| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10页 |
| 1.2 旋转机械故障诊断的研究现状 | 第10-15页 |
| 1.2.1 旋转机械故障诊断的发展历程 | 第10-11页 |
| 1.2.2 旋转机械故障诊断的研究现状 | 第11-15页 |
| 1.3 课题研究的主要内容 | 第15页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15页 |
| 1.4 论文框架图 | 第15-18页 |
| 第二章 常见旋转机械的故障类型与故障特征 | 第18-30页 |
| 2.1 齿轮故障类型及振动机理 | 第18-24页 |
| 2.1.1 齿轮的故障类型 | 第19-21页 |
| 2.1.2 齿轮的振动机理 | 第21-24页 |
| 2.2 滚动轴承故障 | 第24-28页 |
| 2.2.1 滚动轴承的故障类型 | 第24-25页 |
| 2.2.2 滚动轴承的振动机理 | 第25-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于粒子群算法优化的BP神经网络及其应用 | 第30-50页 |
| 3.1 神经网络 | 第30-32页 |
| 3.1.1 神经网络概述 | 第30页 |
| 3.1.2 神经网络模型 | 第30-32页 |
| 3.2 BP神经网络 | 第32-37页 |
| 3.2.1 BP神经网络模型 | 第32-33页 |
| 3.2.2 BP神经网络学习机制 | 第33-35页 |
| 3.2.3 神经网络的设计 | 第35-37页 |
| 3.3 粒子群算法 | 第37-38页 |
| 3.3.1 粒子群算法概述 | 第37页 |
| 3.3.2 粒子群算法原理 | 第37-38页 |
| 3.4 粒子群算法优化的BP神经网络 | 第38-39页 |
| 3.5 两种小波包分析方法 | 第39-42页 |
| 3.5.1 小波包降噪 | 第40-41页 |
| 3.5.2 小波包能量特征值的提取 | 第41-42页 |
| 3.6 齿轮箱振动信号采集实验 | 第42-47页 |
| 3.6.1 实验平台介绍 | 第42-43页 |
| 3.6.2 数据采集 | 第43-44页 |
| 3.6.3 实验后的数据处理 | 第44-47页 |
| 3.7 粒子群优化的BP网络与未优化的BP网络对齿轮箱故障识别能力的比较 | 第47-48页 |
| 3.8 本章小结 | 第48-50页 |
| 第四章 CEEMDAN原理及其应用 | 第50-62页 |
| 4.1 集合经验模态分解原理 | 第50-51页 |
| 4.2 带有自适应白噪声的完全集合经验模态分解原理 | 第51-53页 |
| 4.3 EEMD与CEEMDAN对仿真信号去噪能力的比较 | 第53-56页 |
| 4.4 在滚动轴承故障特征提取方面的实际应用研究 | 第56-61页 |
| 4.4.1 对轴承内圈故障的分析情况 | 第56-59页 |
| 4.4.2 对轴承外圈故障的分析情况 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 CEEMDAN结合粒子群算法在故障诊断中的研究 | 第62-70页 |
| 5.1 CEEMDAN结合粒子群算法的研究流程与方式 | 第62-63页 |
| 5.2 四组不同组合对轴承故障的诊断 | 第63-68页 |
| 5.3 诊断结果分析 | 第68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-74页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 展望与建议 | 第71-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |
