摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第11-20页 |
1.1 课题背景 | 第11-12页 |
1.2 国内外滚动接触疲劳检测的现状 | 第12-16页 |
1.2.1 国内外滚动接触疲劳的检测手段 | 第12-14页 |
1.2.2 现阶段滚动接触疲劳检测手段存在的不足 | 第14-15页 |
1.2.3 滚动接触疲劳检测技术发展趋势 | 第15-16页 |
1.3 声发射在滚动接触疲劳检测的应用现状 | 第16-18页 |
1.3.1 声发射检测的原理 | 第16-17页 |
1.3.2 声发射在滚动接触疲劳检测中应用的可行性分析 | 第17-18页 |
1.4 论文的主要研究内容 | 第18-19页 |
1.5 本章小结 | 第19-20页 |
第2章 滚动接触疲劳检测的声发射信号处理方法研究 | 第20-51页 |
2.1 滚动接触疲劳声发射信号的时域特征提取 | 第20-23页 |
2.1.1 传统时域特征提取 | 第20-21页 |
2.1.2 AR模型的特征提取 | 第21-23页 |
2.2 滚动接触疲劳声发射信号的频域特征提取 | 第23-24页 |
2.3 基于小波分析的滚动接触疲劳声发射信号特征提取 | 第24-29页 |
2.3.1 小波分析的理论 | 第24-26页 |
2.3.2 小波分解的能量谱特征 | 第26-27页 |
2.3.3 小波分解的信息熵特征 | 第27-29页 |
2.4 基于经验模态分解的滚动接触疲劳声发射信号特征提取 | 第29-36页 |
2.4.1 EMD方法的基本原理 | 第29-31页 |
2.4.2 EMD 分解的能量谱特征 | 第31-34页 |
2.4.3 EMD分解的信息熵特征 | 第34-35页 |
2.4.4 EMD分解的AR参数矩特征 | 第35-36页 |
2.5 基于局域均值分解的滚动接触疲劳声发射信号特征提取 | 第36-43页 |
2.5.1 局域均值分解的基本原理 | 第36-38页 |
2.5.2 LMD分解的能量谱特征 | 第38-40页 |
2.5.3 基于LMD分解的信息熵谱特征 | 第40-42页 |
2.5.4 基于LMD的AR模型参数矩特征 | 第42-43页 |
2.6 滚动接触疲劳声发射信号的特征选择 | 第43-45页 |
2.7 声发射信号的模式识别方法 | 第45-50页 |
2.7.1 模式识别方法的概述 | 第45页 |
2.7.2 人工智能神经网络 | 第45-48页 |
2.7.3 支持向量机 | 第48-50页 |
2.8 本章小结 | 第50-51页 |
第3章 轴承滚动接触疲劳在线检测系统设计 | 第51-66页 |
3.1 滚动接触疲劳在线检测系统的总体设计 | 第51页 |
3.2 滚动接触疲劳在线检测的硬件系统 | 第51-56页 |
3.2.1 滚动接触疲劳试验机 | 第51-53页 |
3.2.2 声发射传感器 | 第53页 |
3.2.3 安装固定装置和耦合剂 | 第53-54页 |
3.2.4 前置放大器 | 第54-55页 |
3.2.5 声发射采集箱和计算机 | 第55-56页 |
3.2.6 其它配件 | 第56页 |
3.3 滚动接触疲劳在线检测的软件系统 | 第56-65页 |
3.3.1 软件系统的功能设计 | 第56-57页 |
3.3.2 软件界面设计 | 第57-59页 |
3.3.3 软件的数据处理流程 | 第59-62页 |
3.3.4 声发射信号采集卡参数设置 | 第62-64页 |
3.3.5 视图设置 | 第64-65页 |
3.4 本章小结 | 第65-66页 |
第4章 轴承滚动接触疲劳在线检测试验研究 | 第66-76页 |
4.1 滚动接触疲劳在线检测的试验设计 | 第66-68页 |
4.1.1 试验方案设计 | 第66-67页 |
4.1.2 试验步骤 | 第67-68页 |
4.2 滚动接触疲劳在线检测的试验过程 | 第68-73页 |
4.2.1 试验数据前处理 | 第68-69页 |
4.2.2 试验数据的特征提取 | 第69-71页 |
4.2.3 试验数据的特征选择 | 第71-72页 |
4.2.4 试验数据的特征模式识别 | 第72-73页 |
4.3 试验结果分析 | 第73-74页 |
4.4 展望 | 第74-75页 |
4.5 本章小结 | 第75-76页 |
结论 | 第76-77页 |
参考文献 | 第77-81页 |
附录 | 第81-82页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第82-83页 |
致谢 | 第83-84页 |
作者简介 | 第84页 |