轴承故障检测技术及其在风力发电机组中的应用
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 课题的背景和意义 | 第14-17页 |
| 1.2 滚动轴承故障检测概述 | 第17-21页 |
| 1.2.1 滚动轴承故障检测的方法 | 第18-19页 |
| 1.2.2 国外发展情况 | 第19-20页 |
| 1.2.3 国内发展情况 | 第20-21页 |
| 1.3 Spark大数据处理平台 | 第21-24页 |
| 1.4 本文主要内容与结构安排 | 第24页 |
| 1.5 本章小结 | 第24-26页 |
| 第2章 信号预处理 | 第26-52页 |
| 2.1 信号降噪 | 第26-28页 |
| 2.1.1 数学形态滤波 | 第26-27页 |
| 2.1.2 经验模式分解 | 第27页 |
| 2.1.3 小波降噪 | 第27-28页 |
| 2.2 小波变换的基本概念 | 第28-34页 |
| 2.2.1 连续小波变换 | 第28-30页 |
| 2.2.2 基本小波函数的选择 | 第30-32页 |
| 2.2.3 离散小波变换 | 第32-34页 |
| 2.3 独立分量分析 | 第34-40页 |
| 2.3.1 ICA基本理论 | 第35-36页 |
| 2.3.2 ICA的预处理 | 第36页 |
| 2.3.3 信号间的独立性度量准则 | 第36-39页 |
| 2.3.4 快速独立分量分析算法实现 | 第39-40页 |
| 2.4 滚动轴承振动信号的消噪 | 第40-50页 |
| 2.4.1 方法验证 | 第40-43页 |
| 2.4.2 滚动轴承振动信号的降噪 | 第43-48页 |
| 2.4.3 滚动轴承振动信号的独立分量分析 | 第48-50页 |
| 2.5 本章小结 | 第50-52页 |
| 第3章 特征向量的提取 | 第52-68页 |
| 3.1 特征提取方法概述 | 第52-59页 |
| 3.1.1 时域分析法 | 第52-53页 |
| 3.1.2 频域分析法 | 第53-56页 |
| 3.1.3 时频域分析法 | 第56-59页 |
| 3.2 滚动轴承振动信号特征向量的提取 | 第59-66页 |
| 3.2.1 时域特征法 | 第60-63页 |
| 3.2.2 时频域小波分析法 | 第63-66页 |
| 3.3 本章小结 | 第66-68页 |
| 第4章 支持向量机在滚动轴承故障检测中的应用 | 第68-88页 |
| 4.1 SVM模型 | 第69-74页 |
| 4.1.1 SVM分类原理 | 第69-73页 |
| 4.1.2 SVM多分类问题 | 第73-74页 |
| 4.1.3 本文所使用的分类方法 | 第74页 |
| 4.2 SVM参数优化 | 第74-76页 |
| 4.3 滚动轴承故障检测方法验证 | 第76-86页 |
| 4.4 本章小结 | 第86-88页 |
| 第5章 基于Spark的故障检测方案 | 第88-100页 |
| 5.1 故障检测方法验证 | 第88-92页 |
| 5.2 Spark在本方案中的应用 | 第92-95页 |
| 5.3 分类模型的训练和参数调优 | 第95-99页 |
| 5.4 方案设计 | 第99页 |
| 5.5 本章小结 | 第99-100页 |
| 第6章 总结与展望 | 第100-102页 |
| 6.1 课题总结 | 第100页 |
| 6.2 研究内容展望 | 第100-102页 |
| 参考文献 | 第102-108页 |
| 致谢 | 第108-109页 |
| 附件 | 第109页 |
