滚动轴承故障的盲分离与智能诊断方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 轴承故障诊断的意义 | 第11页 |
| 1.2 滚动轴承故障诊断概述 | 第11-13页 |
| 1.2.1 滚动轴承故障诊断系统 | 第12页 |
| 1.2.2 滚动轴承故障诊断方法 | 第12页 |
| 1.2.3 滚动轴承故障诊断发展历程 | 第12-13页 |
| 1.3 滚动轴承故障诊断关键问题研究现状 | 第13-17页 |
| 1.3.1 滚动轴承故障特征提取研究现状 | 第13-15页 |
| 1.3.2 滚动轴承复合故障分离研究现状 | 第15页 |
| 1.3.3 滚动轴承智能诊断研究现状 | 第15-17页 |
| 1.4 本文主要研究内容与结构 | 第17-19页 |
| 第2章 轴承故障诊断技术基础 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 滚动轴承故障机理 | 第19-22页 |
| 2.2.1 滚动轴承机械结构 | 第19-20页 |
| 2.2.2 滚动轴承失效形式 | 第20-21页 |
| 2.2.3 轴承振动模型 | 第21-22页 |
| 2.3 轴承故障特征分析 | 第22-31页 |
| 2.3.1 时域特征分析 | 第22-24页 |
| 2.3.2 频域特征分析 | 第24-28页 |
| 2.3.3 时频域特征分析 | 第28-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 基于欠定盲分离的复合故障分离研究 | 第33-55页 |
| 3.1 引言 | 第33页 |
| 3.2 盲源分离基本概念 | 第33-36页 |
| 3.2.1 盲源分离数学模型 | 第33-34页 |
| 3.2.2 经典盲源分离算法 | 第34-36页 |
| 3.3 欠定盲源分离研究 | 第36-39页 |
| 3.3.1 稀疏分量分析 | 第36-37页 |
| 3.3.2 混合矩阵估计 | 第37-39页 |
| 3.4 基于单源点检测的混合矩阵估计 | 第39-46页 |
| 3.4.1 理论分析 | 第39-40页 |
| 3.4.2 仿真数据验证 | 第40-42页 |
| 3.4.3 实验数据验证 | 第42-46页 |
| 3.5 单元密度检测算法的自适应混合矩阵估计 | 第46-51页 |
| 3.5.1 理论分析 | 第46-47页 |
| 3.5.2 实验分析 | 第47-51页 |
| 3.6 源信号恢复 | 第51-53页 |
| 3.6.1 理论分析 | 第51页 |
| 3.6.2 实验分析 | 第51-53页 |
| 3.7 本章小结 | 第53-55页 |
| 第4章 基于深度信念网络的轴承故障诊断研究 | 第55-69页 |
| 4.1 引言 | 第55页 |
| 4.2 深度信念网络 | 第55-60页 |
| 4.2.1 限制玻尔兹曼机 | 第55-57页 |
| 4.2.2 DBN结构 | 第57-58页 |
| 4.2.3 DBN训练 | 第58-60页 |
| 4.3 基于DBN振动信号故障诊断方案 | 第60-61页 |
| 4.3.1 振动信号故障诊断概述 | 第60-61页 |
| 4.3.2 基于DBN的诊断框架 | 第61页 |
| 4.4 轴承故障仿真实验与分析 | 第61-66页 |
| 4.4.1 轴承故障数据集描述 | 第61-62页 |
| 4.4.2 故障识别结果对比分析 | 第62-65页 |
| 4.4.3 不同方案故障识别结果对比分析 | 第65-66页 |
| 4.4.4 不同信噪比下故障识别结果分析 | 第66页 |
| 4.5 本章小结 | 第66-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第77-79页 |
| 致谢 | 第79页 |
