首页--工业技术论文--机械、仪表工业论文--机械运行与维修论文

变分模态分解方法及其在机械故障诊断中的应用研究

摘要第4-5页
abstract第5-6页
第一章 绪论第9-15页
    1.1 课题研究的背景与意义第9页
    1.2 基于自适应信号分解的旋转机械故障诊断研究现状第9-12页
        1.2.2 局部均值分解第10-11页
        1.2.3 其他自适应信号分解方法第11-12页
    1.3 课题来源及主要研究内容第12-15页
        1.3.1 问题提出与课题来源第12-13页
        1.3.2 论文研究内容与章节安排第13-15页
第二章 变分模态分解方法第15-25页
    2.1 引言第15页
    2.2 变分模态分解第15-17页
    2.3 参数对VMD算法的影响第17-21页
    2.4 VMD与EMD方法的对比研究第21-24页
    2.5 本章小结第24-25页
第三章 参数优化变分模态分解方法及其应用第25-61页
    3.1 引言第25-26页
    3.2 蚁群优化变分模态分解方法第26-47页
        3.2.1 蚁群优化VMD原理第26-28页
        3.2.2 敏感分量提取方法——PMMDE第28-33页
        3.2.3 ACOVMD在旋转机械故障诊断中的应用第33-47页
    3.3 自适应粒子群优化变分模态分解方法第47-59页
        3.3.1 自适应粒子群优化VMD原理第47-50页
        3.3.2 APSOVMD与PSOVMD、VMD、EMD对比分析第50-52页
        3.3.3 基于APSOVMD与包络阶次谱的变工况滚动轴承故障诊断第52-59页
    3.4 本章小结第59-61页
第四章 基于VMD与单变量复杂度理论的故障诊断方法第61-80页
    4.1 引言第61-62页
    4.2 基于ACMFE与迭代拉普拉斯的故障诊断方法第62-68页
        4.2.1 自适应多尺度模糊熵算法第62-64页
        4.2.2 方法步骤及实验数据分析第64-68页
    4.3 基于多尺度时不可逆与t-分布领域嵌入的故障诊断方法第68-79页
        4.3.1 多尺度时不可逆算法第68-70页
        4.3.2 仿真信号分析第70-71页
        4.3.3 t-SNE流形学习算法第71页
        4.3.4 基于MSTI、t-SNE和PSO-SVM的滚动轴承故障诊断方法第71-79页
    4.4 本章小结第79-80页
第五章 基于参数优化VMD的多变量复杂度理论及其应用第80-104页
    5.1 引言第80-81页
    5.2 改进多元多尺度熵第81-89页
        5.2.1 改进多元多尺度熵算法第81-82页
        5.2.2 参数的选取第82页
        5.2.3 多通道数据仿真分析第82-83页
        5.2.4 基于IMMSE、t-SEN流形学习和VPMCD的滚动轴承故障诊断第83-89页
    5.3 基于参数优化VMD的自适应精确复合多元多尺度模糊熵第89-103页
        5.3.1 多元模糊熵第89-90页
        5.3.2 参数对改进多元模糊熵的影响第90-91页
        5.3.3 自适应精确复合多元多尺度模糊熵算法第91-94页
        5.3.4 基于ARCMMFE和VPMELM的旋转机械故障诊断第94-103页
    5.4 本章小结第103-104页
结论与展望第104-105页
参考文献第105-114页
致谢第114-115页
附录A 攻读学位期间发表和录用论文目录第115-116页
附录B 参与的课题与科研项目第116页

论文共116页,点击 下载论文
上一篇:泉州移动4G用户上网满意度提升策略研究
下一篇:医疗建筑大体积防辐射混凝土裂缝控制研究