改进的共振稀疏分解方法及在机械故障诊断中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 滚动轴承故障诊断方法及国内外研究现状 | 第10-16页 |
| 1.2.1 国外滚动轴承故障诊断研究现状 | 第10-12页 |
| 1.2.2 国内滚动轴承研究现状 | 第12页 |
| 1.2.3 滚动轴承故障诊断方法 | 第12-16页 |
| 1.3 共振稀疏分解算法研究现状 | 第16-18页 |
| 1.3.1 共振稀疏分解方法发展 | 第16-17页 |
| 1.3.2 共振稀疏分解存在问题 | 第17-18页 |
| 1.4 课题研究内容 | 第18-19页 |
| 第二章 滚动轴承故障模型和故障机理分析 | 第19-27页 |
| 2.1 滚动轴承的结构 | 第19页 |
| 2.2 滚动轴承的故障类型及失效形式 | 第19-21页 |
| 2.3 滚动轴承的振动信号特征 | 第21-24页 |
| 2.3.1 滚动轴承固有振动频率 | 第21-22页 |
| 2.3.2 滚动轴承故障特征频率 | 第22-24页 |
| 2.4 滚动轴承的故障振动信号特性 | 第24-26页 |
| 2.5 本章总结 | 第26-27页 |
| 第三章 共振稀疏分解算法理论研究 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 信号共振属性 | 第27-28页 |
| 3.3 品质因子可调小波变换 | 第28-31页 |
| 3.4 信号共振分量分离 | 第31-34页 |
| 3.4.1 形态分量分析 | 第32-33页 |
| 3.4.2 分裂增广拉格朗日搜索算法 | 第33-34页 |
| 3.5 实验分析 | 第34-42页 |
| 3.5.1 仿真信号分析 | 第34-39页 |
| 3.5.2 实测轴承信号分析 | 第39-42页 |
| 3.6 本章总结 | 第42-43页 |
| 第四章 基于粒子群优化的共振稀疏分解方法研究 | 第43-59页 |
| 4.1 参数影响分析 | 第43-44页 |
| 4.1.1 品质因子影响 | 第43页 |
| 4.1.2 权重系数 | 第43-44页 |
| 4.1.3 拉格朗日乘子 | 第44页 |
| 4.2 粒子群算法 | 第44-47页 |
| 4.2.1 粒子群算法基本原理 | 第44-45页 |
| 4.2.2 粒子群算法流程 | 第45页 |
| 4.2.3 适应度函数 | 第45-47页 |
| 4.3 基于粒子群优化的共振稀疏分解算法 | 第47-49页 |
| 4.4 仿真信号分析 | 第49-52页 |
| 4.5 实测信号分析 | 第52-54页 |
| 4.6 不同信号特征提取方法对比 | 第54-57页 |
| 4.6.1 变模式分解理论 | 第54-55页 |
| 4.6.2 优化变模式分解效果对比 | 第55-57页 |
| 4.7 本章总结 | 第57-59页 |
| 第五章 基于共振稀疏分解系数排列熵的机械故障诊断 | 第59-71页 |
| 5.1 引言 | 第59页 |
| 5.2 KNN分类算法 | 第59-61页 |
| 5.2.1 KNN算法 | 第59-60页 |
| 5.2.2 KNN算法分类步骤 | 第60-61页 |
| 5.3 特征向量 | 第61-64页 |
| 5.3.1 排列熵 | 第61-62页 |
| 5.3.2 排列熵的有效性验证 | 第62-64页 |
| 5.3.3 相对小波能量 | 第64页 |
| 5.4 基于排列熵的机械故障诊断 | 第64-65页 |
| 5.5 实验分析 | 第65-70页 |
| 5.5.1 轴承数据分析 | 第65-67页 |
| 5.5.2 齿轮数据分析 | 第67-70页 |
| 5.6 总结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 附录1 攻读硕士学位期间发表的学术论文 | 第79-80页 |
| 附录2 攻读硕士学位期间参与的科研项目 | 第80-81页 |
| 中文详细摘要 | 第81-83页 |
| 英文详细摘要 | 第83-84页 |
