| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 选题背景 | 第10-12页 |
| 1.1.1 课题的来源 | 第10页 |
| 1.1.2 课题的目的和意义 | 第10-12页 |
| 1.2 故障预测技术研究概况 | 第12-16页 |
| 1.2.1 故障预测技术概述 | 第12页 |
| 1.2.2 国内外研究现状及发展进程 | 第12-13页 |
| 1.2.3 故障预测方法的分类与简介 | 第13-16页 |
| 1.3 全信息融合技术概况 | 第16-18页 |
| 1.4 本文主要研究内容介绍 | 第18-19页 |
| 1.5 小结 | 第19-20页 |
| 2 相关理论介绍 | 第20-39页 |
| 2.1 引言 | 第20页 |
| 2.2 滚动轴承故障机理分析 | 第20-24页 |
| 2.2.1 滚动轴承故障机理 | 第20-22页 |
| 2.2.2 滚动轴承各部件故障特征研究 | 第22-23页 |
| 2.2.3 滚动轴承失效形式 | 第23-24页 |
| 2.3 全矢谱基础理论概述 | 第24-32页 |
| 2.3.1 全矢谱理论基础 | 第24-29页 |
| 2.3.2 全矢谱的数值计算 | 第29-31页 |
| 2.3.3 全矢谱技术的应用 | 第31-32页 |
| 2.4 极限学习机理论 | 第32-38页 |
| 2.4.1 极限学习机方法概述 | 第32-33页 |
| 2.4.2 基本型极限学习机的结构及计算过程 | 第33-37页 |
| 2.4.3 改进型极限学习在机故障预测中的应用 | 第37-38页 |
| 2.5 小结 | 第38-39页 |
| 3 全矢Hilbert故障特征提取模型研究 | 第39-51页 |
| 3.1 引言 | 第39页 |
| 3.2 全矢Hilbert故障提取模型理论及仿真验证 | 第39-44页 |
| 3.2.1 Hilbert解调 | 第39-40页 |
| 3.2.2 全矢Hilbert解调 | 第40-41页 |
| 3.2.3 全矢Hilbert解调仿真分析 | 第41-44页 |
| 3.3 全矢Hilbert故障提取模型实例分析 | 第44-50页 |
| 3.3.1 滚动轴承故障特征提取 | 第46-49页 |
| 3.3.2 神经网络的特征向量输入与输出 | 第49-50页 |
| 3.4 小结 | 第50-51页 |
| 4 故障预测模型实例分析 | 第51-63页 |
| 4.1 引言 | 第51-52页 |
| 4.2 全矢模糊神经网络故障预测模型及实例分析 | 第52-55页 |
| 4.2.1 模糊神经网络理论 | 第52-53页 |
| 4.2.2 全矢模糊神经网络实例分析 | 第53-55页 |
| 4.3 全矢小波神经网络故障预测模型及实例分析 | 第55-59页 |
| 4.3.1 小波神经网络理论 | 第55-57页 |
| 4.3.2 全矢小波神经网络实例分析 | 第57-59页 |
| 4.4 全矢改进型极限学习机故障预测实例分析 | 第59-62页 |
| 4.5 小结 | 第62-63页 |
| 5 结论与展望 | 第63-65页 |
| 5.1 本文结论 | 第63页 |
| 5.2 关键技术与创新点 | 第63-64页 |
| 5.3 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 个人简历和在校期间的科研成果 | 第69-70页 |