基于变分模态分解的船用齿轮箱故障诊断研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10页 |
| 1.3 国内外研究现状与分析 | 第10-14页 |
| 1.3.1 齿轮箱故障诊断研究现状 | 第10-12页 |
| 1.3.2 模态分解研究现状 | 第12-13页 |
| 1.3.3 深度学习算法在故障诊断中的研究现状 | 第13-14页 |
| 1.4 本文组织和结构 | 第14-16页 |
| 第2章 齿轮常见故障及VMD分析方法 | 第16-33页 |
| 2.1 齿轮常见故障与振动机理 | 第16-20页 |
| 2.1.1 齿轮常见故障 | 第16-17页 |
| 2.1.2 齿轮副的振动机理 | 第17-20页 |
| 2.2 VMD分析方法 | 第20-30页 |
| 2.2.1 EMD分解及存在的问题 | 第20-24页 |
| 2.2.2 EEMD分解及存在的问题 | 第24-26页 |
| 2.2.3 VMD分解的原理和步骤 | 第26-28页 |
| 2.2.4 VMD方法的特性 | 第28-30页 |
| 2.3 VMD与EMD、EEMD分解效果对比 | 第30-32页 |
| 2.3.1 VMD与EMD分解效果对比 | 第30-31页 |
| 2.3.2 VMD与EEMD分解效果对比 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 齿轮故障实验数据采集 | 第33-44页 |
| 3.1 实验台架构成与主要参数 | 第33-34页 |
| 3.1.1 实验台架构成 | 第33页 |
| 3.1.2 实验平台的主要参数 | 第33-34页 |
| 3.2 故障模拟与测点布置 | 第34-36页 |
| 3.2.1 故障模拟 | 第34-35页 |
| 3.2.2 测点位置 | 第35-36页 |
| 3.3 实验数据采集系统设计 | 第36-41页 |
| 3.3.1 硬件选择 | 第36-37页 |
| 3.3.2 软件设计 | 第37-41页 |
| 3.4 实验数据采集及整理 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于VMD的齿轮故障数据分析 | 第44-63页 |
| 4.1 VMD参数对分解结果的影响 | 第44-46页 |
| 4.2 VMD参数选择方法研究 | 第46-52页 |
| 4.2.1 VMD参数判断依据 | 第46-48页 |
| 4.2.2 VMD参数选择步骤 | 第48-52页 |
| 4.3 实验数据分析 | 第52-62页 |
| 4.3.1 正常齿轮分析 | 第52-54页 |
| 4.3.2 断齿分析 | 第54-57页 |
| 4.3.3 点蚀分析 | 第57-59页 |
| 4.3.4 磨损分析 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 基于VMD和DBN的齿轮故障识别 | 第63-75页 |
| 5.1 深度学习理论 | 第63-65页 |
| 5.1.1 传统人工神经网络 | 第63-64页 |
| 5.1.2 深度学习概述 | 第64-65页 |
| 5.1.3 深度学习思想 | 第65页 |
| 5.2 受限玻尔兹曼机与深度置信网络 | 第65-67页 |
| 5.2.1 受限玻尔兹曼机 | 第65-67页 |
| 5.2.2 深度置信网络 | 第67页 |
| 5.3 基于DBN故障数据分类 | 第67-74页 |
| 5.3.1 关键参数选择分析 | 第68-70页 |
| 5.3.2 VMD数据预处理 | 第70-72页 |
| 5.3.3 基于DBN的分类效果对比 | 第72-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 总结和展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第81页 |
