声明
摘要
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 基于最小熵反褶积的故障特征提取方法国内外研究现状
1.2.2 基于局部切空间重构降噪的故障特征提取方法国内外研究现状
1.2.3 基于局部切空间排列算法的模式识别方法国内外研究现状
1.3 课题来源及主要研究内容
1.4 论文结构安排
第二章 基于最小熵反褶积的故障特征提取方法
2.1 最小熵反褶积的基本原理及仿真
2.2 基于智能优化算法的故障特征提取方法
2.2.1 果蝇和粒子群优化算法
2.2.2 基于果蝇优化的最小熵反褶积故障特征提取方法
2.2.3 基于粒子群优化的最小熵反褶积故障特征提取方法
2.3 方法验证与分析
2.3.1 实验条件
2.3.2 验证结果与分析
2.4 本章小结
第三章 基于局部切空间重构降噪的故障特征提取方法
3.1 局部切空间主流形重构的基本原理及仿真
3.2 高维空间构建
3.2.1 相空间重构的基本原理
3.2.2 本征模态函数重构
3.3 基于包数方法与局部切空间重构的故障特征提取方法
3.3.1 包数方法的基本原理及仿真
3.3.2 基于相空间重构的主流形降噪方法
3.3.3 基于本征模态函数重构的主流形降噪方法
3.4 方法验证与分析
3.4.1 实验条件
3.4.2 验证结果与分析
3.5 本章小结
第四章 基于局部切空间排列算法的故障模式识别方法
4.1 聚类准则改进的局部切空间排列算法
4.2 基于改进的局部切空间排列算法的模式识别方法
4.2.1 特征参数集的构建
4.2.2 分类器的选择
4.2.3 基于LTSA-K-最近邻分类器的模式识别方法
4.3 传统的模式识别方法
4.3.2 基于LE-K-最近邻分类器的模式识别方法
4.3.3 基于BP神经网络的模式识别方法
4.4 方法验证与分析
4.4.1 滚动轴承信号验证
4.4.2 齿轮信号验证
4.5 本章小结
第五章 结论与展望
5.1 研究成果总结
5.2 后续研究方向
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介