局部均值分解方法及其在滚动轴承故障诊断中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 课题研究现状 | 第9-13页 |
| 1.2.1 故障机理的分析 | 第10-11页 |
| 1.2.2 故障信息分析方法 | 第11-12页 |
| 1.2.3 故障的智能诊断 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 2 LMD算法原理及改进 | 第14-30页 |
| 2.1 LMD算法原理及仿真分析 | 第14-18页 |
| 2.1.1 LMD算法原理 | 第14-17页 |
| 2.1.2 LMD仿真分析 | 第17-18页 |
| 2.2 LMD改进策略 | 第18-26页 |
| 2.2.1 模态混淆 | 第18-20页 |
| 2.2.2 平滑方法 | 第20-22页 |
| 2.2.3 迭代终止条件 | 第22-24页 |
| 2.2.4 两种LMD分解方法对比 | 第24-26页 |
| 2.3 LMD和EMD对比 | 第26-29页 |
| 2.4 小结 | 第29-30页 |
| 3 奇异值降噪LMD谱峭度的轴承故障诊断 | 第30-46页 |
| 3.1 故障特征频率及包络谱 | 第30-33页 |
| 3.1.1 轴承故障特征频率分析 | 第30-32页 |
| 3.1.2 包络谱分析 | 第32-33页 |
| 3.2 奇异值分解降噪理论 | 第33-34页 |
| 3.3 谱峭度分析 | 第34-38页 |
| 3.3.1 谱峭度原理 | 第34-37页 |
| 3.3.2 谱峭度图轴承故障诊断步骤 | 第37-38页 |
| 3.4 奇异值降噪的LMD谱峭度方法验证 | 第38-45页 |
| 3.4.1 仿真信号分析 | 第38-41页 |
| 3.4.2 实际轴承振动信号验证 | 第41-45页 |
| 3.5 小结 | 第45-46页 |
| 4 LMD和PSO-SVM的轴承故障诊断应用 | 第46-61页 |
| 4.1 近似熵 | 第46-49页 |
| 4.1.1 近似熵理论 | 第46-47页 |
| 4.1.2 近似熵特点 | 第47-49页 |
| 4.2 SVM分类原理 | 第49-52页 |
| 4.3 SVM算法参数的确定 | 第52-54页 |
| 4.3.1 PSO算法基本原理 | 第52-54页 |
| 4.3.2 PSO算法参数设置 | 第54页 |
| 4.4 LMD和PSO-SVM的轴承故障诊断 | 第54-60页 |
| 4.4.1 诊断步骤 | 第54-55页 |
| 4.4.2 应用实例分析 | 第55-60页 |
| 4.5 小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间的研究成果 | 第66页 |
