| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 课题研究的背景和意义 | 第12页 |
| 1.2 电机故障诊断技术国内外研究现状 | 第12-13页 |
| 1.3 异步电机故障诊断的主要方法 | 第13-15页 |
| 1.4 电机故障诊断中的信号处理方法 | 第15-16页 |
| 1.5 电机故障诊断的发展趋势 | 第16页 |
| 1.6 课题完成的主要内容 | 第16-18页 |
| 2 异步电机基本原理及振动故障机理分析 | 第18-24页 |
| 2.1 异步电机工作原理 | 第18页 |
| 2.2 异步电机振动故障及其机理 | 第18-23页 |
| 2.2.1 定子故障 | 第18-19页 |
| 2.2.2 转子不平衡故障 | 第19-20页 |
| 2.2.3 转子断条故障 | 第20页 |
| 2.2.4 气隙偏心故障 | 第20-21页 |
| 2.2.5 滚动轴承故障 | 第21-22页 |
| 2.2.6 滑动轴承故障 | 第22-23页 |
| 2.2.7 电机安装和调整不良 | 第23页 |
| 2.3 小结 | 第23-24页 |
| 3 异步电动机振动故障实验平台 | 第24-28页 |
| 3.1 电机故障模拟实验台 | 第24-25页 |
| 3.2 实验数据采集 | 第25-26页 |
| 3.3 本章小结 | 第26-28页 |
| 4 基于EMD能量熵、PCA和SVM的异步电机振动故障诊断方法研究 | 第28-48页 |
| 4.1 引言 | 第28-29页 |
| 4.2 经验模态分解方法 | 第29-31页 |
| 4.2.1 本征模态分量 | 第29页 |
| 4.2.2 EMD基本原理 | 第29-31页 |
| 4.3 EMD能量熵 | 第31-34页 |
| 4.3.1 信息熵的概念 | 第31-32页 |
| 4.3.2 信息熵的本质 | 第32-33页 |
| 4.3.3 信息熵的基本性质 | 第33-34页 |
| 4.3.4 EMD能量熵 | 第34页 |
| 4.4 主成分分析 | 第34-38页 |
| 4.4.1 主成分分析介绍 | 第34-35页 |
| 4.4.2 主成分分析的数学模型 | 第35-36页 |
| 4.4.3 主成分分析步骤 | 第36-38页 |
| 4.4.4 主成分分析的应用 | 第38页 |
| 4.5 支持向量机算法 | 第38-41页 |
| 4.5.1 支持向量机的产生 | 第38页 |
| 4.5.2 支持向量机基本理论 | 第38-41页 |
| 4.5.3 支持向量机的优势 | 第41页 |
| 4.6 支持向量机方法与BP神经网络对比实验分析 | 第41-46页 |
| 4.6.1 振动信号分解 | 第42-43页 |
| 4.6.2 PCA降维特征提取 | 第43-45页 |
| 4.6.3 SVM方法与BP神经网络对比分析 | 第45-46页 |
| 4.7 本章小结 | 第46-48页 |
| 5 异步电机振动故障实验分析 | 第48-55页 |
| 5.1 数据采集 | 第48-50页 |
| 5.2 基于EMD能量熵、PCA和SVM的振动分析方法 | 第50-54页 |
| 5.2.1 PCA降维特征提取 | 第52-53页 |
| 5.2.2 SVM分类识别 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 全文总结 | 第55页 |
| 6.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 作者简介 | 第62-64页 |
| 学位论文数据集 | 第64页 |