| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第9-18页 |
| 1．1 转子系统故障诊断的意义和目的 | 第9-10页 |
| 1．2 转子系统诊断技术的发展概况 | 第10-16页 |
| 1．2．1 故障机理研究 | 第10-11页 |
| 1．2．2 故障特征提取分析 | 第11-14页 |
| 1．2．3 故障的识别 | 第14-16页 |
| 1．3 本文主要研究内容与各章节安排 | 第16-18页 |
| 第2章 转子系统的故障机理与诊断方法 | 第18-28页 |
| 2．1 概述 | 第18页 |
| 2．2 转子系统的故障机理 | 第18-23页 |
| 2．2．1 转子不平衡故障机理 | 第18-19页 |
| 2．2．2 转子不对中故障机理 | 第19-20页 |
| 2．2．3 转子与静止件摩擦故障机理 | 第20-21页 |
| 2．2．4 转子油膜涡动与油膜振荡故障机理 | 第21-23页 |
| 2．3 转子系统的故障诊断方法 | 第23-27页 |
| 2．3．1 转子系统故障的幅域诊断方法 | 第23-24页 |
| 2．3．2 转子系统故障的时域诊断方法 | 第24-25页 |
| 2．3．3 转子系统故障的频域诊断方法 | 第25-26页 |
| 2．3．4 转子系统故障的时间序列诊断方法 | 第26-27页 |
| 2．4 本章小结 | 第27-28页 |
| 第3章 支持向量机理论 | 第28-41页 |
| 3．1 引言 | 第28-29页 |
| 3．2 统计学习理论 | 第29-34页 |
| 3．2．1 学习问题的表示 | 第29-31页 |
| 3．2．2 VC维 | 第31-32页 |
| 3．2．3 结构风险最小化归纳原则 | 第32-34页 |
| 3．3 最优分类面 | 第34-36页 |
| 3．4 支持向量机 | 第36-38页 |
| 3．5 函数估计方法 | 第38-39页 |
| 3．6 多元分类 | 第39-40页 |
| 3．6．1 “一对多”方法 | 第40页 |
| 3．6．2 “一对一”方法 | 第40页 |
| 3．6．3 一次性求解方法 | 第40页 |
| 3．7 本章小结 | 第40-41页 |
| 第4章 基于EMD的时频分析在转子故障诊断中的应用 | 第41-53页 |
| 4．1 概述 | 第41页 |
| 4．2 EMD理论与Hilbert变换 | 第41-43页 |
| 4．3 基于EMD的奇异值熵在转子故障方法中的应用 | 第43-47页 |
| 4．3．1 基于EMD的奇异值熵 | 第44页 |
| 4．3．2 转子故障实验方案 | 第44-45页 |
| 4．3．3 实例分析 | 第45-47页 |
| 4．4 基于HHT的时频熵在转子故障诊断中的应用 | 第47-52页 |
| 4．4．1 基于Hilbert-Huang变换的时频熵的定义 | 第47-48页 |
| 4．4．2 基于HHT的时频熵的性质 | 第48-50页 |
| 4．4．3 实例分析 | 第50-52页 |
| 4．5 本章小结 | 第52-53页 |
| 第5章 基于EMD和支持向量机的转子故障诊断方法 | 第53-60页 |
| 5．1 概述 | 第53-54页 |
| 5．2 AR模型建模技术 | 第54-55页 |
| 5．2．1 AR模型的结构 | 第54页 |
| 5．2．2 AR模型定阶 | 第54-55页 |
| 5．2．3 对振动信号进行AR建模 | 第55页 |
| 5．3 基于EMD和SVM的转子故障诊断方法 | 第55-57页 |
| 5．4 实例分析 | 第57-59页 |
| 5．5 本章小结 | 第59-60页 |
| 第6章 支持向量机预测器在转子故障诊断中的应用 | 第60-66页 |
| 6．1 概述 | 第60-61页 |
| 6．2 基于SVM的回归预测模型 | 第61页 |
| 6．3 基于SVM回归预测模型的转子故障诊断方法 | 第61-62页 |
| 6．4 实例分析 | 第62-65页 |
| 6．5 本章小结 | 第65-66页 |
| 结论及展望 | 第66-68页 |
| 参考文献 | 第68-75页 |
| 致谢 | 第75-76页 |
| 附录 (攻读硕士学位期间发表的论文) | 第76页 |
