| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题的背景及意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断方法及研究现状 | 第11-13页 |
| 1.2.1 线性分析 | 第11-12页 |
| 1.2.2 非线性分析 | 第12-13页 |
| 1.3 多尺度熵的发展概况 | 第13-14页 |
| 1.4 智能故障诊断方法的发展概况 | 第14-15页 |
| 1.4.1 有监督学习方法 | 第14页 |
| 1.4.2 无监督学习方法 | 第14-15页 |
| 1.4.3 半监督学习方法 | 第15页 |
| 1.5 课题来源及论文的主要内容和安排 | 第15-18页 |
| 1.5.1 课题的来源 | 第15页 |
| 1.5.2 论文的主要内容与安排 | 第15-18页 |
| 1.5.2.1 论文的主要内容 | 第15-17页 |
| 1.5.2.2 论文的章节安排 | 第17-18页 |
| 第二章 多尺度熵算法 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 样本熵算法 | 第18-19页 |
| 2.3 模糊熵算法 | 第19-20页 |
| 2.4 多尺度熵算法 | 第20-21页 |
| 2.5 复合多尺度熵算法 | 第21-23页 |
| 2.6 仿真分析与实验分析 | 第23-31页 |
| 2.6.1 仿真分析 | 第23-26页 |
| 2.6.2 实验数据分析 | 第26-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 基于改进多尺度熵滚动轴承故障诊断方法 | 第32-51页 |
| 3.1 引言 | 第32页 |
| 3.2 插值多尺度熵算法 | 第32-35页 |
| 3.2.1 插值多尺度熵算法原理 | 第32-33页 |
| 3.2.2 仿真分析 | 第33-35页 |
| 3.3 基于插值多尺度熵故障诊断方法 | 第35-42页 |
| 3.3.1 FCM方法原理 | 第36-37页 |
| 3.3.2 在滚动轴承故障诊断中的应用 | 第37-42页 |
| 3.3.2.1 计算步骤 | 第37页 |
| 3.3.2.2 试验对比分析 | 第37-42页 |
| 3.4 基于复合多尺度熵与拉普拉斯支持向量机的故障诊断方法 | 第42-49页 |
| 3.4.1 拉普拉斯支持向量机方法 | 第43-45页 |
| 3.4.2 基于CMSE,SFS与LapSVM的滚动轴承故障诊断方法 | 第45-49页 |
| 3.4.2.1 方法步骤 | 第45-46页 |
| 3.4.2.2 试验数据分析 | 第46-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 基于改进多尺度模糊熵的故障诊断方法 | 第51-74页 |
| 4.1 引言 | 第51页 |
| 4.2 改进的多尺度模糊熵算法原理 | 第51-60页 |
| 4.2.1 改进的多尺度模糊熵算法 | 第51-52页 |
| 4.2.2 仿真分析 | 第52-54页 |
| 4.2.2.1 参数选择 | 第52-53页 |
| 4.2.2.2 IMFE与MFE对比分析 | 第53-54页 |
| 4.2.3 复合插值多尺度模糊熵算法 | 第54-56页 |
| 4.2.4 仿真分析 | 第56-60页 |
| 4.3 基于改进的多尺度模糊熵故障诊断方法 | 第60-64页 |
| 4.3.1 支持向量机 | 第60-61页 |
| 4.3.2 在滚动轴承特征提取中的应用 | 第61-64页 |
| 4.3.2.1 同种故障程度分析 | 第61-63页 |
| 4.3.2.2 不同故障程度的分析 | 第63-64页 |
| 4.4 基于复合插值多尺度模糊熵故障诊断方法 | 第64-73页 |
| 4.4.1 算法步骤 | 第65-66页 |
| 4.4.2 试验对比分析 | 第66-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 结论与展望 | 第74-76页 |
| 5.1 研究结论 | 第74-75页 |
| 5.2 研究展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 在校期间研究成果 | 第79-80页 |
| 致谢 | 第80页 |