| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 选题背景和意义 | 第13页 |
| 1.2 机械故障诊断技术简介 | 第13-14页 |
| 1.3 机械设备特征提取方法的发展现状分析 | 第14-16页 |
| 1.3.1 EEMD处理的国内外研究现状 | 第14-15页 |
| 1.3.2 熵特征应用的国内外研究现状 | 第15-16页 |
| 1.4 本文主要研究内容及安排 | 第16-18页 |
| 第2章 集合经验模态分解原理和熵特征算法原理简介 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 EMD原理 | 第18-20页 |
| 2.2.1 EMD基本概念 | 第18-19页 |
| 2.2.2 EMD步骤 | 第19-20页 |
| 2.2.3 EMD的特点 | 第20页 |
| 2.3 EEMD原理 | 第20-21页 |
| 2.3.1 EEMD步骤 | 第20-21页 |
| 2.3.2 EEMD和EMD性能对比 | 第21页 |
| 2.4 熵特征的概念 | 第21-24页 |
| 2.4.1 熵定义 | 第21-22页 |
| 2.4.2 信息熵 | 第22页 |
| 2.4.3 模糊熵 | 第22-23页 |
| 2.4.4 奇异值熵 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于EEMD奇异值熵的滚动轴承故障诊断方法 | 第25-33页 |
| 3.1 引言 | 第25-26页 |
| 3.2 EEMD与奇异值熵融合算法分析 | 第26页 |
| 3.2.1 EEMD算法简介 | 第26页 |
| 3.2.2 奇异值熵简介 | 第26页 |
| 3.3 基于EEMD奇异值熵的滚动轴承故障诊断方法设计 | 第26-28页 |
| 3.3.1 设定的评价指标 | 第26-27页 |
| 3.3.2 定义EEMD奇异值熵 | 第27页 |
| 3.3.3 基于EEMD奇异值熵评价的故障诊断方法设计 | 第27-28页 |
| 3.4 实验与结果分析 | 第28-32页 |
| 3.4.1 故障特征的选取 | 第28-31页 |
| 3.4.2 基于EEMD奇异值熵的故障识别应用情况 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于SVD-EEMD和TEO能量谱的滚动轴承弱故障特征提取方法研究 | 第33-43页 |
| 4.1 引言 | 第33-34页 |
| 4.2 基本原理简介 | 第34-35页 |
| 4.2.1 TEO的定义 | 第34页 |
| 4.2.2 SVD和奇异值差分谱 | 第34-35页 |
| 4.3 基于SVD-EEMD和TEO能量谱的弱故障特征提取方法设计 | 第35-36页 |
| 4.3.1 设定的评价指标 | 第35页 |
| 4.3.2 基于SVD-EEMD和TEO能量谱的特征提取方法 | 第35-36页 |
| 4.4 实验与结果分析 | 第36-42页 |
| 4.4.1 外圈故障特征提取与分析结果 | 第36-40页 |
| 4.4.2 内圈故障特征提取与分析结果 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 基于EEMD与模糊信息熵的旋转机械故障辨识方法 | 第43-50页 |
| 5.1 引言 | 第43页 |
| 5.2 EEMD与模糊信息熵融合算法分析 | 第43-44页 |
| 5.3 基于EEMD与模糊信息熵的故障诊断方法 | 第44-45页 |
| 5.3.1 模糊信息熵融合定义 | 第44页 |
| 5.3.2 集成EEMD与FIE的故障诊断方法设计 | 第44-45页 |
| 5.4 实验与结果分析 | 第45-49页 |
| 5.4.1 实验方法 | 第45页 |
| 5.4.2 故障信号的特征提取结果 | 第45-48页 |
| 5.4.3 故障辨识结果 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 总结 | 第50-51页 |
| 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 附录A 攻读学位期间发表的科研成果目录 | 第58-59页 |
| 附录B 参加科研项目情况 | 第59页 |
