| 摘要 | 第1-9页 |
| Abstract | 第9-13页 |
| 第1章 绪论 | 第13-18页 |
| ·选题背景及意义 | 第13页 |
| ·旋转机械故障诊断技术主要研究内容 | 第13-14页 |
| ·流形学习理论及其在故障诊断领域中的研究现状 | 第14-16页 |
| ·流形学习 | 第14页 |
| ·流形学习研究现状 | 第14-15页 |
| ·流形学习在故障诊断领域中的研究现状 | 第15-16页 |
| ·本文主要研究内容及安排 | 第16-18页 |
| 第2章 基于KSLPP与RWKNN的智能诊断方法研究 | 第18-31页 |
| ·引言 | 第18-19页 |
| ·原始高维特征集的构建 | 第19-21页 |
| ·时域特征提取 | 第19页 |
| ·频域特征提取 | 第19页 |
| ·小波包的时频域特征提取 | 第19-21页 |
| ·降维方法原理简介 | 第21-24页 |
| ·PCA算法 | 第21页 |
| ·KPCA算法 | 第21-22页 |
| ·FDA算法 | 第22页 |
| ·LPP算法 | 第22页 |
| ·SLPP算法 | 第22-23页 |
| ·KSLPP算法 | 第23-24页 |
| ·特征选择方法原理简介 | 第24-25页 |
| ·类间可分性算法 | 第24页 |
| ·ReliefF算法 | 第24-25页 |
| ·智能分类方法原理简介 | 第25-26页 |
| ·K近邻分类器算法 | 第25-26页 |
| ·RWKNN算法 | 第26页 |
| ·RWKNN识别流程 | 第26页 |
| ·基于KSLPP与RWKNN的故障诊断方法 | 第26-27页 |
| ·实验方法和结果 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于PCA-KLFDA的小样本故障数据集降维方法研究 | 第31-40页 |
| ·引言 | 第31页 |
| ·降维算法 | 第31-33页 |
| ·LFDA算法 | 第31-32页 |
| ·KLFDA算法 | 第32-33页 |
| ·故障数据集的降维方法设计 | 第33-35页 |
| ·PCA与KLFDA集成的小样本数据降维方法设计 | 第34页 |
| ·故障数据集降维流程设计 | 第34-35页 |
| ·应用结果情况与分析 | 第35-38页 |
| ·本章小结 | 第38-40页 |
| 第4章 基于局部费歇尔判别分值特征选择的滚动轴承故障诊断方法研究 | 第40-47页 |
| ·引言 | 第40页 |
| ·特征选择算法 | 第40-42页 |
| ·费歇尔分值算法 | 第40-41页 |
| ·拉普拉斯分值算法 | 第41页 |
| ·LFDS算法 | 第41-42页 |
| ·最小二乘支持向量机算法原理 | 第42-43页 |
| ·基于局部费歇尔判别分值滚动轴承故障诊断 | 第43-44页 |
| ·实验验证 | 第44-46页 |
| ·本章结论 | 第46-47页 |
| 第5章 转子实验台状态监测与故障诊断系统开发 | 第47-52页 |
| ·引言 | 第47页 |
| ·开发工具选择及系统开发环境 | 第47页 |
| ·软件预期设计目标 | 第47-48页 |
| ·软件界面及功能设计 | 第48-51页 |
| ·电机控制模块 | 第48-49页 |
| ·波形显示模块 | 第49页 |
| ·滤波模块 | 第49-50页 |
| ·数据存储模块 | 第50-51页 |
| ·智能辨识模块 | 第51页 |
| ·系统后续完善 | 第51页 |
| ·本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 全文总结 | 第52-53页 |
| 研究展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文 | 第60页 |
