摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第9-17页 |
1.1 课题的背景及意义 | 第9-10页 |
1.2 国内外设备状态监测及故障诊断技术的研究进展 | 第10-12页 |
1.2.1 国外设备状态监测及故障诊断技术的进展 | 第10-11页 |
1.2.2 我国设备状态监测及故障诊断技术的进展 | 第11页 |
1.2.3 船舶调距桨状态监测及故障诊断技术的进展 | 第11-12页 |
1.3 虚拟仪器技术 | 第12-14页 |
1.3.1 虚拟仪器的概念 | 第12页 |
1.3.2 虚拟仪器的硬件系统 | 第12-13页 |
1.3.3 虚拟仪器的软件系统 | 第13页 |
1.3.4 虚拟仪器的应用 | 第13-14页 |
1.4 CAN 总线技术 | 第14-15页 |
1.4.1 CAN 总线的概念 | 第14-15页 |
1.4.2 CAN 总线的应用 | 第15页 |
1.5 本文的研究内容 | 第15-17页 |
2 调距桨典型故障及其故障模拟 | 第17-22页 |
2.1 本文的试验平台 | 第17-18页 |
2.2 调距桨常见的异常振动 | 第18页 |
2.3 调距桨轴系的故障模式 | 第18-20页 |
2.3.1 转子不平衡 | 第19页 |
2.3.2 转子与联轴器不对中 | 第19-20页 |
2.3.3 机械连接松动 | 第20页 |
2.4 调距桨轴系故障的模拟 | 第20-21页 |
2.5 本章小结 | 第21-22页 |
3 基于小波分解技术的故障特征提取 | 第22-32页 |
3.1 信号的分析方法 | 第22-23页 |
3.1.1 信号的时域分析 | 第22-23页 |
3.1.2 信号的频域分析 | 第23页 |
3.1.3 信号的时频分析 | 第23页 |
3.2 小波分析理论 | 第23-26页 |
3.2.1 连续小波变换 | 第24页 |
3.2.2 离散小波变换 | 第24-25页 |
3.2.3 小波包分解 | 第25-26页 |
3.3 小波包分解在提取调距桨特征信号中的应用 | 第26-31页 |
3.3.1 小波包基函数的选择 | 第26-27页 |
3.3.2 小波包 Shannon 熵 | 第27-28页 |
3.3.3 基于小波包熵的特征值提取 | 第28-31页 |
3.4 本章小结 | 第31-32页 |
4 优化的支持向量机在调距桨故障诊断中的应用 | 第32-51页 |
4.1 支持向量机理论 | 第32-36页 |
4.1.1 机器学习 | 第32页 |
4.1.2 经验风险最小化原则 | 第32-33页 |
4.1.3 结构风险最小化原则 | 第33-34页 |
4.1.4 支持向量机 | 第34-36页 |
4.2 遗传算法理论 | 第36-38页 |
4.2.1 遗传算法的原理 | 第36-37页 |
4.2.2 遗传算法的实现 | 第37-38页 |
4.3 SVM 故障诊断模型的建立及实现 | 第38-50页 |
4.3.1 传统的 SVM 故障诊断模型的建立及实现 | 第38-39页 |
4.3.2 SVM 参数选取讨论 | 第39-43页 |
4.3.3 基于交叉验证的 SVM 模型建立及实现 | 第43-47页 |
4.3.4 基于遗传算法的 SVM 模型建立及实现 | 第47-50页 |
4.4 本章小结 | 第50-51页 |
5 调距桨状态监测系统的总体设计 | 第51-70页 |
5.1 系统的硬件设计 | 第51-59页 |
5.1.1 测点的布置 | 第51-52页 |
5.1.2 传感器的选型 | 第52-57页 |
5.1.3 基于 CAN 总线的信号采集及传输设备的选型 | 第57-58页 |
5.1.4 硬件系统的搭建 | 第58-59页 |
5.2 系统的软件结构设计 | 第59-69页 |
5.2.1 软件的总体结构设计 | 第59-60页 |
5.2.2 初始化及参数配置程序 | 第60-62页 |
5.2.3 实时监测及操控程序 | 第62-64页 |
5.2.4 故障诊断程序 | 第64-66页 |
5.2.5 网络通讯及数据存储程序 | 第66-69页 |
5.3 本章小结 | 第69-70页 |
6 总结与展望 | 第70-72页 |
6.1 全文总结 | 第70页 |
6.2 工作展望 | 第70-72页 |
参考文献 | 第72-75页 |
在学研究成果 | 第75-76页 |
致谢 | 第76页 |