| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 论文研究背景与意义 | 第12-13页 |
| 1.2 滚动轴承故障诊断的研究现状 | 第13-16页 |
| 1.2.1 国内外研究现状 | 第13-14页 |
| 1.2.2 现有的故障诊断技术 | 第14-15页 |
| 1.2.3 故障诊断的发展趋势 | 第15-16页 |
| 1.3 排列熵和极限学习机在故障诊断中的研究现状 | 第16-18页 |
| 1.3.1 排列熵理论研究现状 | 第16-17页 |
| 1.3.2 极限学习机理论研究现状 | 第17-18页 |
| 1.4 论文主要工作及章节安排 | 第18-20页 |
| 1.4.1 论文的研究思路 | 第18-19页 |
| 1.4.2 论文的章节安排 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第二章 滚动轴承故障诊断机理及排列熵算法分析 | 第22-36页 |
| 2.1 滚动轴承的故障表现形式 | 第22-24页 |
| 2.1.1 内部因素 | 第22-23页 |
| 2.1.2 外部因素 | 第23-24页 |
| 2.2 滚动轴承的振动特征 | 第24-29页 |
| 2.2.1 滚动轴承结构及其动力学特性 | 第24-26页 |
| 2.2.2 滚动轴承的故障特征频率 | 第26-29页 |
| 2.3 滚动轴承故障诊断系统 | 第29-32页 |
| 2.4 排列熵在信号处理中的应用 | 第32-35页 |
| 2.4.1 排列熵算法 | 第32-34页 |
| 2.4.2 排列熵算法有效性验证 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于排列熵和极限学习机的轴承故障诊断方法 | 第36-52页 |
| 3.1 极限学习机基本思想 | 第36-39页 |
| 3.2 MRSVD方法概述 | 第39-43页 |
| 3.2.1 MRSVD方法 | 第39-40页 |
| 3.2.2 MRSVD在信号处理中的应用 | 第40-43页 |
| 3.3 排列熵参数选取 | 第43-44页 |
| 3.4 基于排列熵和极限学习机的滚动轴承故障诊断 | 第44-50页 |
| 3.4.1 轴承故障诊断方法建立 | 第44-45页 |
| 3.4.2 轴承故障诊断实验分析 | 第45-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于优化MRMR和极限学习机的轴承故障诊断方法 | 第52-76页 |
| 4.1 双树复小波概述 | 第52-57页 |
| 4.1.1 双树复小波方法 | 第53-55页 |
| 4.1.2 双树复小波仿真信号对比分析 | 第55-57页 |
| 4.2 MRMR算法概述 | 第57-59页 |
| 4.2.1 MRMR算法准则 | 第57-58页 |
| 4.2.2 改进的最大相关最小冗余 | 第58页 |
| 4.2.3 增量式搜索 | 第58-59页 |
| 4.3 原始特征集的构造 | 第59-68页 |
| 4.3.1 基于时域的特征生成 | 第60-62页 |
| 4.3.2 基于频域的特征生成 | 第62-64页 |
| 4.3.3 基于双树复小波变换的时-频域特征生成 | 第64-68页 |
| 4.4 基于优化MRMR和极限学习机的滚动轴承故障诊断 | 第68-73页 |
| 4.4.1 基于优化MRMR和ELM的特征选择方法 | 第68-70页 |
| 4.4.2 轴承故障诊断方法建立 | 第70页 |
| 4.4.3 轴承故障诊断实验分析 | 第70-73页 |
| 4.5 本章小结 | 第73-76页 |
| 第五章 总结与展望 | 第76-80页 |
| 5.1 总结 | 第76-77页 |
| 5.2 展望 | 第77-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 附录A (攻读硕士期间发表的论文) | 第88-90页 |
| 附录B (攻读硕士期间申请的专利和软件著作权) | 第90页 |
