| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 滚动轴承故障诊断概述 | 第12-14页 |
| 1.2.1 滚动轴承故障诊断技术的发展与现状 | 第12-13页 |
| 1.2.2 滚动轴承常用故障诊断方法 | 第13-14页 |
| 1.3 时频分析方法的发展及应用 | 第14-15页 |
| 1.4 论文研究内容 | 第15-17页 |
| 2 系统硬件设计 | 第17-25页 |
| 2.1 系统总体方案设计 | 第17-18页 |
| 2.2 传感器接入调理与数据采集模块 | 第18-21页 |
| 2.2.1 振动信号调理电路设计 | 第19-20页 |
| 2.2.2 速度信号调理电路设计 | 第20-21页 |
| 2.3 数字信号处理模块 | 第21-23页 |
| 2.4 故障诊断主机 | 第23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 滚动轴承故障诊断算法 | 第25-47页 |
| 3.1 滚动轴承故障机理及特征分析 | 第25-27页 |
| 3.1.1 滚动轴承故障机理 | 第25-26页 |
| 3.1.2 滚动轴承故障特征频率 | 第26-27页 |
| 3.2 小波消噪在滚动轴承故障诊断中的应用 | 第27-33页 |
| 3.2.1 小波分析的基本理论 | 第28-29页 |
| 3.2.2 小波消噪原理 | 第29-30页 |
| 3.2.3 小波消噪方法及仿真分析 | 第30-32页 |
| 3.2.4 滚动轴承振动信号的小波消噪 | 第32-33页 |
| 3.3 基于Hilbert-Huang变换的滚动轴承故障诊断 | 第33-45页 |
| 3.3.1 瞬时频率与固有模态函数 | 第34-35页 |
| 3.3.2 经验模态分解方法 | 第35-38页 |
| 3.3.3 希尔伯特谱分析 | 第38-39页 |
| 3.3.4 固有模态函数的选取 | 第39-40页 |
| 3.3.5 Hilbert-Huang变换在滚动轴承故障诊断中的应用 | 第40-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 滚动轴承故障特征提取 | 第47-63页 |
| 4.1 滚动轴承特征参量的选取原则 | 第47-48页 |
| 4.2 基于时域统计参数的故障特征提取方法 | 第48-50页 |
| 4.2.1 时域统计参数的选择 | 第48-49页 |
| 4.2.2 基于时域统计参数的滚动轴承特征提取 | 第49-50页 |
| 4.3 基于IMF能量矩的故障特征提取方法 | 第50-54页 |
| 4.3.1 IMF能量矩计算方法 | 第51-52页 |
| 4.3.2 IMF能量及能量矩的信号仿真分析 | 第52-53页 |
| 4.3.3 基于IMF能量矩的滚动轴承特征提取 | 第53-54页 |
| 4.4 基于固有模态函数包络谱的故障特征提取方法 | 第54-60页 |
| 4.4.1 包络分析法 | 第54-56页 |
| 4.4.2 滚动轴承IMF包络谱分析 | 第56-58页 |
| 4.4.3 基于IMF包络谱的滚动轴承特征提取 | 第58-60页 |
| 4.5 本章小结 | 第60-63页 |
| 5 基于神经网络的滚动轴承故障诊断 | 第63-79页 |
| 5.1 人工神经网络基本原理 | 第63-67页 |
| 5.1.1 人工神经元 | 第63-65页 |
| 5.1.2 人工神经网络模型 | 第65页 |
| 5.1.3 神经网络学习方式及规则 | 第65-67页 |
| 5.2 BP神经网络 | 第67-70页 |
| 5.2.1 BP学习算法 | 第67-69页 |
| 5.2.2 BP神经网络的不足及改进 | 第69-70页 |
| 5.3 基于BP神经网络的滚动轴承故障诊断 | 第70-77页 |
| 5.3.1 BP神经网络故障诊断步骤 | 第70-71页 |
| 5.3.2 BP神经网络在滚动轴承故障诊断中的应用 | 第71-77页 |
| 5.4 本章小结 | 第77-79页 |
| 6 结论 | 第79-81页 |
| 参考文献 | 第81-83页 |
| 附录A | 第83-84页 |
| 附录B | 第84-85页 |
| 附录C | 第85-86页 |
| 附录D | 第86-87页 |
| 作者简历 | 第87-91页 |
| 学位论文数据集 | 第91页 |
