| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 滚动轴承早期故障诊断研究现状 | 第13-14页 |
| 1.2.2 滚动轴承状态识别研究现状 | 第14-15页 |
| 1.3 研究内容与技术路线 | 第15-18页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16-18页 |
| 2 城轨列车滚动轴承故障机理及分析方法 | 第18-28页 |
| 2.1 滚动轴承的基本结构 | 第18-19页 |
| 2.2 滚动轴承振动机理 | 第19-20页 |
| 2.3 滚动轴承的典型故障与形成原因 | 第20-21页 |
| 2.4 滚动轴承故障特征频率 | 第21-22页 |
| 2.5 滚动轴承振动信号常用分析方法 | 第22-26页 |
| 2.5.1 时域分析 | 第23-25页 |
| 2.5.2 频域分析 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 3 基于VMD的滚动轴承早期故障诊断研究 | 第28-52页 |
| 3.1 变分模态分解 | 第28-36页 |
| 3.1.1 变分模态分解原理 | 第28-31页 |
| 3.1.2 VMD算法参数选取对性能影响研究 | 第31-36页 |
| 3.2 基于ICPSO的VMD参数选取 | 第36-41页 |
| 3.2.1 标准粒子群算法 | 第36-38页 |
| 3.2.2 混沌粒子群算法 | 第38页 |
| 3.2.3 基于ICPSO的VMD参数优化 | 第38-41页 |
| 3.3 仿真信号分析 | 第41-45页 |
| 3.4 滚动轴承全寿命加速疲劳实验数据分析 | 第45-50页 |
| 3.5 本章小结 | 第50-52页 |
| 4 基于DT-CWPT与MPE的滚动轴承特征提取技术研究 | 第52-72页 |
| 4.1 双树复小波包变换 | 第52-54页 |
| 4.2 排列熵与多尺度排列熵算法 | 第54-56页 |
| 4.2.1 排列熵算法原理 | 第54-55页 |
| 4.2.2 多尺度排列熵算法原理 | 第55页 |
| 4.2.3 多尺度排列熵参数选取 | 第55-56页 |
| 4.3 基于随机森林的特征选择 | 第56-58页 |
| 4.3.1 随机森林算法基本原理 | 第56-57页 |
| 4.3.2 基于随机森林的特征选择 | 第57-58页 |
| 4.4 滚动轴承故障特征提取流程设计 | 第58-59页 |
| 4.5 实例应用分析 | 第59-71页 |
| 4.5.1 数据来源 | 第59-65页 |
| 4.5.2 特征参数提取 | 第65-71页 |
| 4.6 本章小结 | 第71-72页 |
| 5 基于KELM-AdaBoost的滚动轴承故障模式识别研究 | 第72-88页 |
| 5.1 极限学习机算法 | 第72-76页 |
| 5.1.1 单隐层前馈神经网络 | 第72-73页 |
| 5.1.2 极限学习机算法 | 第73-75页 |
| 5.1.3 核极限学习机 | 第75-76页 |
| 5.2 基于混沌粒子群算法的KELM参数优化 | 第76-78页 |
| 5.3 AdaBoost算法 | 第78-79页 |
| 5.4 实例分析与对比 | 第79-87页 |
| 5.4.1 基于KELM的滚动轴承故障模式识别 | 第81-83页 |
| 5.4.2 基于KELM-AdaBoost的滚动轴承故障模式识别 | 第83-86页 |
| 5.4.3 基于不同方法的滚动轴承识别结果对比分析 | 第86-87页 |
| 5.5 本章小结 | 第87-88页 |
| 6 结论与展望 | 第88-90页 |
| 6.1 结论 | 第88-89页 |
| 6.2 研究展望 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第96-100页 |
| 学位论文数据集 | 第100页 |
