| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 转子故障信号识别的国内外研究现状 | 第10-14页 |
| 1.2.1 故障机理的研究 | 第11页 |
| 1.2.2 故障信号特征提取 | 第11-13页 |
| 1.2.3 故障信号识别 | 第13-14页 |
| 1.3 本文主要内容 | 第14-16页 |
| 第2章 典型转子故障实验分析 | 第16-29页 |
| 2.1 基于EEMD-SVM的转子故障信号检测识别方法 | 第16-18页 |
| 2.2 典型转子故障仿真实验 | 第18-20页 |
| 2.2.1 实验装置简介 | 第18-19页 |
| 2.2.2 实验参数设置 | 第19-20页 |
| 2.3 典型转子故障信号分析 | 第20-28页 |
| 2.3.1 信号滤波 | 第20-22页 |
| 2.3.2 典型故障机理及表现形式 | 第22-28页 |
| 2.3.3 旋转机械转子故障特征总结 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 典型转子故障特征提取方法研究 | 第29-49页 |
| 3.1 经验模态分解（EMD）研究 | 第29-35页 |
| 3.1.1 EMD基本原理 | 第29-30页 |
| 3.1.2 EMD分解过程 | 第30-34页 |
| 3.1.3 EMD的特点及局限性 | 第34-35页 |
| 3.2 集合经验模态分解（EEMD）研究 | 第35-40页 |
| 3.2.1 EEMD基本原理 | 第35-36页 |
| 3.2.2 EEMD分解过程 | 第36-38页 |
| 3.2.3 EEMD抗模态混叠性能分析 | 第38-40页 |
| 3.3 基于EEMD的故障信号能量特征提取 | 第40-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 典型转子故障信号识别方法研究 | 第49-64页 |
| 4.1 支持向量机理论 | 第49-53页 |
| 4.1.1 线性支持向量分类机 | 第49-51页 |
| 4.1.2 非线性支持向量分类机 | 第51-53页 |
| 4.2 SVM多分类器算法 | 第53-55页 |
| 4.2.1“一对多”多分类算法 | 第53-54页 |
| 4.2.2“一对一”多分类算法 | 第54页 |
| 4.2.3 有向无环图多分类算法 | 第54-55页 |
| 4.3 故障信号识别模型的建立 | 第55-57页 |
| 4.4 基于EEMD-SVM的转子故障信号识别分类实验 | 第57-63页 |
| 4.4.1 识别分类结果分析 | 第57-59页 |
| 4.4.2 EEMD与EMD识别分类对比 | 第59-60页 |
| 4.4.3 SVM与BP神经网络识别分类对比 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 转子振动信号检测与识别系统设计与实现 | 第64-79页 |
| 5.1 硬件部分 | 第64-67页 |
| 5.2 软件部分 | 第67-74页 |
| 5.2.1 前面板 | 第68-69页 |
| 5.2.2 数据采集模块 | 第69-70页 |
| 5.2.3 数据分析与处理模块 | 第70-72页 |
| 5.2.4 数据管理模块 | 第72-73页 |
| 5.2.5 故障信号识别模块 | 第73-74页 |
| 5.3 系统验证与应用 | 第74-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 全文总结 | 第79-80页 |
| 6.2 研究展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间获得的科研成果 | 第86页 |