| 搞要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究的背景及其意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 特征提取方法的研究现状 | 第12-14页 |
| 1.2.2 状态分类方法的研究现状 | 第14-15页 |
| 1.2.3 列车滚动轴承故障诊断的研究现状 | 第15-16页 |
| 1.3 论文的主要研究内容及结构安排 | 第16-17页 |
| 第2章 滚动轴承故障机理及振动信号 | 第17-34页 |
| 2.1 轴承结构和故障机理 | 第17-18页 |
| 2.2 滚动轴承失效形式 | 第18-21页 |
| 2.2.1 正常失效 | 第18-20页 |
| 2.2.2 非正常失效 | 第20-21页 |
| 2.3 滚动轴承的振动频率 | 第21-23页 |
| 2.3.1 固有振动频率 | 第21-22页 |
| 2.3.2 故障缺陷频率 | 第22-23页 |
| 2.4 滚动轴承零件典型故障振动信号 | 第23-25页 |
| 2.4.1 外圈滚道损伤 | 第23-24页 |
| 2.4.2 内圈滚道损伤 | 第24页 |
| 2.4.3 滚动体损伤 | 第24-25页 |
| 2.5 时域特征参数分析 | 第25-30页 |
| 2.5.1 有量纲参数 | 第25-27页 |
| 2.5.2 无量纲参数 | 第27-29页 |
| 2.5.3 概率密度诊断 | 第29-30页 |
| 2.6 振动信号的简单频域分析 | 第30-34页 |
| 2.6.1 快速傅里叶变换(FFT)谱 | 第30-31页 |
| 2.6.2 功率谱 | 第31-34页 |
| 第3章 基于冲击脉冲法的状态监测 | 第34-44页 |
| 3.1 冲击脉冲法的基本原理 | 第34-35页 |
| 3.2 冲击脉冲法状态评定 | 第35-36页 |
| 3.2.1 轴承寿命定义 | 第35页 |
| 3.2.2 轴承状态指标 | 第35-36页 |
| 3.2.3 轴承状态判别标准 | 第36页 |
| 3.3 包络解调原理 | 第36-37页 |
| 3.4 实例分析 | 第37-44页 |
| 3.4.1 数据来源 | 第37-40页 |
| 3.4.2 试验结果 | 第40-44页 |
| 第4章 基于两种分类方法的滚动轴承故障诊断方法研究 | 第44-57页 |
| 4.1 特征参数的选取 | 第45-46页 |
| 4.1.1 alpha稳定分布介绍 | 第45页 |
| 4.1.2 alpha稳定分布基本理论 | 第45-46页 |
| 4.2 BP神经网络模型 | 第46-47页 |
| 4.2.1 BP神经网络简介 | 第46-47页 |
| 4.2.2 BP神经网络模型的构建 | 第47页 |
| 4.3 基于BP神经网络模型的试验结果 | 第47-51页 |
| 4.3.1 数据来源 | 第47-48页 |
| 4.3.2 alpha稳定分布参数估计与特征量提取 | 第48-50页 |
| 4.3.3 智能诊断 | 第50-51页 |
| 4.4 PSO-LSSVM模型 | 第51-55页 |
| 4.4.1 PSO算法简介 | 第51-52页 |
| 4.4.2 LSSVM分类原理 | 第52-53页 |
| 4.4.3 基于PSO的LSSVM参数优化方法 | 第53-54页 |
| 4.4.4 故障诊断模型构建 | 第54-55页 |
| 4.5 故障诊断模型实验结果 | 第55-57页 |
| 第5章 基于分类方法的滚动轴承故障分类实例分析 | 第57-67页 |
| 5.1 数据样本 | 第57页 |
| 5.2 样本的特征提取 | 第57-63页 |
| 5.2.1 基于小波分解的信号处理方法 | 第58页 |
| 5.2.2 实验信号小波分解验证 | 第58-60页 |
| 5.2.3 基于小波分解的alpha稳定分布参数估计 | 第60-63页 |
| 5.3 基于BP神经网络模型的实例分析 | 第63-64页 |
| 5.4 基于PSO-LSSVM模型的实例分析 | 第64-67页 |
| 结论与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73页 |
