基于参数化模型的非平稳特征提取及其智能诊断研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·引言 | 第8页 |
| ·非平稳信号特征提取方法概述 | 第8-11页 |
| ·非平稳信号的参数化特征提取的研究概述 | 第8-9页 |
| ·时变自回归理论与发展现状 | 第9-10页 |
| ·Garch 模型理论及发展现状 | 第10-11页 |
| ·智能诊断技术发展概况 | 第11-14页 |
| ·智能诊断技术研究现状 | 第11页 |
| ·智能诊断技术存在的问题 | 第11-12页 |
| ·支持向量机概述 | 第12-13页 |
| ·隐马尔科夫模型概述 | 第13-14页 |
| ·论文研究内容 | 第14-16页 |
| 第二章 时变自回归与异方差特征提取 | 第16-33页 |
| ·TVAR 模型 | 第16-26页 |
| ·TVAR 时变参数辨识及谱估计 | 第17-21页 |
| ·模型定阶 | 第21-22页 |
| ·仿真信号分析与研究 | 第22-26页 |
| ·Garch 模型 | 第26-31页 |
| ·信号异方差特性分析 | 第26页 |
| ·非平稳信号异方差建模 | 第26-29页 |
| ·仿真信号分析与研究 | 第29-31页 |
| ·本章小结 | 第31-33页 |
| 第三章 基于支持向量机与隐马尔科夫模型的智能诊断 | 第33-41页 |
| ·基于SVM 的故障识别 | 第33-37页 |
| ·SVM 的分类训练算法 | 第34-35页 |
| ·SVM 模型结构与识别步骤 | 第35-37页 |
| ·基于HMM 的故障识别 | 第37-40页 |
| ·HMM 诊断原理 | 第38-39页 |
| ·HMM 训练与故障识别 | 第39页 |
| ·矢量量化 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 轴承故障参数化特征提取及其智能诊断 | 第41-59页 |
| ·滚动轴承故障实验与数据采集 | 第41-42页 |
| ·基于参数化模型的轴承振动信号分析 | 第42-49页 |
| ·基于基函数模型的滚动轴承TVAR 建模分析 | 第42-44页 |
| ·基于自适应算法的滚动轴承TVAR 建模分析 | 第44-45页 |
| ·基于AR-Garch 模型的轴承故障分析 | 第45-49页 |
| ·滚动轴承信号的参数化非平稳特征提取 | 第49-51页 |
| ·基于TVAR 时频谱特征提取方式 | 第49-50页 |
| ·基于Garch 分析与建模的特征提取 | 第50-51页 |
| ·基于SVM 的轴承故障智能诊断研究 | 第51-53页 |
| ·基于TVAR 时频谱与SVM 的轴承故障诊断 | 第51-52页 |
| ·基于Garch 系数与SVM 的轴承故障诊断 | 第52-53页 |
| ·基于HMM 的轴承故障诊断研究 | 第53-55页 |
| ·基于TVAR 时频谱与HMM 的轴承故障诊断 | 第53-54页 |
| ·基于Garch 与HMM 的轴承故障诊断 | 第54-55页 |
| ·基于Labview 的非平稳故障智能诊断系统 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 结论与展望 | 第59-61页 |
| ·工作总结 | 第59-60页 |
| ·后续展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65页 |
