基于改进NLM的滚动轴承智能故障诊断方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断概述 | 第11-14页 |
| 1.2.1 滚动轴承基本结构 | 第11页 |
| 1.2.2 滚动轴承故障形式及振动特征 | 第11-13页 |
| 1.2.3 滚动轴承常用故障诊断方法 | 第13-14页 |
| 1.3 滚动轴承故障诊断发展与研究现状 | 第14-17页 |
| 1.3.1 故障特征信号提取的研究现状 | 第14-16页 |
| 1.3.2 去噪方法的研究现状 | 第16页 |
| 1.3.3 分类方法的研究现状 | 第16-17页 |
| 1.4 论文的主要工作 | 第17-19页 |
| 第2章 基于非局部均值的EMD算法 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 NLM图像去噪理论 | 第19-21页 |
| 2.2.1 NLM基本算法 | 第20-21页 |
| 2.2.2 NLM参数选择 | 第21页 |
| 2.3 经验模态方法的基本理论 | 第21-23页 |
| 2.4 包络检测 | 第23页 |
| 2.5 仿真实验 | 第23-27页 |
| 2.5.1 EMD实验仿真分析 | 第24-25页 |
| 2.5.2 NLM结合EMD去噪实验仿真 | 第25-27页 |
| 2.6 NLM去噪和小波去噪方法的比较 | 第27页 |
| 2.7 NLM去噪存在的问题 | 第27-28页 |
| 2.8 小结 | 第28-29页 |
| 第3章 一种新型NLM滤波算法实现 | 第29-38页 |
| 3.1 引言 | 第29-31页 |
| 3.1.1 FNLM算法 | 第29-30页 |
| 3.1.2 信号拓延方法 | 第30页 |
| 3.1.3 权值函数的选择 | 第30-31页 |
| 3.2 应用实例 | 第31-36页 |
| 3.2.1 正常运转信号 | 第33-34页 |
| 3.2.2 内圈故障信号 | 第34-35页 |
| 3.2.3 外圈故障信号 | 第35-36页 |
| 3.3 去噪效果分析 | 第36-37页 |
| 3.3.1 PSNR去噪评定指标 | 第36页 |
| 3.3.2 去噪时间对比 | 第36-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 DET-PSO混合特征选择技术 | 第38-46页 |
| 4.1 引言 | 第38页 |
| 4.2 两步特征分类方法 | 第38-39页 |
| 4.3 DET-PSO结合的特征选择 | 第39-42页 |
| 4.3.1 基于DET的特征选择 | 第39页 |
| 4.3.2 基于PSO的特征选择 | 第39-42页 |
| 4.4 两步特征选择方法 | 第42-43页 |
| 4.5 仿真实验 | 第43-45页 |
| 4.5.1 数据来源 | 第43页 |
| 4.5.2 仿真结果 | 第43-45页 |
| 4.6 小结 | 第45-46页 |
| 第5章 轴承智能故障诊断方法 | 第46-56页 |
| 5.1 轴承故障诊断分类 | 第46-48页 |
| 5.1.1 K近邻 | 第46-47页 |
| 5.1.2 支持向量机 | 第47-48页 |
| 5.2 新型轴承故障诊断分类方法 | 第48-51页 |
| 5.3 实验分析 | 第51-53页 |
| 5.4 特征选择技术的比较 | 第53-54页 |
| 5.4.1 KNN分类器 | 第53页 |
| 5.4.2 SVM分类器 | 第53-54页 |
| 5.5 KNN和SVM分类器的比较 | 第54-55页 |
| 5.6 小结 | 第55-56页 |
| 第6章 总结和展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 作者在读硕士期间的科研成果及参加的科研项目 | 第63页 |
