| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-25页 |
| ·课题研究背景和提出 | 第13-15页 |
| ·滚动轴承故障诊断的意义和目的 | 第13-14页 |
| ·课题提出 | 第14-15页 |
| ·滚动轴承故障诊断技术的发展概况 | 第15-23页 |
| ·故障机理的研究 | 第16-17页 |
| ·故障信息的研究 | 第17-20页 |
| ·故障的智能诊断 | 第20-22页 |
| ·滚动轴承故障诊断的发展趋势 | 第22-23页 |
| ·论文的主要研究内容与结构安排 | 第23-25页 |
| 第2章 滚动轴承的故障机理及其诊断技术 | 第25-30页 |
| ·概述 | 第25页 |
| ·滚动轴承故障主要形式与振动信号特征 | 第25-26页 |
| ·滚动轴承的故障常规诊断方法 | 第26-29页 |
| ·滚动轴承的时域分析方法 | 第26-28页 |
| ·滚动轴承故障的频域分析方法 | 第28页 |
| ·滚动轴承故障的时频分析法 | 第28-29页 |
| ·滚动轴承故障诊断实验 | 第29页 |
| ·滚动轴承故障诊断实验装置简图 | 第29页 |
| ·滚动轴承故障设置方式 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于LMD 的时频分析方法 | 第30-47页 |
| ·概述 | 第30页 |
| ·局部均值分解方法 | 第30-32页 |
| ·局部均值分解时频分析方法验证 | 第32-36页 |
| ·LMD 与典型时频分析方法的比较 | 第36-44页 |
| ·LMD 与Wigner-Ville 分布分析的比较 | 第36-41页 |
| ·LMD 与小波分析的比较 | 第41-44页 |
| ·LMD 和EMD 的比较 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于LMD 和神经网络的滚动轴承故障诊断方法 | 第47-58页 |
| ·神经网络概述 | 第47页 |
| ·神经网络的发展 | 第47页 |
| ·BP 神经网络模型结构 | 第47-51页 |
| ·神经网络的前向计算 | 第48-49页 |
| ·误差反向传播和加权系数的调整 | 第49页 |
| ·输出层的加权系数调整 | 第49-50页 |
| ·隐含层的加权系数调整 | 第50页 |
| ·加权系数学习计算步骤 | 第50-51页 |
| ·基于LMD 和神经网络的滚动轴承诊断方法 | 第51-57页 |
| ·基于LMD 和神经网络的滚动轴承故障诊断具体步骤 | 第51-52页 |
| ·滚动轴承的缺陷特征参数的选取 | 第52页 |
| ·确定神经网络结构 | 第52-54页 |
| ·实验结果 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 基于改进LMD 和支持向量机的诊断方法 | 第58-69页 |
| ·支持向量机理论 | 第59-61页 |
| ·支持向量机 | 第60页 |
| ·SVM 多分类方法 | 第60-61页 |
| ·改进LMD 方法 | 第61-65页 |
| ·小波包分解 | 第62-64页 |
| ·改进LMD | 第64-65页 |
| ·基于改进 LMD 方法和支持向量机滚动轴承故障诊断方法 | 第65-66页 |
| ·实例分析 | 第66-67页 |
| ·本章小结 | 第67-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 附录 A 攻读学位期间发表的学术论文目录 | 第76页 |
