首页--工业技术论文--机械、仪表工业论文--机械零件及传动装置论文--转动机件论文--轴承论文--滚动轴承论文

滚动轴承故障程度和工况不敏感智能诊断方法研究

摘要第1-4页
ABSTRACT第4-9页
主要符号说明第9-10页
第一章 绪论第10-21页
   ·课题研究的背景与意义第10-12页
     ·课题的来源第10页
     ·课题的研究意义第10-12页
   ·国内外相关研究第12-19页
     ·振动信号特征提取的研究现状第12-15页
     ·模式识别方法的研究现状第15-17页
     ·滚动轴承故障程度和工况不敏感智能诊断方法的研究现状第17-19页
   ·研究内容第19-21页
第二章 基于熵的滚动轴承智能诊断方法第21-44页
   ·熵的理论第21-23页
     ·Tsallis熵第21-22页
     ·样本熵第22-23页
   ·小波包变换理论第23-28页
     ·连续小波变换第24-25页
     ·离散小波变换第25页
     ·小波包变换第25-26页
     ·第二代小波变换第26-27页
     ·第二代小波包变换第27-28页
   ·神经网络理论第28-31页
     ·概率神经网络第29-30页
     ·径向基神经网络第30-31页
   ·基于小波包Tsallis熵和PNN的轴承智能诊断方法第31-37页
     ·实验情况第31-33页
     ·基于WPT和Tsallis熵的振动信号特征提取第33页
     ·基于小波包Tsallis熵和PNN的智能诊断模型第33-34页
     ·结果分析第34-35页
     ·与小波包能量特征提取方法对比第35-37页
   ·基于提升小波包样本熵和RBF的轴承智能诊断方法第37-42页
     ·实验情况第37-38页
     ·基于LWPT和SampEn的振动信号特征提取第38-39页
     ·基于提升小波包样本熵和RBF的智能诊断模型第39-40页
     ·结果分析第40-42页
   ·本章小节第42-44页
第三章 基于二叉树型多分类器集成的智能诊断方法第44-58页
   ·多尺度熵基本理论第44-45页
   ·多分类器集成理论第45-50页
     ·成员分类器第46-49页
     ·二叉树型多分类器集成系统第49-50页
   ·实验情况第50-57页
     ·滚动轴承实验数据第50-51页
     ·多尺度熵特征提取第51-52页
     ·二叉树型多分类器集成系统诊断效果第52-54页
     ·与单一神经网络诊断效果对比第54-57页
   ·本章小节第57-58页
第四章 滚动轴承鲁棒型智能诊断方法第58-79页
   ·S变换理论第60-62页
     ·S变换理论第60-61页
     ·S变换计算过程第61-62页
   ·奇异值分解的定义和性质第62-63页
     ·奇异值分解的定义第62页
     ·奇异值分解的性质第62-63页
   ·支持向量机理论第63-64页
   ·滚动轴承故障程度和工况不敏感智能诊断模型第64-65页
   ·故障程度不敏感智能诊断方法第65-69页
     ·实验数据第65-67页
     ·故障程度不敏感智能诊断模型建立第67页
     ·故障程度不敏感智能诊断结果第67-68页
     ·与小波包std方法诊断结果对比第68-69页
   ·运行工况不敏感智能诊断方法第69-73页
     ·实验数据第69-70页
     ·运行工况不敏感智能诊断模型建立第70-71页
     ·运行工况不敏感智能诊断结果第71-72页
     ·与Wigner-Ville分布和SVD方法诊断结果对比第72-73页
   ·故障程度和运行工况不敏感智能诊断方法第73-77页
     ·实验数据第73-74页
     ·故障程度和运行工况不敏感智能诊断模型建立第74-75页
     ·故障程度和运行工况不敏感智能诊断结果第75-77页
     ·与小波包能量方法诊断结果对比第77页
   ·本章小节第77-79页
第五章 结论与展望第79-82页
   ·论文结论第79-80页
   ·主要创新点第80页
   ·研究展望第80-82页
参考文献第82-88页
个人简历 在读期间发表的学术论文第88-89页
致谢第89页

论文共89页,点击 下载论文
上一篇:聚丙烯中空纤维膜分离烟气中CO2的试验研究
下一篇:动车主动轮对动平衡测试齿轮箱液压随动装置设计研究