| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究的背景和意义 | 第12页 |
| 1.2 电机滚动轴承故障诊断的研究现状 | 第12-16页 |
| 1.2.1 电机滚动轴承故障诊断存在的问题 | 第14-15页 |
| 1.2.2 时频分析的轴承故障诊断研究现状 | 第15-16页 |
| 1.3 论文的主要研究内容 | 第16-20页 |
| 第2章 电机滚动轴承故障振动机理 | 第20-28页 |
| 2.1 电机滚动轴承的种类和结构 | 第20-21页 |
| 2.2 电机滚动轴承的常见的故障形式 | 第21-22页 |
| 2.3 电机滚动轴承故障机理 | 第22-24页 |
| 2.3.1 电机滚动轴承的固有振动频率 | 第23-24页 |
| 2.3.2 电机滚动轴承的故障振动频率 | 第24页 |
| 2.4 电机滚动轴承故障诊断试验仿真平台 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 基于CEEMDAN的电机轴承特征提取HHT方法研究 | 第28-54页 |
| 3.1 时频分析理论 | 第28-31页 |
| 3.1.1 短时傅里叶变换 | 第28-29页 |
| 3.1.2 Gabor变换 | 第29页 |
| 3.1.3 小波变换 | 第29-31页 |
| 3.2 Hilbert-Huang变换 | 第31-39页 |
| 3.2.1 Hilbert谱 | 第32-33页 |
| 3.2.2 经验模态分解(EMD) | 第33-36页 |
| 3.2.3 HHT数模信号仿真 | 第36-39页 |
| 3.3 改进的EMD算法 | 第39-43页 |
| 3.3.1 集合经验模态分解(EEMD) | 第39-41页 |
| 3.3.2 自适应白噪声的完备集合经验模态分解(CEEMDAN) | 第41-43页 |
| 3.4 Hilbert谱比较分析 | 第43-45页 |
| 3.5 最优自适应性后处理信号的算法模型 | 第45-48页 |
| 3.6 基于CEEMDAN的电机滚动轴承特征提取 | 第48-52页 |
| 3.7 本章小结 | 第52-54页 |
| 第4章 基于CEEMDAN和GWO-SVM的电机滚动轴承故障诊断 | 第54-70页 |
| 4.1 统计学习基本理论 | 第54页 |
| 4.2 支持向量机基本理论 | 第54-61页 |
| 4.2.1 支持向量机数学框架 | 第56-59页 |
| 4.2.2 常用的核函数类型 | 第59页 |
| 4.2.3 支持向量机的多分类策略 | 第59-60页 |
| 4.2.4 电机滚动轴承SVM故障预测模型 | 第60-61页 |
| 4.3 基于CEEMDAN和GWO-SVM的电机滚动轴承故障识别 | 第61-69页 |
| 4.3.1 C和g参数优化方法 | 第61-63页 |
| 4.3.2 电机滚动轴承GWO-SVM故障识别步骤 | 第63-64页 |
| 4.3.3 样本采集 | 第64-67页 |
| 4.3.4 试验结果 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 附录 | 第78-85页 |
| 作者攻读学位期间的科研成果 | 第85-86页 |
| 致谢 | 第86页 |
