风力发电机组轴承的特征提取及其故障诊断研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 滚动轴承故障诊断研究概况 | 第12-15页 |
| 1.2.1 滚动轴承故障诊断的具体内容 | 第12-13页 |
| 1.2.2 滚动轴承故障诊断技术的发展 | 第13-15页 |
| 1.3 滚动轴承故障诊断研究现状 | 第15-18页 |
| 1.3.1 特征提取方法研究 | 第15-17页 |
| 1.3.2 故障诊断的方法研究 | 第17-18页 |
| 1.4 论文主要研究内容以及章节安排 | 第18-20页 |
| 第2章 风力发电机组轴承振动机理以及故障分析 | 第20-26页 |
| 2.1 风力发电机组轴承结构 | 第20页 |
| 2.2 风力发电机组轴承的主要故障形式 | 第20-21页 |
| 2.3 风力发电机组轴承故障分析 | 第21-25页 |
| 2.3.1 轴承振动机理 | 第21-22页 |
| 2.3.2 轴承的固有特征频率以及故障特征频率 | 第22-24页 |
| 2.3.3 故障特征频率实际计算 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于EMD与SVD的轴承故障特征提取 | 第26-45页 |
| 3.1 经验模态分解理论介绍 | 第26-29页 |
| 3.1.1 本征模态函数 | 第26-27页 |
| 3.1.2 EMD算法的基本原理 | 第27-29页 |
| 3.2 Hilbert变换以及包络谱分析 | 第29-30页 |
| 3.3 EMD算法存在的问题以及改进 | 第30-39页 |
| 3.3.1 EMD的缺陷 | 第30-31页 |
| 3.3.2 EMD端点效应的抑制方法 | 第31-32页 |
| 3.3.3 改进的极值延拓法 | 第32-33页 |
| 3.3.4 改进极值延拓算法验证 | 第33-39页 |
| 3.4 滚动轴承的故障信号分析 | 第39-42页 |
| 3.5 故障特征提取方法 | 第42-44页 |
| 3.5.1 奇异值分解的概念 | 第43页 |
| 3.5.2 实际振动信号的特征提取 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于改进蚁群算法学习的模糊认知图 | 第45-57页 |
| 4.1 模糊认知图理论 | 第45-47页 |
| 4.1.1 模糊认知图的结构 | 第45-46页 |
| 4.1.2 模糊认知图的推理机制 | 第46-47页 |
| 4.2 模糊认知图模型构建 | 第47-48页 |
| 4.3 模糊认知图的学习 | 第48-50页 |
| 4.3.1 权值矩阵学习算法 | 第48-49页 |
| 4.3.2 学习问题建模 | 第49-50页 |
| 4.4 基于非均匀变异算子改进的蚁群算法 | 第50-54页 |
| 4.4.1 候选解的表示 | 第50-51页 |
| 4.4.2 改进蚁群算法具体流程 | 第51-54页 |
| 4.5 实验与对比分析 | 第54-56页 |
| 4.5.1 性能评估参数 | 第54页 |
| 4.5.2 实验结果对比 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 基于模糊认知图分类器的轴承故障诊断 | 第57-64页 |
| 5.1 常用的分类算法 | 第57-58页 |
| 5.2 模糊认知图分类器的构造 | 第58-59页 |
| 5.2.1 分类器结构 | 第58页 |
| 5.2.2 FCM分类器的构建步骤 | 第58-59页 |
| 5.3 FCM分类器性能验证 | 第59-61页 |
| 5.4 轴承的故障诊断实验 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间获得的科研成果 | 第71页 |
