| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 轴承故障诊断技术的发展 | 第12-14页 |
| 1.2.2 振动信号检测法的研究现状 | 第14-15页 |
| 1.3 论文研究内容及技术路线 | 第15-18页 |
| 2 滚动轴承振动机理及主要故障分析 | 第18-24页 |
| 2.1 滚动轴承结构 | 第18-19页 |
| 2.2 滚动轴承振动机理 | 第19-21页 |
| 2.3 滚动轴承故障类型 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 滚动轴承故障诊断理论 | 第24-43页 |
| 3.1 经验模态分解(EMD) | 第24-28页 |
| 3.2 IMF能量矩 | 第28页 |
| 3.3 小波消噪 | 第28-30页 |
| 3.4 AdaBoost | 第30-37页 |
| 3.4.1 集成学习方法 | 第30-33页 |
| 3.4.2 AdaBoost算法 | 第33-37页 |
| 3.5 遗传神经网络算法(GNN) | 第37-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 基于EMD的滚动轴承故障特征提取 | 第43-60页 |
| 4.1 实验方案设计 | 第43-49页 |
| 4.1.1 实验平台 | 第43-45页 |
| 4.1.2 滚动轴承运行工况设计 | 第45-47页 |
| 4.1.3 振动信号采集 | 第47-49页 |
| 4.2 小波消噪处理 | 第49-50页 |
| 4.3 特征提取 | 第50-58页 |
| 4.3.1 时域分析及时域特征提取 | 第50-55页 |
| 4.3.2 EMD信号处理及IMF能量特征提取 | 第55-58页 |
| 4.4 本章小结 | 第58-60页 |
| 5 GNN-AdaBoost算法及其在滚动轴承故障辨识中的应用 | 第60-85页 |
| 5.1 GNN-AdaBoost算法 | 第60-62页 |
| 5.2 GNN算法在滚动轴承故障诊断中的应用 | 第62-69页 |
| 5.3 GNN-AdaBoost算法在滚动轴承故障诊断中的应用 | 第69-76页 |
| 5.4 GNN-AdaBoost算法与GNN算法故障辨识结果对比 | 第76-84页 |
| 5.4.1 转速不同工况下的故障辨识结果对比 | 第77-79页 |
| 5.4.2 载荷不同工况下的故障辨识结果对比 | 第79-82页 |
| 5.4.3 加速度工况下的故障辨识结果对比 | 第82-84页 |
| 5.5 本章小结 | 第84-85页 |
| 6 结论及展望 | 第85-87页 |
| 6.1 工作总结 | 第85页 |
| 6.2 研究展望 | 第85-87页 |
| 参考文献 | 第87-90页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第90-92页 |
| 学位论文数据集 | 第92页 |
