| 创新点摘要 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 课题的来源、背景及意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断研究的历史发展与现状 | 第11-21页 |
| 1.2.1 轴承故障诊断设备的国内外研究发展概况 | 第11-12页 |
| 1.2.2 滚动轴承的故障成因 | 第12-14页 |
| 1.2.3 感应电机轴承故障诊断方法概述 | 第14-15页 |
| 1.2.4 轴承故障特征解析提取的数学方法 | 第15-18页 |
| 1.2.5 轴承故障特征识别的方法 | 第18-19页 |
| 1.2.6 定子电流特征分析法 | 第19-21页 |
| 1.3 本文主要内容及章节安排 | 第21-23页 |
| 第2章 感应电机轴承故障振动特征频率与定子电流频率分析 | 第23-36页 |
| 2.1 滚动轴承的故障振动特征频率分析 | 第23-24页 |
| 2.2 定子电流特征分析方法中的轴承故障特征频率 | 第24-27页 |
| 2.3 感应电机轴承故障与电机定子电流的关系 | 第27-28页 |
| 2.4 傅立叶变换与快速傅立叶变换 | 第28-32页 |
| 2.5 Park矢量与Park矢量模 | 第32-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于多窗高阶谱估计的感应电机轴承故障特征提取 | 第36-54页 |
| 3.1 多窗谱分析 | 第36-46页 |
| 3.1.1 应用FFT变换进行频谱分析存在的问题 | 第36-37页 |
| 3.1.2 周期图法 | 第37-40页 |
| 3.1.3 窗函数的选择与多窗谱分析 | 第40-43页 |
| 3.1.4 Slepian窗函数 | 第43-46页 |
| 3.2 多窗双谱估计 | 第46-49页 |
| 3.3 感应电机轴承故障的多窗双谱估计的实验研究 | 第49-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 基于数据挖掘的船舶感应电机轴承故障识别方法 | 第54-89页 |
| 4.1 数据聚类与挖掘技术 | 第54-64页 |
| 4.1.1 聚类 | 第54页 |
| 4.1.2 现有常用的聚类分析方法 | 第54-62页 |
| 4.1.3 数据挖掘常用聚类算法性能比较 | 第62-64页 |
| 4.2 Clique经典算法的分析和实现 | 第64-72页 |
| 4.2.1 经典Clique算法描述 | 第65-71页 |
| 4.2.2 现有Clique算法的局限性 | 第71-72页 |
| 4.3 改进的Clique算法 | 第72-77页 |
| 4.4 应用改进的聚类算法与FFT局部细化算法的轴承故障识别 | 第77-82页 |
| 4.4.1 FFT谱的局部细化算法 | 第77-78页 |
| 4.4.2 使用FFT的局部细化算法的数据挖掘轴承故障识别 | 第78-82页 |
| 4.5 基于Park矢量模及改进聚类算法的轴承故障识别 | 第82-84页 |
| 4.6 基于多窗谱与改进聚类算法的轴承故障识别 | 第84-86页 |
| 4.7 本文所述几种感应电机轴承故障特征提取与识别方法的比较 | 第86-88页 |
| 4.8 本章小结 | 第88-89页 |
| 第5章 船舶感应电机轴承故障诊断系统的软件硬件设计 | 第89-98页 |
| 5.1 系统的硬件设计 | 第89-90页 |
| 5.2 系统的软件设计 | 第90-97页 |
| 5.2.1 数字滤波器 | 第90-91页 |
| 5.2.2 FFT的优化算法 | 第91-92页 |
| 5.2.3 系统的软件流程图 | 第92-97页 |
| 5.3 本章小结 | 第97-98页 |
| 结论与展望 | 第98-100页 |
| 参考文献 | 第100-110页 |
| 攻读学位期间公开发表学术论文情况 | 第110-111页 |
| 致谢 | 第111-112页 |
| 作者简介 | 第112页 |
