| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究课题的背景和意义 | 第9-10页 |
| 1.2 设备状态监测及预测技术的发展和研究现状 | 第10-14页 |
| 1.2.1 信号处理与特征提取方法研究 | 第11-12页 |
| 1.2.2 神经网络在故障诊断方面的研究现状 | 第12-14页 |
| 1.3 本文的主要内容和章节安排 | 第14-16页 |
| 第二章 基于回声状态网络模型的算法分析 | 第16-38页 |
| 2.1 引言 | 第16页 |
| 2.2 神经网络 | 第16-18页 |
| 2.3 回声状态网络 | 第18-22页 |
| 2.3.1 回声状态网络的基本原理 | 第18-20页 |
| 2.3.2 回声状态网络的学习过程 | 第20-22页 |
| 2.4 优化的回声状态网络 | 第22-28页 |
| 2.4.1 优化权值矩阵 Win、W、Wback | 第23-25页 |
| 2.4.2 输出权值矩阵 Wout的确定 | 第25-26页 |
| 2.4.3 改进 ESN 网络的学习过程 | 第26-28页 |
| 2.5 回声状态网络预测与分类的基本原理 | 第28-37页 |
| 2.5.1 回声状态网络的预测模型 | 第28-33页 |
| 2.5.2 回声状态网络的分类原理 | 第33-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 滚动轴承的故障特征提取 | 第38-53页 |
| 3.1 引言 | 第38页 |
| 3.2 滚动轴承故障特征常规提取方法 | 第38-40页 |
| 3.2.1 时域参数 | 第38-40页 |
| 3.2.2 频域参数 | 第40页 |
| 3.3 基于小波包变换的故障特征提取 | 第40-45页 |
| 3.3.1 小波变换 | 第41-43页 |
| 3.3.2 小波包变换 | 第43-45页 |
| 3.4 故障特征提取在滚动轴承故障诊断中的应用 | 第45-52页 |
| 3.4.1 滚动轴承振动信号采样 | 第46-47页 |
| 3.4.2 时域参数指标 | 第47-50页 |
| 3.4.3 基于小波包变换的故障特征提取 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于回声状态网络的设备故障诊断 | 第53-64页 |
| 4.1 引言 | 第53页 |
| 4.2 轴承故障诊断仿真 | 第53-63页 |
| 4.2.1 基于多动态记忆库 ESN 的分类算法 | 第54-56页 |
| 4.2.2 基于 ESN 的故障诊断方法 | 第56-57页 |
| 4.2.3 基于小波包特征提取的 ESN 故障诊断方法 | 第57-63页 |
| 4.3 本章小结 | 第63-64页 |
| 第五章 基于小波包能量熵的滚动轴承健康状态监测与预测 | 第64-75页 |
| 5.1 引言 | 第64页 |
| 5.2 能量熵 | 第64-68页 |
| 5.3 基于小波包能量熵的设备健康状态监测 | 第68-70页 |
| 5.3.1 测试轴承模型 | 第68页 |
| 5.3.2 滚动轴承的健康状态监测 | 第68-70页 |
| 5.4 基于小波包能量熵的 ESN 预测方法 | 第70-73页 |
| 5.4.1 构造 ESN 网络预测模型 | 第71-72页 |
| 5.4.2 工程应用 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 结论与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |