| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 第一章 绪论 | 第13-20页 |
| ·课题研究的背景及意义 | 第13-14页 |
| ·旋转机械故障诊断的研究现状 | 第14-15页 |
| ·转子故障信号特征提取技术的研究现状 | 第15-19页 |
| ·现代谱分析方法 | 第15页 |
| ·高阶统计量分析方法 | 第15-16页 |
| ·时频分析方法 | 第16-18页 |
| ·主元分析(PCA)与核主元分析（KPCA）方法 | 第18-19页 |
| ·本文的主要研究内容 | 第19-20页 |
| 第二章 典型转子故障介绍及故障模拟实验系统 | 第20-29页 |
| ·四种典型转子故障 | 第20-23页 |
| ·ZT-3 多功能转子故障模拟实验系统简介 | 第23-26页 |
| ·ZT-3 型转子振动实验台 | 第23页 |
| ·数据采集及分析系统 | 第23-24页 |
| ·ZT-3 型转子振动实验台故障实验方法简介 | 第24-25页 |
| ·实验数据分析 | 第25-26页 |
| ·航空发动机转子故障试验器简介 | 第26-28页 |
| ·航空发动机转子故障试验器 | 第26-27页 |
| ·航空发动机转子实验器碰摩故障实验 | 第27-28页 |
| ·实验数据分析 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第三章 连续小波变换及小波尺度谱 | 第29-46页 |
| ·连续小波变换的基本原理 | 第29-32页 |
| ·连续小波的基本原理 | 第29-30页 |
| ·小波基函数的选择 | 第30-32页 |
| ·小波尺度谱 | 第32-35页 |
| ·小波尺度谱的定义 | 第32-34页 |
| ·小波尺度谱在故障诊断中的应用 | 第34-35页 |
| ·典型转子故障及其尺度谱特征分析 | 第35-37页 |
| ·小波灰度矩特征的提取 | 第37-40页 |
| ·矩特征提取的原理及方法 | 第37-38页 |
| ·矩特征提取实验 | 第38-40页 |
| ·尺度谱纹理特征的提取 | 第40-45页 |
| ·纹理特征提取的原理及方法 | 第40-42页 |
| ·纹理特征提取实验 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于核主成分分析（KPCA）的尺度谱特征提取 | 第46-60页 |
| ·核主成分分析的应用现状 | 第46-47页 |
| ·基于核的主成分分析 | 第47-52页 |
| ·核方法简介 | 第47-49页 |
| ·主成分分析的基本原理 | 第49-50页 |
| ·核主成分分析（KPCA）原理 | 第50-51页 |
| ·核主成分分析（KPCA）的特点 | 第51-52页 |
| ·基于KPCA 的尺度谱图像特征提取 | 第52-59页 |
| ·KPCA 方法下尺度谱的特征提取的预处理 | 第52-53页 |
| ·实验验证 | 第53-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 基于尺度谱数字特征的转子故障支持向量机诊断 | 第60-71页 |
| ·统计学习理论的基本内容 | 第60-61页 |
| ·支持向量机 | 第61-65页 |
| ·支持向量机的基本原理 | 第61-62页 |
| ·支持向量机分类器模型参数的影响分析 | 第62-64页 |
| ·多分类的简单介绍 | 第64-65页 |
| ·支持向量机分类模型参数优化的自适应算法 | 第65-68页 |
| ·参数的编码及解码 | 第65页 |
| ·适应度函数的确定 | 第65-66页 |
| ·遗传算子及运行参数的设定 | 第66-67页 |
| ·算法流程及实验验证 | 第67-68页 |
| ·基于参数自适应支持向量机的尺度谱特征分类 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 总结及展望 | 第71-73页 |
| ·总结 | 第71-72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士期间所发表的论文 | 第79页 |