| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 滚动轴承故障诊断国内外研究概述 | 第10-12页 |
| 1.3 滚动轴承故障诊断方法综述 | 第12-16页 |
| 1.3.1 常用故障诊断技术方法 | 第12-13页 |
| 1.3.2 滚动轴承振动信号分析方法 | 第13-16页 |
| 1.4 论文的研究思路和研究内容 | 第16-18页 |
| 第二章 滚动轴承故障特性分析 | 第18-24页 |
| 2.1 滚动轴承的主要故障类型 | 第18-20页 |
| 2.2 滚动轴承特征频率 | 第20-23页 |
| 2.2.1 滚动轴承的固有频率 | 第20-21页 |
| 2.2.2 滚动轴承的故障特征频率 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于双树复小波包和EMD的能量特征提取 | 第24-45页 |
| 3.1 信号消噪 | 第25-28页 |
| 3.2 小波变换和小波包变换 | 第28-35页 |
| 3.2.1 小波变换 | 第28-29页 |
| 3.2.2 小波包变换 | 第29-31页 |
| 3.2.3 小波变换和小波包变换的频率混叠性分析 | 第31-35页 |
| 3.3 双树复小波变换和双树复小波包变换 | 第35-40页 |
| 3.3.1 双树复小波变换 | 第35-36页 |
| 3.3.2 双树复小波包变换 | 第36-37页 |
| 3.3.3 双树复小波变换和双树复小波包的频率混叠性分析 | 第37-40页 |
| 3.3.4 基于双树复小波包的能量特征提取 | 第40页 |
| 3.4 经验模态分解 | 第40-44页 |
| 3.4.1 固有模态函数 | 第41页 |
| 3.4.2 EMD过程 | 第41-43页 |
| 3.4.3 基于EMD的能量特征提取 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 RBF神经网络故障诊断模型 | 第45-51页 |
| 4.1 人工神经网络 | 第45-48页 |
| 4.1.1 人工神经网络典型模型 | 第46-47页 |
| 4.1.2 人工神经网络的学习方式 | 第47页 |
| 4.1.3 人工神经网络的主要特性 | 第47-48页 |
| 4.2 RBF神经网络 | 第48-50页 |
| 4.2.1 RBF神经网络结构 | 第48-49页 |
| 4.2.2 RBF神经网络的学习算法 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 滚动轴承故障诊断仿真实验 | 第51-62页 |
| 5.1 实验数据 | 第51-53页 |
| 5.2 奇异值差分谱消噪 | 第53-55页 |
| 5.3 基于双树复小波包和RBF神经网络故障诊断实验 | 第55-58页 |
| 5.4 基于EMD和RBF神经网络故障诊断实验 | 第58-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 在校期间科研成果 | 第66-67页 |
| 致谢 | 第67页 |