摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第10-22页 |
1.1 研究背景及意义 | 第10页 |
1.2 研究现状及发展 | 第10-12页 |
1.2.1 国外研究现状 | 第10-11页 |
1.2.2 国内研究现状 | 第11页 |
1.2.3 滚动轴承故障诊断研究的发展趋势 | 第11-12页 |
1.3 滚动轴承振动信号处理方法研究现状 | 第12-17页 |
1.3.1 时域分析方法 | 第13-14页 |
1.3.2 频域分析方法 | 第14页 |
1.3.3 时频分析方法 | 第14-17页 |
1.4 SVM研究现状 | 第17-18页 |
1.5 研究思路及研究内容 | 第18-22页 |
1.5.1 研究思路 | 第18-19页 |
1.5.2 研究内容及各章节安排 | 第19-22页 |
第2章 滚动轴承振动机理及信号分析方法 | 第22-36页 |
2.1 滚动轴承的典型结构及特征频率 | 第22-26页 |
2.1.1 滚动轴承的典型结构 | 第22-23页 |
2.1.2 滚动轴承的固有振动频率 | 第23-24页 |
2.1.3 滚动轴承局部损伤的特征频率 | 第24-26页 |
2.2 滚动轴承振动机理及信号特征 | 第26-28页 |
2.2.1 滚动轴承的振动机理 | 第26-27页 |
2.2.2 正常轴承振动的信号特征 | 第27页 |
2.2.3 故障轴承振动的信号特征 | 第27-28页 |
2.3 滚动轴承主要失效形式 | 第28页 |
2.4 滚动轴承故障诊断的常见方法 | 第28-31页 |
2.4.1 特征参数法 | 第28-31页 |
2.4.2 频谱分析法 | 第31页 |
2.4.3 包络分析法 | 第31页 |
2.5 滚动轴承故障模拟平台简介 | 第31-35页 |
2.5.1 凯斯西储大学轴承故障模拟实验台 | 第31-33页 |
2.5.2 辛辛那提大学轴承全寿命周期故障模拟试验台 | 第33-35页 |
2.6 本章小结 | 第35-36页 |
第3章 滚动轴承故障特征提取的ESMD分析方法研究 | 第36-58页 |
3.1 Hilbert-Huang变换 | 第37-41页 |
3.1.1 EMD方法 | 第37-39页 |
3.1.2 Hilbert谱分析 | 第39-41页 |
3.2 极点对称模态分解 | 第41-45页 |
3.2.1 ESMD方法 | 第41-45页 |
3.2.2 ESMD时-频分析 | 第45页 |
3.3 ESMD与EMD比较分析 | 第45-51页 |
3.3.1 信号分解能力比较 | 第46-48页 |
3.3.2 瞬时特征精确性比较 | 第48-49页 |
3.3.3 模态混叠抑制能力比较 | 第49-51页 |
3.4 ESMD在滚动轴承内圈故障信号特征提取中的应用 | 第51-54页 |
3.5 ESMD和奇异值差分谱结合在轴承外圈故障特征提取中的应用 | 第54-57页 |
3.6 本章小结 | 第57-58页 |
第4章 ESMD端点效应改进方法及应用 | 第58-72页 |
4.1 ESMD端点效应 | 第58-60页 |
4.1.1 端点效应评价指标 | 第59页 |
4.1.2 现有端点效应抑制方法 | 第59-60页 |
4.2 基于极值中点平移的端点效应改进方法 | 第60-66页 |
4.2.1 极值中点平移法的算法描述 | 第60-62页 |
4.2.2 未知包络线的不确定度比较 | 第62-63页 |
4.2.3 仿真分析 | 第63-66页 |
4.3 实例分析 | 第66-70页 |
4.4 本章小结 | 第70-72页 |
第5章 SVM在滚动轴承模式识别中的应用 | 第72-86页 |
5.1 支持向量机的统计学习理论基础 | 第72-75页 |
5.1.1 机器学习 | 第72页 |
5.1.2 经验风险最小化原则 | 第72-74页 |
5.1.3 结构风险最小化原则 | 第74-75页 |
5.2 支持向量机 | 第75-79页 |
5.2.1 最优超平面 | 第75页 |
5.2.2 线性支持向量机 | 第75-77页 |
5.2.3 非线性支持向量机 | 第77-78页 |
5.2.4 支持向量机的多分类算法 | 第78-79页 |
5.3 实验验证 | 第79-84页 |
5.4 本章小结 | 第84-86页 |
结论与展望 | 第86-88页 |
结论 | 第86页 |
展望 | 第86-88页 |
参考文献 | 第88-94页 |
攻读硕士学位期间取得的科研成果 | 第94-96页 |
致谢 | 第96页 |