| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 研究状况 | 第11-14页 |
| 1.2.1 滚动轴承故障诊断技术的发展历程 | 第11页 |
| 1.2.2 轴承故障诊断技术的研究现状 | 第11-12页 |
| 1.2.3 机器学习方法在故障诊断中的研究现状 | 第12-14页 |
| 1.3 论文的主要研究思路和结构安排 | 第14-15页 |
| 第二章 基于低秩鉴别投影的轴承故障特征提取方法 | 第15-27页 |
| 2.1 基于低秩鉴别投影的特征提取方法 | 第15-18页 |
| 2.1.1 低秩表示的基本思想 | 第15-16页 |
| 2.1.2 低秩鉴别投影算法 | 第16-18页 |
| 2.2 稀疏表示分类方法 | 第18-20页 |
| 2.3 原始高维向量提取 | 第20-23页 |
| 2.3.1 时域特征参数 | 第20-21页 |
| 2.3.2 时频故障特征 | 第21-22页 |
| 2.3.3 基于低秩鉴别投影和稀疏表示的故障诊断模型 | 第22-23页 |
| 2.4.实例分析 | 第23-26页 |
| 2.4.1 试验对象 | 第23-24页 |
| 2.4.2 轴承特征向量选取 | 第24页 |
| 2.4.3 特征提取的对比分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于流形学习的故障特征提取方法 | 第27-37页 |
| 3.1 流形学习算法 | 第28-31页 |
| 3.1.1 局部保持投影（LPP）算法 | 第28-29页 |
| 3.1.2 监督局部保持投影(SLPP) | 第29-30页 |
| 3.1.3 正交局部保持投影（OLPP）算法 | 第30-31页 |
| 3.2 低维特征参数的提取 | 第31页 |
| 3.3 特征提取的对比分析 | 第31-36页 |
| 3.3.1 PCA的特征提取 | 第32页 |
| 3.3.2 LRDP的特征提取 | 第32-33页 |
| 3.3.3 LPP的特征提取 | 第33-34页 |
| 3.3.4 SLPP的特征提取 | 第34页 |
| 3.3.5 OLPP的特征提取 | 第34-36页 |
| 3.4 故障诊断 | 第36页 |
| 3.5 总结 | 第36-37页 |
| 第四章 基于时频分析和支持张量机的轴承故障诊断方法 | 第37-55页 |
| 4.1 时频分析方法 | 第38-44页 |
| 4.1.1 短时傅里叶变换(窗式傅里叶变换) | 第38页 |
| 4.1.2 Wigner-Ville分布 | 第38-39页 |
| 4.1.3 小波变换 | 第39页 |
| 4.1.4 Hilbert-Huang变换 | 第39-44页 |
| 4.2．HHT应用实例分析 | 第44-48页 |
| 4.2.1 四种类型信号的HHT分析 | 第44-48页 |
| 4.3 张量及张量运算 | 第48-50页 |
| 4.3.1 矩阵克罗内克积 | 第48页 |
| 4.3.2 张量外积 | 第48-49页 |
| 4.3.3 张量内积，范数和距离 | 第49页 |
| 4.3.4 张量缩并 | 第49页 |
| 4.3.5 张量d阶展开 | 第49-50页 |
| 4.3.6 CP分解和张量的秩 | 第50页 |
| 4.4．支持张量机 | 第50-54页 |
| 4.4.1.支持向量机及其张量扩展 | 第50-52页 |
| 4.4.2 基于支持张量机的故障诊断 | 第52-54页 |
| 4.5 总结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考 文献 | 第57-61页 |
| 附录 | 第61-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |