| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 绪论 | 第15-29页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 旋转机械故障诊断研究现状 | 第16-22页 |
| 1.2.1 旋转机械故障诊断监测基本方法 | 第16-18页 |
| 1.2.2 时域信号处理技术 | 第18页 |
| 1.2.3 频域信号处理技术 | 第18-19页 |
| 1.2.4 时频联合分析方法 | 第19-22页 |
| 1.3 数学形态学在旋转机械故障诊断中的研究现状 | 第22-23页 |
| 1.4 旋转机械退化状态识别和趋势预测方法研究现状 | 第23-26页 |
| 1.4.1 信号特征提取方法研究 | 第23-24页 |
| 1.4.2 旋转机械故障识别方法研究现状 | 第24页 |
| 1.4.3 旋转机械退化趋势预测模型研究现状 | 第24-26页 |
| 1.5 主要研究思路与研究内容 | 第26-29页 |
| 1.5.1 课题来源 | 第26页 |
| 1.5.2 论文研究内容和章节安排 | 第26-29页 |
| 2 基于LMD自适应形态学滤波的滚动轴承故障诊断方法 | 第29-49页 |
| 2.1 引言 | 第29-30页 |
| 2.2 形态学滤波 | 第30-34页 |
| 2.2.1 数学形态学基本理论 | 第30-32页 |
| 2.2.2 数学形态学滤波器 | 第32-33页 |
| 2.2.3 数学形态学结构元素 | 第33-34页 |
| 2.3 基于遗传算法和峭度准则的结构元素自适应算法 | 第34-35页 |
| 2.3.1 遗传算法 | 第34-35页 |
| 2.3.2 形态学结构元素自适应算法 | 第35页 |
| 2.4 LMD理论 | 第35-36页 |
| 2.5 基于LMD形态学滤波在轴承故障诊断中的应用 | 第36-37页 |
| 2.6 数值仿真分析 | 第37-39页 |
| 2.7 试验信号分析 | 第39-46页 |
| 2.7.1 试验平台介绍 | 第39-43页 |
| 2.7.2 滚动轴承故障诊断分析 | 第43-46页 |
| 2.8 本章小结 | 第46-49页 |
| 3 基于多元经验模态分解的旋转机械早期故障诊断方法 | 第49-73页 |
| 3.1 引言 | 第49-50页 |
| 3.2 经验模态分解 | 第50-51页 |
| 3.3 MEMD的基本理论 | 第51-56页 |
| 3.3.1 Hammersley序列采样法 | 第51-52页 |
| 3.3.2 MEMD算法 | 第52-53页 |
| 3.3.3 MEMD的滤波特性 | 第53-55页 |
| 3.3.4 互信息 | 第55-56页 |
| 3.3.5 相关系数 | 第56页 |
| 3.4 基于改进的MEMD方法在旋转机械故障诊断中的应用 | 第56-72页 |
| 3.4.1 基于改进的MEMD旋转机械故障诊断方法 | 第56-57页 |
| 3.4.2 数值仿真分析 | 第57-60页 |
| 3.4.3 试验平台介绍 | 第60-62页 |
| 3.4.4 齿轮故障实验 | 第62-66页 |
| 3.4.5 齿轮箱齿轮复合故障诊断实验 | 第66-68页 |
| 3.4.6 轴承微弱故障诊断实验 | 第68-72页 |
| 3.5 本章小结 | 第72-73页 |
| 4 基于改进的噪声辅助多元经验模态分解的旋转机械故障诊断方法 | 第73-97页 |
| 4.1 引言 | 第73-74页 |
| 4.2 EEMD原理 | 第74-75页 |
| 4.3 NAMEMD原理 | 第75-76页 |
| 4.4 改进的NAMEMD算法 | 第76页 |
| 4.5 抗混分析 | 第76-79页 |
| 4.6 瞬时频率估计方法 | 第79-81页 |
| 4.6.1 Hilbert变换 | 第79-80页 |
| 4.6.2 Teager能量算子 | 第80-81页 |
| 4.7 基于改进的NAMEMD自适应形态学方法在旋转机械故障诊断中的应用 | 第81-95页 |
| 4.7.1 基于改进的NAMEMD适应形态学旋转机械故障诊断方法 | 第81-82页 |
| 4.7.2 仿真信号分析 | 第82-84页 |
| 4.7.3 旋转机械故障试验 | 第84-95页 |
| 4.8 本章小结 | 第95-97页 |
| 5 基于NAMEMD和熵理论的旋转机械故障智能诊断方法 | 第97-117页 |
| 5.1 引言 | 第97-98页 |
| 5.2 熵的基本理论 | 第98-101页 |
| 5.2.1 样本熵理论及参数选取 | 第98-100页 |
| 5.2.2 排列熵理论及参数选取 | 第100-101页 |
| 5.3 支持向量机及参数优化 | 第101-106页 |
| 5.3.1 SVM原理 | 第102-105页 |
| 5.3.2 基于遗传算法的SVM参数优化方法 | 第105-106页 |
| 5.4 基于NAMEMD排列熵和SVM的智能诊断方法在滚动轴承故障诊断中的应用 | 第106-114页 |
| 5.4.1 基于NAMEMD排列熵的滚动轴承故障诊断方法 | 第106-107页 |
| 5.4.2 试验数据分析 | 第107-113页 |
| 5.4.3 比较分析 | 第113-114页 |
| 5.5 本章小结 | 第114-117页 |
| 6 滚动轴承故障退化状态检测与趋势预测方法 | 第117-135页 |
| 6.1 引言 | 第117页 |
| 6.2 基于时域统计特征参量的滚动轴承状态检测 | 第117-120页 |
| 6.2.1 轴承全寿命试验 | 第119页 |
| 6.2.2 试验数据分析 | 第119-120页 |
| 6.3 基于改进的NAMEMD排列熵的滚动轴承故障演化状态检测方法 | 第120-125页 |
| 6.3.1 方法介绍 | 第120-121页 |
| 6.3.2 仿真数据分析 | 第121-122页 |
| 6.3.3 试验数据分析 | 第122-125页 |
| 6.4 滚动轴承退化状态趋势预测方法 | 第125-126页 |
| 6.4.1 研究背景 | 第125-126页 |
| 6.4.2 预测模型建立 | 第126页 |
| 6.5 基于NAMEMD,PE和SVR的滚动轴承退化状态趋势预测方法 | 第126-132页 |
| 6.5.1 仿真数据分析 | 第127-129页 |
| 6.5.2 试验数据分析 | 第129页 |
| 6.5.3 预测结果分析 | 第129-132页 |
| 6.6 本章小结 | 第132-135页 |
| 7 结论与展望 | 第135-139页 |
| 7.1 结论 | 第135-136页 |
| 7.2 主要创新点 | 第136-137页 |
| 7.3 研究展望 | 第137-139页 |
| 参考文献 | 第139-155页 |
| 作者简历及其攻读博士学位期间取得的研究成果 | 第155-159页 |
| 学位论文数据集 | 第159页 |
