| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究的背景和意义 | 第9-10页 |
| 1.3 滚动轴承故障诊断研究现状 | 第10-12页 |
| 1.3.1 特征提取方法的研究现状 | 第11-12页 |
| 1.4 滚动轴承的退化与剩余寿命的研究 | 第12页 |
| 1.5 主要研究内容与论文结构安排 | 第12-15页 |
| 1.5.1 研究内容 | 第12-13页 |
| 1.5.2 论文结构安排 | 第13-15页 |
| 2 信息融合技术及其基本理论 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 信息融合技术简介 | 第15-17页 |
| 2.2.1 全息谱 | 第15-16页 |
| 2.2.2 全频谱 | 第16-17页 |
| 2.2.3 全矢谱 | 第17页 |
| 2.3 全矢谱理论具体内容 | 第17-20页 |
| 2.4 全矢谱技术在本文中的应用 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 全矢EEMD在轴承故障分类中的应用 | 第24-33页 |
| 3.1 引言 | 第24页 |
| 3.2 EEMD分解算法 | 第24-26页 |
| 3.3 全矢EEMD方法及其步骤 | 第26页 |
| 3.4 HMM基本理论 | 第26-28页 |
| 3.5 实验数据处理 | 第28-31页 |
| 3.6 轴承故障分类 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 4 基于全矢EEMD和 KPCA的退化指标选取方法研究 | 第33-47页 |
| 4.1 引言 | 第33页 |
| 4.2 时域特征提取方法 | 第33-37页 |
| 4.3 频域特征提取方法 | 第37-40页 |
| 4.4 基于全矢EEMD的时-频域提取方法 | 第40-42页 |
| 4.5 KPCA算法 | 第42-44页 |
| 4.6 KPCA初始变量相关性分析 | 第44-45页 |
| 4.7 本章小结 | 第45-47页 |
| 5 不同转速下轴承寿命预测 | 第47-57页 |
| 5.1 引言 | 第47页 |
| 5.2 机器学习基本问题 | 第47-48页 |
| 5.3 支持向量机原理 | 第48-52页 |
| 5.4 交叉验证法 | 第52页 |
| 5.5 不同转速下轴承剩余使用寿命的预测 | 第52-56页 |
| 5.6 本章小结 | 第56-57页 |
| 6 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第62-63页 |
| 致谢 | 第63页 |