| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究课题的意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于特征融合轴承故障诊断的研究现状 | 第10-11页 |
| 1.2.2 不均衡轴承故障诊断的研究现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 轴承故障特征提取方法和ELM的介绍 | 第15-25页 |
| 2.1 故障特征提取方法 | 第15-20页 |
| 2.1.1 相空间重构 | 第15页 |
| 2.1.2 基于经验模态分解的能量谱法 | 第15-16页 |
| 2.1.3 基于小波包分解的能量谱法 | 第16-18页 |
| 2.1.4 广义自回归条件异方差模型参数法 | 第18页 |
| 2.1.5 统计时域特征 | 第18-19页 |
| 2.1.6 基于双谱估计的特征提取 | 第19-20页 |
| 2.2 极限学习机 | 第20-23页 |
| 2.2.1 单隐层神经网络 | 第20-21页 |
| 2.2.2 极限学习机 | 第21-22页 |
| 2.2.3 在线极限学习机 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 基于组相关性的异构特征融合算法在轴承故障诊断中的应用 | 第25-35页 |
| 3.1 异构特征融合理论 | 第25-26页 |
| 3.2 多目标粒子群优化 | 第26-27页 |
| 3.3 基于组相关性的异构特征融合算法 | 第27-30页 |
| 3.3.1 特征提取 | 第27页 |
| 3.3.2 基于特征相关性的组特征选择算法 | 第27-30页 |
| 3.3.3 算法描述 | 第30页 |
| 3.4 仿真实验 | 第30-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于在线极限学习机的不均衡轴承故障诊断 | 第35-59页 |
| 4.1 基础理论 | 第35-36页 |
| 4.1.1 主曲线 | 第35页 |
| 4.1.2 SMOTE算法 | 第35-36页 |
| 4.1.3 粒度划分 | 第36页 |
| 4.2 GD-OSELM算法 | 第36-42页 |
| 4.2.1 定义描述 | 第36-37页 |
| 4.2.2 初始离线阶段 | 第37-39页 |
| 4.2.3 在线贯序阶段 | 第39-41页 |
| 4.2.4 算法流程图 | 第41-42页 |
| 4.3 理论分析 | 第42-45页 |
| 4.4 仿真实验 | 第45-58页 |
| 4.4.1 IMS数据集和CWRU数据集 | 第45-49页 |
| 4.4.2 基于 IMS 数据集的仿真实验 | 第49-55页 |
| 4.4.3 基于CWRU数据集的仿真实验 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士学位期间的科研成果 | 第69-70页 |