| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及研究目的和意义 | 第11页 |
| 1.2 电机轴承故障诊断研究现状 | 第11-15页 |
| 1.2.1 电机轴承故障诊断概述 | 第11-12页 |
| 1.2.2 电机轴承故障检测方法 | 第12-13页 |
| 1.2.3 电机轴承故障特征提取方法 | 第13-14页 |
| 1.2.4 电机轴承故障识别方法 | 第14-15页 |
| 1.3 主要研究内容 | 第15-17页 |
| 第2章 基于熵的电机轴承故障检测 | 第17-29页 |
| 2.1 排列熵基本原理 | 第17-20页 |
| 2.1.1 排列熵算法 | 第17-18页 |
| 2.1.2 参数选择 | 第18-20页 |
| 2.2 样本熵基本原理 | 第20-24页 |
| 2.2.1 样本熵算法 | 第20-21页 |
| 2.2.2 快速样本熵算法 | 第21-23页 |
| 2.2.3 参数选择 | 第23-24页 |
| 2.3 基于熵的故障检测方法与结果分析 | 第24-28页 |
| 2.3.1 数据来源及介绍 | 第24-26页 |
| 2.3.2 实验过程及结果分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于小波包能量熵的电机轴承故障特征提取 | 第29-43页 |
| 3.1 小波包分解理论 | 第29-33页 |
| 3.1.1 连续小波变换 | 第29-31页 |
| 3.1.2 小波包分解原理 | 第31-33页 |
| 3.2 小波包参数选择 | 第33-35页 |
| 3.2.1 小波基选择 | 第33-34页 |
| 3.2.2 小波包分解层数选择 | 第34-35页 |
| 3.3 小波包能量熵的电机轴承特征提取方法 | 第35-40页 |
| 3.3.1 小波包能量熵定义 | 第35-36页 |
| 3.3.2 小波包分解频带分析 | 第36-39页 |
| 3.3.3 故障特征向量的构建 | 第39-40页 |
| 3.4 电机轴承故障特征提取结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于集合经验模态分解的电机轴承故障信号特征提取 | 第43-57页 |
| 4.1 EMD基本原理 | 第43-45页 |
| 4.2 EEMD原理 | 第45-49页 |
| 4.2.1 模态混叠现象 | 第45-47页 |
| 4.2.2 EEMD基本原理 | 第47-49页 |
| 4.3 基于EEMD的轴承故障特征提取方法 | 第49-52页 |
| 4.3.1 特征值提取方法 | 第49-50页 |
| 4.3.2 轴承故障数据分析 | 第50-52页 |
| 4.3.3 故障特征向量的构建 | 第52页 |
| 4.4 电机轴承故障特征提取结果与分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于多分类相关向量机的电机轴承故障识别 | 第57-65页 |
| 5.1 相关向量机 | 第57-59页 |
| 5.2 多分类相关向量机 | 第59-62页 |
| 5.3 M-RVM电机轴承故障识别结果及分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 电机轴承故障诊断方法的实例验证 | 第65-73页 |
| 6.1 基于小波包能量熵与M-RVM的电机轴承故障诊断 | 第65-68页 |
| 6.1.1 故障诊断方法 | 第65-66页 |
| 6.1.2 电机轴承故障诊断结果及分析 | 第66-68页 |
| 6.2 基于EEMD与M-RVM的电机轴承故障诊断 | 第68-71页 |
| 6.2.1 故障诊断方法 | 第68页 |
| 6.2.2 电机轴承故障诊断结果及分析 | 第68-71页 |
| 6.3 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间发表的论文 | 第81-83页 |
| 致谢 | 第83页 |
