基于多信息源的滚动轴承故障诊断方法与实验研究
| 目录 | 第1-9页 |
| 摘要 | 第9-11页 |
| Abstract | 第11-13页 |
| 第1章 绪论 | 第13-20页 |
| ·课题概述 | 第13-14页 |
| ·课题来源 | 第13页 |
| ·立题背景及意义 | 第13-14页 |
| ·滚动轴承故障诊断的发展与研究现状 | 第14-18页 |
| ·滚动轴承故障的传统诊断方法 | 第14-15页 |
| ·滚动轴承故障的智能诊断技术 | 第15-17页 |
| ·基于多源信息融合的故障诊断技术 | 第17-18页 |
| ·论文的具体研究内容 | 第18-20页 |
| 第2章 滚动轴承及其故障机理分析 | 第20-26页 |
| ·滚动轴承简介 | 第20-22页 |
| ·滚动轴承结构 | 第20-21页 |
| ·滚动轴承典型失效形式 | 第21-22页 |
| ·滚动轴承振动特征分析 | 第22-24页 |
| ·滚动轴承故障特征频率 | 第22页 |
| ·频谱分析 | 第22-24页 |
| ·滚动轴承故障检测方法选择 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 滚动轴承故障信号采集系统 | 第26-35页 |
| ·信号采集系统概述 | 第26页 |
| ·实验仪器设备 | 第26-33页 |
| ·轴承故障模拟 | 第26-27页 |
| ·传感器选型 | 第27-32页 |
| ·数据采集卡选型 | 第32-33页 |
| ·传感器布置方式 | 第33页 |
| ·基于 LabVIEW 的信号采集编程实现 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 滚动轴承故障信号分析与处理 | 第35-53页 |
| ·信号分析与处理概述 | 第35页 |
| ·信号特征提取 | 第35-43页 |
| ·时域分析法 | 第35-36页 |
| ·频域分析法 | 第36-41页 |
| ·时频分析法 | 第41-43页 |
| ·特征筛选 | 第43-52页 |
| ·粗糙集理论 | 第44页 |
| ·粗糙集理论的相关定义 | 第44-49页 |
| ·基于粗糙集法的故障特征筛选 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 基于人工神经网络的滚动轴承故障模式识别 | 第53-61页 |
| ·人工神经网络 | 第53-54页 |
| ·BP 神经网络 | 第54-57页 |
| ·BP 神经网络基本思想 | 第54-55页 |
| ·BP 神经网络学习过程 | 第55-56页 |
| ·BP 神经网络结构设计 | 第56-57页 |
| ·RBF 神经网络 | 第57-60页 |
| ·RBF 神经网络基本思想 | 第57-58页 |
| ·RBF 神经网络学习过程 | 第58-60页 |
| ·RBF 神经网络结构设计 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第6章 基于多信息源的滚动轴承故障诊断系统设计 | 第61-87页 |
| ·滚动轴承故障诊断流程 | 第61-62页 |
| ·信号采集 | 第62-65页 |
| ·故障件制备 | 第62-63页 |
| ·传感器及数据采集卡选型 | 第63页 |
| ·传感器布点 | 第63-64页 |
| ·机床启动预热阶段 | 第64-65页 |
| ·特征提取 | 第65-68页 |
| ·时、频域特征提取 | 第66-67页 |
| ·EMD 分解 | 第67-68页 |
| ·特征筛选 | 第68-76页 |
| ·Rosetta 软件 | 第68-69页 |
| ·特征筛选过程 | 第69-76页 |
| ·模式识别 | 第76-86页 |
| ·BP 神经网络设计 | 第76-77页 |
| ·RBF 神经网络设计 | 第77页 |
| ·BP 网络与 RBF 网络对比分析 | 第77-86页 |
| ·本章小结 | 第86-87页 |
| 第7章 结论与展望 | 第87-90页 |
| ·结论 | 第87页 |
| ·展望 | 第87-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间发表的学术论文 | 第94-95页 |
| 致谢 | 第95页 |
