| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 本课题研究的意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断技术的研究现状 | 第11-12页 |
| 1.3 滚动轴承故障诊断的主要内容 | 第12-13页 |
| 1.4 滚动轴承故障诊断技术 | 第13-15页 |
| 1.4.1 滚动轴承故障特征提取方法 | 第13-14页 |
| 1.4.2 滚动轴承状态识别方法 | 第14-15页 |
| 1.5 本论文的主要内容 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 基于小波理论的滚动轴承故障诊断方案设计 | 第17-26页 |
| 2.1 实验平台介绍 | 第17-20页 |
| 2.2 滚动轴承故障试验方案设计 | 第20-22页 |
| 2.2.1 轴承故障设置 | 第20-21页 |
| 2.2.2 轴承故障特征频率 | 第21-22页 |
| 2.3 滚动轴承故障诊断方案设计 | 第22-24页 |
| 2.3.1 故障特征参数的选取 | 第22-23页 |
| 2.3.2 滚动轴承状态识别方法的选择 | 第23页 |
| 2.3.3 滚动轴承故障诊断流程 | 第23-24页 |
| 2.4 小波基函数的选择 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于小波理论的滚动轴承故障特征提取 | 第26-40页 |
| 3.1 小波变换基础理论 | 第26-30页 |
| 3.1.1 小波变换的定义 | 第26-28页 |
| 3.1.2 连续小波变换极其离散化 | 第28-30页 |
| 3.2 多分辨分析 | 第30-33页 |
| 3.2.1 多分辨分析思想 | 第31页 |
| 3.2.2 MALLAT 算法 | 第31-33页 |
| 3.3 小波包分析 | 第33-38页 |
| 3.3.1 小波包的定义 | 第34-35页 |
| 3.3.2 小波包算法 | 第35-36页 |
| 3.3.3 小波包分解后的频带排序 | 第36-38页 |
| 3.4 滚动轴承信号的故障特征提取 | 第38-39页 |
| 3.4.1 提取滚动轴承信号的故障特征 | 第38-39页 |
| 3.4.2 小波包对数能量熵的应用 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 滚动轴承故障分类方法分析及仿真验证 | 第40-56页 |
| 4.1 统计学基本理论 | 第40-43页 |
| 4.1.1 VC 维理论 | 第40-41页 |
| 4.1.2 推广性的界 | 第41-42页 |
| 4.1.3 结构风险最小化 | 第42-43页 |
| 4.2 支持向量分类机 | 第43-49页 |
| 4.2.1 线性支持向量分类机 | 第44-46页 |
| 4.2.2 非线性支持向量分类机 | 第46-49页 |
| 4.3 最小二乘支持向量机(LSSVM)分类 | 第49-52页 |
| 4.3.1 LSSVM 分类算法 | 第49-50页 |
| 4.3.2 常用 LSSVM 参数选择方法 | 第50-52页 |
| 4.4 LSSVM 多分类算法的确定 | 第52-53页 |
| 4.5 实验仿真 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 基于小波理论的滚动轴承故障诊断方法实现 | 第56-74页 |
| 5.1 滚动轴承故障初步诊断 | 第56-63页 |
| 5.1.1 时域信号分析 | 第56-59页 |
| 5.1.2 基于小波分解的频域信号分析 | 第59-63页 |
| 5.2 基于小波包能量熵和 LSSVM 的滚动轴承故障诊断 | 第63-71页 |
| 5.2.1 基于小波包和能量熵的特征向量提取 | 第64-67页 |
| 5.2.2 基于 LSSVM 的滚动轴承状态识别 | 第67-71页 |
| 5.3 多路数据并列分析优化诊断结果 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 附录 | 第80-86页 |