| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 叶片故障诊断的国内外发展现状 | 第11-17页 |
| 1.2.1 国外叶片故障诊断现状 | 第11-12页 |
| 1.2.2 国内叶片故障诊断现状 | 第12-14页 |
| 1.2.3 基于振动信号处理技术研究现状 | 第14-17页 |
| 1.3 课题主要研究内容 | 第17-20页 |
| 第2章 基于短时傅里叶变换的压缩机叶片局部增重缺陷检测 | 第20-36页 |
| 2.1 叶片振动试验台搭建 | 第20-23页 |
| 2.1.1 试验设备及流程 | 第21-22页 |
| 2.1.2 叶片测点的划分 | 第22页 |
| 2.1.3 传感器与敲击点位置的选择 | 第22-23页 |
| 2.2 基于短时傅里叶变换的缺陷检测试验 | 第23-25页 |
| 2.2.1 试验方案设计 | 第23-24页 |
| 2.2.2 振动信号采集 | 第24-25页 |
| 2.3 时域信号目视分析 | 第25-27页 |
| 2.4 基于短时傅里叶变化的增重缺陷程度检测 | 第27-32页 |
| 2.4.1 特征提取 | 第29-30页 |
| 2.4.2 程度检测 | 第30-32页 |
| 2.5 基于短时傅里叶变化的增重缺陷位置检测 | 第32-34页 |
| 2.5.1 特征提取 | 第32页 |
| 2.5.2 位置检测 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第3章 基于小波-神经网络的压缩机叶片局部增重缺陷检测 | 第36-60页 |
| 3.1 基于小波包一神经网络的缺陷检测试验 | 第36-38页 |
| 3.1.1 试验方案设计 | 第36-37页 |
| 3.1.2 振动信号采集 | 第37-38页 |
| 3.2 基于小波包-神经网络的增重缺陷位置检测 | 第38-51页 |
| 3.2.1 特征提取 | 第38-44页 |
| 3.2.2 神经网络训练位置检测 | 第44-51页 |
| 3.3 基于小波包-神经网络的增重缺陷程度检测 | 第51-58页 |
| 3.3.1 特征提取 | 第51-55页 |
| 3.3.2 神经网络训练程度检测 | 第55-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第4章 基于分形盒维数的压缩机叶片局部增重缺陷检测 | 第60-74页 |
| 4.1 基于分形盒维数的缺陷检测试验 | 第60-62页 |
| 4.1.1 试验方案设计 | 第60-62页 |
| 4.1.2 振动信号采集 | 第62页 |
| 4.2 基于分形盒维数的增重缺陷位置检测 | 第62-69页 |
| 4.2.1 特征提取 | 第62-67页 |
| 4.2.2 位置检测 | 第67-69页 |
| 4.3 基于分形盒维数的增重缺陷程度检测 | 第69-72页 |
| 4.4 本章小结 | 第72-74页 |
| 第5章 压缩机叶片增重缺陷检测软件系统开发 | 第74-86页 |
| 5.1 软件总体设计 | 第74-75页 |
| 5.2 短时傅里叶变换分析系统 | 第75-76页 |
| 5.3 小波包一神经网络分析系统 | 第76-80页 |
| 5.4 分形分析系统 | 第80-84页 |
| 5.5 三种分析方法的比较 | 第84-85页 |
| 5.6 本章小结 | 第85-86页 |
| 第6章 结论与展望 | 第86-88页 |
| 6.1 结论 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-94页 |
| 致谢 | 第94页 |
