| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-23页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 课题来源 | 第9-10页 |
| 1.3 低速重载回转支承状态监测与故障诊断发展阶段概述 | 第10-12页 |
| 1.3.1 人工经验监测与诊断 | 第10页 |
| 1.3.2 计算机监测与诊断 | 第10页 |
| 1.3.3 不断完善的基于大数据智能监测与诊断系统 | 第10-12页 |
| 1.4 低速重载回转支承状态监测与故障诊断方法研究现状 | 第12-19页 |
| 1.4.1 基于振动的状态监测与故障诊断方法 | 第12-17页 |
| 1.4.2 基于声发射的状态监测与故障诊断方法 | 第17-18页 |
| 1.4.3 基于油液或油脂状况的状态监测与故障诊断方法 | 第18-19页 |
| 1.4.4 基于温度变化的状态监测与故障诊断方法 | 第19页 |
| 1.5 当前国内外研究方向及挑战 | 第19-21页 |
| 1.6 论文主要研究内容与章节安排 | 第21-23页 |
| 2 滚动轴承振动信号时域故障特征提取与模式识别方法理论研究 | 第23-34页 |
| 2.1 信号分解与降噪 | 第23-31页 |
| 2.1.1 小波(包)分解 | 第23-27页 |
| 2.1.2 经验模态分解 | 第27-29页 |
| 2.1.3 聚类经验模态分解 | 第29-31页 |
| 2.2 特征参数选择 | 第31-33页 |
| 2.2.1 幅值域与时间域 | 第31页 |
| 2.2.2 相空间 | 第31-33页 |
| 2.3 数据训练与模式识别 | 第33页 |
| 2.3.1 (多分类)支持向量机 | 第33页 |
| 2.3.2 其它神经网络 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 大型低速重载回转支承数据采集试验 | 第34-43页 |
| 3.1 回转支承结构特征与典型故障 | 第34-35页 |
| 3.1.1 结构特征 | 第34-35页 |
| 3.1.2 典型故障 | 第35页 |
| 3.2 数据采集试验 | 第35-40页 |
| 3.2.1 各类信号采集方法 | 第35-38页 |
| 3.2.2 特征频率计算 | 第38-40页 |
| 3.3 数据说明 | 第40-42页 |
| 3.3.1 机械振动 | 第40-41页 |
| 3.3.2 物理与化学性能 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于改进PPA-NCP方法定性区分回转支承运行阶段 | 第43-63页 |
| 4.1 理论框架 | 第43-45页 |
| 4.1.1 分段聚集近似法 | 第43页 |
| 4.1.2 相邻相关特征图 | 第43页 |
| 4.1.3 最小二乘椭球面拟合 | 第43-45页 |
| 4.2 回转支承模拟信号分析 | 第45-50页 |
| 4.2.1 全寿命模拟信号构建 | 第45-46页 |
| 4.2.2 各运行阶段定性划分 | 第46-50页 |
| 4.3 回转支承试验信号验证 | 第50-62页 |
| 4.3.1 各运行阶段特征分析 | 第50-61页 |
| 4.3.2 分类结果检验与确定 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 基于MCKD-CEEMD-ApEn方法对回转支承复合故障特征提取与模式识别 | 第63-78页 |
| 5.1 引言 | 第63-65页 |
| 5.2 理论框架 | 第65-69页 |
| 5.2.1 最大相关峭度去卷积 | 第65-66页 |
| 5.2.2 互补聚类经验模态分解 | 第66-67页 |
| 5.2.3 近似熵 | 第67-68页 |
| 5.2.4 多分类支持向量机 | 第68页 |
| 5.2.5 故障特征提取与模式识别流程 | 第68-69页 |
| 5.3 试验验证 | 第69-77页 |
| 5.4 本章小结 | 第77-78页 |
| 6 结论与展望 | 第78-80页 |
| 参考文献 | 第80-88页 |
| 攻读硕士学位期间研究成果情况 | 第88-90页 |
| 致谢 | 第90-93页 |
