| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 故障信号处理方法 | 第9-10页 |
| 1.3 故障识别方法 | 第10-12页 |
| 1.3.1 基于近邻思想的识别方式 | 第10-11页 |
| 1.3.2 基于支持向量机的识别方式 | 第11-12页 |
| 1.3.3 基于聚类的识别方式 | 第12页 |
| 1.4 本文主要研究内容及安排 | 第12-14页 |
| 第2章 基础理论 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 相关性分析基础 | 第14-17页 |
| 2.2.1 Pearson相关系数 | 第15页 |
| 2.2.2 距离相关系数 | 第15-16页 |
| 2.2.3 Spearman相关系数 | 第16页 |
| 2.2.4 互信息 | 第16-17页 |
| 2.3 特征提取理论 | 第17-21页 |
| 2.3.1 特征的划分和处理 | 第17页 |
| 2.3.2 特征选择 | 第17-18页 |
| 2.3.3 轴承特征提取 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于自功率谱的分类方法及其在故障诊断中的应用 | 第22-32页 |
| 3.1 引言 | 第22页 |
| 3.2 算法描述 | 第22-26页 |
| 3.2.1 基于时域互相关函数的故障诊断 | 第23-24页 |
| 3.2.2 频域自功率谱函数计算 | 第24-26页 |
| 3.2.3 自功率谱函数分类(SPSF)方法 | 第26页 |
| 3.3 仿真说明 | 第26-31页 |
| 3.3.1 数据预处理 | 第27-28页 |
| 3.3.2 实验结果及分析 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于MIC的两阶段特征选择方法以及其在故障诊断中的应用 | 第32-46页 |
| 4.1 引言 | 第32-33页 |
| 4.2 最大信息系数(MIC)方法介绍 | 第33-34页 |
| 4.3 基于MIC的特征选择方法 | 第34-39页 |
| 4.3.1 基于关联度的强特征选取 | 第34-36页 |
| 4.3.2 基于相似度的冗余特征筛选 | 第36-38页 |
| 4.3.3 分类性能指标 | 第38-39页 |
| 4.4 仿真说明 | 第39-45页 |
| 4.4.1 实验分析 | 第39-42页 |
| 4.4.2 性能比较 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于MIC-k-means特征选择方法及其在故障诊断中的应用 | 第46-53页 |
| 5.1 引言 | 第46页 |
| 5.2 k-均值聚类算法 | 第46-47页 |
| 5.3 基于MIC-k-means特征选择的算法描述 | 第47-49页 |
| 5.3.1 相似度矩阵更新 | 第48页 |
| 5.3.2 特征聚类选择计算 | 第48-49页 |
| 5.4 仿真说明 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53-54页 |
| 6.2 工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
