基于支持向量机的离心压缩机振动故障诊断研究
| 摘要 | 第10-11页 |
| Abstract | 第11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题背景及研究意义 | 第12页 |
| 1.2 旋转机械故障诊断的研究现状 | 第12-17页 |
| 1.2.1 基于模型的诊断方法 | 第13页 |
| 1.2.2 基于信号处理的诊断方法 | 第13-15页 |
| 1.2.3 基于知识的诊断方法 | 第15-17页 |
| 1.3 本文主要研究内容及章节安排 | 第17-20页 |
| 第2章 离心压缩机转子和齿轮振动故障 | 第20-28页 |
| 2.1 离心压缩机系统构成 | 第20-23页 |
| 2.1.1 压缩机 | 第21-22页 |
| 2.1.2 级间冷却系统 | 第22页 |
| 2.1.3 润滑油系统 | 第22-23页 |
| 2.2 离心压缩机转子和齿轮常见振动故障 | 第23-27页 |
| 2.2.1 转子振动故障 | 第23-27页 |
| 2.2.2 齿轮故障 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 转子振动故障模式识别 | 第28-44页 |
| 3.1 支持向量机 | 第28-31页 |
| 3.1.1 线性可分 | 第28-29页 |
| 3.1.2 线性不可分 | 第29-30页 |
| 3.1.3 多分类支持向量机 | 第30-31页 |
| 3.2 转子单故障支持向量机模型 | 第31-35页 |
| 3.2.1 数据获取及预处理 | 第31-32页 |
| 3.2.2 模型训练 | 第32-34页 |
| 3.2.3 模型预测 | 第34-35页 |
| 3.3 特征模糊化的转子单故障支持向量机模型 | 第35-40页 |
| 3.3.1 模糊理论 | 第35-37页 |
| 3.3.2 特征模糊方法 | 第37-38页 |
| 3.3.3 模糊SVM模型 | 第38-40页 |
| 3.4 转子多故障支持向量机模型 | 第40-42页 |
| 3.4.1 单故障模型对多故障识别的适用性分析 | 第40-41页 |
| 3.4.2 多故障模型 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 齿轮箱振动信号特征提取 | 第44-58页 |
| 4.1 信号预处理 | 第44-47页 |
| 4.1.1 振动信号数据说明 | 第44-45页 |
| 4.1.2 去趋势项 | 第45-46页 |
| 4.1.3 信号去噪 | 第46-47页 |
| 4.2 时域特征提取 | 第47-49页 |
| 4.3 经验模态分解能量特征提取 | 第49-53页 |
| 4.3.1 EMD基本概念 | 第50-51页 |
| 4.3.2 EMD分解理论 | 第51-52页 |
| 4.3.3 能量特征提取 | 第52-53页 |
| 4.4 IMF包络信号的样本熵特征提取 | 第53-56页 |
| 4.4.1 样本熵理论 | 第53-55页 |
| 4.4.2 包络信号 | 第55页 |
| 4.4.3 样本熵特征提取 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 齿轮箱振动故障模式识别 | 第58-70页 |
| 5.1 多标签分类 | 第58-59页 |
| 5.2 特征参数选取的有效性分析 | 第59-62页 |
| 5.3 最大相关最小冗余特征筛选 | 第62-66页 |
| 5.3.1 最大相关最小冗余原则 | 第63-64页 |
| 5.3.2 特征筛选 | 第64-66页 |
| 5.4 齿轮箱支持向量机模型 | 第66-68页 |
| 5.5 本章小结 | 第68-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间发表的学术论文 | 第78-80页 |
| 致谢 | 第80-81页 |
| 学位论文评阅及答辩情况表 | 第81页 |
