| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-21页 |
| 1.1 课题来源 | 第10页 |
| 1.2 设备故障智能诊断的研究意义 | 第10-11页 |
| 1.3 设备故障特征提取与模式识别研究现状 | 第11-15页 |
| 1.3.1 设备故障特征提取方法研究现状 | 第11-14页 |
| 1.3.2 模式识别方法在故障诊断中的应用研究现状 | 第14-15页 |
| 1.4 信息融合技术的发展状况 | 第15-17页 |
| 1.4.1 全息谱技术 | 第15-16页 |
| 1.4.2 全频谱技术 | 第16页 |
| 1.4.3 全矢谱技术 | 第16-17页 |
| 1.5 本文的研究目的和意义 | 第17-18页 |
| 1.6 本文主要内容与结构框架 | 第18-21页 |
| 1.6.1 主要研究内容 | 第18-19页 |
| 1.6.2 本文结构安排 | 第19-21页 |
| 2 全矢谱理论及应用 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 全矢谱技术的基本理论 | 第21-26页 |
| 2.3 全矢谱技术的数值算法 | 第26-28页 |
| 2.4 全矢谱技术的应用实例 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 多维经验模态分解理论及应用 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 多维经验模态分解理论及算法流程 | 第31-33页 |
| 3.2.1 多维经验模态分解基本理论 | 第31页 |
| 3.2.2 多维经验模态分解仿真分析 | 第31-33页 |
| 3.3 基于MEMD与MMSE的滚动轴承退化特征提取方法 | 第33-36页 |
| 3.3.1 MMSE算法及性质 | 第33-35页 |
| 3.3.2 基于MEMD的MMSE算法 | 第35页 |
| 3.3.3 多元多尺度熵偏均值 | 第35-36页 |
| 3.4 实例分析 | 第36-41页 |
| 3.4.1 参数的选择 | 第37-38页 |
| 3.4.2 对比分析 | 第38-40页 |
| 3.4.3 实验结果 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 基于全矢NA-MEMD的故障诊断研究 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 NA-MEMD基本原理 | 第42-43页 |
| 4.3 全矢NA-MEMD方法 | 第43-48页 |
| 4.3.1 全矢NA-MEMD算法流程 | 第43-44页 |
| 4.3.2 仿真对比分析 | 第44-48页 |
| 4.4 实例分析 | 第48-51页 |
| 4.4.1 对比分析 | 第49-50页 |
| 4.4.2 实验结果分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 基于信息融合与变量预测模型的滚动轴承智能诊断 | 第52-61页 |
| 5.1 引言 | 第52-53页 |
| 5.2 基于变量预测模型的模式识别方法 | 第53-55页 |
| 5.3 基于MEMD的MMSE与VPMCD的滚动轴承退化状态识 | 第55-58页 |
| 5.3.1 方法流程 | 第55页 |
| 5.3.2 实例分析 | 第55-58页 |
| 5.4 基于全矢NA-MEMD与VPMCD的滚动轴承故障诊断方法 | 第58-60页 |
| 5.4.1 方法流程 | 第58页 |
| 5.4.2 实例分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-64页 |
| 6.1 本文总结 | 第61-62页 |
| 6.2 关键技术和创新点 | 第62页 |
| 6.2.1 关键技术 | 第62页 |
| 6.2.2 创新点 | 第62页 |
| 6.3 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第69页 |
