摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第1章 绪论 | 第12-19页 |
1.1 选题背景及研究意义 | 第12-13页 |
1.2 振动分析诊断技术的研究现状 | 第13-15页 |
1.3 稀疏表示理论的研究进展及其在故障诊断中的应用 | 第15-17页 |
1.4 本文研究内容和结构安排 | 第17-19页 |
第2章 机械故障振动机理及稀疏表示理论 | 第19-34页 |
2.1 引言 | 第19页 |
2.2 滚动轴承故障振动机理和故障信号特征 | 第19-24页 |
2.2.1 滚动轴承故障振动机理 | 第19-21页 |
2.2.2 滚动轴承故障信号特征 | 第21-24页 |
2.3 齿轮故障振动机理和振动信号特征 | 第24-28页 |
2.3.1 齿轮故障振动机理 | 第24-25页 |
2.3.2 故障齿轮振动信号特征 | 第25-28页 |
2.4 信号稀疏表示理论 | 第28-32页 |
2.4.1 稀疏系数求解算法 | 第28-30页 |
2.4.2 字典构造方式 | 第30-32页 |
2.5 基于稀疏表示的机械故障特征提取及诊断方法的研究思路 | 第32-33页 |
2.6 小结 | 第33-34页 |
第3章 基于TQWT的早期故障特征提取方法 | 第34-53页 |
3.1 引言 | 第34-35页 |
3.2 TQWT | 第35-40页 |
3.2.1 Q因子概述 | 第35-36页 |
3.2.2 TQWT基本理论 | 第36-38页 |
3.2.3 TQWT的滤波原理 | 第38-40页 |
3.3 基于TQWT早期故障特征提取方法 | 第40-48页 |
3.3.1 提取指标的选取—谱峭度 | 第41-42页 |
3.3.2 特征提取步骤 | 第42-43页 |
3.3.3 仿真分析 | 第43-48页 |
3.4 故障实验分析 | 第48-52页 |
3.5 小结 | 第52-53页 |
第4章 基于字典学习的早期故障稀疏特征提取方法 | 第53-70页 |
4.1 引言 | 第53页 |
4.2 特征提取原理 | 第53-55页 |
4.3 故障特征提取算法 | 第55-64页 |
4.3.1 改进型K-SVD字典学习算法 | 第55-56页 |
4.3.2 特征提取步骤 | 第56-57页 |
4.3.3 仿真分析 | 第57-64页 |
4.4 故障实验分析 | 第64-69页 |
4.5 小结 | 第69-70页 |
第5章 基于组稀疏分类的单一故障诊断方法 | 第70-90页 |
5.1 引言 | 第70页 |
5.2 稀疏分类方法(SRC) | 第70-73页 |
5.2.1 分类原理 | 第70-72页 |
5.2.2 SRC对机械振动信号分类的不足 | 第72-73页 |
5.3 组稀疏分类(GSRC) | 第73-77页 |
5.3.1 GSRC的模型 | 第73-74页 |
5.3.2 快速求解算法 | 第74-77页 |
5.4 基于GSRC的单一故障诊断方法 | 第77-82页 |
5.4.1 诊断原理 | 第77-78页 |
5.4.2 诊断步骤 | 第78-79页 |
5.4.3 仿真分析 | 第79-82页 |
5.5 故障实验分析 | 第82-89页 |
5.5.1 轴承诊断分析 | 第82-85页 |
5.5.2 齿轮诊断分析 | 第85-87页 |
5.5.3 讨论 | 第87-89页 |
5.6 小结 | 第89-90页 |
第6章 基于小波包系数稀疏分类的复合故障诊断方法 | 第90-105页 |
6.1 引言 | 第90页 |
6.2 小波包变换原理 | 第90-92页 |
6.3 基于小波包系数稀疏分类的复合故障诊断方法 | 第92-96页 |
6.3.1 小波包频带系数的筛选 | 第92-93页 |
6.3.2 故障类型的判别 | 第93-94页 |
6.3.3 诊断步骤 | 第94-96页 |
6.4 性能测试 | 第96-104页 |
6.4.1 仿真测试 | 第96-99页 |
6.4.2 故障实验测试 | 第99-104页 |
6.5 小结 | 第104-105页 |
第7章 总结与展望 | 第105-108页 |
7.1 本文工作总结 | 第105-106页 |
7.2 本文工作展望 | 第106-108页 |
致谢 | 第108-109页 |
参考文献 | 第109-118页 |
附录1 攻读博士学位期间取得的科研成果 | 第118-119页 |
附录2 攻读博士学位期间参加的科研项目 | 第119页 |