滚动轴承故障诊断系统开发
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题研究的意义和目的 | 第9页 |
| ·滚动轴承故障诊断技术的研究概况 | 第9-15页 |
| ·传统振动信号处理技术 | 第10-13页 |
| ·现代振动信号处理技术 | 第13-14页 |
| ·发展趋势 | 第14-15页 |
| ·本文主要研究内容 | 第15-16页 |
| 第2章 滚动轴承的振动机理和信号处理 | 第16-26页 |
| ·滚动轴承的振动机理 | 第16-19页 |
| ·轴承结构特点引起的振动 | 第17页 |
| ·轴承加工装配引起的振动 | 第17-18页 |
| ·轴承运行故障引起的振动 | 第18-19页 |
| ·滚动轴承的故障特征频率与固有频率 | 第19-21页 |
| ·故障特征频率 | 第19-20页 |
| ·高频固有振动频率 | 第20-21页 |
| ·振动信号的参数指标分析 | 第21-25页 |
| ·幅域参数指标 | 第21-23页 |
| ·频域参数指标 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于小波分析提取信号故障特征 | 第26-44页 |
| ·基于小波变换提取信号故障特征 | 第26-39页 |
| ·小波变换的基本理论 | 第26-29页 |
| ·离散小波变换的快速算法 | 第29-31页 |
| ·结合Mallat算法和FFT的分析方法 | 第31-33页 |
| ·单子带信号重构算法及其改进算法 | 第33-37页 |
| ·提取信号故障特征 | 第37-39页 |
| ·基于小波包提取信号的能量特征 | 第39-43页 |
| ·小波包能量特征的提出 | 第40页 |
| ·基于小波包分解提取能量特征的步骤 | 第40-41页 |
| ·基于小波包提取能量特征的仿真实例 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 主成分分析与径向基神经网络 | 第44-51页 |
| ·主成分分析 | 第44-46页 |
| ·主成分分析的数学模型 | 第44-45页 |
| ·主成分分析的实现过程 | 第45-46页 |
| ·径向基函数(RBF)神经网络 | 第46-50页 |
| ·RBF神经网络拓扑结构 | 第47-48页 |
| ·RBF神经网络训练 | 第48-50页 |
| ·RBF神经网络的构建 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第5章 滚动轴承故障诊断系统的实现 | 第51-66页 |
| ·滚动轴承故障诊断系统设计 | 第51-56页 |
| ·故障诊断系统模型 | 第51页 |
| ·VC++与Matlab引擎混合编程 | 第51-52页 |
| ·故障诊断系统软件介绍 | 第52-56页 |
| ·故障诊断系统实例验证 | 第56-65页 |
| ·基于小波分析提取信号故障特征 | 第56-59页 |
| ·主成分分析在滚动轴承故障诊断中的应用 | 第59-64页 |
| ·RBF神经网络在故障诊断中的应用 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 结论与展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-70页 |
| 附录1 | 第70-81页 |
