| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 插图索引 | 第14-18页 |
| 附表索引 | 第18-19页 |
| 第1章 绪论 | 第19-29页 |
| 1.1 课题研究的背景和意义 | 第19页 |
| 1.2 基于时频分析的旋转故障诊断研究现状 | 第19-25页 |
| 1.2.1 小波分析 | 第20-22页 |
| 1.2.2 希尔伯特-黄变换 | 第22-23页 |
| 1.2.3 局部均值分解 | 第23-25页 |
| 1.3 本文主要研究思路与研究内容 | 第25-29页 |
| 1.3.1 本文研究思路 | 第25-26页 |
| 1.3.2 论文研究内容和章节安排 | 第26-29页 |
| 第2章 局部特征尺度分解（LCD）方法 | 第29-40页 |
| 2.1 引言 | 第29-30页 |
| 2.2 经验模态分解 | 第30-32页 |
| 2.3 LCD方法 | 第32-34页 |
| 2.3.1 ISC定义 | 第32页 |
| 2.3.2 LCD过程 | 第32-34页 |
| 2.4 LCD与EMD比较分析 | 第34-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第3章 基于均值曲线改进的LCD方法及理论 | 第40-59页 |
| 3.1 引言 | 第40-41页 |
| 3.2 基于分段多项式的改进局部特征尺度分解（ILCD） | 第41-48页 |
| 3.2.1 ILCD过程 | 第41-42页 |
| 3.2.2 EMD, LCD与ILCD对比分析 | 第42-45页 |
| 3.2.3 ILCD在转子碰摩故障诊断中的应用 | 第45-48页 |
| 3.3 广义局部特征尺度分解（GLCD） | 第48-57页 |
| 3.3.1 均值曲线的选择 | 第48-50页 |
| 3.3.2 GIMF分量的定义 | 第50-51页 |
| 3.3.3 GLCD方法 | 第51-52页 |
| 3.3.4 仿真分析 | 第52-55页 |
| 3.3.5 GIMF判据及GLCD分解能力研究 | 第55-57页 |
| 3.4 本章小结 | 第57-59页 |
| 第4章 LCD模态混叠解决方法 | 第59-80页 |
| 4.1 引言 | 第59-60页 |
| 4.2 模态混叠与基于噪声辅助的数据分析方法 | 第60-61页 |
| 4.3 部分集成局部特征尺度分解方法 | 第61-69页 |
| 4.4.1 集成局部特征尺度分解（ELCD） | 第62-63页 |
| 4.4.2 PELCD算法 | 第63-64页 |
| 4.4.3 仿真与实测信号分析 | 第64-69页 |
| 4.4 完备总体平均局部特征尺度分解方法 | 第69-79页 |
| 4.3.1 CELCD方法 | 第69-71页 |
| 4.3.2 CEEMDAN与CELCD比较分析 | 第71-76页 |
| 4.3.3 CELCD在转子碰摩故障诊断中的应用 | 第76-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第5章 内禀尺度分量瞬时频率估计与解调方法研究 | 第80-104页 |
| 5.1 引言 | 第80-81页 |
| 5.2 瞬时频率估计方法 | 第81-90页 |
| 5.2.1 希尔伯特变换与标准希尔伯特变换 | 第81-82页 |
| 5.2.2 能量算子解调 | 第82-83页 |
| 5.2.3 经验包络法(EE) | 第83-86页 |
| 5.2.3.1 经验调幅调频分解 | 第83-84页 |
| 5.2.3.2 经验包络法 | 第84-86页 |
| 5.2.4 直接正交法（DQ） | 第86页 |
| 5.2.5 归一化正交(NQ) | 第86-87页 |
| 5.2.6 仿真信号对比分析 | 第87-90页 |
| 5.3 基于LCD的经验包络解调在机械故障诊断中的应用 | 第90-95页 |
| 5.3.1 滚动轴承试验数据分析 | 第91-94页 |
| 5.3.2 齿轮试验数据分析 | 第94-95页 |
| 5.4 基于GLCD与归一化正交解调方法在故障诊断中的应用 | 第95-103页 |
| 5.4.1 改进的经验调幅调频分解(IEAD) | 第96-97页 |
| 5.4.2 仿真信号分析 | 第97-100页 |
| 5.4.3 试验信号分析 | 第100-103页 |
| 5.5 本章小结 | 第103-104页 |
| 第6章 基于LCD和熵理论的旋转机械故障振动信号特征提取方法 | 第104-135页 |
| 6.1 引言 | 第104页 |
| 6.2 熵与复杂性理论 | 第104-107页 |
| 6.3 样本熵与多尺度熵 | 第107-113页 |
| 6.3.1 样本熵的定义 | 第107页 |
| 6.3.2 参数的选取 | 第107-108页 |
| 6.3.3 多尺度熵 | 第108-109页 |
| 6.3.4 基于多尺度熵的滚动轴承故障诊断 | 第109-111页 |
| 6.3.5 多尺度熵在转子故障诊断中的应用 | 第111-113页 |
| 6.4 模糊熵与多尺度模糊熵 | 第113-125页 |
| 6.4.1 模糊熵算法 | 第113-116页 |
| 6.4.2 多尺度模糊熵 | 第116页 |
| 6.4.3 参数的选取与影响 | 第116-118页 |
| 6.4.4 滚动轴承故障诊断的多尺度模糊熵方法 | 第118-125页 |
| 6.4.4.1 基于LCD, 模糊熵和SVM的滚动轴承故障诊断 | 第119-121页 |
| 6.4.4.2 多尺度模糊熵在滚动轴承故障诊断中的应用 | 第121-125页 |
| 6.5 排列熵与多尺度排列熵 | 第125-133页 |
| 6.5.1 排列熵算法 | 第126页 |
| 6.5.2 PE参数的选取及对结果的影响 | 第126-128页 |
| 6.5.3 多尺度排列熵定义 | 第128-129页 |
| 6.5.4 多尺度排列熵在滚动轴承故障诊断中的应用 | 第129-131页 |
| 6.5.5 基于LCD和排列熵的滚动轴承故障诊断 | 第131-133页 |
| 6.6 本章小结 | 第133-135页 |
| 第7章 基于LCD和模式识别的旋转机械智能故障诊断方法 | 第135-158页 |
| 7.1 引言 | 第135-136页 |
| 7.2 基于变量预测模型的模式识别方法 | 第136-137页 |
| 7.3 基于LCD, 奇异值分解和VPMCD的机械故障诊断方法 | 第137-140页 |
| 7.3.1 基于LCD, SVD和VPMCD的滚动轴承故障诊断方法 | 第137-139页 |
| 7.3.2 基于LCD, SVD和VPMCD的齿轮故障诊断方法 | 第139-140页 |
| 7.4 基于PELCD, 拉普拉斯分值和VPMCD的滚动轴承故障诊断 | 第140-149页 |
| 7.4.1 基于PELCD的特征量提取 | 第140-143页 |
| 7.4.2 基于拉普拉斯分值的特征选择 | 第143-145页 |
| 7.4.3 基于PELCD, LS和VPMCD的滚动轴承故障诊断方法 | 第145-149页 |
| 7.5 基于MFE, LS和VPMCD的滚动轴承故障诊断 | 第149-156页 |
| 7.6 本章小结 | 第156-158页 |
| 结论与展望 | 第158-161页 |
| 参考文献 | 第161-178页 |
| 致谢 | 第178-180页 |
| 附录A 攻读学位期间发表和录用论文目录 | 第180-183页 |
| 附录B 参与的课题与科研项目 | 第183页 |
