| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 国外研究现状 | 第8-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-13页 |
| 第二章 滚动轴承故障诊断研究 | 第13-23页 |
| 2.1 旋转设备故障 | 第13-14页 |
| 2.2 滚动轴承故障机理和诊断技术 | 第14-21页 |
| 2.2.1 滚动轴承参数和振动信号特征 | 第14-16页 |
| 2.2.2 固有振动频率 | 第16-17页 |
| 2.2.3 滚动轴承振动测量与诊断 | 第17-18页 |
| 2.2.4 滚动轴承简易诊断 | 第18-19页 |
| 2.2.5 滚动轴承精密诊断 | 第19-20页 |
| 2.2.6 滚动轴承智能诊断 | 第20-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 基于同步压缩的特征提取方法 | 第23-43页 |
| 3.1 小波变换 | 第23-26页 |
| 3.1.1 Fourier变换 | 第23-24页 |
| 3.1.2 短时Fourier变换 | 第24-25页 |
| 3.1.3 连续小波变换 | 第25-26页 |
| 3.2 同步压缩 | 第26-35页 |
| 3.2.1 同步压缩小波变换定义 | 第26-27页 |
| 3.2.2 同步压缩小波变换结论 | 第27-33页 |
| 3.2.3 同步压缩小波变换实现 | 第33-34页 |
| 3.2.4 自适应阈值去噪 | 第34-35页 |
| 3.3 仿真分析 | 第35-37页 |
| 3.4 实验和验证 | 第37-41页 |
| 3.4.1 实验平台 | 第37-39页 |
| 3.4.2 信号处理及分析 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于模态分解同步压缩的特征提取方法 | 第43-73页 |
| 4.1 基于EMD和同步压缩小波变换的滚动轴承故障诊断 | 第43-53页 |
| 4.1.1 ESWT定义 | 第43-45页 |
| 4.1.2 仿真分析 | 第45-47页 |
| 4.1.3 实验和验证 | 第47-53页 |
| 4.1.3.1 实验说明 | 第47-48页 |
| 4.1.3.2 信号处理及分析 | 第48-53页 |
| 4.2 基于LCD和SWT的滚动轴承故障诊断 | 第53-61页 |
| 4.2.1 LSWT定义 | 第54-55页 |
| 4.2.2 仿真分析 | 第55-56页 |
| 4.2.3 实验和验证 | 第56-61页 |
| 4.2.3.1 实验说明 | 第56-57页 |
| 4.2.3.2 信号处理及分析 | 第57-61页 |
| 4.3 VSWT在滚动轴承故障诊断中的应用 | 第61-71页 |
| 4.3.1 VSWT定义 | 第61-63页 |
| 4.3.1.1 变分模态分解VMD | 第61-62页 |
| 4.3.1.2 峭度 | 第62-63页 |
| 4.3.2 仿真分析 | 第63-66页 |
| 4.3.3 实验和验证 | 第66-71页 |
| 4.3.3.1 实验说明 | 第66页 |
| 4.3.3.2 信号处理及分析 | 第66-71页 |
| 4.4 本章小结 | 第71-73页 |
| 第五章 基于近似熵和LCD_KELM的智能诊断方法 | 第73-87页 |
| 5.1 BP神经网络 | 第73-76页 |
| 5.2 极限学习机 | 第76-78页 |
| 5.3 核极限学习机 | 第78-79页 |
| 5.4 近似熵 | 第79-81页 |
| 5.4.1 近似熵定义 | 第79-80页 |
| 5.4.2 快速近似熵算法 | 第80-81页 |
| 5.5 基于LCD_KELM的诊断系统 | 第81-82页 |
| 5.6 实验和验证 | 第82-85页 |
| 5.6.1 实验说明 | 第82页 |
| 5.6.2 信号处理及分析 | 第82-85页 |
| 5.7 本章小结 | 第85-87页 |
| 主要结论与展望 | 第87-89页 |
| 主要结论 | 第87-88页 |
| 展望 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第94页 |