文摘
英文文摘
1 绪论
1.1 课题来源
1.2 课题研究的背景与意义
1.3 相关技术及研究现状
1.3.1 微弱特征信号检测的特点
1.3.2 非平稳信号微弱特征提取方法研究现状
1.3.3 智能故障诊断技术的研究与应用现状
1.3.4 旋转机械监测诊断系统的开发与应用现状
1.4 本文的主要研究内容和结构安排
1.4.1 本文的主要研究内容
1.4.2 论文的结构安排
2 基于自适应Morlet小波的微弱特征提取方法
2.1 引言
2.2 小波降噪的基本原理及方法
2.2.1 小波降噪的基本原理
2.2.2 常用的小波降噪方法
2.3 奇异值分解的基本原理
2.4 基于参数优化Morlet小波的微弱特征提取
2.4.1 小波变换的滤波特性
2.4.2 母小波的选取与Morlet小波
2.4.3 带宽参数优化
2.4.4 尺度参数优化
2.4.5 应用与比较
2.5 基于SPE谱的自适应Morlet小波徽弱特征提取
2.5.1 Morlet小波的时频分辨率
2.5.2 自适应Morlet小波的设计与实现
2.5.3 基于SPE谱的最佳变换尺度求取
2.5.4 试验分析与工程应用
2.6 本章小结
3 基于重分配谱的微弱特征提取方法
3.1 引言
3.2 魏格纳时频谱与小波尺度谱
3.2.1 魏格纳分布与魏格纳时频谱
3.2.2 小波变换与小波尺度谱
3.3 重分配尺度谱的时频分布优化方法研究
3.3.1 研究现状
3.3.2 重分配小尺度谱及时间-带宽积优化
3.3.3 基于SVD的重分配小波尺度谱降噪
3.3.4 试验分析与工程应用
3.4 基于重分配时频谱和SVD的微弱特征提取
3.4.1 研究现状
3.4.2 重分配魏格纳时频谱和SVD降噪
3.4.3 仿真分析
3.4.4 应用与比较
3.5 基于最优重分配尺度谱的小波脊线提取方法
3.5.1 研究现状
3.5.2 小波脊线提取原理
3.5.3 基于最优重分配尺度谱的小波脊线提取
3.5.4 试验信号分析
3.6 本章小结
4 基于形态奇异值分解和HHT的微弱特征提取方法
4.1 引言
4.2 形态奇异值分解滤波消噪方法的基本原理
4.2.1 奇异值分解降噪的基本原理
4.2.2 形态滤波的基本原理
4.3 HHT的基本原理
4.3.1 本征模态函数
4.3.2 EMD的基本原理
4.3.3 Hilbert谱和边际谱
4.4 基于形态奇异值分解和HHT的微弱特征提取
4.4.1 噪声对EMD分解的影响
4.4.2 形态奇异值分解滤波消噪方法的实现
4.4.3 基于形态奇异值分解预处理的HHT分析
4.5 应用实例
4.6 本章小结
5 基于微弱特征提取和遗传优化SVM的故障诊断方法
5.1 引言
5.2 小生境遗传算法及其原理
5.2.1 遗传算法的基本原理及特点
5.2.2 遗传算法的实现步骤
5.2.3 小生境遗传算法
5.3 支持向量机分类器
5.3.1 支持向量机分类的基本原理
5.3.2 支持向量机的核函数
5.3.3 支持向量机分类器的类型
5.4 基于微弱特征提取和SVM故障诊断方法实现
5.4.1 微弱故障特征的提取与选择
5.4.2 SVM的类型与核函数选择
5.4.3 基于NGA的SVM参数优化
5.4.4 诊断实例分析
5.5 本章小结
6 非平稳信号微弱特征提取模块的设计与应用
6.1 引言
6.2 状态监测与故障诊断系统设计
6.2.1 需求分析
6.2.2 系统总体设计
6.2.3 系统统一构架及界面设计
6.3 非平稳信号微弱特征提取模块设计
6.3.1 HHT微弱特征提取模块设计
6.3.2 小波微弱特征提取模块设计
6.3.3 谱图微弱特征提取模块设计
6.4 非平稳信号微弱特征提取模块应用
6.4.1 小波微弱特征提取模块的应用
6.4.2 HHT微弱特征提取模块的应用
6.4.3 谱图微弱特征提取模块的应用
6.5 本章小结
7 结论与展望
7.1 结论
7.1.1 本文工作总结
7.1.2 本文主要创新之处
7.2 研究展望
致谢
参考文献
附录
A.作者在攻读博士学位期间发表的论文目录
B.作者在攻读博士学位期间参加的科研项目