| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 机械故障诊断技术研究现状 | 第10-12页 |
| 1.2.2 机械故障特征提取技术研究现状 | 第12-13页 |
| 1.2.3 多传感器信息融合技术研究现状 | 第13-14页 |
| 1.3 论文框架及研究内容 | 第14-15页 |
| 第2章 基于逐步变量预测模型的模式识别方法 | 第15-31页 |
| 2.1 基于变量预测模型的模式识别方法 | 第15-17页 |
| 2.1.1 变量预测模型 | 第16-17页 |
| 2.1.2 基于变量预测模型的分类过程 | 第17页 |
| 2.2 基于逐步变量预测模型的模式识别方法 | 第17-19页 |
| 2.2.1 逐步回归分析 | 第17-18页 |
| 2.2.2 逐步变量预测模型 | 第18页 |
| 2.2.3 基于逐步变量预测模型的分类过程 | 第18-19页 |
| 2.3 仿真数据实验验证 | 第19-22页 |
| 2.3.1 数据仿真 | 第19-20页 |
| 2.3.2 实验验证 | 第20-22页 |
| 2.3.3 结果分析 | 第22页 |
| 2.4 机械故障实验验证 | 第22-29页 |
| 2.4.1 齿轮箱故障实验 | 第22-25页 |
| 2.4.2 滚动轴承故障实验 | 第25-29页 |
| 2.4.3 结果分析 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于时序分析和逐步变量预测模型的模式识别方法 | 第31-45页 |
| 3.1 时间序列分析 | 第31-32页 |
| 3.2 基于AR模型和逐步变量预测模型的模式识别方法 | 第32-35页 |
| 3.3 仿真数据实验验证 | 第35-38页 |
| 3.3.1 实验验证 | 第35-38页 |
| 3.3.2 结果分析 | 第38页 |
| 3.4 机械故障实验验证 | 第38-43页 |
| 3.4.1 齿轮箱故障实验 | 第38-41页 |
| 3.4.2 滚动轴承故障实验 | 第41-43页 |
| 3.4.3 结果分析 | 第43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于AR-SVPMCD的多传感器信息融合故障诊断方法 | 第45-52页 |
| 4.1 多传感器信息融合诊断理论 | 第45-46页 |
| 4.2 D-S证据理论 | 第46-47页 |
| 4.3 基于AR-SVPMCD的多传感器信息融合故障诊断方法 | 第47-49页 |
| 4.3.1 基于AR-SVPMCD的多传感器信息融合诊断方法的结构 | 第47-48页 |
| 4.3.2 基于AR-SVPMCD的多传感器信息融合诊断方法的步骤 | 第48-49页 |
| 4.4 机械故障实验验证 | 第49-50页 |
| 4.4.1 滚动轴承故障实验 | 第49-50页 |
| 4.4.2 结果分析 | 第50页 |
| 4.5 基于AR-SVPMCD的多传感器信息融合故障诊断方法优势总结 | 第50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的论文 | 第59页 |
