| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 滚动轴承故障简述 | 第11-13页 |
| 1.2.1 滚动轴承基本结构 | 第11-12页 |
| 1.2.2 滚动轴承故障形式及其振动特征 | 第12-13页 |
| 1.2.3 滚动轴承故障特征频率计算 | 第13页 |
| 1.3 滚动轴承故障信号降噪方法 | 第13-15页 |
| 1.4 滚动轴承故障提取方法 | 第15-17页 |
| 1.5 滚动轴承故障识别方法 | 第17-18页 |
| 1.5.1 基于神经网络的人工智能诊断 | 第17-18页 |
| 1.5.2 基于遗传算法的人工智能诊断 | 第18页 |
| 1.5.3 基于支持向量机的人工智能诊断 | 第18页 |
| 1.6 论文的主要研究内容 | 第18-20页 |
| 第2章 滚动轴承故障信号降噪方法 | 第20-27页 |
| 2.1 形态滤波基础 | 第20-21页 |
| 2.2 形态学自互补Top-Hat变换 | 第21页 |
| 2.3 结构元素 | 第21-22页 |
| 2.3.1 结构元素类型与高度的确定 | 第21-22页 |
| 2.3.2 结构元素长度的确定 | 第22页 |
| 2.4 特征能量百分比 | 第22-23页 |
| 2.5 实例方法验证 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于变分模态分解与自互补Top-Hat变换的滚动轴承故障诊断 | 第27-51页 |
| 3.1 变分模态分解原理 | 第27-34页 |
| 3.1.1 EMD算法原理及局限性 | 第27-28页 |
| 3.1.2 VMD的分解原理 | 第28-30页 |
| 3.1.3 对比EMD与VMD的分解效果 | 第30-34页 |
| 3.2 关于最优IMF分量的选择(峭度-相关准则) | 第34-36页 |
| 3.3 基于变分模态分解和自互补Top-Hat变换的滚动轴承故障特征诊断流程.. | 第36-37页 |
| 3.4 实例方法验证 | 第37-50页 |
| 3.4.1 滚动轴承内圈故障实例分析 | 第38-45页 |
| 3.4.2 滚动轴承外圈故障实例分析 | 第45-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于VMD能量熵与优化支持向量机的滚动轴承故障识别 | 第51-60页 |
| 4.1 支持向量机理论 | 第51-53页 |
| 4.2 关于SVM参数的讨论 | 第53-55页 |
| 4.2.1 交叉验证选择最佳参数 | 第53页 |
| 4.2.2 启发式算法参数寻优 | 第53-55页 |
| 4.3 基于VMD能量熵和优化的支持向量机的滚动轴承故障识别 | 第55-59页 |
| 4.3.1 VMD能量熵 | 第55-56页 |
| 4.3.2 基于VMD能量熵和优化的SVM的滚动轴承故障识别 | 第56页 |
| 4.3.3 实例方法验证 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 结论与展望 | 第60-62页 |
| 5.1 工作结论 | 第60页 |
| 5.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |
