机共振的研究历程 | 第12页 |
| 1.4.2 随机共振的特点及面临的问题 | 第12-13页 |
| 1.5 课题研究内容 | 第13-15页 |
| 2 轴承故障诊断机理及实验测试平台 | 第15-23页 |
| 2.1 滚动轴承的失效分析 | 第15-16页 |
| 2.2 滚动轴承的振动分析 | 第16-18页 |
| 2.2.1 滚动轴承的振动机理 | 第16页 |
| 2.2.2 滚动轴承的故障特征频率 | 第16-18页 |
| 2.3 滚动轴承故障诊断的常用方法 | 第18-20页 |
| 2.3.1 时域分析 | 第18-19页 |
| 2.3.2 频域分析 | 第19页 |
| 2.3.3 时频分析 | 第19-20页 |
| 2.4 实验测试平台 | 第20-22页 |
| 2.4.1 胶印机 | 第20-21页 |
| 2.4.2 实验台 | 第21页 |
| 2.4.3 采集系统 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于自适应变分模态分解的轴承故障诊断研究 | 第23-39页 |
| 3.1 引言 | 第23页 |
| 3.2 递归式模态分解 | 第23-24页 |
| 3.3 非递归式模态分解 | 第24-31页 |
| 3.3.1 变分模态分解 | 第24-28页 |
| 3.3.2 自适应变分模态分解 | 第28-30页 |
| 3.3.3 自适应变分模态分解性能评价 | 第30-31页 |
| 3.4 实验验证 | 第31-37页 |
| 3.4.1 实验方案 | 第31-33页 |
| 3.4.2 数据分析 | 第33-37页 |
| 3.5 本章小结 | 第37-39页 |
| 4 基于变分模态分解和随机共振的印刷轴承故障自适应提取方法研究 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 随机共振基础理论 | 第39-42页 |
| 4.2.1 郎之万方程 | 第40页 |
| 4.2.2 福克——普朗克方程 | 第40-41页 |
| 4.2.3 非线性双稳态系统随机共振 | 第41-42页 |
| 4.3 基于变分模态分解和随机共振的故障轴承自适应算法 | 第42-45页 |
| 4.3.1 指标构造 | 第43-44页 |
| 4.3.2 算法流程 | 第44-45页 |
| 4.4 实验验证 | 第45-51页 |
| 4.4.1 实验台验证 | 第45-48页 |
| 4.4.2 印刷机实际工况验证 | 第48-51页 |
| 4.5 本章小结 | 第51-53页 |
| 5 基于自适应变分模态分解和自组织特征映射网络的小子样故障诊断 | 第53-63页 |
| 5.1 引言 | 第53页 |
| 5.2 自组织特征映射神经网络 | 第53-56页 |
| 5.2.1 SOFM神经网络拓扑结构和特点 | 第53-54页 |
| 5.2.2 SOFM神经网络工作原理 | 第54-55页 |
| 5.2.3 SOFM神经网络学习算法 | 第55-56页 |
| 5.3 基于AVMD-SOFM的轴承故障检测 | 第56-57页 |
| 5.4 实验验证 | 第57-61页 |
| 5.4.1 实验方案 | 第57页 |
| 5.4.2 数据计算 | 第57-58页 |
| 5.4.3 结果分析 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 6 结论与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间的研究成果 | 第73页 |
