| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景和研究意义 | 第10-12页 |
| 1.3 空间滚动轴性能退化趋势预测的国内外研究现状 | 第12-17页 |
| 1.3.1 降噪方法研究现状 | 第12-13页 |
| 1.3.2 特征提取方法研究现状 | 第13-16页 |
| 1.3.3 性能退化趋势预测模型研究现状 | 第16-17页 |
| 1.4 流形学习在空间滚动轴承性能退化趋势预测中存在的关键问题 | 第17-18页 |
| 1.5 本文主要研究内容及结构安排 | 第18-20页 |
| 2 基于自适应邻域的流形学习降噪方法 | 第20-38页 |
| 2.1 引言 | 第20-21页 |
| 2.2 相空间重构和Takens嵌入定理 | 第21-24页 |
| 2.2.1 相空间重构理论 | 第21-22页 |
| 2.2.2 嵌入维数 | 第22-23页 |
| 2.2.3 时间延迟 | 第23-24页 |
| 2.3 自适应邻域的流形学习降噪方法 | 第24-28页 |
| 2.3.1 局部切空间排列算法 | 第24-25页 |
| 2.3.2 本征维数估计 | 第25-26页 |
| 2.3.3 自适应邻域选取 | 第26-28页 |
| 2.4 自适应邻域的流形学习降噪 | 第28-35页 |
| 2.4.1 自适应邻域的流形学习降噪流程 | 第28-29页 |
| 2.4.2 仿真信号降噪实验 | 第29-33页 |
| 2.4.3 地面模拟空间环境滚动轴承应用实例 | 第33-35页 |
| 2.5 本章小结 | 第35-38页 |
| 3 基于自适应邻域流形学习的空间滚动轴承特征提取 | 第38-54页 |
| 3.1 引言 | 第38页 |
| 3.2 故障信息特征提取方法 | 第38-44页 |
| 3.2.1 时域特征提取方法 | 第38-39页 |
| 3.2.2 频率域特征提取方法 | 第39-41页 |
| 3.2.3 时频域特征提取 | 第41-44页 |
| 3.3 基于自适应邻域LPP融合特征指标的建立 | 第44-47页 |
| 3.3.1 LPP算法 | 第45-46页 |
| 3.3.2 自适应邻域LPP融合特征指标的建立 | 第46-47页 |
| 3.4 实例分析 | 第47-53页 |
| 3.4.1 Cincinnati大学实例 | 第47-51页 |
| 3.4.2 空间滚动轴承实例 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 支持向量机预测模型研究 | 第54-66页 |
| 4.1 引言 | 第54页 |
| 4.2 支持向量机理论 | 第54-61页 |
| 4.2.1 支持向量机理论 | 第55-57页 |
| 4.2.2 支持向量回归机算法 | 第57-59页 |
| 4.2.3 最小二乘支持向量机理论 | 第59-61页 |
| 4.3 性能退化趋势预测流程 | 第61页 |
| 4.4 实例分析 | 第61-65页 |
| 4.4.1 Cincinnati大学实例 | 第61-64页 |
| 4.4.2 空间滚动轴承实验验证 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 空间滚动轴承性能退化趋势预测模块设计 | 第66-76页 |
| 5.1 引言 | 第66页 |
| 5.2 系统总体设计 | 第66-68页 |
| 5.2.1 需求分析 | 第66-67页 |
| 5.2.2 总体设计 | 第67-68页 |
| 5.3 模块功能结构 | 第68-74页 |
| 5.4 实例验证 | 第74-75页 |
| 5.4.1 Cincinnati大学地面常规滚动轴承实例 | 第74页 |
| 5.4.2 地面模拟空间环境滚动轴承实例 | 第74-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6 结论与展望 | 第76-78页 |
| 6.1 结论 | 第76-77页 |
| 6.2 研究展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 附录 | 第86页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第86页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第86页 |
