| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9页 |
| 1.2 滚动轴承故障诊断几个关键问题研究现状 | 第9-12页 |
| 1.2.1 故障特征的时域、频域提取 | 第9-10页 |
| 1.2.2 故障特征的时频域提取 | 第10-11页 |
| 1.2.3 故障模式识别的研究现状 | 第11-12页 |
| 1.3 滚动轴承故障机理及实验平台 | 第12-14页 |
| 1.3.1 滚动轴承的基本结构 | 第12-13页 |
| 1.3.2 滚动轴承的失效形式 | 第13-14页 |
| 1.3.3 滚动轴承振动机理 | 第14页 |
| 1.4 滚动轴承故障模拟试验平台简介 | 第14-15页 |
| 1.5 本文主要研究思路 | 第15-16页 |
| 第二章 基于变分模态分解理论的信号分解 | 第16-28页 |
| 2.1 模态的定义 | 第16页 |
| 2.2 经验模态分解原理及其局限性 | 第16-17页 |
| 2.3 变分模态分解 | 第17-21页 |
| 2.3.1 VMD基本概念 | 第17-19页 |
| 2.3.2 变分模态分解算法介绍 | 第19-21页 |
| 2.4 VMD方法的仿真分析 | 第21-27页 |
| 2.4.1 含噪干扰信号分离效果研究 | 第21-23页 |
| 2.4.2 间断干扰信号分离效果研究 | 第23-25页 |
| 2.4.3 脉冲干扰信号分离效果研究 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于变分模态分解和多尺度熵均偏值的故障特提取 | 第28-35页 |
| 3.1 熵的提出与发展 | 第28-29页 |
| 3.1.1 近似熵理论 | 第28-29页 |
| 3.1.2 样本熵理论 | 第29页 |
| 3.2 多尺度熵及多尺度熵均偏值的定义及算法 | 第29-31页 |
| 3.2.1 多尺度熵 | 第29-30页 |
| 3.2.2 多尺度熵均偏值算法描述 | 第30-31页 |
| 3.3 基于VMD多尺度熵均偏值的滚动轴承特征提取步骤 | 第31页 |
| 3.4 实际轴承信号的特征提取研究 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 混沌粒子群算法优化支持向量机的故障诊断分类 | 第35-51页 |
| 4.1 支持向量机基本理论 | 第35-39页 |
| 4.1.1 线性可分最优超平面支持向量机 | 第36-37页 |
| 4.1.2 非线性支持向量机 | 第37-38页 |
| 4.1.3 核函数选择 | 第38-39页 |
| 4.1.4 支持向量机的优缺点 | 第39页 |
| 4.2 基于传统支持向量机的滚动轴承故障分类效果验证 | 第39-41页 |
| 4.3 基于混沌粒子群的SVM参数优化 | 第41-48页 |
| 4.3.1 粒子群优化算法 | 第41-42页 |
| 4.3.2 混沌粒子群优化算法 | 第42页 |
| 4.3.3 基于混沌粒子群的支持向量机参数优化 | 第42-44页 |
| 4.3.4 混沌粒子群优化算法性能测试 | 第44-47页 |
| 4.3.5 混沌粒子群算法优化SVM分类模型的仿真分类研究 | 第47-48页 |
| 4.4 基于混沌粒子群优化算法的支持向量机滚动轴承故障诊断 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于LabVIEW的滚动轴承故障诊断系统 | 第51-56页 |
| 5.1 故障诊断系统总体方案设计 | 第51页 |
| 5.2 故障诊断系统各模块具体设计 | 第51-55页 |
| 5.2.1 数据采集模块 | 第51-52页 |
| 5.2.2 时域分析模块 | 第52页 |
| 5.2.3 频域分析模块 | 第52-53页 |
| 5.2.4 VMD多尺度熵均偏值特征提取模块 | 第53-54页 |
| 5.2.5 CPSO优化SVM参数的故障在线诊断模块 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
