| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 时频分析方法的研究现状 | 第11-13页 |
| 1.2.2 滚动轴承故障诊断研究现状 | 第13-14页 |
| 1.3 主要内容以及章节安排 | 第14-16页 |
| 2. 自适应时频分析方法的研究 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 局部均值分解理论 | 第16-19页 |
| 2.3 常用自适应时频分析方法 | 第19-22页 |
| 2.3.1 小波包分解 | 第19-20页 |
| 2.3.2 经验模态分解 | 第20-22页 |
| 2.4 仿真信号对比分析 | 第22-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3. 基于改进LMD的滚动轴承故障特征提取研究 | 第30-50页 |
| 3.1 引言 | 第30页 |
| 3.2 局部均值分解的改进方法 | 第30-41页 |
| 3.2.1 局部均值分解产生端点效应误差机理研究 | 第31-33页 |
| 3.2.2 基于积分局部波形匹配的LMD端点效应处理方法 | 第33-35页 |
| 3.2.3 局部均值分解模态混叠产生机理分析 | 第35-36页 |
| 3.2.4 基于噪声辅助截止频率的模态混叠处理方法 | 第36-41页 |
| 3.3 基于改进的LMD的滚动轴承故障诊断 | 第41-49页 |
| 3.3.1 滚动轴承振动机理 | 第41-42页 |
| 3.3.2 滚动轴承故障诊断原理与故障特征频率 | 第42-43页 |
| 3.3.3 基于SVD与改进的LMD的滚动轴承故障特征提取 | 第43-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4. 基于改进的LMD模糊熵与PNN的滚动轴承故障诊断 | 第50-70页 |
| 4.1 引言 | 第50页 |
| 4.2 熵的研究进展及其在旋转机械设备故障诊断中的研究与应用 | 第50-52页 |
| 4.3 样本熵 | 第52-53页 |
| 4.4 模糊熵理论 | 第53-58页 |
| 4.4.1 模糊熵算法 | 第54页 |
| 4.4.2 模糊熵参数选择性能仿真对比 | 第54-58页 |
| 4.5 概率神经网络 | 第58-62页 |
| 4.5.1 概率神经网络结构 | 第58-59页 |
| 4.5.2 概率神经网络理论基础 | 第59-60页 |
| 4.5.3 概率神经网络特性以及在故障诊断中的应用 | 第60-62页 |
| 4.6 基于SVD-LMD模糊熵与概率神经网络滚动轴承故障模式智能识别 | 第62-67页 |
| 4.6.1 数据分析验证 | 第63-66页 |
| 4.6.2 概率神经网络模式识别 | 第66-67页 |
| 4.7 本章小结 | 第67-70页 |
| 5. 基于Labview的智能诊断系统测试 | 第70-84页 |
| 5.1 引言 | 第70页 |
| 5.2 系统总体设计及功能实现 | 第70-79页 |
| 5.2.1 系统总体结构 | 第70-71页 |
| 5.2.2 系统软件功能实现 | 第71-79页 |
| 5.3 数据采集与系统测试 | 第79-83页 |
| 5.3.1 信号采集 | 第79-81页 |
| 5.3.2 系统测试 | 第81-83页 |
| 5.4 本章小结 | 第83-84页 |
| 6. 总结与展望 | 第84-86页 |
| 6.1 论文总结 | 第84-85页 |
| 6.2 未来展望 | 第85-86页 |
| 参考文献 | 第86-92页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第92-93页 |
| 致谢 | 第93-94页 |
