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 |