| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 机械故障模式识别技术概要 | 第9-13页 |
| 1.2.1 机械设备故障特征提取方法 | 第11-12页 |
| 1.2.2 机械设备故障特征分类方法 | 第12-13页 |
| 1.3 特征关联性提取技术 | 第13-15页 |
| 1.4 本文主要研究内容 | 第15-18页 |
| 2 机械振动信号特征提取方法 | 第18-32页 |
| 2.1 振动信号时频分析方法 | 第18-23页 |
| 2.1.1 线性时频分析算法简介 | 第18-20页 |
| 2.1.2 非线性时频分析算法简介 | 第20-22页 |
| 2.1.3 时频分析算法优缺点比较 | 第22-23页 |
| 2.2 时频图纹理特征提取 | 第23-24页 |
| 2.2.1 灰度共生矩阵 | 第23页 |
| 2.2.2 灰度共生矩阵特征统计参数 | 第23-24页 |
| 2.3振动信号递归定量分析方法 | 第24-31页 |
| 2.3.1 递归分析 | 第24-26页 |
| 2.3.2 递归定量分析 | 第26-27页 |
| 2.3.3 递归图参数选择 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于时频图图像分层纹理和支持张量机的故障识别方法 | 第32-58页 |
| 3.1 频带切割与分层纹理 | 第32-33页 |
| 3.2 支持张量机 | 第33-35页 |
| 3.2.1 张量基本计算 | 第33-34页 |
| 3.2.2 支持高阶张量机 | 第34-35页 |
| 3.3 基于时频图图像分层纹理和支持张量机的故障识别方法 | 第35-37页 |
| 3.4 实验论证 | 第37-56页 |
| 3.4.1 基于时频图图像分层纹理和支持张量机的滚动轴承故障识别方法 | 第37-51页 |
| 3.4.2 基于时频图图像分层纹理和支持张量机的滑动轴承油膜失稳状态识别方法 | 第51-56页 |
| 3.5 本章小结 | 第56-58页 |
| 4 基于递归定量分析和V-VPMCD的故障识别方法 | 第58-82页 |
| 4.1 VPMCD特征关联模型 | 第58-60页 |
| 4.2 基于投票法优化的VPMCD模型 | 第60-61页 |
| 4.3 基于递归定量分析和V-VPMCD的故障识别方法 | 第61-63页 |
| 4.4 实验验证 | 第63-80页 |
| 4.4.1 基于递归定量分析和V-VPMCD的滚动轴承故障识别方法 | 第63-77页 |
| 4.4.2 基于递归定量分析和V-VPMCD的滑动轴承油膜失稳状态识别方法 | 第77-80页 |
| 4.5 本章小结 | 第80-82页 |
| 5 算法对比 | 第82-86页 |
| 5.1 本文两类方法与传统算法对比 | 第82页 |
| 5.2 本文两类方法对比 | 第82-84页 |
| 5.3 本章小结 | 第84-86页 |
| 6 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86页 |
| 6.2 展望 | 第86-88页 |
| 致谢 | 第88-90页 |
| 参考文献 | 第90-96页 |
| 附录 | 第96页 |
| A．作者在攻读硕士期间发表的论文目录： | 第96页 |
