| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-18页 |
| 1．1 课题的意义 | 第8-9页 |
| 1．2 状态监测与故障诊断技术的主要研究内容 | 第9-11页 |
| 1．2．1 故障机理的研究 | 第9页 |
| 1．2．2 故障信息处理技术的研究 | 第9-10页 |
| 1．2．3 智能化故障诊断方法的研究 | 第10-11页 |
| 1．2．4 监测、诊断仪器和系统的开发与研究 | 第11页 |
| 1．3 状态监测与故障诊断中信号处理方法的研究现状 | 第11-17页 |
| 1．3．1 信号时域分析方法的研究 | 第11-14页 |
| 1．3．2 信号频域分析方法的研究 | 第14页 |
| 1．3．3 信号时-频分析及一些新方法的研究 | 第14-16页 |
| 1．3．4 几种特殊信号及其分析中存在的问题 | 第16-17页 |
| 1．4 本文研究的主要目的和内容 | 第17-18页 |
| 2 奇异值分解及其性质 | 第18-25页 |
| 2．1 矩阵的奇异值分解及其解释 | 第18-22页 |
| 2．2 奇异值的性质 | 第22-23页 |
| 2．2．1 奇异值与范数的关系 | 第22-23页 |
| 2．2．2 奇异值的其它几个性质 | 第23页 |
| 2．3 关于Frobenious范数意义上的逼近问题 | 第23-24页 |
| 2．4 本章小结 | 第24-25页 |
| 3 周期性信号的状态监测与故障诊断新方法 | 第25-38页 |
| 3．1 问题的提出 | 第25-26页 |
| 3．2 时间序列重构的吸引子轨迹矩阵奇异值分解 | 第26-27页 |
| 3．3 机械信号的奇异熵 | 第27-29页 |
| 3．3．1 奇异熵的定义 | 第27-28页 |
| 3．3．2 信号奇异熵的特性 | 第28-29页 |
| 3．4 用奇异值分解实现状态监控和故障诊断的算法 | 第29-30页 |
| 3．5 仿真实例 | 第30-32页 |
| 3．6 两种相近算法的比较 | 第32页 |
| 3．7 确定吸引子轨迹矩阵秩的新方法及其与奇异熵的比较 | 第32-37页 |
| 3．8 本章小结 | 第37-38页 |
| 4 基于SVD的周期性信号探测、提取方法的研究 | 第38-50页 |
| 4．1 SVR谱方法介绍及分析 | 第38-42页 |
| 4．1．1 用SVR谱探测信号的周期 | 第38-39页 |
| 4．1．2 信号的重构 | 第39-40页 |
| 4．1．3 SVR谱有效性的校验 | 第40-41页 |
| 4．1．4 SVR谱方法的不足 | 第41-42页 |
| 4．2 基于Frobenious范数轨迹的周期性信号探测及提取方法 | 第42-49页 |
| 4．2．1 信号矩阵的建立 | 第42-43页 |
| 4．2．2 信号的重构 | 第43-44页 |
| 4．2．3 仿真实例 | 第44-47页 |
| 4．2．4 该方法与SVR谱方法的比较 | 第47-48页 |
| 4．2．5 该方法与小波分析方法的比较 | 第48-49页 |
| 4．3 本章小结 | 第49-50页 |
| 5 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |
| 大连理工大学学位论文版权使用授权书 | 第57页 |
