| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 1 绪论 | 第15-26页 |
| ·研究背景与意义 | 第15-16页 |
| ·滚动轴承故障诊断方法及研究现状 | 第16-21页 |
| ·滚动轴承的故障诊断方法 | 第16-19页 |
| ·国外研究现状 | 第19-20页 |
| ·国内研究现状 | 第20-21页 |
| ·随机共振与支持向量机研究现状 | 第21-23页 |
| ·随机共振理论 | 第21-22页 |
| ·统计学习理论与支持向量机(SVM) | 第22-23页 |
| ·本文的研究思路和研究内容 | 第23-26页 |
| ·本文的研究思路 | 第23-24页 |
| ·本文的研究内容 | 第24-26页 |
| 2 滚动轴承状态信息采集的WSN网络构建方法研究 | 第26-38页 |
| ·滚动轴承振动特征研究 | 第26-33页 |
| ·滚动轴承振动机理与失效形式分析 | 第26-29页 |
| ·滚动轴承振动的特征频率 | 第29-30页 |
| ·滚动轴承故障信号特征 | 第30-33页 |
| ·WSN硬件结构的设计 | 第33-36页 |
| ·振动监测WSN硬件选择 | 第33-34页 |
| ·振动监测WSN方案设计 | 第34页 |
| ·振动监测WSN电路设计 | 第34-36页 |
| ·WSN软件结构的设计 | 第36-37页 |
| ·滚动轴承振动信号采集处理 | 第36-37页 |
| ·数据无线传输和同步 | 第37页 |
| ·本章小结 | 第37-38页 |
| 3 基于随机共振方法的滚动轴承故障诊断 | 第38-54页 |
| ·随机共振算法 | 第38-44页 |
| ·随机共振基本原理 | 第38-41页 |
| ·变尺度随机共振 | 第41-43页 |
| ·随机共振算法存在的不足 | 第43-44页 |
| ·基于改进粒子群算法优化的随机共振算法 | 第44-48页 |
| ·基本粒子群算法 | 第44-47页 |
| ·基于遗传免疫的粒子群算法 | 第47页 |
| ·基于遗传免疫粒子群优化的随机共振算法 | 第47-48页 |
| ·应用实例与分析 | 第48-53页 |
| ·外圈剥落故障 | 第48-51页 |
| ·内圈裂纹故障 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 4 基于第二代小波变换的滚动轴承故障诊断 | 第54-70页 |
| ·第二代小波方法 | 第54-62页 |
| ·基于插值细分的第二代小波变换 | 第55-57页 |
| ·第二代小波变换的等效滤波器 | 第57-59页 |
| ·第二代小波的预测器与更新器计算方法 | 第59-61页 |
| ·第二代小波包变换 | 第61-62页 |
| ·基于第二代小波的轴承故障定量识别 | 第62-66页 |
| ·Hilbert包络解调原理 | 第62-63页 |
| ·仿真信号分析 | 第63-66页 |
| ·应用实例与分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 5 基于神经网络的滚动轴承智能诊断 | 第70-82页 |
| ·神经网络概述 | 第70-71页 |
| ·神经网络的特点 | 第70-71页 |
| ·神经网络的分类 | 第71页 |
| ·BP算法的神经网络诊断模型 | 第71-74页 |
| ·BP算法 | 第71-73页 |
| ·BP神经网络故障诊断系统 | 第73-74页 |
| ·基于BP神经网络的轴承故障智能诊断方法 | 第74-80页 |
| ·BP神经网络轴承故障诊断的步骤 | 第74-76页 |
| ·应用实例与分析 | 第76-80页 |
| ·本章小结 | 第80-82页 |
| 6 基于参数优化支持向量机的滚动轴承智能诊断 | 第82-100页 |
| ·统计学习理论与支持向量机原理 | 第82-94页 |
| ·机器学习 | 第83页 |
| ·统计学习理论 | 第83-85页 |
| ·支持向量机 | 第85-92页 |
| ·多类支持向量机方法 | 第92-94页 |
| ·支持向量机分类模型的参数优化 | 第94-95页 |
| ·参数优化问题 | 第94-95页 |
| ·参数优化模型 | 第95页 |
| ·基于遗传免疫粒子群优化的支持向量机分类模型的参数选取 | 第95页 |
| ·应用实例与分析 | 第95-99页 |
| ·本章小结 | 第99-100页 |
| 结论 | 第100-103页 |
| 参考文献 | 第103-109页 |
| 攻读学位期间发表的学术论文 | 第109-110页 |
| 致谢 | 第110-111页 |