摘要 | 第3-4页 |
Abstract | 第4页 |
第一章 绪论 | 第8-14页 |
1.1 课题研究背景与意义 | 第8页 |
1.2 滚动轴承故障诊断技术的国内外发展现状 | 第8-10页 |
1.2.1 国外发展现状 | 第8-9页 |
1.2.2 国内发展现状 | 第9-10页 |
1.3 滚动轴承故障诊断的关键问题研究 | 第10-12页 |
1.3.1 故障特征提取方法的研究现状 | 第10-12页 |
1.3.1.1 非自适应性分析方法 | 第10-11页 |
1.3.1.2 自适应分析方法 | 第11-12页 |
1.3.2 故障模式识别方法的研究现状 | 第12页 |
1.4 本文的主要研究内容及结构安排 | 第12-14页 |
第二章 滚动轴承故障机理研究 | 第14-24页 |
2.1 引言 | 第14页 |
2.2 滚动轴承典型结构及其故障类型 | 第14-16页 |
2.2.1 滚动轴承的典型结构 | 第14-15页 |
2.2.2 滚动轴承的故障类型 | 第15-16页 |
2.3 滚动轴承的振动机理及其故障特征分析 | 第16-18页 |
2.3.1 滚动轴承的振动机理 | 第16-17页 |
2.3.2 滚动轴承的固有振动频率 | 第17页 |
2.3.3 滚动轴承的故障特征频率 | 第17-18页 |
2.4 滚动轴承表面损伤故障诊断模型 | 第18-23页 |
2.4.1 外圈存在单损伤点的理论模型 | 第18-19页 |
2.4.2 内圈存在单损伤点的理论模型 | 第19-21页 |
2.4.3 滚动体存在单损伤点的理论模型 | 第21-23页 |
2.5 本章小结 | 第23-24页 |
第三章 基于EEMD算法的滚动轴承的故障特征提取方法 | 第24-42页 |
3.1 引言 | 第24页 |
3.2 经验模态分解(EMD )算法 | 第24-32页 |
3.2.1 瞬时频率 | 第24-25页 |
3.2.2 本征模态函数(IMF) | 第25页 |
3.2.3 经验模态分解算法 | 第25-27页 |
3.2.4 EMD端点效应问题及其抑制方法 | 第27-31页 |
3.2.4.1 端点效应问题 | 第27-28页 |
3.2.4.2 基于改进相似极值延拓的端点效应抑制方法 | 第28-29页 |
3.2.4.3 仿真信号分析 | 第29-31页 |
3.2.5 端点效应问题的实例分析 | 第31-32页 |
3.3 总体平均经验模态分解(EEMD)算法 | 第32-35页 |
3.3.1 EEMD算法的基本原理 | 第32-33页 |
3.3.2 EEMD算法与EMD算法的对比 | 第33-35页 |
3.4 基于EEMD分解和谱峭度的滚动轴承故障诊断 | 第35-41页 |
3.4.1 谱峭度 | 第35页 |
3.4.2 EEMD算法的参数设置 | 第35-36页 |
3.4.3 EEMD和谱峭度相结合的滚动轴承故障特征提取方法 | 第36-37页 |
3.4.4 实例信号分析 | 第37-41页 |
3.5 本章小结 | 第41-42页 |
第四章 基于DE-LSSVM的滚动轴承的故障模式识别方法 | 第42-58页 |
4.1 引言 | 第42页 |
4.2 支持向量机理论基础 | 第42-48页 |
4.2.1 经验风险最小化 | 第42-43页 |
4.2.2 VC维理论 | 第43-44页 |
4.2.3 推广性的界 | 第44页 |
4.2.4 结构风险最小化 | 第44-45页 |
4.2.5.支持向量机原理 | 第45-48页 |
4.3 最小二乘支持向量机 | 第48-52页 |
4.3.1 LS-SVM算法 | 第48-49页 |
4.3.2 基于差分进化算法的LS-SVM参数寻优 | 第49-52页 |
4.3.2.1 差分进化算法 | 第49-51页 |
4.3.2.2 差分进化算法优化LS-SVM参数 | 第51-52页 |
4.4 基于EEMD能量熵和DE-LSSVM的轴承故障模式识别方法 | 第52-57页 |
4.4.1 EEMD能量熵 | 第52页 |
4.4.2 基于EEMD能量熵和DE-LSSVM的滚动轴承故障模式识别算法 | 第52-53页 |
4.4.3 不同损伤程度的轴承内圈故障实例分析 | 第53-57页 |
4.5 本章小结 | 第57-58页 |
第五章 总结与展望 | 第58-60页 |
5.1 总结 | 第58页 |
5.2 展望 | 第58-60页 |
致谢 | 第60-61页 |
参考文献 | 第61-65页 |
作者简介 | 第65页 |
攻读硕士学位期间研究成果 | 第65页 |