摘要 | 第3-5页 |
Abstract | 第5-7页 |
1 绪论 | 第11-24页 |
1.1 论文的选题背景和依据 | 第11-17页 |
1.1.1 振动筛故障诊断技术的研究现状 | 第11-13页 |
1.1.2 振动筛振动源的发展现状 | 第13-17页 |
1.1.3 主要存在的问题 | 第17页 |
1.2 本论文研究的意义 | 第17-19页 |
1.2.1 振动筛振动源故障诊断的意义 | 第17-18页 |
1.2.2 振动筛振动源的常见故障 | 第18-19页 |
1.3 本论文研究的方法 | 第19-21页 |
1.3.1 基于小波分析的微弱信号提取 | 第19-20页 |
1.3.2 基于EEMD-BSS算法的微弱信号提取 | 第20-21页 |
1.3.3 改进的KNN算法 | 第21页 |
1.4 论文的主要研究内容 | 第21-24页 |
1.4.1 论文的主要研究内容 | 第21-22页 |
1.4.2 论文的结构安排 | 第22-24页 |
2 基于小波分析的微弱信号提取 | 第24-49页 |
2.1 小波分析与多分辨分析 | 第24-26页 |
2.2 小波分析与傅里叶变换的区别 | 第26-28页 |
2.3 小波变换 | 第28-31页 |
2.3.1 连续小波变换 | 第28-29页 |
2.3.2 离散小波变换 | 第29-30页 |
2.3.3 高维小波连续变换 | 第30-31页 |
2.4 常用小波基函数 | 第31-36页 |
2.4.1 小波函数 | 第31-33页 |
2.4.2 小波函数系 | 第33-35页 |
2.4.3 复数小波 | 第35-36页 |
2.5 分析小波包 | 第36-40页 |
2.5.1 小波包的定义及性质 | 第36-38页 |
2.5.2 分解小波包的空间 | 第38-39页 |
2.5.3 小波包算法 | 第39-40页 |
2.6 小波分析在微弱信号提取中的应用 | 第40-47页 |
2.6.1 小波变换的信噪分离原理 | 第41-42页 |
2.6.2 小波变换的信噪分离过程 | 第42-44页 |
2.6.3 基于小波分析的微弱信号提取仿真分析 | 第44-46页 |
2.6.4 小波去噪与巴特沃斯低通滤波器去噪效果比较 | 第46-47页 |
2.7 本章小结 | 第47-49页 |
3 基于EEMD-BSS算法的微弱信号提取 | 第49-75页 |
3.1 EMD算法 | 第49-51页 |
3.2 EEMD算法 | 第51-52页 |
3.3 EMD与EEMD算法的性能比较 | 第52-56页 |
3.4 基于盲信号分离技术的微弱信号提取方法 | 第56-68页 |
3.4.1 盲源分离的数学模型 | 第57-59页 |
3.4.2 盲源分离的预处理方法 | 第59-60页 |
3.4.3 几种典型的盲源分离算法 | 第60-64页 |
3.4.4 盲源分离算法的仿真应用 | 第64-68页 |
3.5 改进的EEMD-BSS算法及其应用 | 第68-74页 |
3.5.1 基于EEMD的盲源分离算法的思路 | 第69页 |
3.5.2 模拟仿真实验 | 第69-72页 |
3.5.3 振动源数的估计 | 第72-74页 |
3.6 本章小结 | 第74-75页 |
4 基于小波分析—EEMD—BSS算法的振动电机滚动轴承故障特征信号的提取 | 第75-102页 |
4.1 振动电机滚动轴承故障频谱分析 | 第75-81页 |
4.1.1 滚动轴承的振动机理 | 第75页 |
4.1.2 振动电机滚动轴承故障频率的计算方法 | 第75-79页 |
4.1.3 振动电机滚动轴承故障频谱分析 | 第79-81页 |
4.2 振动电机滚动轴承的建模与仿真 | 第81-83页 |
4.2.1 振动电机滚动轴承的建模 | 第81-82页 |
4.2.2 振动电机滚动轴承故障信号仿真 | 第82-83页 |
4.3 小波分析、EEMD—BSS算法在振动电机滚动轴承故障特征信号提取中的应用 | 第83-101页 |
4.3.1 基于小波分析的振动电机滚动轴承故障特征信号提取 | 第83-85页 |
4.3.2 基于小波分析和EEMD分解的振动电机滚动轴承故障特征信号提取 | 第85-94页 |
4.3.3 基于传统BSS算法的振动电机滚动轴承故障特征信号提取 | 第94-95页 |
4.3.4 基于小波分析、EEMD—BSS算法的振动电机滚动轴承故障特征信号提取 | 第95-101页 |
4.4 本章小结 | 第101-102页 |
5 一种改进的KNN算法及其在振动电机滚动轴承故障诊断中的应用 | 第102-117页 |
5.1 K近邻分类 | 第102-110页 |
5.1.1 K近邻分类算法简介 | 第102-106页 |
5.1.2 K近邻算法的实现 | 第106-107页 |
5.1.3 K近邻算法的优缺点 | 第107-108页 |
5.1.4 KNN的改进方法 | 第108-110页 |
5.2 传统KNN算法在振动电机滚动轴承故障诊断中的应用 | 第110-111页 |
5.2.1 传统KNN算法的步骤 | 第110-111页 |
5.2.2 传统KNN算法在振动电机滚动轴承故障诊断中的应用 | 第111页 |
5.3 加权KNN算法及其在振动电机滚动轴承故障诊断中的应用 | 第111-114页 |
5.3.1 基于特征属性分类准确度的特征权重计算方法 | 第112页 |
5.3.2 加权KNN算法在振动电机滚动轴承故障诊断中的应用 | 第112-114页 |
5.4 改进的KNN算法及其在振动电机滚动轴承故障诊断中的应用 | 第114-115页 |
5.5 本章小结 | 第115-117页 |
6 结论与展望 | 第117-120页 |
6.1 本文结论 | 第117-118页 |
6.2 本文的主要创新点 | 第118-119页 |
6.3 下一步工作展望 | 第119-120页 |
致谢 | 第120-121页 |
参考文献 | 第121-130页 |
附录 攻读学位期间发表的论文 | 第130页 |