| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及目的意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题研究背景及目的意义 | 第9-10页 |
| 1.2 相关问题的国内外研究现状 | 第10-14页 |
| 1.2.1 振动信号降噪处理方法研究 | 第10-11页 |
| 1.2.2 故障特征提取方法研究 | 第11-12页 |
| 1.2.3 故障预测方法研究 | 第12-14页 |
| 1.3 主要研究内容及技术路线 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 技术路线 | 第14-16页 |
| 第2章 基于CEEMD的滚动轴承振动信号降噪处理 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 EMD降噪方法基本原理 | 第16-19页 |
| 2.2.1 特征时间尺度 | 第16页 |
| 2.2.2 瞬时频率和本征模态参数(IMF) | 第16-18页 |
| 2.2.3 EMD方法筛选过程 | 第18-19页 |
| 2.3 EEMD和CEEMD降噪方法原理 | 第19-21页 |
| 2.3.1 EEMD降噪方法 | 第19-20页 |
| 2.3.2 CEEMD降噪方法 | 第20-21页 |
| 2.4 不同降噪方法对比分析 | 第21-28页 |
| 2.4.1 不同方法降噪 | 第21-23页 |
| 2.4.2 对比分析 | 第23-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于CEEMD结合多尺度熵方法的滚动轴承特征提取 | 第29-39页 |
| 3.1 多尺度熵的定义和算法 | 第29-31页 |
| 3.1.1 样本熵 | 第29-30页 |
| 3.1.2 多尺度熵 | 第30-31页 |
| 3.2 基于CEEMD结合多尺度熵的滚动轴承特征提取 | 第31-32页 |
| 3.3 特征提取效果对比分析 | 第32-38页 |
| 3.3.1 普通多尺度熵特征提取 | 第33页 |
| 3.3.2 EMD结合多尺度熵特征提取 | 第33-36页 |
| 3.3.3 CEEMD结合多尺度熵特征提取 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 果蝇算法优化的GRNN的滚动轴承故障预测方法 | 第39-49页 |
| 4.1 果蝇算法优化的GRNN滚动轴承故障预测方法 | 第39-46页 |
| 4.1.1 果蝇算法(FOA) | 第39-40页 |
| 4.1.2 广义回归神经网络(GRNN) | 第40-43页 |
| 4.1.3 果蝇算法优化的GRNN故障预测模型的建立 | 第43-46页 |
| 4.2 果蝇算法优化的GRNN故障预测模型可行性仿真验证 | 第46-47页 |
| 4.2.1 Mackey-Glass时间序列 | 第46页 |
| 4.2.2 果蝇算法优化的GRNN仿真验证 | 第46-47页 |
| 4.3 不同故障预测方法对比分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于果蝇算法优化GRNN的滚动轴承故障预测实验 | 第49-58页 |
| 5.1 滚动轴承的振动信号采集 | 第49-52页 |
| 5.1.1 实验台的搭建 | 第49-51页 |
| 5.1.2 实验流程 | 第51-52页 |
| 5.2 CEEMD振动信号降噪处理 | 第52-54页 |
| 5.3 CEEMD结合多尺度熵的故障特征提取 | 第54-55页 |
| 5.4 果蝇算法优化的GRNN故障预测 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间的研究成果 | 第63-64页 |
| 致谢 | 第64页 |
