| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-31页 |
| 1.1 课题背景及研究的目的和意义 | 第14-15页 |
| 1.2 往复压缩机故障振动信号特性分析 | 第15-16页 |
| 1.3 课题相关方法国内外研究概况 | 第16-28页 |
| 1.3.1 多体动力学方法及间隙运动副模型研究现状 | 第16-20页 |
| 1.3.2 非平稳信号自适应分解方法研究现状 | 第20-23页 |
| 1.3.3 非线性信号定量描述方法研究现状 | 第23-25页 |
| 1.3.4 故障智能模式识别方法研究现状 | 第25-28页 |
| 1.4 本文主要组织结构与研究内容 | 第28-31页 |
| 第2章 含运动副间隙往复压缩机多体动力学仿真方法研究 | 第31-56页 |
| 2.1 引言 | 第31-32页 |
| 2.2 运动副间隙模型 | 第32-36页 |
| 2.2.1 运动副间隙运动学模型 | 第32-33页 |
| 2.2.2 运动副间隙接触力函数 | 第33-36页 |
| 2.3 含运动副间隙的往复压缩机传动机构动力学方程 | 第36-39页 |
| 2.4 含运动副间隙往复压缩机传动机构多体动力学模型 | 第39-44页 |
| 2.5 往复压缩机运动副间隙模型参数优化方法 | 第44-52页 |
| 2.5.1 敏感测点的选择 | 第45-46页 |
| 2.5.2 遗传算法适应度函数 | 第46-47页 |
| 2.5.3 算法步骤与流程 | 第47-48页 |
| 2.5.4 模型参数优化 | 第48-52页 |
| 2.6 往复压缩机轴承间隙故障仿真 | 第52-54页 |
| 2.7 本章小节 | 第54-56页 |
| 第3章 基于多重分形与奇异值分解的轴承间隙故障位置特征提取方法 | 第56-69页 |
| 3.1 引言 | 第56-57页 |
| 3.2 基于多重分形与奇异值分解的特征提取方法 | 第57-60页 |
| 3.2.1 多重分形 | 第57-59页 |
| 3.2.2 奇异值分解 | 第59页 |
| 3.2.3 特征提取方法 | 第59-60页 |
| 3.3 往复压缩机试验信号故障特征提取 | 第60-66页 |
| 3.3.1 故障试验研究 | 第60-61页 |
| 3.3.2 信号预处理 | 第61-62页 |
| 3.3.3 故障特征提取 | 第62-64页 |
| 3.3.4 故障诊断与分析 | 第64-66页 |
| 3.4 往复压缩机仿真信号故障特征提取 | 第66-68页 |
| 3.4.1 往复压缩机故障状态仿真 | 第66页 |
| 3.4.2 仿真信号故障状态特征提取 | 第66-68页 |
| 3.5 本章小结 | 第68-69页 |
| 第4章 基于LMD与MSE的轴承间隙故障程度特征提取方法 | 第69-97页 |
| 4.1 引言 | 第69-70页 |
| 4.2 有理Hermite插值LMD方法 | 第70-81页 |
| 4.2.1 LMD方法 | 第70-72页 |
| 4.2.2 标准三次Hermite插值 | 第72-74页 |
| 4.2.3 有理Hermite插值 | 第74-75页 |
| 4.2.4 有理Hermite插值曲线的优选依据 | 第75-77页 |
| 4.2.5 算法步骤与流程 | 第77-78页 |
| 4.2.6 仿真数据试验 | 第78-81页 |
| 4.3 往复压缩机振动信号有理Hermite插值LMD分析 | 第81-86页 |
| 4.3.1 往复压缩机故障信号分析 | 第81页 |
| 4.3.2 往复压缩机振动信号LMD分解 | 第81-84页 |
| 4.3.3 结果分析 | 第84-86页 |
| 4.4 基于LMD和多尺度熵的特征提取方法 | 第86-91页 |
| 4.4.1 样本熵 | 第86-87页 |
| 4.4.2 多尺度熵 | 第87页 |
| 4.4.3 特征提取方法 | 第87-91页 |
| 4.5 往复压缩机不同轴承间隙程度特征提取 | 第91-95页 |
| 4.5.1 不同轴承间隙程度振动信号LMD分解 | 第91-94页 |
| 4.5.2 不同轴承间隙程度多尺度熵特征提取 | 第94-95页 |
| 4.5.3 结果分析 | 第95页 |
| 4.6 本章小结 | 第95-97页 |
| 第5章 基于改进二叉树支持向量机的轴承间隙故障诊断与状态评估 | 第97-119页 |
| 5.1 引言 | 第97-98页 |
| 5.2 支持向量机常用多类分类方法 | 第98-99页 |
| 5.2.1 一对多（One-against-all） | 第98页 |
| 5.2.2 一对一（One-against-one） | 第98-99页 |
| 5.2.3 有向无环图方法(Decision Directed Acyclic Graph) | 第99页 |
| 5.2.4 二叉树法(Binary tree) | 第99页 |
| 5.3 改进二叉树支持向量机 | 第99-105页 |
| 5.3.1 类的可分性测度 | 第99-101页 |
| 5.3.2 基于样本距离与分布的可分性测度 | 第101-103页 |
| 5.3.3 算法步骤与流程 | 第103-105页 |
| 5.4 改进二叉树支持向量机独立参数优化方法 | 第105页 |
| 5.4.1 独立参数优化问题的提出 | 第105页 |
| 5.4.2 算法步骤与流程 | 第105页 |
| 5.5 标准数据集试验 | 第105-108页 |
| 5.6 往复压缩机轴承间隙故障识别 | 第108-113页 |
| 5.6.1 基于试验信号特征的轴承间隙故障位置识别 | 第108-111页 |
| 5.6.2 基于仿真信号特征的轴承间隙故障位置识别 | 第111-112页 |
| 5.6.3 基于仿真信号特征的轴承间隙故障程度识别 | 第112-113页 |
| 5.7 往复压缩机轴承间隙故障状态评估 | 第113-118页 |
| 5.7.1 基于支持向量机的状态评估方法 | 第113-115页 |
| 5.7.2 典型故障形式状态评估 | 第115-117页 |
| 5.7.3 基于仿真信号特征的非典型轴承间隙故障评估 | 第117-118页 |
| 5.8 本章小结 | 第118-119页 |
| 结论 | 第119-121页 |
| 参考文献 | 第121-133页 |
| 攻读博士学位期间发表的学术论文 | 第133-135页 |
| 致谢 | 第135-136页 |
| 个人简历 | 第136页 |
