| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 研究内容及目标 | 第16-18页 |
| 第2章 滚动轴承故障机理分析 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 滚动轴承基本结构 | 第18-19页 |
| 2.3 滚动轴承健康状态监测方法 | 第19-20页 |
| 2.4 滚动轴承常见故障及振动特征 | 第20-22页 |
| 2.4.1 滚动轴承常见故障 | 第20-21页 |
| 2.4.2 滚动轴承振动信号特征分析 | 第21-22页 |
| 2.5 时频分析方法研究及比较 | 第22-25页 |
| 第3章 时频分析 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 EMD方法 | 第25-29页 |
| 3.2.1 EMD原理 | 第25-28页 |
| 3.2.2 EMD存在的不足 | 第28页 |
| 3.2.3 EMD仿真实验 | 第28-29页 |
| 3.3 EEMD方法 | 第29-34页 |
| 3.3.1 模态混叠现象 | 第29-30页 |
| 3.3.2 EEMD原理 | 第30-32页 |
| 3.3.3 EEMD中参数确定方法 | 第32-33页 |
| 3.3.4 EEMD虚假分量的消除 | 第33页 |
| 3.3.5 EEMD仿真实验 | 第33-34页 |
| 3.4 VMD方法 | 第34-39页 |
| 3.4.1 VMD原理 | 第34-36页 |
| 3.4.2 VMD参数确定方法 | 第36-37页 |
| 3.4.3 VMD仿真实验 | 第37-39页 |
| 第4章 卷积神经网络在滚动轴承健康状况诊断中的应用 | 第39-50页 |
| 4.1 引言 | 第39页 |
| 4.2 深度学习 | 第39-40页 |
| 4.3 卷积神经网络 | 第40-44页 |
| 4.3.1 卷积神经网络的结构 | 第41页 |
| 4.3.2 卷积层 | 第41-42页 |
| 4.3.3 池化层 | 第42-43页 |
| 4.3.4 全连接层 | 第43-44页 |
| 4.3.5 激活函数 | 第44页 |
| 4.4 卷积神经网络模型介绍 | 第44-47页 |
| 4.4.1 LeNet-5 | 第44-46页 |
| 4.4.2 ResNet | 第46-47页 |
| 4.5 滚动轴承故障诊断方法 | 第47-50页 |
| 4.5.1 基于BP神经网络的故障诊断 | 第47页 |
| 4.5.2 基于深度信念网络的故障诊断 | 第47-48页 |
| 4.5.3 基于EEMD与卷积神经网络的故障诊断 | 第48-49页 |
| 4.5.4 基于VMD与卷积神经网络的故障诊断 | 第49-50页 |
| 第5章 滚动轴承健康状况监测系统设计与实现 | 第50-59页 |
| 5.1 总体设计方案 | 第50页 |
| 5.2 数据的存储 | 第50-51页 |
| 5.3 滚动轴承健康状况诊断方法 | 第51-53页 |
| 5.4 健康状况监测系统 | 第53-55页 |
| 5.5 实验分析 | 第55-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 6.1 研究工作总结 | 第59-60页 |
| 6.2 研究工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第67页 |