| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景、目的和意义 | 第10-13页 |
| 1.3 相关领域国内外研究现状分析 | 第13-18页 |
| 1.3.1 信号时频域处理技术研究现状 | 第13-15页 |
| 1.3.2 机械运行状态预测研究现状 | 第15-16页 |
| 1.3.3 机械故障诊断研究现状 | 第16-18页 |
| 1.3.4 立磨状态运行状态预测和故障诊断研究现状 | 第18页 |
| 1.4 本文主要研究内容和组织结构 | 第18-21页 |
| 1.4.1 本文主要研究内容 | 第18-19页 |
| 1.4.2 本文组织结构 | 第19-21页 |
| 第2章 改进的EEMD信号降噪方法研究 | 第21-31页 |
| 2.1 立磨液压系统加速度和压力信号 | 第21页 |
| 2.2 EEMD降噪原理 | 第21-23页 |
| 2.2.1 EEMD算法 | 第21-23页 |
| 2.2.2 EEMD信号去噪 | 第23页 |
| 2.3 改进的EEMD的降噪方法 | 第23-27页 |
| 2.3.1 分离噪声占主导的高频IMF分量 | 第24-25页 |
| 2.3.2 中值滤波 | 第25页 |
| 2.3.3 EEMD阈值滤波 | 第25-26页 |
| 2.3.4 改进算法步骤及流程 | 第26-27页 |
| 2.4 降噪仿真实验 | 第27-30页 |
| 2.4.1 含噪正弦信号降噪实验 | 第27-29页 |
| 2.4.2 立磨液压系统加速度和压力信号降噪实验 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于FOA-ESN的立磨液压系统运行状态预测 | 第31-43页 |
| 3.1 ESN模型的基本原理 | 第31-35页 |
| 3.1.1 ESN结构和数学模型 | 第31-32页 |
| 3.1.2 ESN的学习步骤 | 第32-33页 |
| 3.1.3 储备池关键参数 | 第33页 |
| 3.1.4 输出权值求解的优化 | 第33-35页 |
| 3.2 果蝇优化算法 | 第35-36页 |
| 3.3 基于果蝇优化算法优化的回声状态网络 | 第36-38页 |
| 3.4 立磨液压系统压力信号预测实验 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于相对小波包能量和多分类相关向量机的故障诊断研究 | 第43-60页 |
| 4.1 相对小波包能量特征提取 | 第43-46页 |
| 4.1.1 小波包变换 | 第43-46页 |
| 4.1.2 相对小波包能量 | 第46页 |
| 4.2 相关向量机 | 第46-52页 |
| 4.2.1 回归模型 | 第47-50页 |
| 4.2.2 分类模型 | 第50-51页 |
| 4.2.3 核函数 | 第51-52页 |
| 4.3 多分类相关向量机 | 第52-55页 |
| 4.3.1 M-RVM模型简介 | 第52-54页 |
| 4.3.2 M-RVM模型学习 | 第54-55页 |
| 4.4 立磨液压系统故障诊断实验 | 第55-59页 |
| 4.4.1 诊断流程 | 第55-56页 |
| 4.4.2 特征提取 | 第56-57页 |
| 4.4.3 多分类相关向量机故障识别 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 立式辊磨机液压系统运行状态预测和故障诊断系统的设计与实现 | 第60-67页 |
| 5.1 系统总体设计 | 第60-62页 |
| 5.2 软件模块实现 | 第62-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 全文工作总结 | 第67-68页 |
| 6.2 进一步研究展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士期间的科研成果 | 第75页 |
