| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究目的和意义 | 第10页 |
| 1.2 轴承故障的主要形式 | 第10-11页 |
| 1.3 轴承故障诊断方法 | 第11-12页 |
| 1.4 轴承故障诊断国内外研究现状 | 第12-18页 |
| 1.4.1 振动诊断法的研究现状 | 第12-15页 |
| 1.4.2 智能诊断法的研究现状 | 第15-16页 |
| 1.4.3 轴承故障预测技术的研究现状 | 第16-18页 |
| 1.5 论文的研究内容 | 第18-20页 |
| 第2章 基于振动法的轴承故障诊断 | 第20-37页 |
| 2.1 轴承故障特征频率计算 | 第20-22页 |
| 2.2 基于FFT的特征频率提取 | 第22-28页 |
| 2.2.1 FFT原理 | 第22-23页 |
| 2.2.2 FFT对轴承振动信号处理 | 第23-28页 |
| 2.3 基于小波变换与HILBERT变换的特征频率提取 | 第28-35页 |
| 2.3.1 一维连续小波变换 | 第28-29页 |
| 2.3.2 一维离散小波变换 | 第29页 |
| 2.3.3 几种常用的小波函数 | 第29-30页 |
| 2.3.4 Hilbert变换定义 | 第30页 |
| 2.3.5 小波变换与Hilbert变换对轴承振动信号处理 | 第30-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 基于智能神经网络法的轴承故障诊断 | 第37-51页 |
| 3.1 小波包分析 | 第37-38页 |
| 3.1.1 小波包 | 第37-38页 |
| 3.1.2 小波包分解与重建 | 第38页 |
| 3.2 小波包提取特征向量原理 | 第38-40页 |
| 3.3 滚动轴承特征向量提取 | 第40-46页 |
| 3.3.1 频域特征的提取 | 第40-43页 |
| 3.3.2 时域特征的提取 | 第43-46页 |
| 3.4 基于概率神经网络的故障诊断 | 第46-50页 |
| 3.4.1 概率神经网络原理 | 第46-48页 |
| 3.4.2 轴承的故障诊断 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 燃气轮机轴承的故障预测 | 第51-72页 |
| 4.1 相空间重构 | 第51-57页 |
| 4.2 基于BP神经网络的非线性时间序列预测方法 | 第57-64页 |
| 4.2.1 BP神经网络非线性时间序列预测的基本原理 | 第57-61页 |
| 4.2.2 轴承的单变量非线性时间序列预测 | 第61-64页 |
| 4.3 基于广义回归神经网络的故障预测 | 第64-71页 |
| 4.3.1 广义回归神经网络理论 | 第64-65页 |
| 4.3.2 广义回归神经网络结构 | 第65-66页 |
| 4.3.3 燃气轮机轴承故障预测 | 第66-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第5章 基于虚拟仪器技术的诊断与预测平台设计 | 第72-82页 |
| 5.1 故障诊断与预测开发平台总体设计 | 第72-73页 |
| 5.2 系统初始化登录模块设计 | 第73-74页 |
| 5.3 故障诊断主界面模块设计 | 第74-77页 |
| 5.4 故障预测主界面模块设计 | 第77-81页 |
| 5.5 本章小结 | 第81-82页 |
| 结论 | 第82-83页 |
| 参考文献 | 第83-89页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第89页 |
