| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 基于经验模态分解的轴承故障诊断方法综述 | 第15-16页 |
| 1.2.2 基于局部均值分解的轴承故障诊断方法综述 | 第16-17页 |
| 1.2.3 基于小波分解的轴承故障诊断方法综述 | 第17-18页 |
| 1.3 发展趋势及方向 | 第18-19页 |
| 1.4 本文章节安排 | 第19-21页 |
| 第2章 轴承结构及数据采集 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 电机轴承基本结构 | 第21-22页 |
| 2.3 电机轴承故障分析 | 第22-25页 |
| 2.3.1 轴承失效形式 | 第22-23页 |
| 2.3.2 轴承故障特点及故障频率 | 第23-25页 |
| 2.4 电机轴承数据获取 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 基于EEMD的电机轴承数据预处理 | 第30-39页 |
| 3.1 引言 | 第30页 |
| 3.2 经验模态分解 | 第30-33页 |
| 3.3 集合经验模态分解及降噪原理 | 第33-38页 |
| 3.3.1 EEMD算法原理 | 第33-35页 |
| 3.3.2 EEMD降噪原理 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于ILMD的电机轴承数据特征提取 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 局部均值分解 | 第39-41页 |
| 4.3 LMD与EMD的对比研究 | 第41-43页 |
| 4.4 改进的局部均值分解 | 第43-46页 |
| 4.5 故障特征提取 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 基于EEMD-ILMD-IGSA-IPNN的电机轴承故障诊断方法 | 第49-68页 |
| 5.1 引言 | 第49页 |
| 5.2 增量概率神经网络IPNN | 第49-52页 |
| 5.2.1 概率神经网络 | 第49-51页 |
| 5.2.2 增量概率神经网络算法 | 第51-52页 |
| 5.3 改进万有引力搜索算法IGSA | 第52-56页 |
| 5.3.1 万有引力搜索算法 | 第52-54页 |
| 5.3.2 改进万有引力搜索算法 | 第54-56页 |
| 5.4 EEMD-ILMD-IGSA-IPNN故障分类算法 | 第56-64页 |
| 5.5 算法比较研究 | 第64-65页 |
| 5.6 软件试验平台搭建 | 第65-67页 |
| 5.7 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74-75页 |
