| 中文摘要 | 第1页 |
| 英文摘要 | 第3-7页 |
| 第一章 前言 | 第7-14页 |
| ·概述 | 第7-8页 |
| ·齿轮的发展与现状 | 第8-10页 |
| ·齿轮研究方法的发展现状 | 第8-10页 |
| ·滚动轴承研究现状 | 第10-12页 |
| ·轴承故障诊断技术的研究现状与发展趋势 | 第10-12页 |
| ·论文研究的内容 | 第12-14页 |
| 第二章 特征值提取方法 | 第14-22页 |
| ·引言 | 第14页 |
| ·信号的时域诊断函数 | 第14-16页 |
| ·频域特征值提取 | 第16-17页 |
| ·时间序列ARMA,AR,GREEN 模型特征值提取 | 第17-21页 |
| ·ARMA 模型定义 | 第17-19页 |
| ·GREEN 函数的定义及公式推导 | 第19-21页 |
| ·小结 | 第21-22页 |
| 第三章 主分量法(PCA)及其应用 | 第22-34页 |
| ·引言 | 第22页 |
| ·主分量法的原理 | 第22-24页 |
| ·主分量分析的步骤 | 第24-25页 |
| ·试验数据分析 | 第25-33页 |
| ·风机滚动轴承振动分析 | 第25-27页 |
| ·时域主分量分析 | 第27-28页 |
| ·频域主分量分析 | 第28-30页 |
| ·基于时间序列AR(n)模型系数的主分量分析 | 第30-32页 |
| ·基于GREEN 函数系数的主分量分析 | 第32-33页 |
| ·小结 | 第33-34页 |
| 第四章 核函数主分量(KPCA)在齿轮前期故障诊断中的应用 | 第34-51页 |
| ·引言 | 第34页 |
| ·核函数主分量法的原理 | 第34-37页 |
| ·核函数主分量分析 | 第34-36页 |
| ·几何距离判别函数 | 第36-37页 |
| ·欧几里德(Euclid)距离判别 | 第37页 |
| ·试验分析 | 第37-50页 |
| ·试验描述 | 第37-39页 |
| ·时域PCA 和KPCA 分析 | 第39-40页 |
| ·滤波后的时域PCA 和KPCA 分析 | 第40-42页 |
| ·频域PCA 和KPCA 分析 | 第42-45页 |
| ·基于AR 参数的PCA 和KPCA 分析 | 第45-48页 |
| ·基于GREEN 参数的PCA 和KPCA 分析 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第五章 支持向量机在齿轮故障诊断中的应用 | 第51-61页 |
| ·引言 | 第51-52页 |
| ·机器学习的基本问题 | 第52-54页 |
| ·机器学习 | 第52-53页 |
| ·VC 维数 | 第53-54页 |
| ·结构风险最小化SRM | 第54页 |
| ·线性可分模式的最优分类面 | 第54-58页 |
| ·试验分析 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第六章 滚动轴承数据库的开发 | 第61-68页 |
| ·引言 | 第61页 |
| ·滚动轴承振动的基本参数 | 第61-64页 |
| ·滚动轴承的典型结构及其特征频率 | 第61-62页 |
| ·滚动轴承有异常时的振动特性 | 第62-64页 |
| ·软件的功能分析和开发研制 | 第64-67页 |
| ·软件的功能和特性 | 第64页 |
| ·软件开发环境 | 第64-65页 |
| ·软件的基本组成 | 第65页 |
| ·数据库的开发 | 第65-66页 |
| ·滚动轴承参数查询 | 第66-67页 |
| ·小结 | 第67-68页 |
| 第七章 结论与展望 | 第68-70页 |
| ·结论 | 第68-69页 |
| ·研究展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 在学期间发表论文和参加科研情况 | 第77页 |