基于共振稀疏分解的滚动轴承故障诊断方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 课题的研究背景和意义 | 第12页 |
| 1.2 滚动轴承故障诊断研究状况 | 第12-14页 |
| 1.2.1 国内外故障诊断的发展状况 | 第12-13页 |
| 1.2.2 滚动轴承故障诊断的发展历程 | 第13-14页 |
| 1.3 滚动轴承故障特征提取方法 | 第14-17页 |
| 1.3.1 时域分析法 | 第14-15页 |
| 1.3.2 频域分析法 | 第15-16页 |
| 1.3.3 时频分析法 | 第16-17页 |
| 1.4 模式识别的研究状况 | 第17-19页 |
| 1.5 本文的研究内容与研究思路 | 第19-22页 |
| 2 滚动轴承的故障诊断和振动特性 | 第22-30页 |
| 2.1 滚动轴承的结构 | 第22页 |
| 2.2 滚动轴承的故障诊断 | 第22-25页 |
| 2.2.1 滚动轴承的故障及其成因 | 第22-24页 |
| 2.2.2 滚动轴承的故障诊断方法 | 第24-25页 |
| 2.3 滚动轴承的振动特性 | 第25-28页 |
| 2.3.1 滚动轴承的振动信号 | 第25-26页 |
| 2.3.2 滚动轴承的故障特征频率 | 第26-27页 |
| 2.3.3 基于振动信号的滚动轴承故障诊断 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 基于最优品质因子的共振稀疏分解 | 第30-48页 |
| 3.1 共振属性 | 第30-32页 |
| 3.1.1 品质因子 | 第30页 |
| 3.1.2 信号的共振属性 | 第30-32页 |
| 3.2 品质因子可调小波变换 | 第32-35页 |
| 3.3 共振稀疏分解 | 第35-36页 |
| 3.3.1 形态分量分析 | 第35页 |
| 3.3.2 共振分量分离 | 第35-36页 |
| 3.3.3 共振稀疏分解的基本过程 | 第36页 |
| 3.4 基于品质因子优化的共振稀疏分解 | 第36-41页 |
| 3.4.1 峭度 | 第36-37页 |
| 3.4.2 品质因子优化 | 第37页 |
| 3.4.3 粒子群优化算法 | 第37-38页 |
| 3.4.4 粒子群优化算法的改进 | 第38-41页 |
| 3.4.5 基于改进PSO优化的共振稀疏分解 | 第41页 |
| 3.5 模拟信号分析 | 第41-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 支持向量机分类方法及其优化 | 第48-60页 |
| 4.1 机器学习理论 | 第48-49页 |
| 4.1.1 问题的表示 | 第48页 |
| 4.1.2 经验风险最小化原则 | 第48-49页 |
| 4.2 统计学习理论 | 第49-50页 |
| 4.3 支持向量机 | 第50-55页 |
| 4.3.1 线性支持向量机 | 第51-54页 |
| 4.3.2 非线性支持向量机 | 第54页 |
| 4.3.3 常用的核函数 | 第54-55页 |
| 4.4 基于参数优化的最小二乘支持向量机 | 第55-57页 |
| 4.4.1 最小二乘支持向量机 | 第55-56页 |
| 4.4.2 LS-SVM的优化 | 第56-57页 |
| 4.5 实验验证 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 5 滚动轴承故障诊断优化方法的实验验证 | 第60-72页 |
| 5.1 滚动轴承故障信号的获取 | 第60-61页 |
| 5.2 滚动轴承故障特征频率提取 | 第61-68页 |
| 5.2.1 外圈故障信号分析 | 第61-65页 |
| 5.2.2 内圈故障信号分析 | 第65-68页 |
| 5.3 滚动轴承故障模式识别 | 第68-71页 |
| 5.4 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第78-82页 |
| 学位论文数据集 | 第82页 |
