| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8页 |
| 1.2 故障诊断研究现状 | 第8-11页 |
| 1.3 退化趋势预测研究现状 | 第11-12页 |
| 1.4 论文主要研究内容 | 第12-14页 |
| 第2章 滚动轴承早期故障识别方法研究 | 第14-23页 |
| 2.1 滚动轴承故障特征频率 | 第14-15页 |
| 2.2 基于MCKD与自相关的滚动轴承早期故障识别 | 第15-21页 |
| 2.2.1 最大相关峭度解卷积原理 | 第15-16页 |
| 2.2.2 自相关降噪原理 | 第16-17页 |
| 2.2.3 基于MCKD与自相关的滚动轴承早期故障识别实例分析 | 第17-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第3章 基于深度信念网络的轴承故障诊断方法研究 | 第23-37页 |
| 3.1 深度信念网络原理 | 第23-25页 |
| 3.1.1 受限玻尔兹曼机 | 第23-24页 |
| 3.1.2 深度信念网络 | 第24-25页 |
| 3.2 小波包能量特征分析 | 第25-30页 |
| 3.2.1 轴承实验数据来源 | 第25-27页 |
| 3.2.2 小波包能量分析 | 第27-30页 |
| 3.3 小波包能量结合深度信念网络故障诊断分析 | 第30-36页 |
| 3.3.1 基于小波包能量的深度信念网络故障诊断 | 第30-33页 |
| 3.3.2 深度信念网络与SVM、BP神经网络故障诊断方法的比较 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 滚动轴承退化趋势预测方法研究 | 第37-52页 |
| 4.1 粒子群优化混合核极限学习机 | 第37-40页 |
| 4.1.1 混合核极限学习机 | 第37-38页 |
| 4.1.2 粒子群优化算法 | 第38-39页 |
| 4.1.3 粒子群算法优化混合核极限学习机 | 第39-40页 |
| 4.2 滚动轴承退化指标提取方法 | 第40-46页 |
| 4.2.1 支持向量数据描述原理 | 第40-42页 |
| 4.2.2 滚动轴承退化指标提取 | 第42-46页 |
| 4.3 基于混合核极限学习机的滚动轴承性能退化预测 | 第46-51页 |
| 4.3.1 滚动轴承性能退化趋势预测的总体流程 | 第46页 |
| 4.3.2 滚动轴承快速退化趋势预测实例分析 | 第46-49页 |
| 4.3.3 滚动轴承缓慢退化趋势预测实例分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 滚动轴承故障诊断与退化趋势预测系统设计 | 第52-60页 |
| 5.1 系统的编程技术与总体方案设计 | 第52-54页 |
| 5.1.1 系统编程技术介绍 | 第52-53页 |
| 5.1.2 系统总体方案设计 | 第53-54页 |
| 5.2 软件系统模块介绍 | 第54-59页 |
| 5.2.1 用户登录模块 | 第54-55页 |
| 5.2.2 滚动轴承早期故障识别模块 | 第55-56页 |
| 5.2.3 滚动轴承故障诊断模块 | 第56-58页 |
| 5.2.4 滚动轴承退化指标提取模块 | 第58页 |
| 5.2.5 滚动轴承退化趋势预测模块 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 结论与建议 | 第60-62页 |
| 6.1 结论 | 第60-61页 |
| 6.2 建议 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
