| 第一章 绪论 | 第11-27页 |
| 1.1 课题研究的意义 | 第11-12页 |
| 1.2 国外机械故障诊断技术的发展研究状况 | 第12-13页 |
| 1.3 我国机械故障诊断技术的发展和研究状况 | 第13-14页 |
| 1.4 机械故障诊断技术的发展方向 | 第14-15页 |
| 1.5 机械故障监测与诊断技术方法概述 | 第15-16页 |
| 1.6 现代信号分析概述 | 第16-19页 |
| 1.6.1 时频分析 | 第16-17页 |
| 1.6.2 小波分析 | 第17页 |
| 1.6.3 高阶统计量理论 | 第17-18页 |
| 1.6.4 分形理论 | 第18-19页 |
| 1.7 人工神经网络与智能诊断概述 | 第19-20页 |
| 1.7.1 人工神经网络的基本特征 | 第19-20页 |
| 1.7.2 智能诊断中常用的识别理论及方法 | 第20页 |
| 1.8 滚动轴承状态监测与故障诊断综述 | 第20-25页 |
| 1.8.1 滚动轴承状态监测与故障诊断常用方法 | 第20-22页 |
| 1.8.2 滚动轴承故障诊断近年来国内外应用概况 | 第22-25页 |
| 1.9 论文研究的主要内容 | 第25-27页 |
| 第二章 基于功率谱密度分析的滚动轴承故障诊断方法的研究 | 第27-39页 |
| 2.1 轴承振动信号的功率谱密度分析 | 第27-32页 |
| 2.2 基于包络分析的滚动轴承故障诊断方法的研究 | 第32-38页 |
| 2.2.1 包络分析法原理 | 第32页 |
| 2.2.2 包络分析法的软件实现原理 | 第32-33页 |
| 2.2.3 包络信息提取的Hilbert变换法 | 第33页 |
| 2.2.4 幅值1的计算方法 | 第33-34页 |
| 2.2.5 包络分析在轴承振动信号故障诊断中的应用 | 第34-37页 |
| 2.2.6 包络分析法应用中应当注意的一些问题 | 第37-38页 |
| 2.3 小结 | 第38-39页 |
| 第三章 基于时频分析的滚动轴承诊断方法的研究 | 第39-53页 |
| 3.1 引言 | 第39-41页 |
| 3.2 时频分析的主要理论 | 第41-49页 |
| 3.2.1 短时Fourier变换(STFT) | 第41-46页 |
| 3.2.2 Wigner-Ville分布(WVD) | 第46-49页 |
| 3.3 时频分析在轴承振动信号故障诊断中的应用 | 第49-51页 |
| 3.4 小结 | 第51-53页 |
| 第四章 基于高阶谱分析的滚动轴承诊断方法的研究 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 高阶累积量和高阶谱 | 第53-64页 |
| 4.2.1 高阶矩和高阶累积量基本概念 | 第53-56页 |
| 4.2.2 高阶累积量的性质 | 第56-57页 |
| 4.2.3 高阶谱 | 第57-58页 |
| 4.2.4 双谱分析 | 第58-60页 |
| 4.2.5 典型信号的仿真 | 第60-64页 |
| 4.3 双谱分析在轴承振动信号故障诊断中的应用 | 第64-66页 |
| 4.4 小结 | 第66-67页 |
| 第五章 基于分形理论的滚动轴承诊断方法的研究 | 第67-75页 |
| 5.1 引言 | 第67页 |
| 5.2 分形与分形维数 | 第67-70页 |
| 5.2.1 分形 | 第67-68页 |
| 5.2.2 分形维数 | 第68-69页 |
| 5.2.3 分形维数的计算 | 第69-70页 |
| 5.3 盒维数在轴承振动信号故障诊断中的应用 | 第70-73页 |
| 5.4 小结 | 第73-75页 |
| 第六章 径向基函数(RBF)神经网络简介 | 第75-84页 |
| 6.1 引言 | 第75-76页 |
| 6.2 径向基函数神经网络 | 第76-80页 |
| 6.2.1 RBF神经网络模型 | 第76-77页 |
| 6.2.2 RBF神经网络算法 | 第77-78页 |
| 6.2.3 RBF网络与多层感知器的比较 | 第78-79页 |
| 6.2.4 神经网络与模式特征提取 | 第79-80页 |
| 6.3 径向基函数(RBF)神经网络的仿真研究 | 第80-82页 |
| 6.4 小结 | 第82-84页 |
| 第七章 基于时序分析的滚动轴承智能诊断方法的研究 | 第84-96页 |
| 7.1 引言 | 第84页 |
| 7.2 时序模型的概念 | 第84-87页 |
| 7.2.1 自回归模型1 | 第85页 |
| 7.2.2 滑动平均模型1 | 第85-86页 |
| 7.2.3 自回归滑动平均模型1 | 第86-87页 |
| 7.3 自回归模型1的参数、阶次的确定 | 第87-91页 |
| 7.3.1 1模型参数的最小二乘估计法 | 第87-90页 |
| 7.3.2 1模型参数的阶次确定 | 第90-91页 |
| 7.4 基于自回归模型的轴承智能诊断 | 第91-95页 |
| 7.4.1 智能诊断的模型 | 第91-92页 |
| 7.4.2 AR模型在轴承振动信号智能诊断中的应用 | 第92-95页 |
| 7.5 小结 | 第95-96页 |
| 第八章 基于主分量分析的滚动轴承智能诊断方法的研究 | 第96-105页 |
| 8.1 引言 | 第96页 |
| 8.2 主分量分析 | 第96-101页 |
| 8.2.1 主分量分析 | 第96-97页 |
| 8.2.2 基本计算 | 第97-100页 |
| 8.2.3 重要性质 | 第100-101页 |
| 8.3 基于主分量分析的轴承智能诊断 | 第101-104页 |
| 8.3.1 智能诊断模型 | 第101-102页 |
| 8.3.2 主分量分析在轴承振动信号智能诊断中的应用 | 第102-104页 |
| 8.4 小结 | 第104-105页 |
| 第九章 基于小波分析的滚动轴承智能诊断方法的研究 | 第105-125页 |
| 9.1 引言 | 第105页 |
| 9.2 小波理论 | 第105-113页 |
| 9.2.1 小波函数及积分小波变换 | 第105-108页 |
| 9.2.2 小波分解 | 第108-110页 |
| 9.2.3 频带范围 | 第110页 |
| 9.2.4 小波包(Wavelet Packet)分析 | 第110-113页 |
| 9.3 小波分析在轴承故障诊断中的应用 | 第113-124页 |
| 9.3.1 小波减噪应用于轴承故障诊断 | 第113-120页 |
| 9.3.2 小波神经网络应用于轴承故障智能诊断 | 第120-124页 |
| 9.4 小结 | 第124-125页 |
| 第十章 结论与展望 | 第125-128页 |
| 10.1 结论 | 第125-127页 |
| 10.2 展望 | 第127-128页 |
| 参考文献 | 第128-137页 |
| 附录 | 第137-158页 |
| 附录 A | 第137-141页 |
| 附录 B | 第141-158页 |
| 攻读博士学位期间发表的学术论文及科研成果 | 第158-159页 |
| 致谢 | 第159-160页 |
| 摘要 | 第160-163页 |
| ABSTRACT | 第163页 |
