基于EWT和特征融合的钻机钻杆故障识别研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 机械故障诊断的研究现状 | 第14页 |
| 1.2.2 振动信号处理方法的研究现状 | 第14-16页 |
| 1.2.3 EWT方法在机械故障诊断中的应用现状 | 第16-17页 |
| 1.2.4 智能诊断方法在模识别中的应用现状 | 第17-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 钻机故障诊断实验平台的研制与正交试验 | 第20-33页 |
| 2.1 钻机实验平台的方案设计 | 第20-23页 |
| 2.1.1 钻机实验平台的设计要求 | 第20-21页 |
| 2.1.2 钻机实验平台的总体功能 | 第21-22页 |
| 2.1.3 钻机实验平台的功能分解 | 第22-23页 |
| 2.2 钻机实验平台的仿真设计与制造 | 第23-28页 |
| 2.3 钻机故障诊断的正交实验方案设计 | 第28-29页 |
| 2.4 钻杆故障信号模拟与信号采集 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于EWT方法的钻杆信号分解 | 第33-48页 |
| 3.1 经验小波变换的基本原理 | 第33-36页 |
| 3.1.1 尺度函数和小波函数 | 第33-34页 |
| 3.1.2 经验小波变换 | 第34-36页 |
| 3.2 EWT方法与经验模态分解方法的比较 | 第36-41页 |
| 3.2.1 经验模态分解简介 | 第36-37页 |
| 3.2.2 仿真信号分析 | 第37-41页 |
| 3.3 基于小波阈值法的钻杆信号去噪 | 第41-43页 |
| 3.4 钻杆振动信号的EWT分解与谱分析 | 第43-47页 |
| 3.4.1 信号的EWT分解 | 第43-44页 |
| 3.4.2 信号的时频谱分析 | 第44-45页 |
| 3.4.3 信号的EWT-Fourier谱分析 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于特征融合的特征向量构造 | 第48-62页 |
| 4.1 信号EWT-排列熵特征提取 | 第48-55页 |
| 4.1.1 EWT-排列熵特征提取算法 | 第48-50页 |
| 4.1.2 EWT-排列熵特征提取分析 | 第50-55页 |
| 4.2 信号EWT-能量特征提取 | 第55-60页 |
| 4.2.1 EWT-能量特征提取算法 | 第55页 |
| 4.2.2 EWT-能量特征提取分析 | 第55-60页 |
| 4.3 融合特征向量构造 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 钻杆故障模式分类方法的研究 | 第62-77页 |
| 5.1 基于BP神经网络的钻杆故障模式分类 | 第62-67页 |
| 5.1.1 BP神经网络原理及算法 | 第62-64页 |
| 5.1.2 BP神经网络的钻杆分类模型搭建 | 第64-65页 |
| 5.1.3 BP神经网络的钻杆故障分类结果分析 | 第65-67页 |
| 5.2 基于SVM的钻杆故障模式分类 | 第67-76页 |
| 5.2.1 支持向量机理论 | 第67-71页 |
| 5.2.2 支持向量机的钻杆分类模型搭建 | 第71-74页 |
| 5.2.3 支持向量机的钻杆故障分类结果分析 | 第74-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 结论 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
