| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 课题来源 | 第16页 |
| 1.3 国内外研究现状 | 第16-22页 |
| 1.3.1 机械故障特征提取和模式识别方法研究现状 | 第17-19页 |
| 1.3.2 压缩感知方法研究现状 | 第19-21页 |
| 1.3.3 压缩感知在机械故障诊断中的应用 | 第21-22页 |
| 1.4 主要研究内容及论文结构 | 第22-25页 |
| 1.4.1 主要研究内容 | 第22-23页 |
| 1.4.2 论文结构安排 | 第23-25页 |
| 第二章 压缩感知理论基础 | 第25-31页 |
| 2.1 信号的稀疏表示 | 第25-26页 |
| 2.2 测量矩阵选择 | 第26-28页 |
| 2.3 特征提取与信号重构算法 | 第28-29页 |
| 2.4 小结 | 第29-31页 |
| 第三章 基于冗余字典的轴承故障压缩感知分类方法 | 第31-47页 |
| 3.1 基于冗余字典的轴承信号稀疏表示 | 第31-32页 |
| 3.2 基于冗余字典的轴承故障稀疏分类算法 | 第32-35页 |
| 3.2.1 随机压缩降维 | 第32-33页 |
| 3.2.2 稀疏求解策略 | 第33-34页 |
| 3.2.3 稀疏分类算法步骤 | 第34-35页 |
| 3.3 仿真与实验研究 | 第35-42页 |
| 3.3.1 仿真模拟 | 第35-38页 |
| 3.3.2 实验验证 | 第38-39页 |
| 3.3.3 轴承故障分类结果 | 第39-42页 |
| 3.4 故障分类影响因素的讨论 | 第42-45页 |
| 3.4.1 稀疏分类算法与传统分类算法的对比 | 第42-43页 |
| 3.4.2 随机压缩降维的维度的选取对分类结果的影响 | 第43-44页 |
| 3.4.3 信号长度对分类结果的影响 | 第44-45页 |
| 3.5 小结 | 第45-47页 |
| 第四章 基于稀疏降维和小波能量的故障压缩感知分类方法 | 第47-63页 |
| 4.1 基于小波模极大值的振动信号稀疏表示 | 第48-51页 |
| 4.2 稀疏降维及小波模极大值重构方法 | 第51-53页 |
| 4.3 基于小波变换能量特征的故障分类方法 | 第53-54页 |
| 4.4 实验验证 | 第54-60页 |
| 4.4.1 轴承故障分类实验研究 | 第54-55页 |
| 4.4.2 齿轮故障分类实验研究 | 第55-60页 |
| 4.5 故障分类影响因素的讨论 | 第60-62页 |
| 4.5.1 信号长度对分类结果的影响 | 第61页 |
| 4.5.2 压缩降维维度的选取对分类结果的影响 | 第61-62页 |
| 4.6 小结 | 第62-63页 |
| 第五章 基于块稀疏贝叶斯学习的振动信号压缩采样方法 | 第63-87页 |
| 5.1 基于正交小波变换基的振动信号压缩采样方法 | 第64-66页 |
| 5.1.1 振动信号稀疏性分析 | 第64-65页 |
| 5.1.2 稀疏采样与重构方法 | 第65-66页 |
| 5.2 基于块稀疏贝叶斯学习的振动信号压缩采样方法 | 第66-68页 |
| 5.2.1 基本原理介绍 | 第66-67页 |
| 5.2.2 参数估计方法 | 第67-68页 |
| 5.3 实验验证 | 第68-84页 |
| 5.3.1 基于正交小波变换基下的振动信号压缩方法 | 第68-74页 |
| 5.3.2 基于BSBL方法的振动信号压缩方法 | 第74-84页 |
| 5.4 小结 | 第84-87页 |
| 第六章 结论与展望 | 第87-89页 |
| 6.1 研究成果总结 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 已发表的学术论文 | 第95-97页 |
| 作者和导师简介 | 第97-98页 |
| 附件 | 第98-99页 |
