| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 异步电动机故障诊断技术国内外发展概况 | 第12-16页 |
| 1.2.1 故障诊断技术的国内外发展现状 | 第12-13页 |
| 1.2.2 异步电动机故障诊断的研究现状 | 第13-16页 |
| 1.2.3 异步电动机故障诊断技术的发展趋势 | 第16页 |
| 1.3 论文的研究内容和主要工作 | 第16-19页 |
| 第二章 异步电动机故障机理的研究 | 第19-35页 |
| 2.1 异步电动机的基本结构和工作原理 | 第19-21页 |
| 2.1.1 异步电动机的基本结构 | 第19-20页 |
| 2.1.2 异步电动机的工作原理 | 第20-21页 |
| 2.2 异步电动机常见的故障类型 | 第21-25页 |
| 2.2.1 定子故障 | 第21-22页 |
| 2.2.2 转子故障 | 第22-23页 |
| 2.2.3 气隙偏心 | 第23-24页 |
| 2.2.4 轴承故障 | 第24-25页 |
| 2.3 异步电动机常见故障的机理分析 | 第25-34页 |
| 2.3.1 基于定子电流信号的异步电动机常见故障机理分析 | 第26-32页 |
| 2.3.2 基于振动信号的异步电动机常见故障机理分析 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 异步电动机故障特征提取方法的研究 | 第35-45页 |
| 3.1 基于窗口傅里叶变换的故障特征提取 | 第35-39页 |
| 3.1.1 窗函数 | 第35-36页 |
| 3.1.2 窗口傅里叶变换 | 第36-37页 |
| 3.1.3 窗口傅里叶变换对异步电动机故障信号的仿真 | 第37-38页 |
| 3.1.4 窗口傅里叶变换的局限性 | 第38-39页 |
| 3.2 基于小波变换的故障特征提取 | 第39-43页 |
| 3.2.1 连续小波变换 | 第39-40页 |
| 3.2.2 小波分解与小波包分解 | 第40-41页 |
| 3.2.3 小波变换对异步电动机故障信号的仿真 | 第41-42页 |
| 3.2.4 小波变换的局限性 | 第42-43页 |
| 3.3 一种具有自适应特性的信号处理方法 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于 Hilbret-huang 变换的异步电机故障诊断方案的设计 | 第45-59页 |
| 4.1 Hilbret-huang 变换的算法分析 | 第45-50页 |
| 4.1.1 经验模式分解 | 第45-48页 |
| 4.1.2 Hilbert 谱和 Hilbert 边际谱 | 第48-50页 |
| 4.2 Hilbret-huang 变换在电动机故障诊断中的应用 | 第50-55页 |
| 4.2.1 Hilbret-huang 变换的程序设计 | 第50-51页 |
| 4.2.2 基于 Hilbret-huang 变换的电动机故障特征提取 | 第51-55页 |
| 4.3 异步电动机故障特征提取方案的设计 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于 RBF 神经网络的异步电动机故障诊断技术的研究 | 第59-75页 |
| 5.1 人工神经网络简介 | 第59-64页 |
| 5.1.1 人工神经网络的基本单元 | 第59-61页 |
| 5.1.2 人工神经网络的基本结构和工作方式 | 第61-63页 |
| 5.1.3 人工神经网络模型的选择 | 第63-64页 |
| 5.2 RBF 神经网络的特点 | 第64-67页 |
| 5.2.1 RBF 神经网络的基本结构 | 第64-65页 |
| 5.2.2 RBF 神经网络的训练过程 | 第65-67页 |
| 5.3 RBF 神经网络在异步电动机故障诊断中的应用 | 第67-74页 |
| 5.3.1 RBF 神经网络的 MATLAB 语言实现 | 第68-69页 |
| 5.3.2 基于 HHT 和 RBF 神经网络的异步电动机故障诊断的实现 | 第69-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 全文总结与展望 | 第75-79页 |
| 6.1 全文总结 | 第75-77页 |
| 6.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间发表的学术论文 | 第86页 |
