多转子轴承复杂路径下微弱故障特征提取方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题背景及意义 | 第15-16页 |
| 1.2 航空发动机轴承故障诊断研究现状及发展趋势 | 第16-18页 |
| 1.3 论文主要内容以及创新点 | 第18-19页 |
| 1.4 论文结构安排 | 第19-21页 |
| 第二章 滚动轴承振动机理与信号特征 | 第21-27页 |
| 2.1 滚动轴承故障主要形式及原因 | 第21-22页 |
| 2.2 滚动轴承振动机理 | 第22-24页 |
| 2.3 滚动轴承信号特征 | 第24-26页 |
| 2.3.1 轴承内圈故障特征 | 第24-25页 |
| 2.3.2 轴承外圈故障特征 | 第25页 |
| 2.3.3 轴承滚动体故障特征 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于一维信号的故障诊断方法研究 | 第27-55页 |
| 3.1 基于MEMD的故障诊断方法 | 第27-40页 |
| 3.1.1 MEMD | 第27-32页 |
| 3.1.2 MEMD在轴承故障诊断中的应用 | 第32-33页 |
| 3.1.3 实验验证 | 第33-39页 |
| 3.1.4 小结 | 第39-40页 |
| 3.2 基于小波包样本熵的特征参数提取方法 | 第40-47页 |
| 3.2.1 基本理论 | 第40-43页 |
| 3.2.2 小波包样本熵特征参数提取 | 第43-44页 |
| 3.2.3 实验验证 | 第44-47页 |
| 3.2.4 小结 | 第47页 |
| 3.3 基于短时能量和SVD的特征参数提取方法 | 第47-54页 |
| 3.3.1 短时能量 | 第47-48页 |
| 3.3.2 奇异值分解 | 第48-49页 |
| 3.3.3 短时能量和SVD特征参数提取 | 第49-50页 |
| 3.3.4 实验验证 | 第50-53页 |
| 3.3.5 小结 | 第53-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 基于升维信号的故障诊断方法研究 | 第55-77页 |
| 4.1 基于SIFT的故障诊断方法 | 第55-62页 |
| 4.1.1 SIFT算法 | 第55-57页 |
| 4.1.2 SIFT算法在轴承故障诊断中的应用 | 第57-59页 |
| 4.1.3 实验验证及分析 | 第59-62页 |
| 4.1.4 小结 | 第62页 |
| 4.2 基于SURF的故障诊断方法 | 第62-71页 |
| 4.2.1 SURF算法 | 第62-64页 |
| 4.2.2 SURF算法在轴承故障诊断中的应用 | 第64-66页 |
| 4.2.3 实验验证及分析 | 第66-70页 |
| 4.2.4 小结 | 第70-71页 |
| 4.3 基于灰度共生矩阵的故障诊断方法 | 第71-75页 |
| 4.3.1 灰度共生矩阵 | 第71-72页 |
| 4.3.2 灰度共生矩阵在轴承故障诊断中的应用 | 第72-73页 |
| 4.3.3 实验验证及分析 | 第73-74页 |
| 4.3.4 小结 | 第74-75页 |
| 4.4 三种故障识别方法性能比较 | 第75-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 航空发动机轴承故障智能诊断系统 | 第77-85页 |
| 5.1 系统总体结构设计 | 第77-79页 |
| 5.2 系统各模块调试结果 | 第79-84页 |
| 5.2.1 基于振动信号故障诊断模块 | 第79-82页 |
| 5.2.2 基于图像信号故障诊断模块 | 第82-84页 |
| 5.3 本章小结 | 第84-85页 |
| 第六章 结论与展望 | 第85-87页 |
| 6.1 研究成果总结 | 第85-86页 |
| 6.2 后续工作展望 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 研究成果及发表的学术论文 | 第93-95页 |
| 作者和导师简介 | 第95-96页 |
| 附件 | 第96-97页 |
