基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·机械故障诊断的背景和意义 | 第10-11页 |
| ·机械故障诊断技术发展概况 | 第11-12页 |
| ·机械故障诊断的内容 | 第12-13页 |
| ·状态监测技术 | 第12页 |
| ·故障诊断技术 | 第12-13页 |
| ·轴承故障诊断的基本内容 | 第13-17页 |
| ·非自适应分析方法 | 第13-14页 |
| ·自适应分析方法 | 第14-15页 |
| ·熵在故障诊断中的应用 | 第15-16页 |
| ·模式识别在故障诊断中的应用 | 第16-17页 |
| ·本文的主要研究内容 | 第17-18页 |
| 第2章 总体平均经验模式分解研究 | 第18-31页 |
| ·EMD基本概念 | 第18-21页 |
| ·三次样条插值曲线拟合 | 第18-19页 |
| ·瞬时频率 | 第19-20页 |
| ·本征模态函数 | 第20-21页 |
| ·经验模式分解理论 | 第21-27页 |
| ·EMD的基本算法 | 第21-23页 |
| ·EMD的效果验证 | 第23-27页 |
| ·EEMD原理 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于样本熵的振动信号特征提取 | 第31-44页 |
| ·熵理论 | 第31页 |
| ·几种常用熵 | 第31-34页 |
| ·信息熵 | 第31-32页 |
| ·奇异值熵 | 第32-33页 |
| ·小波能量熵 | 第33-34页 |
| ·Renyi熵 | 第34页 |
| ·基于样本熵的特征提取 | 第34-43页 |
| ·样本熵理论 | 第35-39页 |
| ·基于样本熵的特征提取方法研究 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 模糊聚类方法研究 | 第44-60页 |
| ·聚类基本理论 | 第44-49页 |
| ·聚类的基本概念 | 第44-45页 |
| ·聚类相似度度量 | 第45-48页 |
| ·聚类的基本思路 | 第48-49页 |
| ·模糊聚类算法 | 第49-56页 |
| ·FCM聚类算法 | 第49-50页 |
| ·GK聚类算法 | 第50-52页 |
| ·GG聚类算法 | 第52-53页 |
| ·模糊聚类效果检验 | 第53-56页 |
| ·模糊模式识别 | 第56-59页 |
| ·择近原则 | 第56-58页 |
| ·最大隶属度原则 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 滚动轴承故障诊断分析实验 | 第60-78页 |
| ·滚动轴承故障诊断实验数据 | 第60-61页 |
| ·时频分析 | 第61-66页 |
| ·不同类型故障时频分析 | 第61-64页 |
| ·不同损伤程度故障信号时频分析 | 第64-66页 |
| ·信号去噪 | 第66-67页 |
| ·不同类型轴承故障诊断 | 第67-74页 |
| ·轴承振动信号EEMD分解 | 第67-70页 |
| ·基于样本熵的特征量化 | 第70-71页 |
| ·GG聚类的故障识别 | 第71-74页 |
| ·轴承不同损伤程度故障诊断 | 第74-77页 |
| ·本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第84-85页 |
| 致谢 | 第85-86页 |
| 作者简介 | 第86页 |
