| 摘要 | 第8-9页 |
| ABSTRACT | 第9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 国内外研究现状 | 第12-16页 |
| 1.2.1 故障信号的时域分析法 | 第13-14页 |
| 1.2.2 故障信号的频域分析法 | 第14-15页 |
| 1.2.3 故障信号的时频分析法 | 第15-16页 |
| 1.3 存在的问题 | 第16-17页 |
| 1.3.1 存在的主要问题 | 第16页 |
| 1.3.2 未来的发展趋势 | 第16-17页 |
| 1.4 论文的研究内容和结构安排 | 第17-19页 |
| 第二章 声音信号的常用滤波方法 | 第19-39页 |
| 2.1 奇异值分解滤波 | 第19-24页 |
| 2.1.1 奇异值分解算法基本原理 | 第19-20页 |
| 2.1.2 仿真实验 | 第20-24页 |
| 2.2 小波闽值滤波 | 第24-28页 |
| 2.2.1 小波变换基本原理 | 第24-25页 |
| 2.2.2 小波阈值去噪基本原理 | 第25-26页 |
| 2.2.3 仿真实验 | 第26-28页 |
| 2.3 经验模态分解滤波 | 第28-37页 |
| 2.3.1 EMD分解算法基本原理 | 第29-30页 |
| 2.3.2 EMD滤波算法基本原理 | 第30-32页 |
| 2.3.3 仿真实验 | 第32-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 声信号的SVM故障诊断 | 第39-55页 |
| 3.1 基于声音信号的系统故障诊断过程简介 | 第39页 |
| 3.2 声音信号的特征提取 | 第39-43页 |
| 3.2.1 小波包分解能量特征 | 第40-41页 |
| 3.2.2 经验模态分解能量特征 | 第41-42页 |
| 3.2.3 基于梅尔倒谱系数的听觉特征 | 第42-43页 |
| 3.3 支持向量机基本原理及分类器训练 | 第43-48页 |
| 3.3.1 支持向量机基本原理 | 第43-48页 |
| 3.3.2 分类器训练 | 第48页 |
| 3.4 故障诊断实验结果对比 | 第48-51页 |
| 3.5 类别增量学习 | 第51-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 诊断平台开发 | 第55-65页 |
| 4.1 平台开发 | 第55-59页 |
| 4.2 数据库设计 | 第59-63页 |
| 4.2.1 SQL Sever与Matlab的数据通信 | 第59页 |
| 4.2.2 故障诊断平台的数据库设计 | 第59-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 论文工作总结 | 第65页 |
| 5.2 工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表的学术论文 | 第72-73页 |
| 学位论文评阅及答辩情况表 | 第73页 |