| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-14页 |
| 1 绪论 | 第14-31页 |
| ·课题的提出与研究意义 | 第14-16页 |
| ·非平稳信号处理方法及其在故障诊断中的应用 | 第16-22页 |
| ·线型时频表示 | 第17-18页 |
| ·Cohen类双线性时频分布 | 第18-19页 |
| ·参数化时频分布 | 第19-20页 |
| ·局域波分解 | 第20-21页 |
| ·形态小波分析 | 第21-22页 |
| ·机械故障智能诊断技术的研究及应用 | 第22-28页 |
| ·机械故障诊断技术 | 第22-23页 |
| ·机械故障智能诊断技术的研究与应用现状 | 第23-28页 |
| ·智能诊断技术的发展趋势 | 第28页 |
| ·论文的主要研究内容和结构安排 | 第28-31页 |
| 2 齿轮和滚动轴承振动机理与特征分析 | 第31-41页 |
| ·概述 | 第31页 |
| ·齿轮振动机理与故障特征分析 | 第31-34页 |
| ·齿轮系统振动产生机理 | 第31-32页 |
| ·齿轮典型故障及其特征分析 | 第32-33页 |
| ·齿轮啮合故障振动信号模型 | 第33-34页 |
| ·滚动轴承振动机理与故障特征分析 | 第34-37页 |
| ·滚动轴承故障产生机理与特征分析 | 第34-36页 |
| ·轴承典型故障信号特点 | 第36-37页 |
| ·振动信号的传播与测量 | 第37-38页 |
| ·试验装置简介 | 第38-40页 |
| ·齿轮试验台 | 第38-39页 |
| ·滚动轴承试验台 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 3 基于形态小波的特征提取技术及应用研究 | 第41-63页 |
| ·形态小波变换理论基础 | 第41-43页 |
| ·数学形态学理论 | 第41-42页 |
| ·形态小波 | 第42-43页 |
| ·形态小波变换及其算法 | 第43-47页 |
| ·直接由线性小波构造的形态小波变换 | 第43-44页 |
| ·提升形态小波变换 | 第44-45页 |
| ·形态非抽样小波变换 | 第45-47页 |
| ·形态小波分析在故障特征提取中的应用 | 第47-54页 |
| ·形态小波降噪 | 第47-49页 |
| ·基于形态小波分解的信号故障特征提取 | 第49-54页 |
| ·基于MLMW分析的CWT灰度矩特征提取 | 第54-62页 |
| ·CWT灰度矩分析及其不足 | 第55-56页 |
| ·基于MLMW分析的灰度矩分析 | 第56-58页 |
| ·基于MLMW分析的灰度矩向量特征提取 | 第58-59页 |
| ·轴承和齿轮典型故障的FGMV分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 4 基于局域波分解的故障特征提取 | 第63-85页 |
| ·引言 | 第63-64页 |
| ·局域波的分解原理和实现 | 第64-67页 |
| ·瞬时频率 | 第64页 |
| ·局域波的分解算法 | 第64-66页 |
| ·局域波分解的特点 | 第66-67页 |
| ·局域波时频表示 | 第67页 |
| ·基于局域波互信息的降噪与特征提取 | 第67-72页 |
| ·基于局域波互信息的降噪 | 第68-69页 |
| ·仿真实验 | 第69-71页 |
| ·基于LWMI降噪的滚动轴承故障特征提取 | 第71-72页 |
| ·基于形态小波分析的局域波分解 | 第72-79页 |
| ·基于形态小波分析的局域波分解 | 第73-76页 |
| ·应用实例 | 第76-79页 |
| ·局域波分解的信息熵特征 | 第79-83页 |
| ·局域波奇异熵 | 第80页 |
| ·局域波能谱熵与局域波能矩谱熵 | 第80-81页 |
| ·局域波特征空间谱熵与边际谱熵 | 第81页 |
| ·齿轮和轴承典型故障的局域波信息熵特征分析 | 第81-83页 |
| ·本章小结 | 第83-85页 |
| 5 基于局域波分解和特征提取与选择策略的LSSVM故障诊断方法 | 第85-101页 |
| ·特征提取与特征选择 | 第85页 |
| ·基于核的特征提取和学习方法 | 第85-89页 |
| ·基于核子空间的故障特征提取 | 第86-88页 |
| ·最小二乘支持向量机 | 第88-89页 |
| ·基于局域波分解和KPCA-LSSVM的故障诊断方法 | 第89-95页 |
| ·故障诊断系统框架 | 第89-90页 |
| ·滚动轴承故障诊断实例分析 | 第90-95页 |
| ·基于BEF-SBS-LSSVM的特征选择与故障诊断方法 | 第95-100页 |
| ·基于BEF-SBS的特征选择方法 | 第95-97页 |
| ·基于BEF-SBS-LSSVM的多分类特征选择与故障诊断框架 | 第97-98页 |
| ·故障诊断实例分析 | 第98-100页 |
| ·本章小结 | 第100-101页 |
| 6 基于AIS模型的智能诊断方法研究 | 第101-125页 |
| ·基于V-detector算法的故障诊断方法 | 第101-113页 |
| ·V-detector算法 | 第101-104页 |
| ·基于V-detector算法的故障诊断方法 | 第104-105页 |
| ·Iris数据分类实验 | 第105-107页 |
| ·滚动轴承故障诊断实例分析 | 第107-110页 |
| ·齿轮故障诊断实例分析 | 第110-113页 |
| ·基于RS-ABNet算法的故障诊断方法 | 第113-124页 |
| ·ABNet算法 | 第114-115页 |
| ·基于粗糙集的属性约简 | 第115-116页 |
| ·RS-ABNet故障诊断系统模型 | 第116-117页 |
| ·基于RS-ABNet的滚动轴承故障诊断 | 第117-121页 |
| ·基于RS-ABNet的齿轮故障诊断 | 第121-124页 |
| ·本章小结 | 第124-125页 |
| 7 总结与展望 | 第125-128页 |
| ·全文总结 | 第125-126页 |
| ·创新点 | 第126-127页 |
| ·展望 | 第127-128页 |
| 参考文献 | 第128-136页 |
| 攻读博士学位期间发表(录用)的论文和参与的课题 | 第136-137页 |
