基于小波理论的非平稳信号特征提取与智能诊断方法研究
| 独创性声明 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-30页 |
| ·研究背景 | 第13-14页 |
| ·故障诊断技术的研究内容 | 第14-15页 |
| ·非平稳信号处理方法及其在故障诊断中的应用 | 第15-23页 |
| ·短时傅立叶变换 | 第15-16页 |
| ·二次型时频分布 | 第16-17页 |
| ·Hilbert-Huang变换 | 第17-18页 |
| ·小波分析 | 第18-23页 |
| ·智能诊断技术的国内外研究现状与发展趋势 | 第23-27页 |
| ·故障诊断技术 | 第23-25页 |
| ·智能故障诊断技术的发展趋势 | 第25-27页 |
| ·主要研究内容 | 第27-30页 |
| 第二章 小波分析理论及边界效应处理 | 第30-44页 |
| ·小波分析理论 | 第30-39页 |
| ·连续小波变换 | 第30-31页 |
| ·小波时频定位 | 第31-32页 |
| ·离散小波变换 | 第32-33页 |
| ·多分辨率分析与正交小波变换 | 第33-37页 |
| ·小波包分解 | 第37-39页 |
| ·小波变换中的边界效应及处理 | 第39-43页 |
| ·边界效应现象及原因 | 第39-41页 |
| ·基于ARIMA的信号边界延拓 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第三章 非平稳信号降噪方法研究 | 第44-66页 |
| ·基于卷积型小波包变换的信号降噪研究 | 第44-55页 |
| ·卷积型小波包变换 | 第45-47页 |
| ·噪声在卷积型小波包变换中的传播特性 | 第47页 |
| ·基于卷积型小波包的信号降噪算法实现 | 第47-50页 |
| ·仿真比较 | 第50-54页 |
| ·小波包降噪在机械故障诊断中的应用 | 第54-55页 |
| ·基于奇异值分解的信号降噪研究 | 第55-65页 |
| ·矩阵的奇异值分解 | 第55-56页 |
| ·基于奇异值分解的降噪方法 | 第56-58页 |
| ·统计学习理论和结构风险最小化 | 第58-61页 |
| ·基于结构风险最小化原则的奇异值分解降噪实现 | 第61-62页 |
| ·仿真研究 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 基于小波分析的故障特征提取 | 第66-79页 |
| ·基于小波包能量距的特征提取 | 第66-72页 |
| ·仿真信号分析 | 第68-70页 |
| ·小波包能量距在转子系统故障诊断中的应用 | 第70-72页 |
| ·基于卷积型小波包和奇异值分解的故障特征提取 | 第72-77页 |
| ·基于卷积型小波包和奇异值分解的齿轮故障特征提取 | 第75-77页 |
| ·本章小结 | 第77-79页 |
| 第五章 信号匹配追踪分析及在模态参数提取中的应用 | 第79-91页 |
| ·信号的匹配追踪展开 | 第79-82页 |
| ·粒子群算法 | 第82-84页 |
| ·基于信号匹配追踪的模态参数提取 | 第84-90页 |
| ·有阻尼振动系统的自由衰减响应函数 | 第85页 |
| ·Laplace小波及其特性 | 第85-86页 |
| ·基于信号匹配追踪的模态参数提取实现 | 第86-87页 |
| ·仿真比较和应用 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 基于小波神经网络的智能诊断方法研究 | 第91-108页 |
| ·基于粗糙集理论的特征提取方法 | 第92-98页 |
| ·机械故障诊断中的粗糙集理论 | 第92-94页 |
| ·基于自组织特征映射网络的粗糙集离散化方法 | 第94-96页 |
| ·属性约简 | 第96-98页 |
| ·小波神经网络 | 第98-106页 |
| ·多维小波分析 | 第98-100页 |
| ·离散小波神经网络逼近结构 | 第100-101页 |
| ·基于结构风险最小化原则的小波神经网络训练算法 | 第101-105页 |
| ·基于小波神经网络的智能诊断方法 | 第105-106页 |
| ·本章小结 | 第106-108页 |
| 第七章 结论与展望 | 第108-111页 |
| ·结论 | 第108-109页 |
| ·展望 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 致谢 | 第121-122页 |
| 作者简介 | 第122-123页 |
| 作者在攻读博士学位期间发表的论文 | 第123页 |
