| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目录 | 第10-13页 |
| 1 绪论 | 第13-31页 |
| ·课题研究的背景与意义 | 第13-17页 |
| ·现有滚动轴承故障诊断方法及其优缺点 | 第17-21页 |
| ·时域统计特征值及无量纲参数方法及其优缺点 | 第18页 |
| ·频域分析方法及其优缺点 | 第18-20页 |
| ·时频域分析方法及其优缺点 | 第20-21页 |
| ·小波变换和EMD方法在轴承故障诊断中的应用研究现状 | 第21-25页 |
| ·小波变换在轴承故障诊断中的应用研究现状 | 第21-22页 |
| ·EMD方法在轴承故障诊断中的应用研究现状 | 第22-24页 |
| ·现有EMD方法迭代截止规则及其缺点 | 第24-25页 |
| ·现有研究存在的问题 | 第25-27页 |
| ·本论文主要研究内容和结构安排 | 第27-31页 |
| 2 基于数学形态滤波的小波特征频带滚动轴承早期故障诊断方法 | 第31-47页 |
| ·引言 | 第31-32页 |
| ·小波-数学形态联合的早期故障振动信号降噪预处理 | 第32-33页 |
| ·滚动轴承故障振动信号模型 | 第33-37页 |
| ·滚动轴承故障振动信号频谱特征 | 第34页 |
| ·滚动轴承故障振动信号模型 | 第34-37页 |
| ·轴承不同故障频率成分能量对比 | 第37-40页 |
| ·小波特征频带判断 | 第40页 |
| ·诊断方法步骤 | 第40-41页 |
| ·实验结果及分析 | 第41-45页 |
| ·结论 | 第45-47页 |
| 3 基于峭度的EMD方法迭代截止规则 | 第47-61页 |
| ·引言 | 第47页 |
| ·原始EMD方法分解步骤 | 第47-49页 |
| ·IMF分量定义条件 | 第47页 |
| ·原始EMD方法分解步骤 | 第47-49页 |
| ·基于峭度的EMD方法迭代截止规则 | 第49-51页 |
| ·峭度的定义及其意义 | 第49-50页 |
| ·基于峭度的EMD方法迭代截止规则 | 第50-51页 |
| ·仿真结果分析与对比 | 第51-56页 |
| ·准确性对比 | 第56页 |
| ·正交性对比 | 第56页 |
| ·在风力发电机组齿轮箱高速端轴承故障中的应用对比 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 4 一种新型滚动轴承故障部位及程度在线诊断方法 | 第61-73页 |
| ·引言 | 第61-62页 |
| ·滚动轴承故障实验数据来源 | 第62页 |
| ·滚动轴承故障特征量的提取 | 第62-64页 |
| ·一种新型滚动轴承故障部位及程度在线诊断方法 | 第64-65页 |
| ·散度指标 | 第64-65页 |
| ·故障部位及程度诊断方法 | 第65页 |
| ·实验数据及结果分析 | 第65-71页 |
| ·故障特征量提取准确性 | 第65-70页 |
| ·故障部位及程度诊断 | 第70-71页 |
| ·在风力发电机组齿轮箱高速端轴承故障诊断中的验证 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 5 一种新型滚动轴承故障部位及程度自适应聚类方法 | 第73-81页 |
| ·引言 | 第73页 |
| ·滚动轴承故障特征量提取 | 第73页 |
| ·自适应K-均值聚类算法 | 第73-75页 |
| ·原始K-均值聚类算法概述 | 第73-74页 |
| ·主成分分析方法 | 第74页 |
| ·自适应K-均值聚类算法 | 第74-75页 |
| ·故障部位及程度诊断自适应聚类方法 | 第75页 |
| ·实验结果及分析 | 第75-79页 |
| ·按故障部位自适应聚类样本集 | 第77-79页 |
| ·按故障程度自适应聚类样本集 | 第79页 |
| ·结论与比较 | 第79-81页 |
| 6 风力发电机组在线故障预警与诊断一体化系统设计与应用 | 第81-103页 |
| ·引言 | 第81-84页 |
| ·系统整体框架 | 第84-91页 |
| ·系统结构 | 第84-87页 |
| ·系统功能 | 第87-91页 |
| ·一体化系统 | 第91页 |
| ·故障预警子系统 | 第91-99页 |
| ·故障诊断子系统 | 第99-100页 |
| ·结论 | 第100-103页 |
| 7 总结与展望 | 第103-107页 |
| ·全文研究工作总结 | 第103-105页 |
| ·研究工作展望 | 第105-107页 |
| 参考文献 | 第107-123页 |
| 附录 | 第123页 |
