基于粒子滤波和小波神经网络的齿轮箱智能检测方法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 齿轮箱的故障诊断 | 第13页 |
| 1.3 齿轮箱振动信号的提取及其信号分析 | 第13-15页 |
| 1.3.1 粒子滤波的发展概述及其存在的主要问题 | 第13-15页 |
| 1.3.2 小波变换与小波神经网络 | 第15页 |
| 1.4 本文研究的内容及主要思想 | 第15-18页 |
| 第2章 采集齿轮箱振动信号的实验设计 | 第18-28页 |
| 2.1 实验台的搭建 | 第18-19页 |
| 2.2 实验用齿轮箱齿轮的介绍 | 第19-20页 |
| 2.3 缺陷齿轮的设定 | 第20-21页 |
| 2.4 设定齿轮缺陷的等级 | 第21-22页 |
| 2.5 齿轮箱载荷和转速的选取 | 第22-24页 |
| 2.6 设置实验采样频率和采样时间 | 第24-25页 |
| 2.7 实验设计步骤 | 第25-26页 |
| 2.8 本章小结 | 第26-28页 |
| 第3章 粒子滤波去噪算法的研究 | 第28-44页 |
| 3.1 粒子滤波基本原理 | 第28-31页 |
| 3.1.1 贝叶斯滤波基本理论 | 第28-30页 |
| 3.1.2 蒙特卡洛方法 | 第30-31页 |
| 3.2 粒子滤波算法 | 第31-36页 |
| 3.2.1 序贯重要性采样 | 第31-33页 |
| 3.2.2 序贯重要性重采样 | 第33-35页 |
| 3.2.2.1 选取重要性密度函数 | 第33-34页 |
| 3.2.2.2 重采样 | 第34-35页 |
| 3.2.3 标准粒子滤波算法 | 第35-36页 |
| 3.3 粒子滤波算法在信号处理中的运用 | 第36-42页 |
| 3.3.1 粒子滤波的降噪原理 | 第36页 |
| 3.3.2 状态模型的建立及粒子滤波相关参数设置 | 第36-38页 |
| 3.3.3 振动信号的滤波结果 | 第38-42页 |
| 3.4 粒子滤波算法的相关缺陷 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 小波变换理论及其在振动信号中的运用 | 第44-58页 |
| 4.1 小波变换基本理论 | 第44-47页 |
| 4.1.1 傅立叶变换 | 第44-45页 |
| 4.1.2 基小波与小波函数 | 第45-46页 |
| 4.1.3 连续小波变换与离散小波变换 | 第46-47页 |
| 4.2 小波消噪基础理论 | 第47-48页 |
| 4.3 小波消噪在齿轮箱振动信号中的应用 | 第48-55页 |
| 4.4 振动信号的特征提取 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 小波神经网络的故障状态分类 | 第58-66页 |
| 5.1 小波神经网络基本理论 | 第58-62页 |
| 5.1.1 网络模型的建立 | 第58-60页 |
| 5.1.2 隐含层单元数的确定 | 第60页 |
| 5.1.3 小波神经网络BP算法 | 第60-62页 |
| 5.2 特征能量归一化 | 第62-63页 |
| 5.3 故障状态分类 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文研究工作总结 | 第66页 |
| 6.2 对本研究工作的展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士期间已发表的论文 | 第74-76页 |
| 致谢 | 第76页 |
