| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-14页 |
| 1.2.1 信号获取 | 第12-13页 |
| 1.2.2 特征提取 | 第13-14页 |
| 1.2.3 故障识别与预测 | 第14页 |
| 1.3 往复泵轴承故障诊断中的不确定性 | 第14-15页 |
| 1.4 课题来源、主要研究内容及思路 | 第15-17页 |
| 1.4.1 课题来源 | 第15-16页 |
| 1.4.2 研究主要内容 | 第16-17页 |
| 2 滚动轴承故障机理分析及试验 | 第17-27页 |
| 2.1 滚动轴承故障分析 | 第17-19页 |
| 2.1.1 滚动轴承简介 | 第17页 |
| 2.1.2 滚动轴承的振动 | 第17-18页 |
| 2.1.2.1 滚动轴承的振动原因分析 | 第17页 |
| 2.1.2.2 滚动轴承的故障特征频率 | 第17-18页 |
| 2.1.3 滚动轴承的失效形式 | 第18-19页 |
| 2.2 试验设计 | 第19-24页 |
| 2.2.1 试验对象和试验设备 | 第19-21页 |
| 2.2.1.1 试验对象 | 第19-20页 |
| 2.2.1.2 轴承试验台 | 第20-21页 |
| 2.2.2 试验方案 | 第21-22页 |
| 2.2.3 测试采集系统 | 第22-23页 |
| 2.2.4 试验流程 | 第23-24页 |
| 2.3 信号采集 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于距离聚类的滚动轴承振动信号预处理方法 | 第27-35页 |
| 3.1 基本算法及定义 | 第27页 |
| 3.1.1 距离定义 | 第27页 |
| 3.2 信号预处理方法 | 第27-28页 |
| 3.3 方法应用 | 第28-33页 |
| 3.3.1 信号仿真验证 | 第28-31页 |
| 3.3.1.1 含高斯噪音的周期信号的仿真 | 第28-29页 |
| 3.3.1.2 偏移信号的仿真 | 第29-30页 |
| 3.3.1.3 仿真验证 | 第30-31页 |
| 3.3.2 加速度信号预处理 | 第31-33页 |
| 3.3.2.1 试验信号处理 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 4 基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法 | 第35-47页 |
| 4.1 基本算法 | 第35-39页 |
| 4.1.1 EEMD算法 | 第35-36页 |
| 4.1.2 相关系数定义 | 第36-37页 |
| 4.1.3 小波包能量特征的提取 | 第37-38页 |
| 4.1.4 支持向量机(SVM)的基本模型 | 第38-39页 |
| 4.2 分析过程与诊断实例 | 第39-44页 |
| 4.2.1 试验信号采集 | 第40-41页 |
| 4.2.2 试验信号去噪 | 第41-42页 |
| 4.2.3 能量特征提取 | 第42页 |
| 4.2.4 相关系数计算 | 第42-43页 |
| 4.2.5 判断因子计算及分布 | 第43-44页 |
| 4.3 方法对比研究 | 第44-46页 |
| 4.3.1 原始信号相关性分析对比 | 第44-45页 |
| 4.3.2 SVM识别对比 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于EEMD-ApEn和SVM的滚动轴承故障诊断技术 | 第47-59页 |
| 5.1 基本算法 | 第47-49页 |
| 5.1.1 峭度及峭度指标 | 第47-48页 |
| 5.1.2 近似熵理论 | 第48-49页 |
| 5.2 信号采集及处理 | 第49-55页 |
| 5.2.1 试验信号的EEMD分解 | 第49-50页 |
| 5.2.2 指标参数的提取 | 第50-51页 |
| 5.2.3 指标参数分布图及分析 | 第51-53页 |
| 5.2.4 近似熵指标分析 | 第53-55页 |
| 5.2.4.1 近似熵与转速的关系 | 第53-54页 |
| 5.2.4.2 近似熵与故障尺寸大小的关系 | 第54-55页 |
| 5.3 故障模式识别 | 第55-57页 |
| 5.3.1 特征值提取 | 第55-56页 |
| 5.3.2 SVM故障模式识别 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 6 基于云模型和D-S证据理论的滚动轴承故障诊断方法 | 第59-83页 |
| 6.1 基本理论 | 第59-61页 |
| 6.1.1 云模型 | 第59-60页 |
| 6.1.2 D-S证据理论 | 第60-61页 |
| 6.2 滚动轴承特征值提取 | 第61-70页 |
| 6.2.1 滚动轴承的时域特征提取 | 第62-64页 |
| 6.2.2 滚动轴承的频域特征提取 | 第64-66页 |
| 6.2.3 滚动轴承的时频域特征提取 | 第66-70页 |
| 6.2.3.1 小波包分解能量特征 | 第66-68页 |
| 6.2.3.2 EEMD分解能量特征 | 第68-70页 |
| 6.3 特征筛选 | 第70-75页 |
| 6.3.1 云模型建立 | 第70-71页 |
| 6.3.2 隶属度矩阵建立 | 第71-72页 |
| 6.3.3 特征值二次筛选 | 第72-75页 |
| 6.3.3.1 同种工况模式下的特征值筛选 | 第72-73页 |
| 6.3.3.2 故障模式组合下的特征值二次筛选 | 第73-75页 |
| 6.4 融合决策 | 第75-82页 |
| 6.4.1 特征参数的权重系数确定 | 第75-78页 |
| 6.4.2 特征参数融合诊断 | 第78-82页 |
| 6.4.2.1 特征参数融合 | 第78-80页 |
| 6.4.2.2 滚动轴承的故障诊断 | 第80-82页 |
| 6.5 本章小结 | 第82-83页 |
| 7 结论与展望 | 第83-85页 |
| 7.1 结论 | 第83-84页 |
| 7.2 展望 | 第84-85页 |
| 参考文献 | 第85-93页 |
| 攻读学位期间研究成果 | 第93-95页 |
| 致谢 | 第95-97页 |
| 附表1 原始特征集 | 第97-106页 |
| 附表2 正常模式的隶属度矩阵 | 第106-109页 |
| 附表3 故障组合模式下的隶属度矩阵 | 第109-119页 |
| 附表4 证据矩阵 | 第119-129页 |
| 附件 | 第129-133页 |
