| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-29页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题背景及研究意义 | 第11-14页 |
| 1.3 旋转机械微弱故障诊断技术研究现状 | 第14-25页 |
| 1.3.1 旋转机械微弱故障增强方法研究现状 | 第15-17页 |
| 1.3.2 旋转机械微弱故障特征提取方法研究现状 | 第17-21页 |
| 1.3.3 旋转机械微弱故障模式识别方法研究现状 | 第21-24页 |
| 1.3.4 基于电机驱动系统的旋转机械故障诊断研究现状 | 第24-25页 |
| 1.4 旋转机械微弱故障融合诊断技术的关键问题 | 第25-27页 |
| 1.5 本文研究内容与结构安排 | 第27-29页 |
| 2 基于最小熵解卷积和能量算子的微弱故障级联增强 | 第29-47页 |
| 2.1 引言 | 第29-30页 |
| 2.2 能量算子 | 第30-32页 |
| 2.3 最小熵解卷积 | 第32-34页 |
| 2.4 仿真验证 | 第34-40页 |
| 2.5 实验验证 | 第40-45页 |
| 2.5.1 实验台简介 | 第40-41页 |
| 2.5.2 实验数据及结果分析 | 第41-45页 |
| 2.6 本章小结 | 第45-47页 |
| 3 基于时频图像纹理特征的微弱故障特征提取 | 第47-75页 |
| 3.1 引言 | 第47页 |
| 3.2 信号时频分析方法 | 第47-54页 |
| 3.2.1 S变换 | 第48页 |
| 3.2.2 魏格纳维尔分布 | 第48-49页 |
| 3.2.3 径向高斯核时频分布 | 第49-50页 |
| 3.2.4 自适应最优核时频分析 | 第50-51页 |
| 3.2.5 仿真分析 | 第51-54页 |
| 3.3 时频图像纹理特征提取方法 | 第54-60页 |
| 3.3.1 灰度共生矩阵 | 第54-56页 |
| 3.3.2 局部二值模式 | 第56-59页 |
| 3.3.3 统一局部二值模式 | 第59-60页 |
| 3.4 基于自适应最优核和统一局部二值模式的微弱故障特征提取 | 第60页 |
| 3.5 实验验证 | 第60-74页 |
| 3.5.1 实验台简介 | 第60-62页 |
| 3.5.2 参数选择 | 第62-65页 |
| 3.5.3 实验数据分析 | 第65-74页 |
| 3.6 本章小结 | 第74-75页 |
| 4 基于优化深度置信网络的微弱故障融合诊断 | 第75-107页 |
| 4.1 引言 | 第75-76页 |
| 4.2 深度学习理论 | 第76-83页 |
| 4.2.1 受限玻尔兹曼机理论 | 第76-81页 |
| 4.2.2 深度置信网络 | 第81-82页 |
| 4.2.3 深度置信网络的参数设置 | 第82-83页 |
| 4.3 粒子群优化算法 | 第83-84页 |
| 4.3.1 离散粒子群优化算法 | 第84页 |
| 4.4 基于多准则融合的混合降维方法 | 第84-87页 |
| 4.4.1 引言 | 第84-86页 |
| 4.4.2 最大相关和最小冗余准则 | 第86页 |
| 4.4.3 线性判别分析 | 第86-87页 |
| 4.5 基于优化深度置信网络的故障融合诊断方法 | 第87-88页 |
| 4.6 实验验证 | 第88-105页 |
| 4.6.1 实验台简介 | 第88-90页 |
| 4.6.2 实验数据处理 | 第90-105页 |
| 4.7 本章小结 | 第105-107页 |
| 5 基于电机驱动系统多源信号多决策模型融合的故障诊断 | 第107-139页 |
| 5.1 引言 | 第107-108页 |
| 5.2 多源信息融合理论 | 第108-110页 |
| 5.2.1 数据层融合 | 第108-109页 |
| 5.2.2 特征层融合 | 第109页 |
| 5.2.3 决策层融合 | 第109-110页 |
| 5.3 证据理论基本概念 | 第110-113页 |
| 5.3.1 辨识框架 | 第110页 |
| 5.3.2 基本概率分配函数 | 第110-111页 |
| 5.3.3 信任函数 | 第111页 |
| 5.3.4 似然函数 | 第111页 |
| 5.3.5 信任区间 | 第111-112页 |
| 5.3.6 D-S证据理论的合成规则 | 第112-113页 |
| 5.4 基于电机驱动系统的机械故障诊断理论 | 第113-116页 |
| 5.4.1 负载转矩振荡对电机磁动势的影响 | 第114-115页 |
| 5.4.2 负载转矩振荡对电机电流的影响 | 第115-116页 |
| 5.5 基于电机驱动系统多源信号多决策模型融合的故障诊断方法 | 第116-117页 |
| 5.6 实验验证 | 第117-137页 |
| 5.6.1 实验台简介 | 第117-118页 |
| 5.6.2 滚动轴承故障实验 | 第118-129页 |
| 5.6.3 齿轮故障实验 | 第129-137页 |
| 5.7 本章小结 | 第137-139页 |
| 6 结论与展望 | 第139-143页 |
| 6.1 全文总结 | 第139-140页 |
| 6.2 主要创新点 | 第140-141页 |
| 6.3 研究展望 | 第141-143页 |
| 致谢 | 第143-145页 |
| 参考文献 | 第145-163页 |
| 附录 | 第163页 |
| A 作者在攻读博士学位期间发表的论文目录 | 第163页 |
| B 作者在攻读博士学位期间参加的部分科研项目目录 | 第163页 |
