摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第9-19页 |
1.1 课题来源 | 第9页 |
1.2 课题研究背景 | 第9-11页 |
1.3 课题研究意义 | 第11-13页 |
1.4 相关领域综述及研究现状 | 第13-17页 |
1.4.1 减速机故障诊断研究现状 | 第13-14页 |
1.4.2 故障特征提取的研究现状 | 第14-16页 |
1.4.3 故障模式识别的研究现状 | 第16-17页 |
1.5 主要研究内容 | 第17-19页 |
第2章 减速机故障机理与失效形式 | 第19-34页 |
2.1 齿轮故障特性分析 | 第20-25页 |
2.1.1 齿轮振动机理 | 第20-21页 |
2.1.2 齿轮故障信号调制分析 | 第21-23页 |
2.1.3 齿轮典型故障形式及其信号特征 | 第23-25页 |
2.2 滚动轴承故障特性分析 | 第25-30页 |
2.2.1 滚动轴承主要失效形式及原因 | 第26页 |
2.2.2 轴承故障频率计算 | 第26-29页 |
2.2.3 轴承故障机理 | 第29-30页 |
2.3 轴故障特性分析 | 第30-32页 |
2.3.1 轴典型故障形式及原因分析 | 第30-31页 |
2.3.2 轴故障机理分析 | 第31-32页 |
2.4 振动监测标准 | 第32-33页 |
2.5 本章小结 | 第33-34页 |
第3章 基于ICA故障特征提取 | 第34-62页 |
3.1 独立分量分析简介 | 第34-36页 |
3.2 盲源信号分离的预处理方法 | 第36-38页 |
3.2.1 去均值处理 | 第37页 |
3.2.2 白化处理 | 第37-38页 |
3.2.3 降维处理 | 第38页 |
3.3 盲源分离算法 | 第38-41页 |
3.4 信号源数估计 | 第41-50页 |
3.4.1 超定情况下源数估计 | 第42-44页 |
3.4.1.1 SVD方法基本原理 | 第42-43页 |
3.4.1.2 奇异值分布法 | 第43页 |
3.4.1.3 信息论准则法 | 第43-44页 |
3.4.2 欠定、适定情况下源数估计 | 第44-45页 |
3.4.3 源数估计实现过程 | 第45-46页 |
3.4.4 仿真实验 | 第46-50页 |
3.5 特征提取 | 第50-53页 |
3.5.1 基于包络矩阵奇异值分解的特征提取方法 | 第50-52页 |
3.5.2 基于分离矩阵奇异值分解的特征值提取方法 | 第52-53页 |
3.5.3 基于独立分量奇异值分解的特征值提取方法 | 第53页 |
3.6 模型可行性实验(一) | 第53-61页 |
3.6.1 基于包络矩特征值的提取 | 第55-59页 |
3.6.2 基于分离矩阵特征值的提取 | 第59-60页 |
3.6.3 基于独立分量特征值的提取 | 第60-61页 |
3.7 本章小结 | 第61-62页 |
第4章 基于SVM故障模式识别 | 第62-81页 |
4.1 支持向量机的理论基础 | 第62-65页 |
4.1.1 机器学习 | 第62-63页 |
4.1.2 经验风险最小化原则 | 第63-64页 |
4.1.3 VC维和推广性的界介绍 | 第64-65页 |
4.1.4 结构风险最小化原则 | 第65页 |
4.2 支持向量机 | 第65-70页 |
4.2.1 线性可分 | 第66-68页 |
4.2.2 线性不可分 | 第68-69页 |
4.2.3 非线性可分 | 第69-70页 |
4.2.4 核函数 | 第70页 |
4.3 多分类支持向量机 | 第70-74页 |
4.3.1 1对多(1-a-r)方法 | 第71-72页 |
4.3.2 1对1(1-a-1)方法 | 第72页 |
4.3.3 层次多值分类 | 第72-74页 |
4.4 SVM分类模型的建立 | 第74-75页 |
4.5 模型可行性实验(二) | 第75-79页 |
4.6 本章小结 | 第79-81页 |
第5章 磨机减速机故障诊断 | 第81-90页 |
5.1 模型推广性实验 | 第82-85页 |
5.2 立磨减速机应用实验 | 第85-88页 |
5.2.1 测点的布置 | 第86-87页 |
5.2.2 立磨减速机故障诊断 | 第87-88页 |
5.3 本章小结 | 第88-90页 |
第6章 总结与展望 | 第90-92页 |
6.1 全文总结 | 第90-91页 |
6.2 未来展望 | 第91-92页 |
致谢 | 第92-93页 |
参考文献 | 第93-96页 |