基于MED-VMD和优化支持向量机的故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 机械故障诊断国内外发展状况 | 第12-16页 |
| 1.2.1 信号降噪方法研究现状 | 第12-13页 |
| 1.2.2 故障特征提取方法研究现状 | 第13-15页 |
| 1.2.3 模式识别方法研究现状 | 第15-16页 |
| 1.3 课题来源 | 第16页 |
| 1.4 研究思路及研究内容 | 第16-19页 |
| 1.4.1 研究思路 | 第16-17页 |
| 1.4.2 研究内容 | 第17-19页 |
| 第2章 变分模态分解算法 | 第19-39页 |
| 2.1 基础部分 | 第19-22页 |
| 2.1.1 维纳滤波 | 第19-20页 |
| 2.1.2 希尔伯特变换 | 第20-21页 |
| 2.1.3 解析信号 | 第21页 |
| 2.1.4 瞬时频率 | 第21页 |
| 2.1.5 频率混合 | 第21-22页 |
| 2.2 变分模态分解算法 | 第22-26页 |
| 2.2.1 固有模态函数 | 第22-23页 |
| 2.2.2 算法原理 | 第23-25页 |
| 2.2.3 算法流程 | 第25-26页 |
| 2.3 仿真分析 | 第26-32页 |
| 2.3.1 含噪信号分析 | 第26-29页 |
| 2.3.2 非平稳多态信号分析 | 第29-32页 |
| 2.4 实例分析 | 第32-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于MED-VMD的特征提取方法 | 第39-55页 |
| 3.1 最小熵解卷积理论 | 第39-45页 |
| 3.1.1 熵的基本概念 | 第39-40页 |
| 3.1.2 有限长单位脉冲响应滤波器 | 第40-41页 |
| 3.1.3 最小熵解卷积方法 | 第41-43页 |
| 3.1.4 仿真分析 | 第43-45页 |
| 3.2 基于MED和VMD的特征提取方法 | 第45-49页 |
| 3.3 基于模糊近似熵构建故障特征向量 | 第49-54页 |
| 3.3.1 样本熵算法 | 第49-50页 |
| 3.3.2 模糊近似熵算法 | 第50-51页 |
| 3.3.3 性能测试 | 第51-52页 |
| 3.3.4 基于模糊近似熵构建特征向量 | 第52页 |
| 3.3.5 实例分析 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第4章 基于优化支持向量机的故障识别方法 | 第55-71页 |
| 4.1 支持向量机理论 | 第55-59页 |
| 4.1.1 标准支持向量机 | 第56-58页 |
| 4.1.2 LIBSVM | 第58-59页 |
| 4.2 扩展粒子群优化算法 | 第59-63页 |
| 4.2.1 标准粒子群优化算法 | 第59-60页 |
| 4.2.2 扩展粒子群优化算法 | 第60-61页 |
| 4.2.3 寻优性能测试 | 第61-63页 |
| 4.3 EPSO优化LIBSVM参数 | 第63-64页 |
| 4.4 实例分析 | 第64-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 滚动轴承故障诊断实验 | 第71-85页 |
| 5.1 滚动轴承故障诊断实验数据 | 第71-73页 |
| 5.2 轴承不同损伤程度的故障诊断 | 第73-80页 |
| 5.2.1 时域分析 | 第73-74页 |
| 5.2.2 提取故障特征 | 第74-78页 |
| 5.2.3 不同损伤程度的识别 | 第78-80页 |
| 5.3 轴承不同故障部位的故障诊断 | 第80-84页 |
| 5.3.1 时域分析 | 第80-81页 |
| 5.3.2 提取故障特征 | 第81-83页 |
| 5.3.3 不同故障部位的识别 | 第83-84页 |
| 5.4 本章小结 | 第84-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第92-93页 |
| 致谢 | 第93页 |
