基于加权排列熵和ELM的通风机轴承故障诊断研究

目录

声明

致谢

图清单

表清单

变量注释表

1 绪论

1.1 研究背景意义（Research Background and Significance）

1.2.1 通风机滚动轴承故障诊断研究现状

1.2.2 信号特征分析研究现状

1.2.3 故障识别研究现状

1.3 论文主要研究内容及章节安排（Main Research Contents and Arrangements for the Chapter）

2 通风机轴承故障机理分析

2.1 煤矿通风机概述（Introduction of Coal Mine Ventilator）

2.2 滚动轴承的结构与振动原理（Structure and Vibration Principle of Rolling Bearing）

2.2.1 滚动轴承的基本结构

2.2.2 滚动轴承振动原理

2.3.1 滚动轴承的失效形式

2.3.2 滚动轴承故障类型及特征频率

2.4 本章小结（Chapter Summary）

3 通风机滚动轴承故障预警

3.1.1 梅尔频率倒谱系数

3.1.2 谱熵梅尔积特征参数

3.2.1 基于模糊C均值聚类算法的门限自适应估计

3.2.2 基于贝叶斯信息准则的信号聚类簇数确定

3.2.3 基于双门限法的故障起始点检测

3.3 基于谱熵梅尔积的滚动轴承故障预警（Fault Warning of Rolling Bearing Based on MFPH）

3.3.1 故障数据说明

3.3.2 故障预警实验分析

3.4 本章小结（Chapter Summary）

4 基于 EMD 的通风机轴承振动信号分解

4.1.1 瞬时频率

4.1.2 固有模态函数

4.1.3 经验模态分解及仿真信号分析

4.2.1 端点效应问题

4.2.2 端点效应的抑制及仿真信号分析

4.3.1 模态混叠问题

4.3.2 AELIMD及仿真信号分析

4.4 本章小结（Chapter Summary）

5 基于加权排列熵的通风机轴承故障特征提取

5.1 故障信号特征分析（Characteristic Analysis of Fault Signal）

5.2 IMF的特征信息（Characteristic Information of IMF）

5.2.1 能量

5.2.2 排列熵

5.2.3 加权排列熵

5.3 基于 AELIMD的轴承故障特征提取（Feature Extraction of Bearing Faults Based on AELIMD）

5.3.1 基于能量的轴承状态特征提取

5.3.2 基于排列熵的轴承状态特征提取

5.3.3 基于加权排列熵的轴承状态特征提取

5.4 实际轴承振动信号特征提取及对比分析（Feature Extraction and Comparative Analysis of Actual Bearing Vibration Signals）

5.5 本章小结（Chapter Summary）

6 基于 ELM 的通风机轴承故障诊断

6.1.1 单隐层前馈神经网络基本结构

6.1.2 极限学习机

6.2.1 差分进化算法

6.2.2 改进的差分进化算法

6.2.3 DE-SA算法优化极限学习机

6.3 基于 DE-SA-ELM 的通风机轴承故障诊断（Ventilator Bearing Fault Diagnosis Based on DE-SA-ELM）

6.3.1 DE-SA-ELM模型参数设置

6.3.2 基于实际信号的故障诊断模型性能分析

6.4 本章小结（Chapter Summary）

7 总结与展望

7.1 总结（Summary）

7.2 展望（Outlook）

参考文献

作者简历

学位论文原创性声明

学位论文数据集