| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 滚动轴承故障诊断发展历程 | 第14-16页 |
| 1.3 本文的主要内容和研究工作 | 第16-17页 |
| 第2章 电机轴承故障成因与振动分析 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 滚动轴承故障的主要形式与成因 | 第17-19页 |
| 2.3 滚动轴承的典型结构与振动分析 | 第19-24页 |
| 2.3.1 滚动轴承的典型结构 | 第19-20页 |
| 2.3.2 滚动轴承的振动类型 | 第20-21页 |
| 2.3.3 滚动轴承故障特征频率计算 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 电机轴承故障特征提取方法研究 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 希尔伯特-黄变换基本理论 | 第25页 |
| 3.3 经验模态分解方法基本原理 | 第25-30页 |
| 3.3.1 瞬时频率概念 | 第26页 |
| 3.3.2 固有模态函数分量概念 | 第26-27页 |
| 3.3.3 经验模态分解步骤 | 第27-28页 |
| 3.3.4 经验模态分解方法主要性质 | 第28-30页 |
| 3.3.5 经验模态分解方法存在的主要不足 | 第30页 |
| 3.4 集合经验模态分解方法 | 第30-36页 |
| 3.4.1 集合经验模态分解算法 | 第30-32页 |
| 3.4.2 集合经验模态分解算法的参数设定 | 第32页 |
| 3.4.3 集合经验模态分解算法仿真验证 | 第32-34页 |
| 3.4.4 集合经验模态分解应用于电机轴承故障特征提取研究 | 第34-36页 |
| 3.5 集合经验模态分解能量熵提取 | 第36-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 改进万有引力搜索算法的方法研究 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 基于时变权重的IGSA优化算法 | 第39-43页 |
| 4.2.1 基于时变权重的IGSA算法原理 | 第39-42页 |
| 4.2.2 基于时变权重的IGSA算法流程 | 第42-43页 |
| 4.3 基于边界变异的IGSA优化算法 | 第43-44页 |
| 4.3.1 基于边界变异的IGSA算法原理 | 第43页 |
| 4.3.2 基于边界变异的IGSA算法流程 | 第43-44页 |
| 4.4 基于时变权重与边界变异的IGSA算法仿真与验证 | 第44-48页 |
| 4.4.1 问题提出 | 第45页 |
| 4.4.2 问题分析 | 第45页 |
| 4.4.3 仿真结果 | 第45-47页 |
| 4.4.4 结果分析 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于EEMD-IGSA-BP神经网络的电机轴承故障诊断研究 | 第49-66页 |
| 5.1 引言 | 第49-50页 |
| 5.2 BP神经网络 | 第50-59页 |
| 5.2.1 人工神经元模型 | 第50-51页 |
| 5.2.2 激活函数 | 第51-53页 |
| 5.2.3 BP神经网络的学习算法 | 第53-56页 |
| 5.2.4 BP神经网络的不足 | 第56-58页 |
| 5.2.5 EEMD-BP神经网络应用于电机轴承故障诊断研究 | 第58-59页 |
| 5.3 基于IGSA-BP神经网络故障诊断方法研究 | 第59-65页 |
| 5.3.1 IGSA优化BP神经网络的原理 | 第60-61页 |
| 5.3.2 IGSA-BP神经网络算法流程 | 第61-62页 |
| 5.3.3 EEMD-IGSA-BP神经网络应用于电机轴承故障诊断研究 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
