滚动轴承故障特征信息提取及SVM智能识别研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 插图索引 | 第11-13页 |
| 附表索引 | 第13-14页 |
| 第1章 绪论 | 第14-20页 |
| ·课题研究背景与意义 | 第14-15页 |
| ·滚动轴承故障特征信息提取研究现状 | 第15-17页 |
| ·时域分析法 | 第15页 |
| ·频域分析法 | 第15页 |
| ·时频分析法 | 第15-16页 |
| ·熵分析法 | 第16-17页 |
| ·滚动轴承故障智能识别研究现状 | 第17-18页 |
| ·神经网络智能识别 | 第17页 |
| ·SVM智能识别 | 第17-18页 |
| ·本文主要研究内容 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第2章 滚动轴承振动及其特征频率分析 | 第20-30页 |
| ·引言 | 第20页 |
| ·滚动轴承构成和特征频率 | 第20-22页 |
| ·滚动轴承振动及其特征频率 | 第22-29页 |
| ·滚动轴承振动类型 | 第22页 |
| ·固有特性引起的振动 | 第22-24页 |
| ·制造引起的振动 | 第24-25页 |
| ·使用引起的振动 | 第25-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 故障特征提取及其复杂度度量方法研究 | 第30-44页 |
| ·引言 | 第30页 |
| ·EEMD算法、优点 | 第30-35页 |
| ·EEMD算法 | 第30-33页 |
| ·EEMD优点 | 第33-35页 |
| ·EEMD缺点及改进 | 第35-41页 |
| ·端点效应的改进 | 第36-39页 |
| ·过分解分量的滤除 | 第39-41页 |
| ·IMF分量复杂度度量 | 第41-43页 |
| ·样本熵 | 第41-42页 |
| ·样本熵优缺点 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 轴承信号获取与小波降噪 | 第44-58页 |
| ·引言 | 第44页 |
| ·信号采集系统 | 第44-47页 |
| ·传感器选择和布置 | 第45页 |
| ·信号放大处理 | 第45-46页 |
| ·A/D转换 | 第46页 |
| ·被测轴承参数和实验设置 | 第46-47页 |
| ·数据选取 | 第47-49页 |
| ·信号预处理 | 第49-56页 |
| ·信号不确定性评价 | 第49页 |
| ·自动寻找阈值小波降噪 | 第49-56页 |
| ·奇异点的剔除 | 第56页 |
| ·趋势项的去除 | 第56页 |
| ·本章小结 | 第56-58页 |
| 第5章 小波核函数SVM轴承故障智能识别 | 第58-72页 |
| ·引言 | 第58页 |
| ·故障特征信息、提取 | 第58-62页 |
| ·EEMD样本熵的计算及分析 | 第62-63页 |
| ·基于统计学理论的SVM | 第63-64页 |
| ·统计学理论相关知识 | 第63-64页 |
| ·SVM的优点 | 第64页 |
| ·SVM最优分类函数 | 第64-67页 |
| ·线性可分下SVM最优分类函数 | 第64-66页 |
| ·线性不可分下SVM最优分类函数 | 第66-67页 |
| ·非线性下SVM最优分类函数 | 第67页 |
| ·小波核函数的构造和证明 | 第67-68页 |
| ·SVM分类器设计 | 第68-69页 |
| ·SVM训练和识别 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 结论与展望 | 第72-73页 |
| 结论 | 第72页 |
| 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第78页 |
