| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-22页 |
| 1.1 课题来源 | 第11-13页 |
| 1.1.2 课题的研究目的及意义 | 第11-13页 |
| 1.2 设备故障特征提取及故障诊断研究背景和现状 | 第13-17页 |
| 1.2.1 设备故障特征提取方法研究背景和现状 | 第13-15页 |
| 1.2.2 模式识别方法研究现状 | 第15-17页 |
| 1.3 同源信息融合技术的发展概况 | 第17-18页 |
| 1.3.1 全息谱方法 | 第17-18页 |
| 1.3.2 全频谱方法 | 第18页 |
| 1.3.3 全矢谱方法 | 第18页 |
| 1.4 本文的研究目的及意义 | 第18-19页 |
| 1.5 文章主要内容 | 第19-22页 |
| 1.5.1 主要研究工作 | 第19-20页 |
| 1.5.2 文章结构安排 | 第20-22页 |
| 2 全矢谱原理及应用研究 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 全矢谱技术的基本理论 | 第22-27页 |
| 2.3 全矢谱方法数值算法 | 第27-29页 |
| 2.4 全矢谱方法应用实例 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 总体平均经验模态分解(EEMD)理论及实验分析 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 经验模态分解(EMD)研究现状及基本定理 | 第32-35页 |
| 3.2.1 经验模态分解研究现状 | 第32-33页 |
| 3.2.2 经验模态分解的基本原理 | 第33-35页 |
| 3.3 总体经验模态分解基本原理 | 第35-37页 |
| 3.4 全矢EEMD方法 | 第37-44页 |
| 3.4.1 全矢EEMD算法流程 | 第37页 |
| 3.4.2 仿真分析 | 第37-39页 |
| 3.4.3 实验结果分析 | 第39-44页 |
| 3.5 本章小结 | 第44-46页 |
| 4 全矢CEEMD和排列熵的信号提取方法 | 第46-61页 |
| 4.1 引言 | 第46-47页 |
| 4.2 CEEMD的研究现状及基本原理 | 第47-48页 |
| 4.2.1 CEEMD的研究现状 | 第47页 |
| 4.2.2 CEEMD的基本定理 | 第47-48页 |
| 4.3 排列熵算法的研究现状及基本定理 | 第48-50页 |
| 4.3.1 排列熵算法的研究现状 | 第48-49页 |
| 4.3.2 排列熵算法的基本原理 | 第49-50页 |
| 4.4 全矢CEEMD方法 | 第50-60页 |
| 4.4.1 全矢CEEMD算法流程 | 第50-51页 |
| 4.4.2 仿真数据分析 | 第51-54页 |
| 4.4.3 实验对比分析 | 第54-60页 |
| 4.4.4 实验结果分析 | 第60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 基于信息融合与多分类极限学习机的轴承故障分类 | 第61-71页 |
| 5.1 引言 | 第61-62页 |
| 5.2 多分类极限学习机基本原理 | 第62-65页 |
| 5.3 基于全矢CEEMD的多分类ELM故障分类方法 | 第65-70页 |
| 5.3.1 方法流程 | 第65-66页 |
| 5.3.2 实验分析 | 第66-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 结论与展望 | 第71-73页 |
| 6.1 本文总结 | 第71-72页 |
| 6.2 课题的创新点 | 第72页 |
| 6.3 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第79页 |