基于多域特征融合的滚动轴承故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 课题研究方法 | 第14页 |
| 1.4 课题主要研究内容 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 滚动轴承的故障机理分析 | 第16-26页 |
| 2.1 数控机床传动系统 | 第16-17页 |
| 2.1.1 数控机床传动系统分析 | 第16页 |
| 2.1.2 轴承故障对传动系统的影响 | 第16-17页 |
| 2.2 滚动轴承的故障机理分析 | 第17-24页 |
| 2.2.1 滚动轴承的故障成因 | 第17-18页 |
| 2.2.2 滚动轴承的主要失效形式 | 第18-20页 |
| 2.2.3 滚动轴承的振动产生原因 | 第20页 |
| 2.2.4 滚动轴承的故障特征 | 第20-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 小波理论与故障特征提取技术 | 第26-40页 |
| 3.1 小波与小波包分析理论及应用 | 第26-36页 |
| 3.1.1 小波分析理论 | 第26-30页 |
| 3.1.2 小波包分析理论 | 第30页 |
| 3.1.3 小波与小波包的信号分解与重构 | 第30-32页 |
| 3.1.4 应用小波与小波包的信号处理 | 第32-36页 |
| 3.2 故障特征提取技术 | 第36-39页 |
| 3.2.1 故障特征参数的提取原则 | 第36页 |
| 3.2.2 时域特征参数 | 第36-38页 |
| 3.2.3 频域特征参数 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 人工神经网络故障诊断方法 | 第40-50页 |
| 4.1 人工神经网络理论 | 第40-46页 |
| 4.1.1 人工神经元模型 | 第40-41页 |
| 4.1.2 激活转移函数 | 第41-42页 |
| 4.1.3 BP神经网络 | 第42-46页 |
| 4.2 人工神经网络故障诊断简述 | 第46-47页 |
| 4.2.1 人工神经网络的故障诊断能力 | 第46-47页 |
| 4.2.2 神经网络故障诊断技术的特点 | 第47页 |
| 4.3 小波分析与神经网络相结合的诊断方法 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 滚动轴承的BP神经网络故障诊断 | 第50-62页 |
| 5.1 滚动轴承的故障诊断步骤 | 第50页 |
| 5.2 BP神经网络诊断模型的设计 | 第50-52页 |
| 5.2.1 各层节点数的确定 | 第51-52页 |
| 5.2.2 初始权值的选择 | 第52页 |
| 5.2.3 期望误差和学习率的选取 | 第52页 |
| 5.3 故障诊断的实验研究 | 第52-61页 |
| 5.3.1 实验描述 | 第52-55页 |
| 5.3.2 数据处理 | 第55-56页 |
| 5.3.3 模型训练 | 第56-58页 |
| 5.3.4 实验测试 | 第58-61页 |
| 5.3.5 结果分析 | 第61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70页 |
| 攻读硕士期间研究成果 | 第70-71页 |
