| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-23页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外轴承故障诊断技术现状 | 第13-21页 |
| ·经典的故障检测法 | 第14-15页 |
| ·应用小波变换的故障诊断法 | 第15页 |
| ·使用人工智能技术的故障诊断法 | 第15-20页 |
| ·数值和实验技术 | 第20页 |
| ·轴承故障诊断技术 | 第20-21页 |
| ·本文章节安排 | 第21-23页 |
| 第2章 电机轴承故障成因及其振动分析 | 第23-27页 |
| ·引言 | 第23-24页 |
| ·轴承主要失效原因及振动机理 | 第24页 |
| ·轴承基本特征频率 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于经验模态分解频谱分析的研究 | 第27-35页 |
| ·引言 | 第27页 |
| ·经验模态分解算法 | 第27-29页 |
| ·瞬时频率的概念 | 第27-28页 |
| ·经验模态分解步骤 | 第28-29页 |
| ·仿真信号的实例研究 | 第29-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于盲信号技术的电机轴承振动信号特征提取研究 | 第35-49页 |
| ·引言 | 第35-36页 |
| ·源变量的独立统计 | 第36-37页 |
| ·变量的非高斯性 | 第37-39页 |
| ·独立分量分析的定义 | 第39-41页 |
| ·执行独立分量分析的条件 | 第39页 |
| ·无噪声ICA模型 | 第39-40页 |
| ·参数估计 | 第40-41页 |
| ·有噪声ICA模型 | 第41页 |
| ·独立分量分析 | 第41页 |
| ·独立分量分析的预处理 | 第41-43页 |
| ·中心的确定 | 第41-42页 |
| ·白化 | 第42-43页 |
| ·快速独立分量分析 | 第43-47页 |
| ·拉格朗日-乘数法 | 第43页 |
| ·牛顿-拉普森法 | 第43-44页 |
| ·负熵近似派生出的快速独立分量分析 | 第44-47页 |
| ·快速独立分量数据分析实验研究 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 改进的FICA-IPNN故障诊断方法研究 | 第49-63页 |
| ·引言 | 第49页 |
| ·神经网络分析法 | 第49-57页 |
| ·反向传播网络分析法 | 第51-52页 |
| ·径向基函数神经网络分析法 | 第52-55页 |
| ·概率神经网络分析法 | 第55-57页 |
| ·增量概率神经网络分析法 | 第57-59页 |
| ·增量概率神经网络原理 | 第57-58页 |
| ·增量概率神经网络训练步骤 | 第58-59页 |
| ·FICA-IPNN实例研究 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第6章 实验研究与实验平台建设 | 第63-77页 |
| ·电机轴承故障集合型方法实验研究 | 第63-66页 |
| ·电机轴承故障诊断系统实验平台建设 | 第66页 |
| ·实验平台硬件框架 | 第66-72页 |
| ·电机运行控制平台搭建 | 第67-69页 |
| ·电机轴承振动信号检测系统 | 第69-72页 |
| ·实验平台软件框架 | 第72-76页 |
| ·LabVIEW软件平台 | 第72页 |
| ·电机轴承振动信号诊断系统 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 攻读硕士学位期间发表的论文和取得的研究成果 | 第86-87页 |
| 致谢 | 第87-88页 |